潘伟,吴超,李孜军,李明
硫化矿石堆自热过程复杂度变化趋势
潘伟1, 2,吴超1,李孜军1,李明1
(1. 中南大学 资源与安全工程学院,湖南 长沙,410083;2. 辽宁工程技术大学 矿山热动力灾害与防治教育部重点实验室,辽宁 阜新,123000)
为揭示硫化矿石堆自热过程的突变特性,提出一种基于实测温度数据研究矿石堆复杂度的新方法。以某硫铁矿矿石样品为实验材料,应用自主设计的实验装置,室内模拟矿石堆动态自热过程。在对近似熵方法检测动力学结构突变的有效性进行验证后,应用小波技术与近似熵方法对自热过程中矿石堆的复杂度进行定量分析。研究结果表明:矿石堆近似熵在0.61~0.90之间,随着深度的增大,矿石堆复杂度呈先增大后减小的趋势;局部区域的自热过程产生了明显突变,突变温度介于117.6~121.2 ℃之间;矿石堆复杂度变化趋势可分为3个阶段:相对平稳阶段、逐渐增大阶段和逐渐减小阶段。在复杂度逐渐增大阶段,矿石堆局部区域产生了明显自热。
硫化矿石堆;自热过程;复杂度;突变温度;室内模拟;近似熵;小波技术
硫化矿石与空气接触会发生缓慢氧化放热反应,当矿石堆散热条件较差时,热量便会积聚并使得矿石堆温度升高。当矿石堆温度达到矿石着火点时会引发自燃火灾,给矿山带来巨大的资源浪费及经济损失,甚至严重威胁到井下作业人员的生命安全。因此,研究其自燃机理、自燃过程及自燃防治措施具有重要的现实意义[1−2]。目前,对于硫化矿石自燃机理、自燃倾向性评价、预测方法和控制技术等领域[3–12]的研究已经取得一定成果,如Ninteman[3]定性描述了硫化矿石氧化的电化学机理;李孜军等[5]探讨了多指标综合评判的新方法;刘辉等[6]通过现场试验,优选出矿石堆温度作为预测自燃早期指标,并应用指数曲线法建立了矿石堆温度预测模型;阳富强等[8]在实验条件下总结出适用于检测矿石堆自燃的红外检测装置的选择方法,将其应用于现场实践,取得了较好效果。在硫化矿石堆自热过程研究方面的研究成果较少。如吴超 等[1]认为硫化矿石氧化自热过程分为低速和高速2个阶段,并通过室内实验测定了部分矿样进入高速氧化阶段的临界温度;李珞铭等[11]提出硫化矿石堆自燃流变—突变模型,但该研究不能对自然过程进行定量描述。在此,本文作者以室内实测模拟矿石堆的温度变化序列作为研究对象,集成近似熵方法与小波技术对自热过程中矿石堆的复杂度进行了定量研究,从而为矿山防治硫化矿石自燃火灾提供一条新思路。
1 硫化矿石堆自热模拟实验
由于影响硫化矿石自燃的因素繁多,且各因素间的交互作用机制极其复杂,受现场测试条件的限制,很难在现场开展试验。此外,虽然现场试验的结果可信度高,但试验周期长,试验过程也难以得到有效控制。为研究矿石堆动态自热过程,本文作者采用小规模的室内探索性实验来代替大规模的现场试验。
1.1 实验材料
河南某硫铁矿属于典型的高硫矿床,自开采以来曾多次发生硫化矿石自燃火灾。实验材料取自该矿850 m中段1号矿体西沿,矿样鉴定结果为块状黄铁矿及赤铁矿,表1所示为该矿样的化学成分。将矿样破碎至粒径为10 mm以下并进行筛分,构筑模拟矿石堆的粒度组成如表2所示,测得其平均空隙率为33.13%。
表1 矿样化学成分(质量分数)
表2 模拟矿石堆粒度组成
1.2 实验装置及方法
图1所示为实验装置示意图。堆置的模拟矿石堆近似为等腰梯形,其上、下底长度分别为60 mm和300 mm,高为100 mm,坡角为39.8o,矿石堆的含水率为5%。实验过程中通过向模拟矿石堆供氧来模拟采场通风,并采用加湿器来模拟采场内的空气湿度。
1—毒气吸收瓶;2—支架;3—模拟矿石堆;4—槽体模型;5—可程式高温试验箱;6—封盖;7—温度探头;8—加湿器;9—流量计;10—缓冲瓶;11—多点接触式测温仪;12—氧气瓶
为监测实验过程中模拟矿石堆的温度变化情况,在矿石堆中随机布设8个测点,编号依次为~。各个测点的坐标分别为:(−120,15),(−80,20),(−60,60),(−20,50),(0,20),(30,80),(90,25),(130,10)。测点温度采用多点接触式测温仪进行测定。由于常温状态下的硫化矿石堆氧化升温非常缓慢,本次实验采用可程式高温试验箱来加快矿石自热反应进程。
2 近似熵方法及其有效性检验
2.1 近似熵计算方法
近似熵是序列复杂度的一种非负的定量描述,序列越复杂,对应的近似熵就越大。从实测序列中提取近似熵的方法如下[13]。
3) 给定一距离,对每个值统计小于的数量,记为。将与距离总数的比值记作:
本文计算取=2,=0.15,为原始序列的标准偏差。
2.2 近似熵有效性检验
为验证近似熵方法检测动力学结构突变的有效性,构造长度为1 200的理想序列()如下:
由于实测数据中不可避免含有随机噪声,向理想序列()叠加0.08倍的随机噪声构成一个新的序列。取滑动窗口宽度分别为150和200,滑动步长为1,对该序列的近似熵进行计算,计算结果如图2所示。由图2可知:虽然选取的滑动窗口宽度不同,且序列含有噪声干扰,但近似熵方法仍能够有效识别动力学结构的差异,从动力学突变区能够直观找出该序列的突变点,证明近似熵在检测动力学结构突变方面具有显著优势。
(a) 滑动窗口宽度为150;(b) 滑动窗口宽度为200;
3 矿石堆自热复杂度的定量分析
3.1 实测数据计算流程
本实验采集的矿石堆温度变化数据是高温试验箱梯度升温与矿石自热共同作用的结果,且梯度升温起主导作用。因此,将矿石堆自热信息从实测温度序列中分离出来非常必要。基于此,本文作者引入小波分析技术[14]对实测温度序列进行小波分解与重构,温度序列的低频成分(大尺度逼近部分)反映的是梯度升温对矿石堆温度变化的影响,高频成分(细节部分)蕴藏着矿石堆自热复杂信息。
在获得各个测点的高频重构序列后,按照图3所示的计算流程对序列进行计算分析。本文所有计算工作均在中南大学高性能网格计算平台上完成,计算编程软件为Matlab7.4.0。
图3 计算流程示意图
3.2 结果分析及讨论
选择适当的小波函数是进行小波分析的关键,根据桑燕芳等[15]提出的方法对7个常用小波系中的54个小波函数进行优选,采用优选出的Haar小波对各个测点温度增量序列进行小波分解,重构第1层分解的高频系数作为研究序列。以测点为例,图4所示为该测点温度增量序列的小波重构结果。由图4可知:低频重构序列与原序列的变化趋势大体一致,体现的是高温试验箱梯度升温对矿石堆温度变化的影响,而高频重构序列则有更丰富的细节变化,对其进行分析,能够有效放大矿石堆内不同区域自热反应进程的微弱差别。
(a) 原序列;(b) 低频重构序列;(c) 标准化后的高频重构序列
基于近似熵方法计算出各个测点对应序列的近似熵值,并采用二维插值得到模拟矿石堆近似熵分布如图5所示。由图5可知:矿石堆系统的近似熵普遍较大,处于0.61~0.90之间,总体呈表层大深部小的趋势。结合各个测点的深度进行具体分析,可以发现:当深度由5.121 5 mm增大到11.523 3 mm过程中,近似熵由0.797 7增大到0.891 0。此后,随着深度的增大,近似熵值不断减小,当深度为80 mm时近似熵减小至0.613 2。由此可见,随着深度的增大,自热过程中矿石堆的复杂度呈先增大后减小的趋势。这是因为:矿石堆在氧化自热过程中,在一定的深度范围内,由于蓄热条件逐渐变优,矿石的自热效果会随着深度的增大,变得越来越明显,宏观表现为系统的复杂度逐渐增大;当深度继续增大,由于深部矿石越来越密实,使得通风阻力变大,导致风流很难入渗,矿石因没有足够的氧气参与反应使得自热效果逐渐变差,宏观表现就是系统的复杂度逐渐减小。由此可得,矿石堆复杂度的空间差异是自热过程中通风−蓄热综合作用的必然结果。
图5 模拟矿石堆近似熵分布
应用三次样条插值法对各个测点高频重构序列进行扩充,扩充后的序列长度为1 000。在对各个测点对应序列进行近似熵检测时,取滑动窗口宽度为150,滑动步长为1,得到部分测点近似熵检测结果如图6所示。所有测点的近似熵检测结果表明:在布设的8个测点中,仅测点、测点和测点的近似熵存在较为明显的突变区,这意味着仅有这3个测点处矿石的自热过程产生了明显突变,进一步证实了矿石堆内只有局部区域出现了明显自热。计算过程中还发现,3个测点近似熵的变化特征基本趋于一致。以测点为例进行分析(见图6(a)),计算得到Ⅰ区和Ⅱ区的近似熵平均值分别为0.362 3和0.473 5,Ⅱ区的近似熵平均值大于Ⅰ区的近似熵平均值,表明高速氧化阶段的自热反应比低速氧化阶段更为复杂。
(a) 测点A;(b) 测点B;(c) 测点C;(d) 测点D
为了便于分析低速氧化阶段和高速氧化阶段的近似熵变化特征,将测点Ⅰ区和Ⅱ区近似熵曲线放大,如图7所示。由图7可知:Ⅰ区和Ⅱ区的近似熵变化趋势有显著差异。在Ⅰ区,随着滑动窗口右移,近似熵先是在平均值0.347 9左右波动(对应图7(a)中的段),然后总体呈逐渐增大趋势(对应图7(a)中的段);在Ⅱ区,随着滑动窗口右移,近似熵先是迅速增大到最大值0.520 4(对应图7(b)中的段),然后呈逐渐减小趋势(对应图7(b)中的段)。硫化矿石堆在低速氧化阶段初期,自热作用不显著,使得系统的复杂度变化不明显。经过一段时间预热后,矿石温度升高促使自热反应加剧,从而导致系统复杂度逐渐增大,该现象在高速氧化阶段初期体现得尤为明显。在高速氧化阶段末期,由于堆内矿石颗粒表面已经被氧化,从而使得系统复杂度逐渐减小。由此可知,随着时间的推移,矿石堆复杂度变化趋势可分为3个阶段:相对平稳阶段、逐渐增大阶段和逐渐减小阶段,其中在复杂度逐渐增大阶段,矿石堆局部区域产生了明显自热。
(a) Ⅰ区;(b) Ⅱ区
表3所示为测点、测点和测点的突变分析结果。由表3可知:矿石堆内不同区域进入高速氧化阶段的临界温度并不相同,但差值不大,这可能与各个区域不同的环境因素(如矿石粒度、通风条件等)有关。由表3还发现:测点的深度越大,动力学突变点就越大。这是由于矿石的导热性较差,深度大的矿石达到高速氧化临界温度所需时间更长。
表3 测点、测点和测点的突变分析结果
Table 3 Mutation analysis results of measuring point A, C and H
4 结论
1) 近似熵具有良好的识别不同动力学结构及显示突变的能力,应用该方法对矿石堆自热过程中不同区域、不同阶段的复杂度进行分析是可行的。
2) 自热过程中矿石堆系统的近似熵普遍较大,介于0.61~0.90之间。且随着深度的增大,矿石堆复杂度呈先增大后减小的趋势。
3) 矿石堆内仅局部区域的自热过程产生了明显突变,突变温度介于117.6~121. 2℃之间。为抑制自燃火灾的发生,采矿生产中应采取有效措施防止矿石堆温度达到突变温度。
4) 随着时间的推移,矿石堆自热区域复杂度变化趋势可分为3个阶段:相对平稳阶段、逐渐增大阶段和逐渐减小阶段。其中,在复杂度逐渐增大阶段,矿石堆局部区域产生了明显自热。
[1] 吴超, 孟廷让. 高硫矿井内因火灾防治理论与技术[M]. 北京: 冶金工业出版社, 1995: 1−111.
WU Chao, MENG Tingrang. Theory and technology for control of the mine spontaneous combustion of sulfide ores[M]. Beijing: Metallurgical Industry Press, 1995: 1−111.
[2] 李孜军. 硫化矿石自燃机理及其预防关键技术研究[D]. 长沙: 中南大学资源与安全工程学院, 2007: 1−6.
LI Zijun. Investigation on the mechanism of spontaneous combustion of sulfide ores and the key technologies for preventing fire[D]. Changsha: Central South University. School of Resources and Safety Engineering, 2007: 1−6.
[3] Ninteman D J. Spontaneous oxidation and combustion of sulfide ores in underground mines[R]. USA: Bureau of Mines, 1978: 1−40.
[4] WU Chao, LI Zijun. A simple method for predicting the spontaneous combustion potential of sulfide ores at ambient temperature[J]. Transactions of the Institutions of Mining and Metallurgy, Section A: Mining Technology, 2005, 114(2): 125−128.
[5] 李孜军, 古德生, 吴超. 高温高硫矿床矿石自燃危险性的评价[J]. 金属矿山, 2004(5): 57−59.
LI Zijun, GU Desheng, WU Chao. Dangerousness assessment of ore spontaneous combustion in high temperature high sulfide deposits[J]. Metal Mine, 2004(5): 57−59.
[6] 刘辉, 吴超, 潘伟, 等. 硫化矿石堆自燃早期指标优选及预测方法[J]. 科技导报, 2009, 27(3): 46−50.
LIU Hui, WU Chao, PAN Wei, et al. Index optimization and forecast model of spontaneous combustion of sulfide ore dump during early stage[J]. Science & Technology Review, 2009, 27(3): 46−50.
[7] 谢正文, 吴超, 李孜军, 等. 基于信息熵和集对分析理论的硫化矿石自燃倾向性判定[J]. 中南大学学报(自然科学版), 2012, 43(15): 1858−1863.
XIE Zhengwen, WU Chao, LI Zijun, et al. Evaluation on spontaneous combustion tendency of sulfide ores based on entropy and set pair analysis theory[J]. Journal of Central South University (Science and Technology), 2012, 43(15): 1858−1863.
[8] 阳富强, 吴超, 李孜军, 等. 红外探测技术在硫化矿石堆自燃检测中的应用[J]. 金属矿山, 2009, (3): 149−153.
YANG Fuqiang, WU Chao, LI Zijun, et al. Application of infrared detecting technology in predicting spontaneous combustion of sulfide ore dump[J]. Metal Mine, 2009(3): 149−153.
[9] 潘伟, 吴超, 李孜军, 等. 硫化矿石堆动态自热过程模拟[J]. 中南大学学报(自然科学版), 2011, 42(7): 2126−2131.
PAN Wei, WU Chao, LI Zijun, et al. Simulation experiment of dynamic self-heating process of sulfide ore heap[J]. Journal of Central South University (Science and Technology), 2011, 42(7): 2126−2131.
[10] YANG Fuqiang, WU Chao, LI Zijun. Investigation of the propensity of sulfide concentrates to spontaneous combustion in storage[J]. Journal of Loss Prevention in the Process Industries, 2011, 24: 131−137.
[11] 李珞铭, 吴超, 王立磊, 等. 流变—突变论在预防硫化矿自燃中的应用研究[J]. 中国安全科学学报, 2008, 18(2): 81−86.
LI Luoming, WU Chao, WANG Lilei, et al. Research and application of rheology-mutation theory in the prevention of sulfide ore spontaneous combustion[J]. China Safety Science Journal, 2008, 18(2): 81−86.
[12] Pan W, Liao J, Wu C, et al. Numerical simulation of self-heating and its influence factors of sulfide ore heap[C]//Proceedings of International Symposium on Rock Mechanics and Mine Dynamic Disaster Prevention. Beijing: China Coal Industry Publishing House, 2013: 221−227.
[13] Pincus S M. Approximate entropy as a measure of system complexity[J]. Proceeding of the National Academy Sciences USA, 1991, 88(6): 2297−2301.
[14] 胡汉辉, 杨洪, 谭青, 等. 基于小波分析的风机故障诊断[J]. 中南大学学报(自然科学版), 2007, 38(6): 1169−1173.
HU Hanhui, YANG Hong, TAN Qing, et al. Sintering fan faults diagnosis based on wavelet analysis[J]. Journal of Central South University (Science and Technology), 2007, 38(6): 1169−1173.
[15] 桑燕芳, 王栋. 水文序列小波分析中小波函数选择方法[J]. 水利学报, 2008, 39(3): 295−300.
SANG Yanfang, WANG Dong. Wavelets selection method in hydrologic series wavelet analysis[J]. Journal of Hydraulic Engineering, 2008, 39(3): 295−300.
Complexity trend of self-heating process of sulfide ore heap
PAN Wei1, 2, WU Chao1, LI Zijun1, LI Ming1
(1. School of Resources and Safety Engineering, Central South University, Changsha 410083, China;2. Key Laboratory of Mine Thermo-motive Disaster and Prevention of Ministry of Education,Liaoning Technical University, Fuxin 123000, China)
To reveal mutation characteristics of sulfide ore heap during the self-heating process, a new method for complexity research of ore heap based on measured temperature data was proposed. Ore samples from a pyrite mine were taken as experimental materials and dynamic self-heating process of ore heap was simulated in laboratory with the experimental apparatus. The complexity of ore heap during the self-heating process was analyzed quantitatively with wavelet technology and approximate entropy method after the effectiveness of approximate entropy method detecting structural dynamics mutation was validated. The results indicate that the approximate entropy value of ore heap is 0.61−0.90. The complexity of ore heap increases at first, and then decreases as the depth increases. Self-heating process of local area has obvious mutation and the mutation temperature is between 117.6−121.2 ℃. The complexity trend of ore heap includes three stages: relatively stable stage, gradually increasing stage and gradually decreasing stage. In gradually increasing stage, ore in local area generates obvious self-heating.
sulfide ore heap; self-heating process; complexity; mutation temperature; laboratory simulation; approximate entropy; wavelet technology
TD75
A
1672−7207(2015)02−0610−07
2014−01−10;
2014−06−15
国家自然科学基金资助项目(51074181, 51304238);矿山热动力灾害与防治教育部重点实验室基金资助课题(JSK200206)(Projects (51074181, 51304238) supported by the National Science Foundation of China; Project ((JSK200206)) supported by the Foundation of Key Laboratory of Mine Thermo-motive Disaster and Prevention, Ministry of Education, China)
潘伟,博士,从事矿山安全、环境保护等研究;E-mail:panwei-82@163.com
10.11817/j.issn.1672-7207.2015.02.032
(编辑 赵俊)