大数据理论下的煤与瓦斯突出事故致因分析

司 鹄，赵剑楠，胡千庭

(1.重庆大学 煤矿灾害动力学与控制国家重点实验室，重庆 400030；2.重庆大学 资源及环境科学学院，重庆 400030)

0 引 言

煤炭是中国第一大能源，2017年中国能源消费总量44.9亿t标准煤，比2016年增长2.9%，煤炭消费量同比增长0.4%[1].随着煤矿开采深度的增加和开采强度的提高，煤炭开采不可避免地面临着诸多科学问题和技术难题，其中煤与瓦斯突出是在开采矿井瓦斯管理问题上的一个致命危险源。2003年至今，中国发生煤矿瓦斯事故5 949起，其中煤与瓦斯突出事故357起，死亡2 461人。2016年国内共发生煤矿事故249起，死亡538人。近年来，全国突出事故起数和死亡人数有所下降，但煤矿安全生产形势依然严峻，对煤与瓦斯突出事故的防治仍然十分重要。

大数据的兴起为煤与瓦斯突出防治提供了一种新方法。大数据被认为是一种新的科学方法和技术手段，是继实验科学、理论科学和计算科学之后的“第四范式”[2]。当今是一个数据爆发增长的时代。移动互联网、移动终端和数据传感器的出现，使数据以超出人们想象的速度快速增长。大数据在金融、电力、能源等行业的应用已经兴起[3-11]，并逐步向安全科学领域扩展；李瑞秋采用自组织数据挖掘方法构建瓦斯涌出量与影响因素之间的预测模型，经验证该模型具有较好的预测精度[12]；钱梦运用改进后的支持向量机算法(PSO-SVR)对煤层瓦斯含量进行预测[13]；孙继平探讨了大数据在煤与瓦斯突出、冲击地压、水害、火灾等事故预警、煤矿重大关键设备故障诊断、煤炭需求和价格预测等方面的应用[14]；盛武等探讨人的信息处理生理差异，分析不同类别员工的瓦斯事故应急行动选择倾向[15-16]；吴海波以实时流数据处理框架Spark Streaming构建基于流回归的瓦斯浓度实时预测系统，满足瓦斯监测流数据的实时分析并对瓦斯浓度进行准确预测以实现瓦斯灾害实时预警[17]；郁云等运用人工神经网络建模方法建立瓦斯涌出量预测模型，提出了用数据预处理的方法弱化数据波动性[18]；刘玉海基于Hadoop Map Reduce大数据系统对矿井瓦斯涌出量进行了预测仿真分析，为矿井瓦斯治理和安全生产提供可靠依据[19]；罗波等运用大数据、信息融合和灰色关联法设计了一种甄别矿井运输皮带故障的实用方法[20]。由于信息化的滞后，煤炭行业的数据还无法像互联网行业那样进行大规模的收集和价值挖掘，但这并不能否定煤矿行业潜在的大数据属性。煤炭行业与其他行业一样，对行业的大数据有数据挖掘需求。

以大量事故案例为基础，应用大数据原理，采用关联规则、数据挖掘等技术探索事故发生原因与规律，为宏观事故预测和安全决策提供科学依据。对煤与瓦斯突出事故的深度挖掘研究，对矿井科学开采、科学制定事故控制对策措施以及促进煤炭工业安全可持续发展有着重要的意义和价值。

1 大数据技术理念

迄今为止，人们还没有完全掌握煤与瓦斯突出事故的发生规律，不能准确预警煤与瓦斯突出。因此，将大数据用于煤与瓦斯突出事故预警具有十分重要的理论意义和实用价值。大数据技术是通过对海量数据进行分析，获得具有巨大价值的结论和深刻的见解[21]，其核心就是预测，通过机器学习把数学运算运用到海量数据上来预测事件发生的可能性。2003年起，国内发生煤与瓦斯突出事故357起，这些事故为煤与瓦斯突出预测提供了大量数据。

基于此，采集近15 a来发生的一般及以上类型的煤与瓦斯突出事故，通过网络数据采集方法在国家煤炭安监局网站、各地区安监局网站及各类新闻报告等媒介采集包括图像、文档、视频等非结构化数据和半结构化数据，将大数据理论应用于煤与瓦斯突出致因分析的机理如图1所示。

图1 大数据理论下煤与瓦斯突出致因分析的机理Fig.1 Mechanism of cause analysis of coal and gas outburst based on big data theory

2 大数据预处理

通过网络数据采集方法采集的煤矿相关数据复杂，差异性大，不同地区的煤样特征等均不相同，采集到数据多是不完整、不一致的非结构化数据和半结构化数据，无法直接进行数据挖掘。因此，为了提高数据挖掘的质量对数据进行预处理。采集到的煤与瓦斯突出事故存在3类不符合要求的数据，分别是：不完整的数据、错误的数据和重复的数据，针对这3类数据，采用以下方式处理。

1)不完整数据：这一类数据是指该有的信息缺失，如开拓方式、通风方式和地质构造等需要的信息缺失，对于这一类信息，会查询不重合数据库进行补充，或与其他相似信息比对填充，如果依旧存在缺失，则过滤掉完整度低于50%的因素。因此，过滤了支护方式、通风系统、通风机工作方式和水文地质4个数据元；

2)错误的数据：由于数据来源不同，会出现数据矛盾、格式不正确、日期越界等情况。对于此类数据按照来源进行分类，以在安监局网站上直接采集的数据为准，去除与其矛盾的数据；

3)重复的数据：因为提取到的影响因素多达27种，这严重影响了煤与瓦斯突出预测的可操作性和预测效率。结合数据性质，采用Cramer’s V相关系数计算法分析这27项数据元之间的相关性。分析发现采煤方法与采煤工艺、作业方式的相关性系数均大于0.5，为保证各因素之间的独立性，去除采煤方法，同理去除总进风量、总回风量、落煤方式、煤层倾角、绝对瓦斯涌出、相对瓦斯涌出共计7个数据元。

数据清洗的目的是为了解决数据质量问题并且让数据适合做挖掘，通过对以上3类数据的清洗，得到的数据已满足挖掘需求。

案例记录一般是对突出案例发生的基本情况进行描述，然后描述突出救援中的实地指挥情况，最后描述突出案例的事故后果。因此，在对数据清洗后，将煤与瓦斯突出事故案例信息分为突出事故固有属性、突出事故影响因素和事故后果3类，见表1.

表1 数据清洗后煤与瓦斯突出事故案例信息Table 1 Case info of coal and gas outburst accident after data cleaning

3 影响因素危险性分析

基于数据预处理，文中对瓦斯压力、瓦斯含量作业方式、开拓方式、采煤工艺、掘进工艺、地质构造、煤层厚度等8个直接致因进行量化分析。

3.1 瓦斯含量和瓦斯压力影响分析

《防治煤与瓦斯突出规定》中规定当瓦斯含量(W)大于8 m3/t或者瓦斯压力(P)大于0.74 MPa时采取防治煤与瓦斯突出措施。因此，以此为临界值对采集的瓦斯含量和瓦斯压力进行分析，分析发现：发生煤与瓦斯突出事故的平均瓦斯含量为7.4 m3/t，其中53%的突出事故发生时瓦斯含量小于8 m3/t，如图2所示。因此，超过一半的矿井发生突出事故时瓦斯含量没有达到国家规定的临界值8 m3/t.

图2 瓦斯含量统计分析Fig.2 Statistical analysis of gas content

3.2 作业方式影响分析

大多数突出在发生前有作业方式诱导，33.85%的煤与瓦斯突出事故是由爆破作业引起的，23.85%的事故由割煤造成，10.77%由手镐造成。需要注意的是，打钻虽是一种防突措施，但是也有9.23%的事故由于打钻引起，分析结果如图3(a)所示。

对不同作业类型的瓦斯含量进行分类分析结果如图3(b)所示：只有在刷帮和打钻作业诱发突出时瓦斯含量高于8 m3/t，危险性较大的爆破作业、割煤、手镐导致突出的平均瓦斯含量分别为6.79，7.83，5.76 m3/t，没有作业方式诱导的突出事故平均瓦斯含量为5.86 m3/t.对瓦斯含量较低时发生突出的作业方式进行分析发现：爆破中有41%的事故是在瓦斯压力小于0.74 MPa时发生，19%的割煤和43%的手镐作业是在瓦斯压力小于0.74 MPa时发生突出；虽然没有作业方式诱导的突出中瓦斯含量较低，但是瓦斯压力均达到了0.74 MPa，结果如图3(c)所示。

图3 作业方式影响分析Fig.3 Influence analysis of assignment style

3.3 开拓方式影响分析

井田开拓方式种类很多，文中按井筒(硐)形式将开拓方式分为立井开拓、斜井开拓、平硐开拓和综合开拓4种进行分析，分析发现44%的矿井采用斜井开拓，25%的矿井采用混合开拓，22%采用立井开拓，9%采用平硐开拓，结果如图4(a)所示。

对于不同开拓方式造成突出的瓦斯含量分析发现：采用斜井开拓方式造成事故的矿井不仅多，其造成事故的临界瓦斯含量也偏小，为6.57 m3/t，采用混合开拓发生突出的矿井平均瓦斯含量是7.49 m3/t，结果如图4(b)所示。对采用斜井开拓和混合开拓的矿井发生事故时的瓦斯压力进行分析发现：在采用斜井开拓的矿井中，有33%的矿井发生事故时瓦斯压力小于0.74 MPa，13%采用混合开拓的矿井发生事故时的瓦斯压力小于0.74 MPa，如图4(c)所示。因此，在采用瓦斯压力达到0.74 MPa时进行煤与瓦斯突出区域预测具有将强的科学性且准确率较高。

3.4 采煤工艺影响分析

由于煤层的自然条件和采用的机械不同，完成回采工作各工序的方法也就不同，并且在进行的顺序、时间和空间上必须有规律地加以安排和配合。这种在采煤工作面内按照一定顺序完成各项工序的方法及其配合，称为采煤工艺。目前常用的采煤工艺有：爆破采煤工艺(炮采)、普通机械化采煤工艺(普采)、综合机械化采煤工艺(综采)，在发生事故的矿井中，有131个矿井采用了炮采工艺，占所有事故的51%，分别由70和57个矿井采用普采和综采工艺，结果如图5(a)所示。

图4 开拓方式影响分析Fig.4 Influence analysis of exploring ways

图5 采煤工艺影响分析Fig.5 Influence analysis of coal mining process

对不同采煤工艺下瓦斯含量的分析发现：不论采取何种采煤工艺，瓦斯含量的平均值相差不大且均小于8 m3/t，结果如图5(b)所示；对不同采煤工艺下的瓦斯压力分析，分别有30%，24%，19%的普采、炮采、综采工艺在发生突出时的瓦斯压力小于0.74 MPa，如图5(c)所示。将采煤工艺和开拓方式耦合，如图5(d)所示，对比分析后发现：在立井开拓时采用普采工艺或者在平硐开拓时采用炮采工艺发生突出的平均瓦斯含量均高于11 m3/t，在其余采煤工艺和开拓工艺的耦合下发生突出的平均瓦斯含量均小于8 m3/t.因此，立井开拓和普采工艺结合、平硐开拓和炮采工艺结合是相对安全的开采组合方式。

3.5 掘进工艺影响分析

掘进工艺是指岩土掘进工程中所采用的各种不同工序和达到所要求的技艺水平，分为炮掘和综掘2种。在发生煤与瓦斯突出的矿井中，有68%的矿井采用炮掘工艺，32%的矿井采用综掘工艺。由图6(b)可知：不论是采用综掘工艺还是炮掘工艺的矿井，在发生煤与瓦斯突出时发生突出的临界瓦斯含量均值均小于8 m3/t，分别是7.39和7.44 m3/t.在采用炮掘工艺的矿井中，有29%的矿井发生突出时瓦斯压力小于0.74 MPa，13%采用综掘工艺的矿井在瓦斯压力小于0.74 MPa时发生突出，如图6(c)所示。

3.6 地质构造影响分析

煤与瓦斯突出受地质构造的影响，文中简单的将地质构造分为断层、褶曲和稳定3种。对煤与瓦斯突出事故案例的分析发现，有39.84%的事故发生在断层构造区域，34.38%的事故发生在褶曲构造区域，25.78%的事故发生在地质构造稳定的区域，如图7(a)所示。而在不同地质构造区域发生突出的临界瓦斯含量也不同，由图7(b)可以看出来，断层、稳定和褶皱构造发生突出的平均瓦斯含量分别为8，7.35和6.91 m3/t，褶皱区域在瓦斯含量较低的情况下会发生突出。分析不同地质构造发生突出时的瓦斯压力发现：在褶皱区域发生的事故中有32%的事故在瓦斯压力小于0.74 MPa时发生，在断层和稳定区域分别有23%和15%的事故在发生突出时瓦斯压力小于0.74 MPa，如图7(c)所示。

图6 掘进工艺影响分析Fig.6 Influence analysis of driving technology

图7 地质构造影响分析Fig.7 Influence analysis of geological structure

煤层厚度类型<1.3 m薄煤层1.3 m≤d<3.5 m中厚煤层≥3.5 m厚煤层

3.7 煤层厚度影响分析

按煤层的厚度可以将煤层分为3类：薄煤层、中厚煤层和厚煤层，分类见表2.以这3类煤层厚度为基准统计，得到结果如图8(a)所示，可以发现：61%的事故发生在厚煤层，32%的事故发生在中厚煤层，7%的事故发生在薄煤层。将3类煤层与瓦斯含量进行耦合分析发现：中厚煤层发生煤与瓦斯突出的平均瓦斯含量为8.12 m3/t，厚煤层和薄煤层发生突出的平均瓦斯含量分别是7.07，7.29 m3/t，结果如图8(b)所示。可以看出，厚煤层发生事故较多，且发生事故的平均瓦斯含量小于8 m3/t，薄煤层事故数较少但是在瓦斯含量较低的情况下发生突出事故。因此，分别分析厚煤层和薄煤层发生事故的瓦斯压力，如图8(c)所示，发现：在厚煤层中，有27%的事故在瓦斯压力小于0.74 MPa时发生了煤与瓦斯突出事故，而所有薄煤层发生的突出事故均在瓦斯压力大于0.74 MPa时发生。

4 影响因素与突出危险性的关联分析

通过计算影响因素与事故等级之间的相关性，可以得到影响因素与突出危险性的关联程度。在类-属性相关离散化方法的基础上，提出一种基于Cramer’s V 的连续属性离散化算法，该方法利用统计学中的Cramer’s V来量化类-属性相关度，以保证离散后的类-属性相关度最大。因此，采用Cramer’s V相关系数进行关联分析，并在对煤与瓦斯突出事故案例进行统计分析时，将事故等级分为较大、重大和特别重大3类。

图8 煤层厚度影响分析Fig.8 Influence analysis of seam thickness

Cramer’s V值是列联表卡方检验拒绝虚无假设后计算的一个指标，这个指标主要目的在衡量2个类别变项间的相关程度，也就是一般所谓的关系强度的指标[23]，相比于其他关联度计算方法，Cramer’s V针对分类属性，基于历史数据，使得计算结果更加准确、可信。计算公式为

数据挖掘技术中，为分析2个特征之间是否独立，研究者常采用列联表进行独立性检验。列联表[24]是由2个以上的变量进行交叉分类的频数分布表。假设n个随机试验的结果根据2个特征A和B进行分类，A={A1,A2,…,As},B={B1,B2,…,Br}，属于Ai与Bj类的个体有nij个，见表5.

表5 r×s列联表Table 5 Alliance of r×s

文中以分析突出危险性和开拓方式的相关程度为例，建立列联表见表6.

根据公式(1)得到突出危险性与开拓方式之间的关联系数为0.606，同理可以得到其他影响因素与突出危险性之间的关联系数，见表7.

表6 突出危险性和作业方式的列联表Table 6 Alliance between coal and gas outburst danger and operation mode

表7 突出危险性和影响因素关联分析Table 7 Correlation analysis between coal and gas outburst danger and influential factors

结果显示：瓦斯含量和瓦斯压力对煤与瓦斯突出的影响最大；地质构造对煤与瓦斯突出的发生起到了非常重要的作用，特别是在地质构造复杂的区域要更加重视对突出事故的防治；煤层厚度和开拓方式对突出事故的发生有较大影响，针对不同矿井，要合理选取开拓方式；采煤工艺、作业方式和掘进工艺的选取影响着突出事故的发生，应该根据矿井的地质构造等实际情况，选取符合其开采条件的采掘工业和作业方式。

综上研究表明：对煤与瓦斯突出事故影响最大的因素是瓦斯含量和瓦斯压力，其次是：地质构造、煤层厚度、开拓方式、采煤工艺、作业方式和掘进工艺。

5 结 论

1)对近15 a来一般及以上的煤与瓦斯突出事故进行统计，计算煤与瓦斯突出危险性和影响因素的Cramer’s V相关系数，结果显示：对煤与瓦斯突出事故影响较大的因素除了瓦斯压力和瓦斯含量以外，地质构造、煤层厚度、作业方式、开拓方式、采煤工艺和掘进工艺；

2)瓦斯含量是影响煤与瓦斯突出的首要因素，研究发现，有54%的矿井瓦斯含量小于8 m3/t的时候，也发生了突出。因此，对于复杂地质构造矿井，仅用瓦斯含量小于8 m3/t的判别准则，难以有效预判煤与瓦斯突出；

3)将大数据应用于煤矿安全，是一种全新的尝试。大数据的应用必然引起传统行业安全管理的一场变革，也将提高煤矿安全管理的技术能力。文中将大数据理论应用于煤与瓦斯突出突出事故致因分析，为进一步将大数据技术应用于煤矿安全奠定了基石。通过大数据在煤炭行业中的深入应用，能够更好地服务于煤矿安全生产。