程 波 颜文学 杨 亮 何显能
(1.瓦斯灾害监控与应急技术国家重点实验室,重庆市沙坪坝区,400037;2.中煤科工集团重庆研究院有限公司,重庆市沙坪坝区,400037)
煤矿瓦斯涌出量预测是矿井编制瓦斯灾害治理规划的基础,不仅决定了井下瓦斯抽采钻孔施工与管道敷设的工程量,同时与地面泵站的建设规模息息相关。在制定煤矿通风方案时,瓦斯涌出量预测结果亦是其中的重要依据。目前,我国煤炭行业普遍采用《矿井瓦斯涌出量预测方法》(AQ1018-2006)中推荐的矿山统计法与分源预测法实施瓦斯涌出量的预测分析。但由于我国煤层瓦斯赋存与煤炭开采条件大相径庭,造成现有瓦斯涌出量预测方法在工程应用中存在不完善的问题,该方法的发展需要突破许多的理论、技术瓶颈。
鉴于此,本文首先分析了煤矿瓦斯涌出量的主要因素,重点介绍了当前我国煤炭行业普遍采用的《矿井瓦斯涌出量预测方法》(AQ1018-2006)在工程应用中存在的不足,并着重对近年来新兴的基于煤层瓦斯流动理论、趋势预测的涌出量预测方法理论进行了系统的梳理,对未来的发展方向与有待于进一步研究的问题进行了总结。
处于原岩应力状态的煤体,瓦斯气体以吸附与游离的形态赋存于煤体的孔隙、裂隙系统内,且处于一定的动态平衡状态[1]。受煤矿井下采掘作业的影响,煤体内富集瓦斯的平衡状态将破坏,致使瓦斯气体自煤体内以渗流或扩散的形式进入采掘空间[2]。影响煤矿瓦斯涌出量的因素众多,除煤层自身的瓦斯地质条件以外,还与采掘作业的强度密切相关。煤层自身的瓦斯地质条件包含煤层瓦斯含量、煤层透气性系数、瓦斯扩散特性、煤层厚度、围岩特征等。煤层瓦斯含量越高、煤层透气系数较大时,表明煤体内瓦斯的富集程度越高,瓦斯运移的阻力越小,势必其瓦斯涌出量越大。同时,在煤矿井下采掘作业过程中,由煤炭开采或者井下巷道掘进所引发的采动影响,将使得煤层的围岩发生变形、破裂,从而导致邻近层的瓦斯发生“越流”,并进入井下的采掘空间[1-2]。不同岩性的围岩组合,其在煤炭开采或巷道掘进中将造成不同程度的卸压瓦斯涌出。
同时,开采或掘进产生的煤炭,其内部赋存的瓦斯,将以扩散的形式进入到采掘空间内。因此,煤矿瓦斯涌出量还与矿井的煤炭开采能力、掘进工艺有关。
矿山统计法与分源预测法是《矿井瓦斯涌出量预测方法》(AQ1018-2006)中列举的两种不同的瓦斯涌出量预测方法。矿山统计法是根据本矿井或者相邻矿井在开采过程中的实际瓦斯涌出数据的分析,获得瓦斯涌出量与矿井开采深度之间关联的映射规律。分源预测法是依据煤矿井下采掘的时空条件,将瓦斯涌出量的来源进行科学划分,进一步获得矿井瓦斯涌出量的方法。笔者针对以上两种瓦斯涌出量预测方法的特点及适用条件进行分析。
矿山统计法的本质在于通过矿井或者相邻矿井的瓦斯涌出数据分析,寻求瓦斯涌出量与矿井开采深度之间关联映射规律的方法。该种方法的应用前提,首先假定了矿井的瓦斯涌出量与开采深度之间属一一对应的映射函数关系,即:
(1)
式中:q——矿井相对瓦斯涌出量;
H——开采深度;
H0——瓦斯风化带深度;
α——相对瓦斯涌出量随开采深度的变化梯度。
但实际煤矿瓦斯的涌出是多种因素共同作用的结果,单纯将瓦斯涌出量与开采深度相联系,不能真实客观地反映煤矿瓦斯涌出量随煤炭开采的演化特征。因此,矿山统计法在实际中的适用范围受到一定的限制,目前行业相关技术人员大多采用《矿井瓦斯涌出量预测方法》(AQ1018-2006)推荐的分源预测法。
分源预测法与矿山统计法相比,较好地阐释了煤矿瓦斯涌出量与各主要影响因素之间的关联。该方法在我国煤矿瓦斯灾害治理与通风管理中发挥了重要作用。但我国诸多高瓦斯或煤与瓦斯突出矿井的煤层瓦斯地质与采掘作业方式差别很大[2],致使在应用分源预测法的过程中,仍然存在与现场工程实际不适用的情况[4-5]。例如:针对开采煤层的瓦斯涌出,分源预测法中列举了薄及中厚煤层不分层开采与厚煤层分层开采两种情况,但实际我国已有诸多的厚-特厚高瓦斯煤层采用放顶煤回采的工艺,并且《矿井瓦斯涌出量预测方法》(AQ1018-2006)中仅列举了厚煤层分层数小于或者等于4层煤开采的涌出量预测方法,但目前我国国家能源投资集团新疆能源公司乌东矿区属急倾斜特厚煤层多分层开采条件,其分层数目大于4层煤[6],该类矿井在采用分源预测法时,存在选择空白的难题。
此外,对于煤的残余瓦斯含量Wc的取值,笔者认为《矿井瓦斯涌出量预测方法》(AQ1018-2006)中对其数值的选定尚需进一步商榷。《矿井瓦斯涌出量预测方法》(AQ1018-2006)附录C中,将煤的残余瓦斯含量Wc的取值选定分为高变质煤瓦斯含量大于10 m3/(t·r)与小于10 m3/(t·r)两种情况。笔者认为:煤的残余瓦斯含量实际为煤炭在运出矿井后,其内部所残余的瓦斯含量,该数值与煤炭的块度、运输时间有关。现场的诸多实践表明:在应用《矿井瓦斯涌出量预测方法》(AQ1018-2006)中列举的残余瓦斯含量计算公式进行计算时,时常发生计算值近乎于0的情况,这势必与实际不符。现场诸多技术人员在面临该问题时,实际大多将瓦斯含量计算方程中的瓦斯压力数值设定为0.1 MPa,进而将计算的结果认定为煤的残余瓦斯含量。因此,笔者建议在煤的残余瓦斯含量取值方法时应建立统一的标准,便于现场作业的科学管理。
另外,针对巷道掘进过程落煤的瓦斯涌出量预测,《矿井瓦斯涌出量预测方法》(AQ1018-2006)采用:
q4=S·v·γ·(W0-Wc)
(2)
式中:q4——煤巷掘进落煤的瓦斯涌出量;
S——掘进巷道的断面积;
v——巷道的平均掘进速度;
γ——煤的密度。
单从式(2)所阐释的物理意义来分析,《矿井瓦斯涌出量预测方法》(AQ1018-2006)实际将掘进作业产生的落煤在煤矿井下采掘空间内逸散的瓦斯量,认定为落煤瓦斯涌出量。在煤巷掘进作业时,应用式(2)计算的数值可很好地反映落煤瓦斯的涌出特征;但在半煤岩巷道掘进过程中,应用式(2)计算落煤瓦斯涌出量时,若采用掘进巷道的断面积,则与其初衷的物理意义不符。笔者认为应将式(2)中引用的S定义为“掘进巷道见煤的断面面积”更为合理。
在描述煤巷掘进过程中瓦斯涌出规律的数学物理模型中,应用最广泛的是线性渗流模型[7-9]。此外,研究人员还提出了其他模型,比如多物理场耦合作用模型、非线性渗流模型等[2],其核心是以瓦斯在煤体内的流动特征为基础。但由于以该类模型构建煤巷掘进过程中瓦斯涌出规律的数学物理方程解算过程极其复杂,因而在实际应用中较少采用。所以本文主要介绍线性渗流模型。线性渗流模型认为,在煤层瓦斯流动的过程中,瓦斯流动速度与瓦斯压力梯度之间服从线性函数的关系。我国学者以此为基础,将煤巷掘进过程煤壁的瓦斯涌出定义为无限长边界的非稳定流动,推导了相应的煤层瓦斯压力分布的分析解[7-8],进一步获得了相应条件下煤层瓦斯的涌出量。但文献[7-8]中建立的煤巷掘进瓦斯涌出方程是以某一特定空间为基础,未涉及煤巷掘进速度对瓦斯涌出特征的影响。文献[9]则考虑了煤巷掘进速度对煤巷掘进瓦斯涌出量的影响,采用积分的方法建立了掘进巷道瓦斯涌出连续预测模型。但煤巷掘进过程中瓦斯的涌出实际是多因素综合作用的结果,随着煤巷掘进作业的进行,暴露于大气内的煤壁面积不断增大,瓦斯不断进入采掘空间,因而煤体内的瓦斯含量不断降低,煤体的渗透特性随之发生变化[2]。但上述掘进巷道瓦斯涌出预测模型均未考虑煤体渗透特性变化的影响。
虽然基于线性渗流的煤巷瓦斯涌出量预测模型未充分考虑各因素对煤巷掘进瓦斯涌出特征的影响,但是它能够对煤层厚度、瓦斯含量等因素与瓦斯涌出量之间的关联提供较好的解释。另外一些研究人员以煤矿瓦斯地质理论为基础,通过筛选影响瓦斯涌出量变化的主要地质因素,综合考虑包括开采深度在内的多种影响因素,利用数量化理论,建立预测瓦斯涌出量的多因素数学地质模型[10],并在淮南矿区取得了较好的应用效果。瓦斯含量及涌出量预测数学地质模型的建立首先依赖于大量煤矿井下实测瓦斯含量数据与地质因素关联的分析,而后通过数据的对比,剔除相关性差的地质因素。
笔者认为:该种方法需获取大量的井下实测数据作为基础,若基础数据较少,则该数学地质模型无法精准反映瓦斯含量或瓦斯涌出量与各地质主控因素之间的关系。且瓦斯涌出量的大小除了与地质主控因素相关以外,还与煤炭的开采强度或煤巷掘进作业的效率相关,但数学地质模型尚未考虑开采或掘进因素的影响。
由于煤矿井下瓦斯涌出的物理过程非常复杂,至今都很难用数学物理学方法对这个过程进行精准建模。以下笔者将介绍一种不过分依赖物理方法的模型——基于数据分析的涌出量预测模型[11-18]。
煤矿瓦斯浓度监控技术的快速发展,积累了大量高质量的瓦斯涌出量数据,为基于数据分析的瓦斯涌出量预测提供了有效训练的可能。基于数据分析的瓦斯涌出量预测模型的核心是构建各自变量与瓦斯涌出量之间关联的数学函数。前面描述的基于煤层瓦斯流动理论的涌出量预测方法就是通过数学物理方法推导出瓦斯涌出量的表达形式,而基于数据分析的预测方法则是利用数据学习模型结合基于大规模数据的训练,以代替数学物理方法得到的有效预测模型。很多研究人员尝试使用数据学习方法来解决瓦斯涌出量预测问题[11-18]。基于数据分析的预测方法目前可分为两大类:一是为逐步回归分析预测方法,比如瓦斯涌出量预测多元回归模型、BP神经网络分源预测模型、基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型等[11-13];二是为基于深度学习的预测方法,包括固有模态SVM、基于LMD-SVM 的瓦斯涌出量预测模型等[14-18]。本文主要介绍这两大类的瓦斯涌出量预测方法。
文献[11]首先分析了影响工作面瓦斯涌出量的各主要地质因素、工程因素对其数值的影响,并甄选了煤层瓦斯含量、煤层透气性系数和回采效率3个指标作为自变量,并应用多元回归预测理论,建立了相应的计算模型。文献[12]利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量,其中在考虑如何量化层间岩性时,采用了围岩硬度加权平均值作为输入值。该方法属于改进型的人工神经网络预测方法。文献[13]将蚁群聚类算法和神经网络结合起来,充分利用蚁群聚类算法得到神经网络的最优权值和阈值。该方法应用蚁群聚类算法弥补了神经网络学习速度慢、精度低的缺陷,具有更快的收敛速度和更高的预测精度。
以上预测方法的提出代替了基于数学物理方法构建的预测模型[11-13],文献[11-13]对影响瓦斯涌出量的因素进行了分类,使得该类模型更容易学习到一类数据中的规律,也是上述模型能够提升精确度的关键。与此同时,这也给瓦斯涌出量的准确预测带来了一定的复杂性。例如在上述模型进行训练时[11-13],每个模型均获取大量可用的数据样本,但是某些地质条件复杂的矿井却无法获得大量数据,在一定程度上限制了模型的扩展性。
基于逐步回归分析预测方法取得了一定的成效,但随着数学理论的发展,研究人员也将灰色系统理论应用到煤矿瓦斯涌出量预测问题上[14-18]。相比逐步回归分析预测方法,基于深度学习的预测方法近年来被证明可以不用人为设计特征只需要大量数据,即可使得模型在数据中学习到所需要的参数和特征[14-18]。文献[14-16]基于大量的瓦斯涌出量的样本数据,通过分解得出其固有模态函数,而后每个固有模态分别利用SVM函数拟合方法进行外推预测,最终将不同固有模态的预测结果进行叠加重构合成,借以获得瓦斯涌出量的预测结果。文献[17]首先建立了改进的GM (1,1)模型,而后将其与马尔柯夫模型相结合,构建了改进的灰色马尔柯夫模型。文献[18]将灰色预测与分源预测相结合,用灰色理论对回采工作面的相对瓦斯涌出量和掘进工作面的绝对瓦斯涌出量作长期预测,再将预测结果代入分源预测计算公式中,对矿井相对瓦斯涌出量进行预测。由于以上模型不依赖任何前提假设[14-18],所以该类模型在瓦斯涌出量预测问题上具有很好的可扩展性。
研究人员将深度学习应用到瓦斯涌出量预测的问题上并取得很好的效果,展现了深度学习在该问题上应用的潜力[14-18]。但是基于深度学习的数学模型获得的计算结果缺乏可解释性,导致无法直接将数据分析得到的规律转化成煤体内瓦斯涌出过程的物理规律。
煤矿瓦斯涌出量的预测方法研究一直在发展,还有很多可以提升的空间。究其原因是由于煤矿井下瓦斯涌出的规律太过复杂,暂时无法完全了解并建模其中的规律。基于煤层瓦斯流动理论、数学地质模型和基于数据分析的预测方法对于煤矿瓦斯涌出量的预测各有长短:基于煤层瓦斯流动理论的预测方法注重于煤矿井下回采或掘进工作面瓦斯渗透规律的探索与研究,但由于无法精细描述煤体内的瓦斯运移过程,所以模型需要一些前提假设的辅助;基于数学地质模型的预测方法立足于理清瓦斯含量与各地质主控因素之间的关联,并进一步以此为基础,寻求瓦斯涌出量与地质条件之间的映射规律;基于数据分析的预测方法更加注重瓦斯涌出量预测结果的准确性,它的主要目标是从已有的历史数据中学习如何更准确地预测未知的瓦斯涌出量。
随着技术的发展,尤其是人工智能学习技术的发展,以及大量煤矿井下瓦斯涌出量数据的积累,基于数据分析的计算结果准确性有较大提高。遗憾的是基于数据分析的预测结果缺乏可解释性,导致无法直接将数据分析得到的规律转化成煤体内瓦斯涌出过程的物理规律。所以,有机结合基于煤层瓦斯流动理论、瓦斯地质与数据分析的方法,将是未来的一个重要研究方向。