基于BP神经网络的小断层构造区域瓦斯涌出预测方法研究

张 宝，何 健

(山西潞安矿业集团有限责任公司，山西 长治 046204)

煤矿巷道掘进和工作面回采过程中的瓦斯涌出情况与地质构造息息相关，地质构造使煤层发生变形破坏，并改变煤层的瓦斯吸附与解吸状态，直接影响瓦斯的赋存与运移[1]，大型构造控制井田内瓦斯区域分布，中型构造决定瓦斯条带分布，而小型、微型构造控制局部瓦斯异常赋存[2，3]。矿区的突出事故与地质构造密切相关，安徽淮南矿区71.8%的石门、煤巷突出发生在小断层附近、阳泉80%以上的突出发生在构造区、四川芙蓉矿的47次突出均发生在断层和褶皱附近，大多数瓦斯事故发生在小型、微型构造地点[4，5]。小构造尤其是小断层具有分布广泛性和潜隐性，易形成了瓦斯储存或瓦斯排放的有利条件[6]，造成煤层在开采过程中瓦斯涌出量的不均衡，对局部瓦斯异常分布具有显著的影响，是影响采掘工作面瓦斯涌出及突出的重要的因素。

目前国内外瓦斯涌出量预测方法主要包括以数理统计为基础的矿山统计法，以瓦斯含量为基础的分源计算法和类比法，应用神经网络、灰色理论等方法建立数学模型的预测方法。其中矿山统计法依赖于矿井历史数据，当相关生产条件发生改变时，难以对深部区域进行预测；分源预测法应用了较多的经验公式，预测结果存在局限性；类比法的预测精度很低，主要适用于新建矿的瓦斯涌出预测，甚至仅能定性分析；灰色理论方法的预测精度较高，但由于井下影响因素复杂多变，在模型建立与求解方面存在困难[7，8]。神经网络采用非线性方法能够克服瓦斯地质不确定性引起的预测模型难以建立、复杂区域瓦斯地质机理不清楚等困难，可以实现复杂区域的瓦斯涌出预测计算[9-11]。

以潞安矿区五阳、常村、李村、余吾等井田为研究对象，通过测定小断层构造区域的瓦斯涌出量分布规律，分析小断层构造区域影响瓦斯涌出的主要因素，建立相应的影响因素指标体系，采用BP神经网络分析方法，建立小断层构造区域瓦斯涌出预测模型，对基于BP神经网络的小断层构造区域瓦斯涌出预测方法进行探索。研究矿井微小地质构造与瓦斯涌出之间的关系，并建立基于BP神经网络的小断层区域瓦斯涌出预测模型，对于防止瓦斯事故的发生具有重要的理论意义和实用价值。

1 试验区概况

潞安矿区位于山西省东南部，所辖煤田系沁水煤田东部边缘中段，南北长约44～77km，东西宽约63.1km，面积约2052.8km2。潞安矿区整体为一向西倾斜的单斜构造，伴有一定规模的褶曲和断层，如文王山断层、二岗山断层、西川断层，为矿井划分的自然边界，它们对于瓦斯赋存具有不同程度的影响。影响潞安矿区瓦斯赋存的主要地质构造是断层、陷落柱及褶曲。从构造位置来看，潞安井田位于大型宽缓复式向斜的东翼，裂隙不甚发育，有轴向正断层和次级褶曲发育，煤层瓦斯易于顺断层和次级背斜顶部裂隙运移逸散，故区内高瓦斯带基本分布在向斜轴部、“S”型背斜的转折端等构造部位[12-14]。例如二岗山断层与文王山断层之间西部地层多以褶曲构造为主，且煤层埋藏深，使得褶曲构造成为富气、控气构造。矿区煤层埋藏整体上由东向西逐渐加深，浅部偶见煤层露头。目前，矿区内瓦斯赋存较为富集的区域主要为李村煤矿、余吾煤业、五阳煤矿+370水平以下、常村+470以下水平等。本次研究主要集中在上述区域中。

2 小断层构造区域的瓦斯涌出特征

从煤层瓦斯赋存角度来看，不同规模的断层构造对煤层瓦斯赋存的控制效应有所不同，有的与褶曲构造协同作用控制着区域性瓦斯分布，有的则引起局部瓦斯逸散或积聚，特别是成煤后出现的小型断层构造往往可以改变局部煤层的煤体结构、瓦斯含量、吸附解吸特性及渗透性等特征，从而在生产过程中造成煤层瓦斯局部异常涌出[15]。为掌握断层构造对煤层瓦斯赋存的局部控制作用，选择潞安矿区内小型断层构造较为发育且瓦斯赋存丰富的李村煤矿、余吾煤业、五阳煤矿、常村煤矿等井田作为试验点，对井田内的断裂构造进行了归纳分析，从中挑选了7522-1、7522-2、7602-2、FJ119、FJ121、FJ146、FJ129、FJ130、FJ12、FJ4、FJ5、FJ6、F77、F164、F123、F75等较为典型的小型断层作为研究目标。各断层的地质特征情况见表1。

表1 断层基本参数表

在研究过程中，跟踪、分析了部分巷道在掘进中“接近-穿过-远离”断层的过程，对巷道掘进期间的煤层瓦斯涌出数据进行了测试与统计，并以工作面距断层的距离作为横坐标，以该位置的掘进工作面瓦斯涌出量(平均瓦斯涌出量)为纵坐标绘制小型断层构造区域瓦斯涌出量变化规律图，如图1所示，对比分析断层前后的煤层瓦斯涌出数据变化情况，研究小型断层对煤层瓦斯涌出的局部控制作用。结合上述断层的特征，对小型断层区域的掘进工作面瓦斯涌出数据进行分析发现，掘进工作面瓦斯涌出量随着推进会产生周期性变化：

图1 小型断层构造区域瓦斯涌出量变化规律

1)断层前后100m范围内瓦斯涌出呈现“增高-减小-增高”的U型变化规律，即在掘进工作面接近断层时瓦斯涌出量增大(一般在与断层距离小于100m后)，掘进至断层附近时有所下降(一般在与断层距离小于50m以后)，通过过断层一定距离以后再次升高出现峰值。例如五阳煤矿的7522-1断层，在距离揭露断层55m左右以前，瓦斯涌出量比较平稳，大致在2m3/min左右，而在距离断层55m以后，瓦斯涌出量开始逐渐上升，并且在距离断层15m左右出现了极大值6m3/min，在揭露断层后瓦斯涌出量开始下降，并且在过断层后的50～60m时出现极小值不足1m3/min，此后瓦斯涌出量上升，稳定在2m3/min左右。其余断层也多具有类似的规律，限于篇幅不再赘述。

2)断层对瓦斯涌出的影响主要与断层落差和断层性质存在较大关系，断层的落差对于瓦斯涌出具有较大的影响，垂直落差大于煤层厚度时影响最大，当断层落差大于3m后对瓦斯涌出的影响作用显著增大。例如FJ129断层落差2.2m，在掘进工作面揭露断层后瓦斯涌出量由4m3/min左右降至3m3/min以下；而落差4m的FJ130断层在被揭露后，掘进工作面斯涌出量则降至接近1m3/min。

3)除了落差外，正、逆断层对于瓦斯涌出也具有不同影响，通常逆断层处的瓦斯涌出量比正断层处相对升高更加明显。例如余吾矿的F77逆断层附近瓦斯涌出量多分布在4m3/min以上。

3 小断层构造区域瓦期涌出影响因素

当地质因素不变时，瓦斯涌出量的变化主要与工作面掘进速度、掘进工艺及配风量等开采因素相关，而当地质因素变化时上述参数则不再是唯一的影响因素。通过分析过断层前后掘进工作面的瓦斯涌出量变化情况可以发现，小断层构造区域的瓦斯涌出与正常区域相比具有较大的差异。这是由于断层区域煤层的煤体强度、瓦斯含量及吸附解吸特性等相关特性都发生了较大变化所致，而上述变化的程度又与小型断层构造的发育特征和类型(正断层或逆断层)密切相关。在此基础上结合潞安矿区的实际情况，发现小型断层的落差、类型及倾角对煤层瓦斯涌出量存在较为明显的控制作用。煤层具备生气和储气双重功能，其在空间上的展布对瓦斯涌出影响较大，特别是煤层埋深、煤层厚度等参数更是与瓦斯涌出密切相关。结合小型断层区域瓦斯涌出量的变化特征，可知与断层之间的距离也是影响瓦斯涌出的重要因素。综合上述分析，可知煤层埋深、煤层厚度、断层落差、断层类型、断层倾角、距断层距离、掘进工艺及配风量等参数是小断层构造区域瓦期涌出的主要影响因素，可以初步将上述参数作为预测煤层瓦斯涌出的重要指标，如图2所示。

图2 小断层构造区域瓦斯涌出影响因素指标体系

4 瓦斯涌出量BP神经网络模型及其预测

神经网络模型具有多种形式，其中基于误差反传递的BP网络模型是在解决实际问题中应用较为广泛的一类模型，具有映射能力强的优势，在经过一定的学习训练之后，能够瓦斯涌出量进行较为准确的预测。

4.1 BP神经网络模型

BP神经网络由输入层、中间层和输出层组成，包括信息的正向传播和误差的反向传播两个过程[12]。单隐层BP神经网络如图3所示，中间层神经元具有非线性传输函数，当神经元足够多时，可以逼近任何闭区间内的连续函数。

图3 BP神经网络示意

4.1.1 样本归一化处理

样本在训练之前对数据进行归一化处理，将数据映射到更小的区间内，比如[0，1]或[-1，1]。

4.1.2 隐含层节点数目的选取

式中，h为隐含层节点数目；m为输入层节点数目；n为输出层节点数目；a为1～10之间的常数。

4.1.3 正向传递过程

根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值、激活函数计算每个节点的输出值x。

4.1.4 反向传递过程

误差信号反向传递过程采用Widrow-Hoff学习规则[12]，权值和阀值调整算法如下：

式中，dj为输出层第j节点的期望输出值；yj为输出层第j节点的实际输出值；α为动量因子，一般选取0.1～0.8；η为学习因子；δij为中间层和输出层的权值，δki为中间层和输入层的权值。

BP神经网络模型中的指标数量并不是越多越好，结合潞安矿区小断层构造区域瓦斯涌出特征及主要影响因素，可以将BP神经网络模型的输入层确定为9个因素：煤层厚度、埋藏深度、断层类型、断层倾角、断层落差、采煤方法、推进速度、距断层距离、配风量，输出层为瓦斯涌出量，从而初步构建起基于BP神经网络的小型断层区域瓦斯涌出量预测模型。

4.2 涌出量预测模型的训练

针对建立的BP神经网络模型进行训练，训练样本来源于潞安矿区4个煤矿在12个小断层前后100m范围内测定的瓦斯涌出量数据，按照最大瓦斯涌出量、最小瓦斯涌出量对测试数据进行了整理分析，见表2。设置神经元数量为20，训练次数为1000次，训练精度为0.000001，动量因子为0.5，学习因子为0.3。利用训练样本按照上述参数进行学习训练，以获得合适的预测模型。

表2 瓦斯涌出量实测参数表

4.3 预测结果与分析

通过学习训练后，采用BP神经网络模型分别对五阳矿7522-1断层、常村矿FJ121断层、李村矿FJ12断层及余吾矿F77断层的瓦斯涌出情况进行预测，结果见表3。对比各实测瓦斯涌出数据与预测数据可以发现，使用BP神经网络预测结果与实际涌出量的误差不超过5%。因此，该方法可以满足现场应用的要求。

表3 预测结果分析表

5 结 论

1)煤层瓦斯涌出量主要受所在区域地质地质条件和生产条件所控制，在一定范围内导致涌出量发生明显变化的的因素主要有：煤层厚度、断层落差、断层类型、断层倾角、距断层距离、掘进工艺及配风量等，这些资料在矿井日常生产中容易大量获取，具有实用意义。

2)小型断层构造对瓦斯涌出量会产生较为明显的影响，断层前后100m范围内瓦斯涌出呈现“增高-减小-增高”的U型变化规律；断层的落差对于瓦斯涌出具有较大的影响，垂直落差大于煤层厚度时影响最大，当断层落差大于3m后对瓦斯涌出的影响作用显著增大；正、逆断层对于瓦斯涌出也具有不同影响，通常逆断层处的瓦斯涌出量比正断层处相对升高更加明显。

3)以煤层厚度、断层落差、断层类型、断层倾角、距断层距离、掘进工艺及配风量等9个参数作为BP人工神经网络模型的输入层基本因素，建立了基于BP神经网络的小型断层区域涌出量预测模型，利用潞安矿区相关数据对模型进行了训练，利用训练后的模型对小型断层附近的瓦斯涌出量进行了预测，具有较高的准确率。