煤层突出危险性综合预测及验证

张尔辉，朱权洁，刘 衍，高林生，张 震，谷 雷

(1. 华北科技学院 安全工程学院，北京 东燕郊 065201；2. 湖北省烟草公司十堰市公司，湖北 十堰 442000)

0 引言

煤与瓦斯突出作为煤矿安全生产的主要制约因素，对广大职工的生命和财产造成了严重的威胁。根据相关调查研究表明，近年来，我国矿山煤与瓦斯突出事故频发，已成为世界上煤与瓦斯突出灾害最严重的国家[1]。我国煤与瓦斯突出灾害形势严峻，防突工作任务十分艰巨。探讨煤与瓦斯突出的诱发因素，及时准确地掌握其动态变化特征，对于遏制事故的发生，实现矿井的安全生产具有重要的意义。

国内外专家对煤与瓦斯突出灾害的预测预警已开展了大量研究。理论研究方面，赵旭生等[2-3]从空间、时间、指标体系等方面提出了突出灾害预警的本质和要求。杨玉中等[4]从管理对象、目标体系和基本内容3个方面分析了突出预警系统的组成。煤与瓦斯突出在线监测方面，张仕和[5]、王雨虹[6]等利用声发射、电磁辐射技术监测技术，实现了采掘活动过程中煤与瓦斯动态特征的跟踪监测。何学秋等[7]基于微震频次指标、能量指标监测，提出了突出危险煤层微震区域动态监测新方法。突出预警指标确定方面，姜鹏鹏等[8]从软分层厚度、煤层深度、喷孔出现次数、钻屑瓦斯解吸指标等方面建立了一套预警指标。师旭超等[9]选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数和地质破坏程度五个指标作为输入，建立了煤与瓦斯突出预测支持向量机模型。李胜等[10]根据瓦斯含量、瓦斯压力、开采应力、地质构造等因素，建立了煤与瓦斯突出的智能识别模型。随着科技的进步，人工智能逐渐应用于各个领域。引入人工智能算法对提高煤与瓦斯突出预测的准确性具有促进意义。杨艳国等[11]采用多重分形理论，研究了钻屑量、钻屑解吸指数和不同孔深的特征参数对煤与瓦斯突出事故的影响。朱志洁等[12]引入了PCA法，建立了PCA-BP煤与瓦斯突出预测模型。郭德勇等[13]应用物元和可拓集合理论建立了煤与瓦斯突出危险性预测的物元可拓模型。张子戌等[14]利用成熟的模糊理论和技术，提出了一种预测煤与瓦斯突出区域的模糊模式识别方法。温廷新等[15]提出了一种基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型。

综上所述，煤与瓦斯突出灾害受多种因素影响，掌握相关指标的变化特征，对准确评价煤与瓦斯突出危险性，实现矿山安全生产具有重要意义。本文引入人工智能算法，提出基于BP神经网络和灰色关联分析法的煤与瓦斯突出危险性区域预测和区域验证。以山西多个矿的煤与瓦斯突出指标作为数据支撑，建立基于BP神经网络煤与瓦斯突出危险性区域预测模型。基于该模型对河北某矿2#煤层采掘工作面煤与瓦斯突出危险性进行区域预测，提前采取防突措施。采掘推进过程中，按照《防治煤与瓦斯突出细则》区域验证要求，对2#煤层瓦斯参数进行实测，利用灰色关联分析法对该煤层突出危险性进行区域验证。最后结合现场揭煤情况验证区域预测和区域验证结果的准确性，确定最终突出危险评价结果。

1 BP神经网络模型

BP神经网络是一种带导师的学习算法，是一种信号正向计算和误差反传的学习过程[16]，其网络结构包括输入层、隐含层和输出层。在正向传播时，来自输入层的输入样本通过每一个隐含层逐层处理，然后传输到网络输出层。如果在输出层没有获得所需的输出，则将误差的反向传播，此时，误差信号从输出层传输到输入层，并一路调整各层的连接阈值和权值，使误差不断减小，直至达到目标精度[17]。BP神经网络结构如图1所示，学习过程如图2所示。

图1 BP神经网络结构图

图2 BP神经网络学习过程

设BP神经网络输入层的为输入向量为X=(x1x2…xi…xn)T，隐含层输出向量为Y=(y1y2…yi…ym)T，输出层输出向量为o=(o1o2…ok…ol)T，期望输出向量为d=(d1d2…dk…dl)T。输入层与隐含层之间的权值矩阵为V=(v1v2…vj…vm)，其中列向量Vj为隐含层第j个神经元对应的权向量。隐含层与输出层之间的权值矩阵为W=(w1w2…wk…wi)，其中列向量Wk为输出层第k个神经元对应的权向量[18]。

对于隐含层有：

(1)

对于输出层有：

(2)

输入样本经过正向传播，由网络学习运算后，当网络输出与期望输出存在输出误差E时，误差经过向隐含层和输入层的不断展开，可得到网络误差公式

(3)

通过调整权值向量可以减小网络误差，其权值调整公式为

Δwjk=η(dk-ok)yj

(4)

(5)

其中

(6)

BP神经网络模型性能好坏通过决定系数判断，其中决定系数的计算公式为

(7)

决定系数范围在[0，1]内，愈趋近于1，表明模型的性能愈好；反之，愈趋近于0，表明模型的性能愈差。

2 BP神经网络模型构建

2.1 输入和输出样本选择

煤与瓦斯突出危险性区域预测BP神经网络模型的建立，关键是确定网络输入层、隐含层和输出层节点的个数。本文以瓦斯放散初速度、煤层瓦斯压力、煤层孔隙率、煤的坚固性系数、煤层透气性系数、煤层瓦斯含量、钻孔瓦斯衰减系数和煤层开采深度8个主控因素作为输入样本。输出向量是煤与瓦斯突出危险程度。本文将煤层突出危险程度分为4种类型：输出4个节点用来代表4种输出模式，即(1 0 0 0)代表严重突出危险性，(0 1 0 0)代表中等突出危险性，(0 0 1 0)代表一般突出危险性，(0 0 0 1)代表较弱突出危险性。

表1为煤与瓦斯突出危险性区域预测BP神经网络构建样本数据，为保证网络模型预测结果的准确性，对数据进行了归一化处理。数据来源于多个矿井现场实测，依据实测数据已对突出危险程度进行了准确评价。以表1数据作为BP神经网络的输入层和输出层，进而构建用于煤与瓦斯突出危险性区域预测的通用网络模型。

表1 BP神经网络构建样本数据

2.2 网络模型构建

根据输入样本和输出向量，确定网络输入层节点为8，输出层节点为4，根据经验公式利用试凑法确定隐含层节点数[16]。通过逐渐增加隐含层节点数，当网络误差达到最小时对应的隐含层的节点数为15，因此，构建的BP神经网络模型结构为(8，15，4)型。其中，经验公式为：

式中，m为隐含层的节点数；n为输入层的节点数；l为输出层节点数；α为1～10之间的一个常数。图3为煤与瓦斯突出危险性区域预测BP神经网络模型结构。

图3 煤与瓦斯突出危险性区域预测BP神经网络结构图

2.3 模型准确性分析

BP神经网络模型的准确性用决定系数R衡量，决定系数的取值范围为[0，1]，越接近1表明模型准确性越好。本文构建的BP神经网络模型除测试数集的决定性系数小于0.95外，其余3个均大于0.95。由此表明，该BP神经网络模型性能较好，误差在允许范围内。此外，表2为BP神经网络学习输出结果，基于输出结果确定的煤与瓦斯突出危险程度与表1中已知的危险程度一致。因此，该模型可以用于煤与瓦斯突出危险性区域预测的实际工程中。

表2 煤与瓦斯突出样本数据预测输出结果

3 灰色关联分析方法

灰色关联分析法是灰色系统理论的一个重要分支，是根据各指标之间相似性或差异性，作为衡量系统间各指标间关联程度的一种方法。随时间或事物发展而变化的关联性大小的量度，称为关联度。在目标系统的发展过程中，两个指标的相似度或对系统的影响趋势具有一致性，表明二者关联度较高；反之，则关联度较低[19]。钻屑瓦斯解吸指标Δh2或K1、钻屑量S和钻孔瓦斯涌出初速度q综合反映了决定煤体突出危险程度的应力、瓦斯和煤的物理力学及瓦斯放散性质[20]，可作为煤与瓦斯突出危险程度预测的重要指标，根据指标建立系统映射量：

(8)

式中，Xj(i)为同一次预测实测Δh2i、Si、qi；i为测定数据序号；j为指标序号。

为消除各指标单位和数量级差异对分析结果带来不利影响，用均值法对各指标作无量纲变换：

(9)

(10)

联立式(8)～(10)建立无量纲系统映射量E2(i)为

(11)

煤与瓦斯突出可以认为既含有已知的内部特性，又含有未知和非确知内部特性的灰色信息系统，关联分析参考数列X0(i)为系统映射量E1(i)和E2(i)，比较数列Xj(i)为预测指标，灰色关联函数计算模型[21]：

(12)

(13)

式中，ξj(i)为Xj(i)对X0(i)在第i时刻的关联系数；K为分辨系数，取0.5；m为比较数列个数，即突出预测测定预测指标个数；n为分析数据组数；X0(i)参考数列，即建立的系统映射量。根据关联系数确定关联度

(14)

4 工程实例应用

4.1 工程背景

河北某矿矿井采用立井多水平开拓方式，井田划分为+30 m水平、-120 m水平、-280 m水平3个水平。2#、4#煤为矿井主采煤层。现矿井主要生产地区集中在三水平的六盘区、七盘区、东北翼、西翼盘区。2#煤层采用综采放顶煤生产工艺，4#煤采用薄煤综采。掘进方法为综掘机掘进和炮掘两种方法。为确定2#煤层采掘工作面煤与瓦斯突出危险程度，针对突出危险性做出合理的评价，分别对2#煤层采掘工作面的92606里工作面、92609运料巷、92623工作面、921101运料巷和92620运料巷5个区域进行现场瓦斯参数测定。区域预测指标取各区域测量值的平均值作为最终数据，区域验证指标各区域实测数据分别为20组，限于篇幅，取平均值列出，见表3，所有数据均进行了归一化处理，为煤与瓦斯突出危险性评价提供数据基础。煤与瓦斯突出评价首先，利用BP神经网络进行揭煤前区域预测；其次，利用灰色关联分析法进行区域验证；再次，基于现场揭煤情况确定工作面的突出情况。最后，综合三者分析结果，确定工作面的突出危险程度。

表3 2#煤层采掘工作面煤与瓦斯突出预测参数实测值

4.2 突出危险性区域预测

利用上文构建的BP神经网络模型，基于表3现场实测瓦斯参数，实现2#煤层采掘工作面突出危险性区域预测和危险程度划分。网络计算输出结果和预测突出危险程度见表4。由表4得出结论，2#煤层采掘工作面5个实测点突出危险程度为一般或较弱，因此，2#煤层采掘工作面可视为无突出危险工作面。

表4 煤与瓦斯突出预测输出结果

4.3 突出危险性区域验证

采用钻屑单项指标法进行工作面突出危险性区域验证时，钻屑单项指标按《防治煤与瓦斯突出细则》有以下几种：钻屑解吸指标Δh2或K1、钻屑量S和钻孔瓦斯涌出初速度q。各指标的突出危险临界值应根据实测数据确定，无实测数据时，可参考《防治煤与瓦斯突出细则》中提供的临界值确定，如表5中数据确定工作面的突出危险性。

表5 用钻屑指标法预测煤巷掘进工作面突出危险性的临界值

根据采掘推进过程中现场瓦斯参数的实测值作为突出危险性区域验证指标，基于灰色关联分析法确定大社矿2#煤层采掘工作面突出预测敏感指标及临界值，进而实现煤与瓦斯突出危险性区域验证。灰色关联分析结果见表6。由表6可以看出Δh2与系统映射量E1i和E2i关联性较强，映射量E1i着重于反应预测突出准确率，映射量E2i着重于反应预测不突出准确率。表6反映了预测指标的敏感度有钻屑解吸指标Δh2>钻屑量S>钻孔瓦斯涌出初速度q；钻屑解吸指标Δh2>钻屑量S>钻屑解吸指标K1。综合分析预测指标参数，认为Δh2较敏感，对预测预报指导意义较大。根据Δh2测定结果和表5临界值范围，对大社矿2#煤层采掘工作面突出危险性进行划分，结果及程度划分如表7。由表7中的划分结果确定5个实测点均为无突出危险性，由此确定2#煤层采掘工作面可视为无突出危险工作面，突出危险程度与BP神经网络预测结果相同。

表6 关联度计算结果

表7 基于灰色关联分析法的突出危险预测结果

4.4 评价结果分析

上文采用BP神经网络对2#煤层采掘工作面揭煤前突出危险性进行了区域预测。预测结果显示2#煤层采掘工作面5个实测区域预测突出危险程度为一般或较弱，整体可视为无突出危险性。因此，揭煤工作准备前期无需采取针对性的防突措施，严格遵照相关法律法规施工即可。采掘活动推进过程中，利用钻屑法计算瓦斯参数，包括钻屑解吸指标Δh2或K1、钻屑量S和钻孔瓦斯涌出初速度q，基于实测数据，利用灰色关联分析法对该工作面突出危险性进行了区域验证，验证结果显示5个实测区域均为无突出危险区域。最后，根据现场揭煤情况可知，2#煤层无突出危险性。综合对比分析区域预测、区域验证结果及现场揭煤情况可以确定2#煤层采掘工作面为无突出危险工作面。三个分析结果相互对比验证，一方面保证了突出危险性评价结果的准确性，另一方面，确定了BP神经网络和灰色关联分析法在煤与瓦斯突出危险性区域预测和区域验证中的适用性，可指导安全生产。

5 结论

(1) 提出了基于BP神经网络和灰色关联分析法的煤与瓦斯突出危险性区域预测和区域验证方法。确定了瓦斯放散初速度、煤层瓦斯压力、煤层孔隙率、煤的坚固性系数、煤层透气性系数、煤层瓦斯含量、钻孔瓦斯衰减系数和煤层开采深度作为突出危险性区域预测指标。确定了钻屑解吸指标Δh2或K1、钻屑量S和钻孔瓦斯涌出初速度q作为突出危险性区域验证指标。

(2) 基于BP神经网络对2#煤层采掘工作面5个实测点进行了区域预测，预测结果显示突出危险程度为一般或较弱，整体可视为无突出危险性。基于灰色关联分析法实现了采掘推进过程中突出危险性区域验证。验证结果显示该工作面为无突出工作面。最后，基于现场揭煤情况确定了该工作面为无突出危险工作面。通过两种方法分析结果和现场揭煤情况相互对比验证，既保证了评价结果的准确性，又确定了两种方法在煤与瓦斯突出危险性评价中的合理性和可行性。

(3) 鉴于BP神经网络和灰色关联分析法在煤与瓦斯突出危险性评价中的准确性和适用性，可推广应用于冲击地压、矿井突水等矿井灾害的预测预警中，对减低事故率，实现安全生产具有指导意义。