基于巷道摩擦阻力系数BP神经网络预测模型的矿井风网风量预测研究

刘彦青

(1.煤炭科学技术研究院有限公司 安全分院，北京 100013；2.煤炭资源高效开采和洁净利用国家重点实验室，北京 100013)

井下采掘接替、巷道开拓等生产活动会导致矿井风阻发生变化，使得矿井通风系统风量重新分配。为了避免通风安全事故，有必要对矿井通风系统改变之后风网风量变化进行提前预测。矿井通风网络解算是现阶段最有效的方法之一[1-2]，目前矿井通风网络解算主要采用基于空气动力学理论的通风网络解算数学模型与斯考德—恒斯雷法通风网络解算方法，文献[3-9]作者研究表明，采用斯考德—恒斯雷法通风网络解算方法计算得到的矿井风网风量结果与实测结果之间误差较小，能够实现复杂通风网络风量准确预测；杨帅等[10]将矿井通风监测与通风网络解算相结合，构建了实时通风网络解算模型。

矿井全风网摩擦阻力系数是矿井通风网络解算中最核心的参数。在保证矿井通风网络解算方法可靠的前提下，矿井全风网摩擦阻力系数的准确赋值会直接严重影响解算结果的准确性。通过现场实测方法能够准确获得已掘巷道的摩擦阻力系数，而待掘巷道摩擦阻力系数只能通过预测获得。魏宁等[11-12]采用人工智能方法对巷道摩擦阻力系数进行了预测计算；梁军等[13]采用数据挖掘技术对巷道摩擦阻力系数进行了匹配赋值。

笔者以双柳煤矿通风系统为研究对象，总结巷道摩擦阻力系数影响因素，采用BP神经网络算法构建巷道摩擦阻力系数预测模型，并对双柳煤矿待掘巷道摩擦阻力系数进行预测赋值，将待掘巷道摩擦阻力系数预测值代入双柳煤矿通风网络解算模型中，对矿井通风系统风量分配进行超前预测，通过分析预测结果与现场实测结果之间的相对误差，验证巷道摩擦阻力系数预测模型的准确性。

1 双柳煤矿通风系统概况

双柳煤矿通风系统采用分区并列式通风方式，通风方法为抽出式。全矿井共布置5条井筒，其中进风井3个，分别为白家焉主斜井、白家焉副立井、郭家山副立井；回风井2个，分别为白家焉回风立井和郭家山回风立井。白家焉回风立井担负一采区、二采区回风任务，郭家山回风立井担负三采区、四采区回风任务。

2 双柳煤矿巷道摩擦阻力系数实测

采用适用于复杂矿井通风系统阻力测定的精密气压计基点法对双柳煤矿通风阻力进行现场测定[14-18]，利用精密气压计测试巷道节点位置静压、干温度、相对湿度，利用机械式风表测试巷道分支风速，利用激光测距仪测试巷道断面尺寸，查阅矿井采掘工程平面图得到巷道节点标高。根据巷道分支两端静压差、位压差，以及巷道分支两端测压期间地面大气压波动变化来计算巷道分支通风阻力，计算公式见式(1)，巷道分支摩擦风阻、摩擦阻力系数计算公式见式(2)、式(3)：

(1)

(2)

(3)

式中：hij为巷道始末节点i、j之间的通风阻力，Pa；ρi、ρj为巷道始节点i、末节点j的空气密度，kg/m3；Δp为地面大气压波动变化值，Pa；pi、pj为巷道始节点i、末节点j的气压计读数，Pa；hi、hj为巷道始节点i、末节点j的标高，m；Ri-j为巷道摩擦风阻，N·s2/m8；Qi-j为巷道风量，m3/s；αi-j为巷道摩擦阻力系数，N·s2/m4；Si-j为巷道断面积，m2；Ci-j为巷道周长，m；Li-j为巷道长度，m。

3 基于BP神经网络的巷道摩擦阻力系数预测模型构建

3.1 BP神经网络模型结构

BP神经网络模型结构图见图1。以预测待掘巷道摩擦阻力系数为目标，利用BP神经网络算法构建巷道摩擦阻力系数预测模型，预测模型以巷道摩擦阻力系数影响因素作为输入层，以巷道摩擦阻力系数作为输出层。

xi—输入层第i个属性；vij—输入层第i个属性与隐层第j个元素之间的连接权；ym—输出层第m个输出结果；ψj—隐层第j个元素的阈值；wjm—隐层第j个元素与输出层第m个元素之间的连接权；φm—输出层第m个元素的阈值。

3.2 巷道摩擦阻力系数预测模型输入属性集构建

巷道摩擦阻力系数主要影响因素包括巷道支护方式、巷道断面形状、巷道当量半径(由巷道几何断面积与巷道几何周长计算得到)、巷道断面有效通风面积系数，其中巷道支护方式主要决定巷道壁面结构粗糙度，巷道断面有效通风面积系数是指巷道有效通风断面积与巷道几何断面积之比。将巷道摩擦阻力系数主要影响因素作为巷道摩擦阻力系数BP神经网络预测模型的输入属性集，由于每个属性在预测过程中均需要参与具体计算，因此需要对每个属性进行赋值。对于巷道当量半径、巷道断面有效通风面积系数这类能够用具体数值来定量描述的属性，以实际值作为属性赋值，而对于巷道支护方式、巷道断面形状这类无法直接用具体数值来定量描述的属性，需要规定属性状态及每个属性状态对应的数值来进行属性赋值。巷道摩擦阻力系数BP神经网络预测模型输入属性集具体信息见表1。

表1 巷道摩擦阻力系数BP神经网络预测模型输入属性集及属性状态赋值

3.3 巷道摩擦阻力系数预测模型学习训练

基于上述研究构建巷道摩擦阻力系数BP神经网络预测模型，其具体包括4个输入层属性(即4个摩擦阻力系数影响因素值)、20个隐层神经元、1个输出神经元(即巷道摩擦阻力系数值)。隐层神经元传递函数选择Sigmoid 函数，输出神经元传递函数选择pureline 函数。以双柳煤矿典型巷道的摩擦阻力系数及其影响因素的实测数据作为学习训练样本，对初步构建的巷道摩擦阻力系数BP神经网络预测模型进行学习训练，其流程如图2 所示。学习训练样本见表2，学习训练2 451个周期之后预测模型的期望误差达到0.000 1以下。

图2 巷道摩擦阻力系数BP神经网络预测模型学习训练流程

表2 双柳煤矿巷道摩擦阻力系数BP神经网络预测模型学习训练样本集

3.4 巷道摩擦阻力系数预测模型应用

回采工作面从贯通到回采结束期间，回采巷道支护类型与巷道内设备布置会发生改变，因此回采巷道摩擦阻力系数也会发生相应改变。利用巷道摩擦阻力系数BP神经网络预测模型对23(4)13回采工作面贯通之后不同时期回采巷道摩擦阻力系数进行预测赋值，预测结果见表3。

表3 23(4)13回采工作面贯通之后回采巷道不同时期摩擦阻力系数赋值情况

4 双柳煤矿通风系统三维可视化风网解算模型建立

4.1 矿井通风系统网络解算方法

矿井通风网络解算实质是在给定风网结构、巷道分支风阻、巷道分支动力的前提下求解巷道分支风量和分支通风阻力，以巷道分支通风阻力定律、节点风量平衡定律、回路风压平衡定律为基础，建立以回路风量为待求解未知数的非线性方程组，采用近似迭代算法求解得到回路风量，由回路风量计算分支风量、分支阻力等其余未知量。

在已知巷道分支通风动力情况下，为了减少方程组未知数，降低方程组求解计算量，将式(4)～(6)融合得到式(7)，将式(7)展开为泰勒级数，忽略二次项与三次项得到式(8)。采用斯考德—恒斯雷法求解回路风量，由式(9)计算各回路风量增量，根据增量调整回路风量，再将调整后的回路风量代入式(9)计算各回路风量的增量，经过多次循环计算，直到各个回路风量的相邻两次增量之间相对偏差达到0.1%以下，表明通风网络回路风量达到准稳态，将所求得的各回路风量代入式(5)求解得到全矿井所有巷道分支风量，再将巷道分支风量代入式(4)可求得全矿井所有巷道分支通风阻力。

(4)

(5)

(6)

(7)

(8)

(9)

4.2 双柳煤矿通风系统风网解算模型建立

将巷道摩擦阻力系数、巷道断面尺寸、巷道长度，以及地面主通风机风量与负压特性曲线实测数据导入矿井通风系统网络解算模型中，在初步建立双柳煤矿通风网络解算模型后，需要对初步构建的模型进行风量平衡调试。风量平衡调试的主要原因在于无法准确实测矿井所有巷道风阻[19-20]，具体原因如下：

1)井下通风构筑物两端压差可实测，而构筑物漏风量无法实测，因此通风构筑物风阻无法准确测算；

2)副井罐笼提升、人员活动等众多通风扰动因素造成巷道或井筒两端压差与风量无法准确测得，巷道与井筒风阻无法准确测得。

双柳煤矿通风网络解算模型的风量平衡调试具体过程为：对比通风网络解算风量值与实测风量值之间偏差，小幅度调整巷道摩擦阻力系数或通风构筑物风阻，重新对比解算结果与实测结果之间偏差，直到矿井所有巷道的通风网络解算风量值与实测风量值之间相对误差小于0.1%为止，具体过程如图3所示。

图3 双柳煤矿通风网络解算模型风量平衡调试过程

5 矿井风网分配风量预测的应用效果分析

将23(4)13回采工作面贯通之后不同时期回采巷道的摩擦阻力系数预测值代入双柳煤矿通风网络解算模型，分别对23(4)13工作面贯通之后不同时期矿井通风系统风量进行解算预测，解算结果与实测结果之间相对误差小于8%，见表4。

表4 23(4)13回采工作面贯通之后不同时期风网风量解算结果与实测结果对比

研究结果表明，采用BP神经网络算法的巷道摩擦阻力系数预测模型对待掘巷道摩擦阻力系数进行预测赋值，将待掘巷道摩擦阻力系数值代入通风网络解算模型，能够实现矿井风网风量的准确解算。

6 结论

1)基于BP神经网络算法，构建得到以巷道摩擦阻力系数影响因素作为信号输入集、以巷道摩擦阻力系数作为输出结果的BP神经网络预测模型，以双柳煤矿巷道摩擦阻力系数及影响因素实测值作为预测模型的训练样本，训练得到双柳煤矿巷道摩擦阻力系数BP神经网络预测模型，利用双柳煤矿巷道摩擦阻力系数BP神经网络预测模型对尚未贯通的 23(4)13回采工作面回采巷道摩擦阻力系数进行了预测。

2)基于斯考德—恒斯雷法通风网络解算方法建立双柳煤矿通风网络解算模型，将23(4)13回采工作面回采巷道摩擦阻力系数预测值代入解算模型，分别对该工作面贯通后备用阶段和回采阶段矿井全风网风量变化进行解算，解算结果与实测结果之间相对误差在8%以内。将待掘巷道摩擦阻力系数BP神经网络预测结果应用于矿井通风网络解算，结果表明其能够实现矿井全风网风量的准确解算预测。