大数据时代的煤矿采场岩层控制分析

马占元，李化敏，刘 闯，3，王 伸

（1.晋能控股集团，山西 大同 037003；2.河南理工大学 能源科学与工程学院，河南 焦作 454003；3.河南工程学院 资源与安全工程学院，河南 郑州 451191）

近年来，传统采矿业在实现全面机械化的同时，大力推进“两化融合”，矿山信息化、自动化和智能化技术得到迅速发展，一些先进的煤矿企业不同程度的在智能矿山规划、智能控制系统（包括综采工作面自动化采煤、矿山机电设备自动控制、瓦斯和自然发火等矿山安全信息的自动化监测监控）、智能化管理（应急救援等），以及矿山信息化基础设施建设和自动化系统升级改造方面做了大量的工作，取得了重大进展，为智能化矿山发展奠定了重要的基础[1-6]。同时，在矿山灾害协同监测技术（如微震监测、矿山压力监测、水火瓦斯监测、岩层运动监测等）、采煤工作面支架工作阻力监测（包括电液控技术）等采矿信息采集与感知方面也发展迅速，从而获得了大量实时-连续-多参量-多尺度的矿山开采、安全及环境等方面的监测数据，为采矿过程中多物理场时空关联分析、开采过程中灾害孕育演化分析、采矿岩层运动与矿山压力控制实时优化及灾害应急决策等提供了前所未有的矿山大数据条件。

目前这些数据大部分没有被有效的融合和利用，信息孤岛依然存在，造成极大的资源浪费。另一方面，信息的连续性、可靠性和外界反馈等也有待进一步加强。在数字化、物联网、大数据技术快速发展背景下，感知矿山与智能采矿是大势所趋，而矿山开采智能岩层控制将是其中最核心的内容之一[7-9]。

采矿工程的对象是复杂的地质体，受岩层结构、构造、层理及节理裂隙等的影响，煤岩体具有各项异性性质，且多变和开采前难以完全清楚的特性；采矿工程是一个复杂的大系统，具有动态性和随机性，随采掘不断推进，采动应力场、位移场不断变化，采动过程中支护系统与岩体及其它环境要素（地应力、水、瓦斯、温度等）相互耦合作用，使这种动态变化更具复杂性[10-11]。采矿工程规模巨大，小尺度或局部分析往往不能得到正确的解答，需要系统的从较大范围来研究或思考问题；采矿工程具有明显的后效性，即开采后形成各种不同形式的空间结构，而这种不同形式的空间结构将形成不同的应力场和位移场，对后续的开采系统稳定性产生重要影响，不仅要考虑当前的开采系统，而且还必须考虑一定范围内此前遗留的开采空间的影响。基于以上特点，国内外学者不断尝试从不同的角度或采用不同方法，分析和揭示岩层运动及稳定性的机理，并建立了一系列较为完整的理论技术体系和控制方法，有力的支撑了我国煤矿不同开采阶段的安全生产对矿山压力和岩层控制的实际需求。然而，采矿岩层控制总体上处在“静态”和“试误岩层控制”的发展阶段，即采用静态的数学力学模型、静态的边界条件，得到一个静态的岩层控制解决方案，以及通过尝试不同的岩层控制方法或尝试改进其控制参数，直至满足采掘工作面围岩控制和安全生产的需要。在这个过程中，其准确性、经济性和安全程度往往难以得到满足，更难基于理论模型达到预测的程度。随着科学技术的进步，包括岩层控制技术在内的采矿技术需要重新审视和进一步发展，将采矿岩层控制与当下煤矿开采技术及装备的发展相结合，与最新前沿科学技术相结合，探索新的研究方法和手段，推动采矿岩层控制由“试误岩层控制”向“精准岩层控制”发展，由“静态”向“动态智能岩层控制”方向发展，将是今后10～20 年间采矿岩层控制领域的重要发展方向之一。

1 矿山大数据与采矿智能岩层控制概念与特点

大数据（Big Data）是一个抽象概念，不同的领域有不同的认识和理解，自大数据提出至今，还没有形成一个共识的定义。尽管大数据的定义很多，但这些定义基本都围绕着大数据的4 个基本特点展开：即体量浩大（Volume）、模态繁多（Variety）、生成速度快时效要求高（Velocity）和数据价值巨大但数据密度很低（Value）[12-14]。大数据的这些特征，决定了大数据研究问题的方法与传统方法不同，它不是抽取少量样本数据来建立假设，而是通过对全部数据的分析，以自动呈现事物之间的联系。由于大数据研究过程中获取的是事物的全部样本，不必遵循一定的因果关系进行预测，而是通过分析大数据，将事物之间的相关关系呈现出来。改变了人们传统的研究方式，更重要的还将改变人们传统的逻辑思维和认识世界的方式[15-16]。

“采矿岩层控制大数据”，根据岩层控制的特点及相关性，可定义为：与采矿岩层控制有关的全部数据的集合。主要包括与采矿相关区域的地质与岩性信息（三维地质信息），开拓开采布局与接替，采矿过程中运用通信技术、传感技术、计算机技术等信息技术手段采集的各类动静态信息，相关采矿历史记录与事故案例等。其数据类型主要包括：格式化数据、半格式化数据和非格式化数据，如图纸、文字、数据、音频、视频、图片、位置信息等等。整个矿山开采过程产生的数据量巨大，并且随着煤矿的动态开采过程持续不断累积，这些数据类型和数据格式复杂，具备大数据的属性。矿井生产建设过程中所产生的各类数据如图1。

图1 矿井生产建设过程中所产生的各类数据Fig.1 All kinds of data generated in the process of mine production and construction

“智能技术”是指由现代通信与信息技术、计算机网络技术、行业技术、智能控制技术汇集而成的针对某个领域的应用。一般认为具有如下特点：①感知和获取外部信息的能力；②存储外部信息及由思维产生的知识，并利用已有的知识对信息进行分析、计算、比较、判断、联想、决策；③通过与环境的相互作用，不断学习积累知识，使其能够适应环境变化；④对外界的刺激作出反应，形成决策并传达相应的信息。将上述各类数据进行有效的分类、整理、融合。

结合采矿岩层控制过程及其特点，可将智能岩层控制定义为：将矿山地质信息、开采技术信息、采矿过程中产生的动态监测信息和相关岩层控制案例等进行深度学习和动态感知，运用采矿理论、岩石力学、矿山压力、计算机模拟技术、人工智能方法等进行综合分析比较，从而对控制范围内的岩层做出实时判断和动态预测，并将该信息反馈至控制系统，实施动态控制的全过程。

根据该定义可将智能岩层控制分为3 个部分：第1 部分为深度学习与感知矿山；第2 部分为稳定状态的实时判断与预测；第3 部分为动态控制。智能岩层控制也可简化为“学习与感知、稳定状态判断和控制”。智能岩层控制的宏观结构框架如图2。

2 采矿智能岩层控制研究内容及方法

矿山大数据本身属过程信息，过程信息需要进行逻辑加工处理，才能有效的利用，在包括采矿在内的多个领域中，常常用人工智能等方法进行，如前所述，采矿有其独特的性质，人工智能等发展受到很大限制，而数值计算方法具有基本符合岩层控制对象，基本能反映内在关系方法，若能通过一定的改进，并与大数据有机结合，可成为今后发展智能岩层控制的有效途径[17-18]。20 世纪80 年代以来，数值模拟成为解决煤矿安全生产问题的有效手段之一，一直以来，数值模拟只是有限的利用现场部分数据进行模拟，对于解算巷道、边坡工程或稳定性问题具有较好的适应性，而对于具有采矿（煤矿开采）特点的地下工程来说，需要在此基础上进行特别的改进，以适应大范围、大空间结构、多场耦合、动态变化等特殊工程特性的需要，对于基本符合本构关系的开采对象，是一个不可替代的工具。

利用矿山大数据建立大规模精细化的动态数值计算模型（又称“动态数值开采试验”模型），按照现场监测的矿山数据进行参数反演校对，利用动态数值计算方法对实时矿山大数据进行加工和处理，连续的动态数值计算结果，形成动态数值开采过程。该动态过程数据将作为岩层控制设计、实时预警、动态反馈及实时控制的依据，从而形成智能岩层控制解决方案，并以此为基础进行下一步的数值开采试验。具体方法为：

1）将煤矿勘探钻孔数据进行整理分析，基于统一的空间和时间四维坐标，将矿山中的地质信息运用一定的算法，把矿井内各个钻孔数据及开采揭露情况，以一定的规则拟合起来，并配置完整的属性信息，建立真三维矿山地理信息模型，根据建立的真三维地质模型，建立准确的数值模拟物理模型，并确定合适的边界条件。

2）根据实验室测得的煤岩层物理力学参数，为数值模型中各岩层赋物理力学参数。

3）进行初步的数值模拟。

4）初步模拟结果与现场监测到的岩层位移、应力及液压支架工作阻力等数据进行对比，找出与现场数据不符的环节，通过调整模型中煤岩层物理力学参数、网格尺寸等方法来解决。

5）对调整参数后的数值模型继续模拟，模拟结果再与现场数据对比，如此反复多次的反演，直到数值模拟结果与现场数据的误差在可接受范围内，停止模型的校核。

6）在校核后的数值模拟模型基础上，利用增加新的地质物理信息，进行其它问题的模拟和预测。

数值模拟反演分析模式如图3。

图3 提高数值模型可靠性的反演分析Fig.3 Inversion analysis of improving reliability of numerical model

2.1 矿山开采智能岩层控制关键科学问题

矿山开采智能岩层控制系统的核心是在统一的时间坐标和空间框架下，科学合理地组织各类矿山信息，将海量异质的矿山信息资源进行全面、高效和有序的管理和整合，并充分利用矿山大数据、现代空间分析方法、仿真模拟手段、网络和科学计算技术等，建立大规模精细化的数值开采模型，在此基础上按照煤矿现场数据进行数值模拟的参数反演校对，为煤矿开采过程中采场岩层控制进行模拟和过程分析提供新的技术平台和强大工具。这一过程中需要解决的关键科学问题主要有：①矿山生产全过程中各类动态异质大数据的获取及存储的科学模式；②基于矿山大数据的智能化岩层控制结构模型；③不同类型矿山大数据之间的模式识别匹配的原理及规则；④矿山大数据的有效融合方法；⑤数值开采模型参数的动态输入和动态模拟；⑥矿山数值开采与智能岩层控制系统自适应性的基础研究。

2.2 矿山开采智能岩层控制主要研究内容

1）寻求矿山生产全过程中异质数据的获取及存储的经济有效方法。目前矿山数据大部分没有被有效的获取、存储，一方面是由于缺乏专业的数据获取手段，另一方面是由于目前数据存储成本较高。提出以建立地面观测站、打钻布设岩层监测点、井下安装监测监控系统和传感器、实验室试验以及开发设计新型传感器等多种手段对矿山数据进行获取，利用目前的云存储、物联网等手段存储获取的数据，以降低数据存储成本。

2）不同种类矿山数据的统一识别与匹配。煤矿数据类型繁多，包含有数字、声音、图片等类型，可以分为结构化数据、半结构化数据和非结构化数据[19]。这些不同类型的数据彼此之间不能直接进行衔接识别，必须通过一套转换系统，使这些数据转换为统一的格式而互相识别匹配。提出建立异质数据转换系统，不同类型数据通过该系统转换为某一种特定的数据类型，从而实现不同类型数据的统一格式输出、识别、匹配。

3）矿山数据的有效融合和去冗降噪。矿山数据的冗余通常来自2 个方面：一方面，大数据的多源性导致了不同源头的数据中存在有重复的数据，造成数据的绝对冗余；另一方面，提供的超量、超精度的数据，形成了数据的相对冗余。可能由于数据采样算法缺陷与设备故障，生成大量的噪声数据。获取的海量矿山数据不进行有效的整合、筛选，难以发挥出数据的有效价值。需要将获取的矿山大数据进行降低噪声、消除冗余，提高数据质量。

4）智能岩层控制数值模拟反演计算优化。数值模拟计算是实现矿山开采智能岩层控制的核心环节，提出通过煤矿大数据平台提供准确可靠的原始数据，利用这些现场大数据建立数值模拟模型并进行动态反演，模拟出已知条件下的煤岩体的复杂力学与结构特性，在此基础上再进行新问题的数值模拟，从而使数值模拟模型和计算结果逼近真实。

5）矿井新产生的监测数据实时输入模拟模型与动态模拟。矿井在生产过程中，不断揭露新的地层，并同时产生新的地表下沉、岩层移动、液压支架工作阻力等数据，这些新产生的数据有助于新模型建立，原模型校核以及新问题的预测。不断输入新数据到数值模型，实现模拟模型的实时更新，为矿井生产提供实时的数值开采模拟。

6）提高大规模精细化数值模拟模型的计算速度。目前，限制大规模精细化数值模拟发展的最大瓶颈是计算速度问题，数值模拟模型越大，划分网格数量越大，则计算速度越慢，另外数值模拟模型网格划分越精细，计算速度也越慢。提出开发能够并行计算的数值模拟软件，优化计算方法，实现多台电脑并行运算同一个数值模拟模型，来提升大规模精细化的数值模拟计算速度。

7）提高智能岩层控制系统的可靠性、准确性和自适应性。矿山开采系统具有不确定性、模糊性和未确知性，这就需以丰富的理论基础和实践经验为基础，并结合现场实际对数值模拟结果进行评判、改进和优化。提出建立智能岩层控制人工智能控制子系统，该子系统根据已有的知识来发现和定义应当解决的问题，以及求解问题的预设目标。然后针对问题和目标去获取必要的信息，从中提炼新知，进而在目标制导下利用所获得的信息和知识生成求解问题的智能策略。在实际的应用中，不断对该子系统进行修正、完善，提高智能岩层控制系统的可靠性、准确性和自适应性。

3 大数据+数值开采

煤矿井下岩层控制一直以来多以理论研究为主，相似模拟和数值模拟技术手段为辅。由于地下煤岩体具有复杂的地质结构以及加卸载、边界条件，这使得岩层控制问题通常无法简单地用解析方法求解，现有的岩层控制方面的理论和相似模拟都难以将地下复杂的开采条件一一考虑，导致得出的结果与实际情况偏差较大[20]。大数据+数值开采可以弥补这一不足，通过矿山大数据平台提供准确可靠的原始数据，利用这些现场大数据建立数值模拟模型，并进行动态反演，调整数值分析中预设的模型与参数，模拟出已知条件下的煤岩体的复杂力学与结构特性，得到岩土体的初始地应力状态与初始物理力学参数，在此基础上再进行新问题的数值模拟，从而使数值模拟模型和计算结果逼近真实。

矿山开采智能岩层控制基本结构如图4。

图4 矿山开采智能岩层控制基本结构Fig.4 Basic structure of intelligent strata control in mining

矿山开采岩层控制系统是十分复杂的系统工程，系统的状态复杂多变，常表现出不确定性和未确知性。因此，建立的矿山开采岩层智能控制系统应具有非线性、动态的自适应性，以下条件使该系统的形成成为可能：①快速和廉价的数据存储与运算为矿山大数据提供了有力的前提条件；②以MapReduce 和Hadoop 为代表的非关系数据分析技术的发展，为大规模非结构数据并行处理提供了技术保障；③计算机处理器的容量、计算速度和复杂程度每18 个月翻一翻，硬件的快速发展为大型数值计算提供了必要的基础条件；④工智能、神经网络、模糊数学等智能科学的理论在采矿中的应用，以及建立的专家系统和智能决策系统；⑤形、灾变等非线性科学理论在采矿非线性问题中的应用；⑥采矿相关的科学理论的发展；⑦学和岩石力学等基础学科的发展，使数值模拟中用到的本构关系更加合理；⑧计算、物联网以及传感技术的发展，使矿山数据能以一定的速率持续不间断产生，这些新产生的数据又可以进入数值模拟中进行反演、修正。

大数据+数值开采实验就如同是一个黑匣子，原始数据输入，预测数据输出，中间的数值模拟过程及理论分析过程都可以忽略，仅注重最后模拟结果的准确性。矿山大数据在数值模拟中的应用，使数值模拟由模糊的定性分析向精确的定量分析转变；改变采矿重视抽象思维，而忽视采矿过程中大数据的采集、分析和利用的模式；影响采矿理论研究方向向岩层介质特性、数值建模、计算力学模型等转变。

4 结 语

研究如何有效的把矿山大数据、专家系统、神经网络、数值模拟、模糊逻辑、模式识别以及其它人工智能技术用于无组织性的矿山开采数值模拟中，使矿山开采数值模拟由模糊的定性分析向精确的定量分析转变，将成为未来矿山开采智能岩层控制的发展方向之一。大数据+数值开采实验，摆脱过去先有理论模型再模拟的思维，注重参数的反演和结果的再现，提高了煤矿岩层控制的准确性和可预知性。大数据+数值开采实验的研究模式，将改变采矿问题研究的思维方法，由注重理论假说，向注重现实采矿工程实测和采矿过程中数据的采集、监测和分析利用转变，也将改变或影响采矿理论研究的方向。随着计算机技术、模拟技术和大数据技术的发展，大数据+数值开采实验，必将成为矿山开采未来智能岩层控制的重要手段和智能矿山的重要组成部分。