基于熵权-BP神经网络的深部煤矿热害风险评价研究

秦致远,杨 力

(安徽理工大学 经济与管理学院,安徽 淮南 232000)

煤矿深部开采时由于矿井散热源多,相对湿度大,导致其内部形成了异常高温、高湿的热环境,这种极端恶劣的热环境称为热害。深部煤矿热害不仅直接影响地下采矿工作以及工人的健康,还容易造成灾害和事故,威胁到煤矿的安全生产。为了改善深部矿井内的热环境,需要对深部煤矿热害风险进行评价,寻找出合适的降温措施,以降低热害对煤矿企业正常生产的影响,减轻热害对工人身心健康的伤害。目前关于煤矿热害方面的研究,主要有欧晓英的模糊综合矿井热环境评价,左前明的高温矿井热环境模糊综合评价模型,姚韦靖的矿井热环境现状研究等[1-3]。除此之外,程磊[4]从内外部多方面因素研究了其对矿井热害的影响。Wang等[5]利用6个采煤工作面水文地质资料进行了工程实践评价。黄炜等[6]在梳理深部矿井热环境影响因素的基础上对矿井热害进行了危险分级。苏亚松[7]评估了县域矿井的安全风险。Ding等[8]通过采用模糊综合评价法(FCE)和层次分析法(AHP)建立了评价模型,在综合评价地下热源及其热贡献率的基础上,提出了控制地下热应力的建议。Zhi等[9]针对矿井热害数据缺乏、影响因素复杂的特点,提出了一种基于支持向量机的矿井热环境估计模型,分析了支持向量机回归理论,总结了矿山热害的影响因素。随着国内浅层煤矿资源的枯竭,矿井逐渐走向深部开采。深部煤层热害原因更为复杂,其热害程度更为严重。如何对此种情景下的矿井热害风险进行评价,成为深部煤矿安全管理的一个难题。因此,本文提出了基于熵权-BP神经网络的深部煤矿热害风险评价模型,并通过具体实例对煤矿热害风险评价模型的性能进行检验,以对深部矿井热害的预防和控制提供理论和技术支持。

1 深部矿井热害风险评价指标体系

本文初步使用实地调研法、文献综合法和专家访谈法构建深部煤矿热害风险评价指标体系。10位煤矿安全专家受邀通过德尔菲法初步构建了热害风险评价指标体系,经过多轮信息反馈及整理,最终确立了矿井内部放热、矿井环境、矿井结构3个层面12个热害风险评价指标,深部煤矿热害风险评价指标体系如图1所示。

图1 深部煤矿热害风险评价指标体系

在深部矿井开采中,高温热害问题是不可避免的。随着开采深度的增加,井下温度不断升高,深井作业环境变得越来越恶劣。这不仅会降低设备的工作性能,缩短其使用寿命,还会影响井下工人的工作能力和健康,进而引发生产事故。因此,矿井标高是评价矿井热害风险的重要指标之一。此外,地下热水的放热现象也是造成深部矿井热害的重要原因。在大地热流场的作用下,地表深层的地下水被加热,形成高温矿井热水,矿井热水通过直接加热风流或岩体传热两种方式,间接引起井下温度变化,从而引起矿井热害。因此,地下热水平均涌出温度和平均涌出速度是评价矿井热害的两个重要指标。机械、电气设备的热量释放是造成深部矿井热害的主要因素之一。这类热量包含了除有用功以外其他各种形式散失的热量,泵电机的电力和水泵轴承摩擦所产生的热量,以及所有的照明用电都会被转换成热能[10]。随着矿山工程自动化、机械化、集中化的持续发展,尤其是煤矿开采和输送机械的大量使用,机械和电气设备的生产能力迅速增长,电气设备运行产生的热量逐渐成为引起风流变暖的重要因素。特别是在回采工作面,其影响更为突出[11]。在煤矿井下,煤炭及其他物料的氧化反应十分复杂,其放热量难以精确测定。实测结果显示,煤的氧化放热对煤矿气候没有显著影响[12]。

地表气温的改变。在深部煤矿采煤过程中,地面大气的温度对煤矿的气温有直接影响。受中国所处气候带的影响,中国的大气温度随季节变化,昼夜温差变化也比较大[13]。地面向地下流动的气温与湿度均存在一定的规律性,但季节性的气温变化对其危害的影响较大。当原岩温度超过28℃时,由于原岩温度的上升,巷道围岩调热圈的调节作用逐渐减弱,从而呈现季节性的热害[10]。因此,年平均地面温度和年平均地面湿度是影响深部矿井热害风险的重要指标。地温梯度也是“地热梯度”,它是一种能够反映地温分布不均匀的参量。一般情况下,矿体埋藏越深,其温度也就越高。这个数字代表着在垂直方向上的每100公尺上升的气温,也就是所谓的“地温上升速率”。通过对地下温度场的研究和分析,也就是温度梯度的变化,可以为勘探地区的温度提供依据[14]。当湿度在50%～60%之间时,人体是感到舒适的。但在一般情况下,井下作业区的相对湿度在80%～90%左右,而回风区域的总回风通道和回风井的相对湿度则基本达到饱和状态。井下空气中的水分是由矿井水的直接蒸发、井巷壁上凝结水的再排湿和用于降尘、钻井冷却、水力开裂等生产过程中的大量蒸发。由于各种原因,造成矿井内的环境湿度高于人体正常工作所需要的环境湿度[15-16]。因此,矿井的湿度也是造成深部煤矿热害的主要原因之一。

深井通风的热源以地热为主,而地热是由周围岩石进行传导的。矿岩经过开采、剥落、裸露,其热能在空气中慢慢挥发,释放的热能约占矿井地下热能总量的48%以上。因此,深部矿井内的平均地温是造成热害的主要原因之一[17]。在提高矿井开采程度后,井下采区和工作面布置范围更广,工作面距离进风井口的长度增加,通风系统网络复杂[18]。在煤矿开采过程中,所需风量将随着工作面设计长度的增加而增加,因此,矿井通风系统的供风量和风压将随着矿井开采强度进行相应调整。当矿井进风量增大时,随着通风路线加长,井巷内风流沿流向摩擦阻力也相应增大。由于竖井和巷道横截面和方向的变化,以及分叉点和连接点的增加,使气流的局部阻力增加,导致气流能量损失。为了克服矿井通风过程中的通风阻力,除了在减小井巷摩擦阻力、降低局部阻力和优化调整风网结构的基础上,还需增加矿井的通风功率,以满足矿井开采通风的安全要求[19]。在没有高温热害的矿井中,增大通风动力的主要影响是矿井通风机的负荷增加,导致电力消耗增加,降低了煤矿生产的经济性。然而,对于高温矿井不仅仅存在增大能耗的问题,由于矿井通风阻力的增加,风流与井巷之间的热交换时间延长,热量传递增加,这导致相同流动距离内气流的温升速率更快,进一步加剧了矿井热害[20]。所以矿井掘进工作面的数量以及矿井通风系统的工作效率同样对深部煤矿的热害有着重要的影响。相关调查研究表明,我国矿井高温热害防治的主要需求对象应该是年产50万吨以上,重点在100～500万吨的大型国有重点煤矿[21]。因此,煤矿年产量也是影响深部煤矿热害风险的因素之一。

2 深部煤矿热害风险评价模型构建

熵权法是一种从实际数据出发,按照评价指标的贡献度或差异性来进行客观赋权的方法。与AHP(层次分析法)、专家判断法、模糊综合评价法相比,熵权法计算所得的指标权重不易受到主观影响,数据内的隐含信息得到更好反映,有着更好的精确度及客观性。BP神经网络是一种多层前馈神经网络,具有较好的非线性映射能力、自学习适应能力、泛化能力和容错能力,在解决高维、非线性问题方面有独特优势。BP神经网络在煤矿安全管理方面的研究已经比较成熟,学者们从不同的角度探讨了该方法在煤矿安全管理方面的应用[22-27]。因此本文利用熵权法改进的BP神经网络来对深部煤矿热害进行预测和评价。

2.1 评价指标权重确定

在对矿井热害风险评价的过程中,采用熵权法来体现出各个指标的重要性。具体步骤如下:

(1)形成决策矩阵。设参与评价的对象集M=(M1,M2,…,Mm),指标集D=(D1,D2,…,Dn),评价对象集Mi对指标集Dj的值记为Rij(i=1,2,…,m;J=1,2,…,n)则形成的决策矩阵为:

(1)

(2)标准化决策矩阵。由于本文是煤矿热害风险相关的评价,指标越小越优,所以采用以下标准化公式:

(2)

式中,vij、rij是归一化后的值,max(rj)、min(rj)分别为第j个指标的最大值和最小值。

(3)计算特征比重。

(3)

因为0≤vij≤1,所以0≤Pij≤1。

(4)计算各指标的熵值。

(4)

当Pij=0或者Pij=1时,认为PijIn(Pij)=0。

(5)计算各指标的差异性系数。

dj=1-ej。

(5)

(6)确定各指标的熵权。

(6)

2.2 评价模型构建

由于矿井热害风险的影响因素较多,且各因素互相关联,因而通过熵权法对指标进行优化,再将优化后的指标作为BP神经网络的输入值,具体熵权-BP神经网络结构如图2所示。由图2可见,D是热害风险评价体系的所有评价指标,X1,X2,…,Xn是经过熵权法筛选后的重要评价指标,y1,y2,…,ym是隐含层神经元输出,wij和wjk是BP神经网络连接权值,Z是输出的综合评价值。由图3可知,该模型的建模过程为:①将上述的12个评价指标作为输入层。②指标提取层,是利用熵权法从12个评价指标中提取出权重大的评价指标。③传递层,是将提取出的权重大的指标输入神经网络当中计算。④隐含层,主要处理输入层中输入的指标和评价结果之间的非线性函数关系。⑤将热害风险综合评价值作为输出层。

图2 熵权-BP神经网络结构

图3 BP神经网络训练过程 图4 熵权-BP神经网络训练过程

2.3 熵权-BP神经网络模型构建

(1)网络初始化。根据经验公式:

(7)

式中,β∈[0,10]的常数;n是输入层节点数;m是输出层节点数;l是隐含层节点数。

(2)隐含层输出计算。隐含层输出H计算公式为:

(8)

(9)

式中,wij为网络连接权值;a为隐含层阈值;f(x)为激励函数。

(3)输出层输出计算。输出层预测输出公式:

(10)

式中,H为隐含层输出值;Wjk为连接权值;b为阈值。

依据预测值O和期望值Y,计算预测误差e。

ek=Yk-Okk=1,2,…,m,

(11)

(4)网络权值更新。

(12)

wjk=wjk+ηHjekj=1,2,…,l;k=1,2,…,m,

(13)

式中,η为学习速率。

(5)更新阈值。根据预测误差e更新节点阈值a和b。

(14)

bk=bk+ekk=1,2,…,m,

(15)

如果计算方式尚未有明确结果,则返回到步骤(2)。

3 热害风险评价模型检验及应用

根据《煤矿安全规程》《矿井降温技术规范》和已经采集到的深部煤矿的实际数据,将矿井热害风险评价等级分为:无热害(0～0.40)、中度热害(0.41～0.60)、重度热害(0.61～0.81)、高危热害(0.81～1)。根据现有文献,深部煤矿的深度是一个包括绝对开采深度、开采强度、开采方法、地质构造等因素紧密相关的相对概念[28-30]。为了方便数据的收集和分析,文中深部矿山是指开采深度在700 m以上的矿山。本文收集了已完成热害风险测评的258个深部矿井的参数作为样本数据,采集到的指标数据归一化结果如表1所示。

表1 深部煤矿热害风险评价归一化数据

3.1 重要指标筛选

利用归一化后的指标数据形成一个决策矩阵V,

通过以上公式的运算数据矩阵V,得出各指标的权重排序如表2所示。

表2 深部煤矿热害风险评价各指标权重及排序

通过验证可得,改变权重小于0.05的指标取值对整个评价结果没有影响,可将D10、D11、D12作为数据噪声将其剔除,保留D1～D9这9个重要指标,如表3所示。

表3 熵权法筛选后的指标权重

3.2 熵权-BP神经网络评价模型训练

将收集到的数据代入熵权-BP神经网络中进行拟合训练,为确保训练精度,训练参数如表4所示,训练过程如图3、4所示。由图3、4可知,通过对重构后的9个重要评估指标进行训练,同一学习目标下,熵权-BP神经网络模型的训练时间优于标准BP神经网络。熵权-BP神经网络模型能够在保留重要指标特征的基础上减少冗余指标对BP神经网络的干扰,提高网络训练速度。

表4 熵权-BP神经网络训练参数表

3.3 评价模型检验

把样本数据输入到训练好的BP神经网络和熵权法改进过的BP神经网络模型当中,预测结果和精度如图5所示。

图5 BP神经网络预测误差百分比 图6 熵权-BP神经网络预测误差百分比

熵权-BP神经网络模型的运算精度为96.68%,BP神经网络模型的运算精度为96.35%,通过将图5与图6对比分析,BP神经网络的评价精度比熵权-BP神经网络低。这是由于该组合模型对评估指标进行了重建,从而使BP网络在反向传播过程中更加贴近真实权重。从图中可以看出,熵权-BP神经网络模型可以对热害进行评价和预测,其精确度比熵权-BP神经网络模型更高。

3.4 评价模型应用

本文以A矿井为例,A矿井是热害较为严重的矿井之一。在不改动矿井结构且矿井生产需求得到满足的前提下,煤矿企业采用水冷式降温技术,以地表水为冷源对A矿井进行热害治理。A矿井热害治理前的工作面的温度为36 ℃,属于严重热害矿井。经过水冷降温技术对矿井的降温,工作面的温度为29℃,矿井此时的热害等级属于中等热害。

利用前文构建的BP神经网络模型对A矿井改造前后的热害风险等级进行预测,得出矿井改造前的热害风险等级预测值为0.65,属于重度热害矿井,预测结果与事实相符。A矿井改造后的热害风险预测值为0.46,属于中等热害矿井,预测结果与事实相符。由此可知,本文构建的深部煤矿热害风险评价模型可以应用于实际深部矿井热害风险预测,具有现实可行性。

4 结论

深部煤矿热害风险的形成是矿井内众多风险因素相互作用的结果。对深部矿井内热害风险进行评价,可以帮助煤矿企业提前制定措施,预防矿井内热害的形成,减少热害对工人和生产的影响。本研究首先构建了深部煤矿热害风险评价指标体系;其次,利用熵权法筛选出对矿井热害影响重要的因素;最后,以BP神经网络为基础,对深部煤矿热害风险等级进行预测。主要结论如下:

(1)深部矿井内平均地温、地热梯度、井下机电设备放热和井下通风系统等因素是造成矿井热害风险的主要因素。

(2)构建了深部煤矿热害风险评价指标体系,并利用熵权法筛选出对矿井热害风险影响重要的指标,为煤矿企业热害防治提供了理论支持。

(3)本文构建的熵权-BP神经网络模型,能够对深部煤矿热害风险进行预测,预测精度与现实相符。

本文构建的深部煤矿热害风险评价模型,不仅克服了传统BP神经网络模型训练速度慢的问题,还弥补了传统数学评价方法对非线性关系处理能力的不足。该模型可以有效处理各风险因素之间的复杂非线性关系,降低对深部矿井热害风险评价过程中冗余指标的干扰,实现了对矿井热害风险等级的精准预测,为煤矿企业热害风险预测提供了技术支持。