基于人工智能的煤炭自燃倾向预测模型的近似分析研究

王 良

(晋能控股煤业集团朔州煤电有限公司,山西 朔州 036900)

自燃是采煤过程中遇到的最大障碍,因此需要一个更准确的解决方案,能可靠地预测其发生的概率。在这个过程中,当煤暴露在大气中时,它会在环境温度下或接近环境温度下氧化,从而产生水蒸气、氧化煤和热量形式的能量。这一过程在本质上是危险的,破坏动植物、采矿设备和煤层,并消耗宝贵的不可再生资源。由于其放热性质,一直是一个长期存在的问题,当释放的热能散失到周围环境时,会在煤和相关的碳质材料中积累。当这些热量没有以要求的速率释放时,它会提高煤的激活温度,点燃火花,最终变成火灾。影响煤炭开采的外在因素有:采矿方法、大气条件等;影响煤炭开采的内在因素有:地质因素、煤层因素等。因此,应进一步研究内部因素对煤自燃的影响[1-3]。

通过分析,有几种相关关系被用于预测煤的自燃倾向。这些相关性为预测提供了变化的平均绝对误差和平均偏差误差。尽管如此,这些用于评价煤自燃倾向的广义关联,大多数都存在着需要最终分析和岩相组成作为输入数据的缺点,这需要昂贵的设备和熟练的分析人员进行操作。然而,很少有研究将人工智能和回归分析的结果进行比较,来解释近似分析对自燃倾向指标的影响。本研究试图从煤的近似分析中建立预测煤自燃倾向的模型,该模型非常容易执行,只需要标准设备和经过适度训练的分析人员进行操作。建立了由神经网络和MLR分析的预测模型之间的比较分析。此外,利用实验数据和公布的数据点,解释了近似分析与自燃倾向指数之间的相互关系。

1 材料和方法

本研究采用了来自南阳坡矿的近似分析和自燃试验数据。采用分层抽样法共收集13份样本。每个样品都保存在塑料袋中(由铝涂层聚酯制成),并标有选定的编号。使用破碎机将样品块缩小到合适的尺寸(10 mm)。将样品粉碎到250 μm用于近似分析与自燃试验。从实验测试出近似分析和自燃试验结果数据库如表1、表2所示。

表1 煤样自燃倾向指数计算结果

为了使所提出的模型能够普遍应用,使用神经网络和MLR对数据集进行训练和验证,并相互比较。

采用国际上常用的XPT法、Wits-Ehac指数法和FCC指数法确定了煤样的自燃倾向指数。自燃试验实验装置由3个煤样品和3个惰性标准物质(煅烧氧化铝)样品组成的样品池保存在由传热油组成的绝缘浴中。油从压缩机加热到该装置。空气供应是由流量计控制的。通过每个含煤单元的气流用气泡计监测,并通过附在流量计上的阀门保持在200 mL/min不变。每个电池配备1个铂电阻温度计,允许样品(煤或煅烧氧化铝)在电池内的温度每30 s记录一次。在使用该装置时,检查了三个阶段。在第一阶段,惰性材料样品的温度大于煤样品的温度,这是由于煤样品的水分蒸发产生的冷却冲击造成的。在第二阶段,煤的水分蒸发过程中,煤样的升温速率高于惰性物质的升温速率。这是由于煤的易自加热,因此试图达到周围的温度(油浴温度)。高放热率到达线与零基线相交的区域,被定义为XPT。第二阶段被认为是自燃倾向的指标。在第三阶段,煤开始燃烧。

表2 煤样wt.%的近缘成分和元素组成结果

由XPT和II阶段斜率组成的修正FCC指数被用来预测煤自燃的可能性,FCC值小于5的煤为低风险,5～10为中等风险,负债值大于10的煤为高风险。XPT大于160 ℃的煤被认为是低风险,140～160 ℃被认为是中等风险,XPT在120～140 ℃之间被认为是高风险等级。

2 结果和讨论

2.1 煤特性分析与自燃试验

通过13个煤样的自燃试验结果Wits-Ehac、FCC和XPT自燃试验方法进行了比较。煤炭H的M含量最低为1.22%,煤炭D的M含量最高为5.5%,见表2.煤炭H 的VM含量最低为13.12%,煤炭K的VM含量最高为26.71%.煤炭I的A值最小为16.18%,煤炭H的A含量最大为52.66%.煤炭L的FC含量最低为23.90%,煤炭I的FC含量最高为58.59%.在FCC和Wits-Ehac试验中,H炭煤的M最小为1.22%,VM为13.12%,A含量最高为52.66%,符合中等自燃倾向指数。I炭煤的A含量最低为16.18%,FC含量最高为58.59%,在FCC和Wits-Ehac试验中属于中等燃烧倾向。

如表1所示,所有样品都有一个低自燃倾向,因为所有样品都有XPT材料价值高于160 ℃.煤样品B、C、D、F、I、J、K自燃较温和,因为有XPT材料值140 ℃和160 ℃ .煤样品E、G、H、L自燃和SN低负债,因为有一个XPT材料的价值大于160 ℃之间XPT材料价值从140 ℃到150 ℃.

从表1可以看出,没有煤样的FCC指数低于5,因此没有煤样的自燃倾向较低。A、B、C、D、E、F、G、H、I、M煤FCC指数为5～10时,煤的自燃倾向中等;J、K、L煤FCC指数大于10时,煤的自燃倾向较高。实验研究表明,不同样品的煤性质不同。使用XPTs测试被归类为具有中等和高风险的一些样本与Wits-Ehac和FCC测试对实验数据和公布数据的测试不一致。结果表明,煤的性质与自燃倾向指数之间没有直接的关系。因此,有必要利用软计算技术(ANN)开发可以考虑输入和输出变量之间非线性的模型,并将结果与MLR进行比较。

2.2 煤自燃倾向预测模型的建立

人工神经网络是人工智能的一个子集,它模拟人脑在学习和处理提供给它的信息时的活动。ANN的结构是分层的,即输入层、隐藏层和输出层。ANN的第一步是用一组输入数据和目标输出层来训练网络。因此,有各种各样的算法被开发出来训练神经网络架构,但其中最受欢迎的是反向传播算法。人工神经网络方法已被用于各种科学和工程领域的复杂非线性系统建模。本文利用该模型建立了XPT、Wits-Ehac和FCC煤和煤页岩自燃倾向预测模型。模型中,M、VM、A和FC含量为输入参数,目标输出参数分别为XPT、Wits-Ehac 指数和FCC 指数。使用13个数据集作为输入数据,数据集被随机分为训练(70%)、测试(15%)和验证(15%)。输入和输出数据集被归一化到-1和1的范围内,以避免过拟合并确保高效的ANN架构。使用MATLAB对神经网络模型进行几次运行,使用决定系数(R2)、平均绝对百分比误差(MAPE)和方差占比(VAF)测量每一次运行的性能。

利用ANN模拟得到的权重和偏差,将ANN模拟得到的结果转化为简单数学形式。对于XPT和Wits-Ehac指数,使用在输入和输出两层都具有乙状窦传递函数的ANN网络和乙状窦传递函数和檩条传递函数来建立其数学模型,目的是保持方程的简单和用户的可访问性。此外,该数学模型所采用的网络R2均在90%以上,表明该网络可以较好地预测XPT、Wits-Ehac指数和FCC指数,且具有较高的精度。

将数学模型与模拟ANN网络输出的直接值进行直接比较,如图1所示。从图中可以看出,所提出的数学模型与人工神经网络仿真的直接输出数据是相同的。

图1 根据人工神经网络仿真输出验证所提出的方程的预测

2.3 人工智能与MLR预测的比较

本文所述的统计指标对所提出的基于人工神经网络的数学模型和MLR模型的性能进行了检验。可以看到,所有的人工神经网络模拟的R2都在80%以上,相关的MAPE小于5%.ANN模型的VAF也大于80%.而在MLR情况下,误差大于5%,而在XPT情况下,R2小于50%.而Wits-Ehac指数和FCC指数的R2约为80%.同样,使用MLR模型得到的XPT、VAF小于50%,WitsEhac指数和FCC指数均约为80%.VAF和R2的物理意义几乎是相同的,它们的值越接近100%,这些模型的预测能力越好。为了进一步评价所提模型的预测能力,本文将表2中样本A～M修改后的实验结果与ANN模型和MLR模型的预测结果进行比较。ANN模型预测的XPT对于所有数据集都非常接近实验值,而ANN模型预测的Wits-Ehac 指数在煤炭A中表现更好;FCC指数的预测提出ANN模型方程更接近实验结果(样本 B、C、E、F、G、H、I、K、L、M)。因此,人工神经网络模型的预测结果与实验结果基本一致,而MLR不能较好地预测XPT.MLR模型性能不佳的原因可能是它不能处理岩土材料的内在变异性或非线性。

2.4 输入变量对输出结果的影响

为了检验所采用的神经网络方法的解释能力,通过敏感性分析,量化输入参数对预测煤炭倾向性指标的影响。对Wits-Ehac指数进行了演示,展示使用神经网络模型的一种方法,采用局部放电法来分析输入变量的微小变化对输出响应的影响。对于第一个结果,使用输出变量对每个输入变量的偏导数。例如,有n个输入神经元的网络的PD,采用PD法得到的结果如图2(a)～(d)所示。

图2 输出变量对每个输入变量的偏导数的影响的剖面

图2显示的偏导数责任指数对M都积极和M的值非常高,内容虽小,责任指数增加而增加的偏导数的M和逐步增加落在恒定值最高价值的M(图2)。负债指数对VM的偏导数均为正,说明VM的增加会导致负债指数的增加。但是,当这种趋势达到峰值时,增量的方向就会向虚拟机的较低值反转图2(b)。负债指数对A的偏导数均为负,说明随着A值的减小,负债指数会增大,如图2(c)、(d)所示。而对于A,负债指数的峰值出现在A的最大值。

3 结 语

本文对南阳坡矿不同煤种自燃试验结果进行了研究,并利用人工智能和回归分析的方法进行了近似分析,建立了预测煤种自燃倾向的模型。结果表明,煤的性质与自燃倾向指数之间没有直接的关系。此外,XPT指数、WitsEhac指数和FCC指数之间也存在一些相互矛盾的结果。FCC和Wits-Ehac指数的结果相似,而XPT试验的结果与其他自燃试验结果在大多数情况下不一致。将XPT模型、Wits-Ehac模型和FCC模型的结果与MLR模型进行了统计比较,ANN模型比MLR模型与负债指数的相关性更强,总体百分比误差小于5%,VAF在90%以上。MLR模型与XPT的相关性很差。因此,所建立的神经网络模型可以用于预测煤的自燃倾向。