基于多因素模式識別的煤與瓦斯突出預測研究*

畢慧杰，任延平，張浩浩，楊鴻智

(遼寧工程技術大學 礦業學院，遼寧 阜新 123000)

0　引言

煤與瓦斯突出嚴重影響著煤礦安全生產。近年來，我國許多煤礦逐步轉入深部開采，面臨著愈發復雜的煤層賦存條件和開采條件，煤與瓦斯突出的危險性也越來越高，預測煤與瓦斯突出危險性成為保障煤礦安全生產必不可少的工作之一[1-4]。傳統的煤與瓦斯突出預測方法使用的是單項指標法、綜合指標法、地質指標法、地質統計法、瓦斯地質單元法等靜態預測方法，對煤與瓦斯突出預測指標的分析主要是通過灰色理論、遺傳算法、突變理論、神經網絡、回歸分析等方法得出[5-10]。這些方法主要是對整個礦區、采區等較大范圍的區域預測較多，而對于單個工作面的危險性預測，以及考慮工程活動的影響，并隨著工作面推進動態預測的研究還比較少。本文充分考慮煤層自然條件和工程擾動的影響，提出“基于模式識別的采煤工作面煤與瓦斯突出危險性動態預測方法”，并開發煤與瓦斯突出動態預測系統，應用于平頂山十礦己15-24080工作面。

1　工作面煤與瓦斯突出危險性預測

1.1　工作面煤與瓦斯突出危險性預測原理

工作面煤與瓦斯突出危險性動態預測是結合現代采礦理論、模糊數學、概率論、CAD技術等理論，充分分析煤與瓦斯突出的主要影響因素，并對各個因素進行定量化、標準化處理，從而揭示出各因素之間的相互關系及其對煤與瓦斯突出的影響程度。運用模式識別的理論和方法建立煤與瓦斯突出危險性的評價準則，通過概率運算預測每個待測區域的危險性結果。在此過程中，隨著工作面推進，對可變影響因素進行動態計算，實時預測工作面突出危險性。在理論研究的基礎上，以AutoCAD為開發平臺，通過VBA編程[11]，完成了采煤工作面煤與瓦斯突出危險性動態預測系統的開發。

1.2　工作面煤與瓦斯突出危險性預測方法

工作面煤與瓦斯突出的影響因素有很多，不同的工作面的影響因素也存在著差異，建立有效的判別模式是進行煤與瓦斯突出預測的關鍵。對某一特定工作面，選取n個影響因素進行研究，則n個影響因素就組成了一個n維模糊向量。由于向量中各參數量綱有所差異，因此需要進行標準化處理[12]，如公式(1)：

(1)

各個影響因素的不同組合方式和不同組合個數形成了不同的模式，不同的模式代表著不同的煤與瓦斯突出模型。為了對大量的突出與非突出樣本進行最佳分類判識，需要選取最有效的多因素模式，即從N維特征空間中選取出n維特征，構成多因素特征向量，進行突出與非突出樣本分類，使其平均距離測度最大，即分類效果最明顯。利用基于歐氏距離測度的特征提取方法：

(2)

(3)

J(X*)=maxJ(X)

(4)

用樣本均值向量代替式(2)中的樣本特征值進行計算，便可在N維空間中選取出最能區分突出與非突出模型的n維特征。

不同的工作面，其特征因素數值不同，在n維空間里對應一個特定的位置。如果2個特征因素向量在n維空間里的距離較近，則屬于同一個模式，反之則屬于不同模式。利用人工神經網絡構建模式識別模型，對大量的突出與非突出樣本進行訓練學習(圖1)。

圖1　神經網絡訓練模型Fig.1　Neural network training model

本文選取徑向基函數概率神經網絡作為分類器。若輸入為X，則隱含層輸出為：

y=Ri(X)

(5)

Ri(X)為隱含層節點傳遞函數，沿某種徑向對稱，此處取高斯函數：

(6)

式中:X為輸入向量；ci是與X同維的第i個基函數的中心；σi是第i個基函數的感知變量；‖x-ci‖為歐幾里德范數；m為隱含層感知器單元個數。

輸出層設置一個節點，突出的模式輸出1，不突出的模式輸出0。輸出層采取競爭學習機制，通過不斷反饋、調整隱含層到輸出層的網絡權值ωik，從而確定最優權向量W，以最大概率對輸入的多因素特征向量進行正確分類。

煤與瓦斯突出危險性的判別函數[13]是根據神經網絡訓練的最優結果來判別待識別對象，判別函數如下：

(7)

式中:b為函數偏置項。

由此可以對待識別對象有無突出危險性進行判別，同時為了對突出危險性進行區別描述，可根據預測概率值大小進行合理分級。

1.3　工作面煤與瓦斯突出影響因素的確定

對于不同的礦井、不同的煤層賦存條件、不同的人為工程行為，煤與瓦斯突出危險性存在著很大的差異。結合國內各煤礦煤與瓦斯突出案例，經過特征取值，首先選定了煤層賦存深度、煤厚變化、應力分布、絕對瓦斯涌出量、相對瓦斯涌出量、瓦斯壓力、瓦斯含量、鉆孔瓦斯涌出初速度q和鉆屑量S等9個因素。

礦井的開采活動，引起上覆巖層的移動，打破了原始的應力平衡，圍巖的應力狀態重新分布，達到新的平衡狀態。開采礦井具備發生煤與瓦斯突出等礦井動力災害的區域地質動力環境，與開采活動引起的采動應力相互耦合，導致應力的增加和能量的積聚，從而誘發礦井動力災害，相反，保護層開采、瓦斯抽采、煤層注水、鉆孔卸壓等區域和局部解危措施，使應力和能量緩慢釋放，能夠降低或消除煤層危險性。同時，瓦斯是煤與瓦斯突出發生的物質基礎。瓦斯壓力是突出發生的動力來源之一；瓦斯含量的多少為突出發生提供了必須的物質來源；瓦斯放散初速度是煤層瓦斯解吸及運移規律的直觀反映。在咨詢國內外專家意見的基礎上，我們將采動應力、瓦斯參數動態變化等作為工程活動影響因素。隨著工作面不斷向前推進，以及瓦斯抽采等工程活動的影響，所有待預測單元的采動應力值、瓦斯壓力、瓦斯含量都是在不斷變化的，通過對這些值的動態計算(見1.4節)，結合判別準則，實現工作面煤與瓦斯突出危險性的動態預測。

圖2　煤與瓦斯突出多因素預測流程Fig.2　Multi factor prediction process of coal and gas outburst

A-減壓區；B-增壓區；C-穩壓區；D-極限平衡區；E-彈性區圖3　工作面前方受力狀態與支承應力分區Fig. 3　The stress state and support stress zone of working face

1.4　工程活動影響的突出因素動態計算

1.4.1采動應力計算

根據工作面煤體極限應力平衡狀態(圖3)可建立平衡方程：

m(σx+dσx)-mσx-2σyfdx=0

(8)

式中:m為煤層采高，m；σx為水平應力，MPa；σy為垂直應力，MPa；f為煤層與巖層間的摩擦因素。

由極限平衡條件和支承壓力分區關系[14]可求得垂直應力σy為：

(9)

式中:N0為煤幫的支撐能力，MPa；x為距工作面煤壁的距離，m；φ為內摩擦角，(°)；γ為巖石容重，N/m3；H為煤層賦存深度，m；B為應力增高區范圍，m；σmax為工作面前方最大支承壓力，即x=D的壓力，MPa；D為極限平衡區范圍，m。

1.4.2瓦斯參數計算

隨著瓦斯抽采、風排瓦斯等工程活動的進行，工作面內的瓦斯參數必將發生變化，僅考慮瓦斯抽采的情況下：

(10)

q=q0-Q/A

(11)

式中:Q為鉆孔瓦斯抽采總量，m3；n為抽采鉆孔的個數；qi0為第i個鉆孔的初始瓦斯流量，m3/min；αi為第i個鉆孔的瓦斯流量衰減系數，d-1;t為抽采時間，d；q為瓦斯相對含量,m3/t；q0為瓦斯含量,m3/t；A為鉆孔抽采區域的原煤儲量，t。

瓦斯壓力的計算可根據朗繆爾瓦斯含量計算公式[15]求得：

p=αq2+β

(12)

式中:p為瓦斯壓力，MPa；α,β為關系系數。

2　工作面煤與瓦斯突出危險性動態預測系統

工作面煤與瓦斯突出危險性動態預測軟件系統是基于AutoCAD平臺，應用VBA[11]技術開發，將圖形繪制、圖形管理、模式識別和煤與瓦斯突出預測系統集成在一起。系統由網絡劃分子系統、數據導入子系統、動態計算子系統、危險性預測子系統和危險性分級子系統組成(如圖4)。

圖4　基于AutoCAD的煤與瓦斯突出危險性動態預測系統結構Fig.4　AutoCAD-based coal and gas outburst prediction system structure

各子系統通過數據接口與AutoCAD實現數據通信，系統可方便地調用dwg格式的采掘工程平面圖、瓦斯地質圖等圖形數據，系統后臺數據庫采用Access數據庫進行存儲與管理。運行該系統可得到工作面煤與瓦斯突出危險性數據可視化圖件和區域危險程度分布圖，實現數據的可視化管理，提高預測的準確性和時效性，為了更高效地工作，系統還可以接顯示器、繪圖儀、打印機、掃描儀等外部設備。另外，系統采用Windows標準圖形用戶界面，整個系統具有方便、易用等特點。

3　工程應用

3.1　預測工作面概況

平頂山礦區屬于秦嶺造山帶北緣逆沖推覆構造系高突瓦斯帶和豫西強變形“三軟”煤層高瓦斯帶，瓦斯地質條件復雜。礦區歷史上有記載的煤與瓦斯突出事故156次，平均突出煤量117.2 t/次，平均涌出瓦斯量8633.6 m3/次。其中122次發生在礦區東部八礦、十礦、十二礦、首山一礦，占總次數的78.2%，煤與瓦斯突出區域分布明顯。

十礦己15-24080工作面埋深631～900 m，平均傾角23°，有效走向長度762.5 m，平均斜長215 m，煤層厚度2.1～3.9 m，瓦斯原始含量15.256 m3/t，瓦斯原始壓力1.5 MPa，相對瓦斯涌出量7.8～11.97 m3/t，絕對瓦斯涌出量4.47～8.8 m3/min，工作面內有4個斷層。工作面開采過程中，原巖應力16.8 MPa，應力峰值47.3 MPa。

3.2　工作面預測結果及分析

分別對十礦己15-24080工作面自然狀態、瓦斯抽采過后以及工作面推進到停采線附近等幾種情況進行了危險性預測，預測結果以突出危險性概率值大小生成概率預測圖，當然，危險性的等級可以根據工程實際情況進行適度調整和劃分。

1)十礦己15-24080工作面自然狀態下預測結果：十礦己15-24080工作面自然狀態下預測出概率值多數在0.6～0.92之間(如圖5)，幾乎所有的區域為危險區，必須采取相應的解危措施，與實際情況具有較好的一致性。

2)十礦己15-24080工作面抽采后預測結果：十礦己15-24080工作面抽采后危險性概率值多數在0.32～0.56之間，少數概率值在0.75～0.89之間 (如圖6)。由此可以看出，經過瓦斯抽采措施之后，煤與瓦斯突出危險性明顯降低；但有一少部分區域可能受構造異常、瓦斯抽采效果不理想等因素的影響，仍然具有較高的突出危險性，還應該加強抽采措施進行強化抽采，消除突出危險后方可作業。當回采到這些區域時，還應該注意采取其他措施，加強監測檢驗，提高安全防護效果。

3)十礦己15-24080工作面回采到停采線時預測結果：采煤工作面推進過程中，受采動影響會導致工作面前方應力集中，考慮到瓦斯抽采和風排瓦斯的影響，煤體中殘余瓦斯壓力可能存在局部不均勻的現象，同時由于開采過程中對局部構造進行處理等措施都會導致煤體中各個參數的變化。通過“動態計算子系統”可以根據工作面推進至任意位置時的參數變化情況進行計算，從而利用“危險性預測子系統”動態預測回采過程中工作面的突出危險性情況。十礦己15-24080工作面回采到停采線時工作面前端

圖5　十礦己15-24080工作面自然狀態危險性預測Fig.5　The natural state risk prediction chart of ten mineral Ji15-24080

圖6　十礦己15-24080工作面抽采后危險性預測Fig.6　The extracted risk prediction chart of ten mineral Ji15-24080

圖7　十礦己15-24080工作面回采到停采線時危險性預測Fig.7　Mining face to the stop line the risk prediction chart of ten mineral Ji15-24080

的危險性概率值在0.34～0.75之間 (如圖7)，在停采線附近的突出危險性明顯升高，結合實際工作面情況得出，這是由于停采線附近工作面頂板懸空面積增大，且圍巖應力受到底部聯絡巷影響，使得工作面前方支承應力較平常水平更加提高。當工作面推進到停采線附近時要特別注意加強支護，防止動力災害的發生。

3.3　工作面突出危險性預測效果檢驗

將平頂山十礦己15-24080工作面的煤與瓦斯突出預測結果與實際情況進行了比較。在工作面進行瓦斯預抽時，多處位置伴有鉆孔噴孔現象，整個區域瓦斯含量都較高。距開切眼210～330 m范圍內，煤層厚度變化范圍為2.2～3.9 m，煤層起伏較大，危險性預測概率值為0.54～0.75。距開切眼650 m處，鉆孔時發生頂鉆現象，瓦斯壓力達到0.69 MPa，預測概率值為0.63～0.87。經檢驗，煤與瓦斯突出危險性預測結果總體趨勢與己15-24080工作面實際情況有較好的一致性，對工作面安全生產工作具有良好的指導作用。

4　結論

1)在影響煤與瓦斯突出的客觀因素基礎上，充分考慮人類工程活動的影響，基于模式識別理論和概率預測方法，形成工作面煤與瓦斯突出危險性預測方法。

2)運用VBA編程技術開發了采煤工作面煤與瓦斯突出危險性動態預測系統，系統界面采用windows標準用戶界面，可操作性強，實現了對工作面煤與瓦斯突出危險性分單元動態預測，預測結果以dwg格式的圖形文件形式呈現，很好的與礦上基礎地質圖件相對應，實現了煤與瓦斯突出危險性預測的可視化管理。

3)成功地預測了平頂山十礦己15-24080工作面煤與瓦斯突出危險性，預測結果與現場實際情況有較好的一致性，能夠為煤與瓦斯突出的防治工作提供技術支撐。

[1]朱志潔,張宏偉,韓軍,等. 基于PCA-BP神經網絡的煤與瓦斯突出預測研究[J]. 中國安全科學學報,2013,23(4):45-50.

ZHU Zhijie, ZHANG Hongwei, HAN Jun,et al. Prediction of coal and gas outburst based on PCA-BP neural network[J]. China Safety Science Journal,2013,23(4):45-50.

[2]念其鋒, 施式亮, 李潤求. 基于網絡分析和聯系熵的煤與瓦斯突出預測研究[J]. 中國安全生產科學技術,2014(2):22-27.

NIAN Qifeng, SHI Shiliang, LI Runqiu. Study on coal and gas outburst prediction based on analytic network process and connection entropy[J]. Journal of Safety Science and Technology, 2014(2):22-27.

[3]宋衛華,張宏偉. 礦井煤與瓦斯突出危險性預測的模式識別研究[J]. 安全與環境學報, 2006,6(S): 90-92.

SONG Weihua, ZHANG Hongwei. Pattern recognition of coal and gas outburst fatalness prediction in mines [J].Journal of Safety and Environment, 2006,6(S): 90-92.

[4]曲方,張龍,李迎業,等. 基于BP神經網絡的煤與瓦斯突出預測系統開發[J]. 中國安全科學學報,2012(1):11-16.

QU Fang, ZHANG Long, LI Yingye, et al. Development of coal and gas outburst prediction system based on BP neural network [J]. China Safety Science Journal, 2012(1):11-16.

[5]楊飛龍,蔣承林,孫鑫,等. 煤與瓦斯突出影響因素評價分析的模糊層次分析方法[J]. 中國安全生產科學技術,2009(6):53-56.

YANG Feilong, JIANG Chenglin, SUN Xin, et al. Evaluation and analysis on influential factors of coal and gas outburst based on fuzzy analytic hierarchy process[J].Journa1 of Safety Science and Technology, 2009(6):53-56.

[6]張子戌,劉高峰,呂潤生,等. 基于模糊模式識別的煤與瓦斯突出區域預測[J]. 煤炭學報,2007(6):592-595.

ZHANG Zixu, LIU Gaofeng, LV Runsheng,et al. Regional forecast of coal and gas burst based on fuzzy pattern recognition[J]. Journal of China Coal Societ, 2007(6):592-595.

[7]沈志偉,王恩元,鈕月. 基于突變級數法的煤與瓦斯突出危險性預測[J].工礦自動化,2015,21(5):29-32.

SHEN Zhiwei,WANG Enyuan, NIU Yue. Prediction of coal and gas outburst basedOncatastrophe progression method[J]. Industry and Mine Automation,2015,21(5):29-32.

[8]皮子坤, 賈寶山, 賈廷貴, 等. 煤與瓦斯突出預測綜合指標F臨界值研究[J]. 中國安全生產科學技術,2015(9):38-44.

PI Zikun, JIA Baoshan, JIA Tinggui, et al. Study on critical value of comprehensive index F for coal and gas outburst prediction[J]. Journal of Safety Science and Technology, 2015(9):38-44.

[9]郭德勇,鄭茂杰,郭超, 等. 煤與瓦斯突出預測可拓聚類方法及應用[J]. 煤炭學報,2009(6):783-787.

GUO Deyong,ZHENG Maojie,GUO Chao, et al. Extension clustering method for coal and gas outburst prediction and its application[J]. Journal of China Coal Societ, 2009(6):783-787.

[10]牟全斌. 我國煤與瓦斯突出區域預測方法研究現狀及展望[J]. 煤炭科學技術,2014(11):59-63.

MOU Quanbin. Research status and Prospect of coal and gas outburst region prediction method in China[J]. Coal science and technology, 2014(11):59-63.

[11]張帆,鄭立凱,盧擇臨,等. AutoCAD VBA 二次開發教程[M]. 北京: 清華大學出版社,2006.

[12]陳振華,余永權,張 瑞.模糊模式識別的幾種基本模型研究[J].計算機技術與發展,2010,20(9):32-35.

CHEN Zhenhua, YU Yongquan, ZHANG Rui. Research on several models of fuzzy pattern recognition problems[J].Computer Technology and Development, 2010,20(9):32-35.

[13]段旭琴, 丁照忠, 段健, 等. 多級模糊模式識別模型在評價高爐噴吹混煤中的應用[J]. 煤炭學報,2011,36(10):1748-1752.

DUAN Xuqin, DING Zhaozhong, DUAN Jian, et al. Application of multi-classification fuzzy pattern recognition model in blast furnace injection assessment of blended coal[J]. Journal of China Coal Societ,2011, 36(10):1748-1752.

[14]錢鳴高,石平五,許家林. 礦山壓力與巖層控制[M]. 徐州：中國礦業大學出版社,2010.

[15]林柏泉,張建國. 礦井瓦斯抽放理論與技術[M]. 徐州：中國礦業大學出版社,2007.