寸草塔煤礦回采工作面上隅角瓦斯涌出濃度預測研究

陳 帥

(神東煤炭集團開拓準備中心，內蒙古 鄂爾多斯 017000)

0 引言

瓦斯事故是煤礦的重大災害和安全隱患之一，在煤炭開采過程中，由于回采工作面上隅角位于煤壁和采空區(qū)的側區(qū)，風流速度較低，局部處于渦流狀態(tài)，渦流使采空區(qū)中涌出的瓦斯很難流入到主回風流中，導致上隅角瓦斯極易超限[1]。因此，上隅角瓦斯的治理是煤礦瓦斯治理中的重中之重。回采工作面上隅角的瓦斯?jié)舛鹊某蓿瑸槊旱V的安全生產(chǎn)帶來重大的事故隱患[2]，準確預測回采工作面上隅角的瓦斯?jié)舛龋苊庠谕咚咕C合防治中存在盲目性，做到經(jīng)濟、有效和有預見性，一直是煤礦瓦斯瓦斯治理工作中的重點和難點[3]。

國內的眾多學者對回采工作面上隅角的瓦斯?jié)舛冗M行了預測，如馬云歌[3]等利用灰色預測模型采用時序法對回采工作面上隅角的瓦斯?jié)舛冗M行了預測；劉見中[4]通過歸納影響回采工作面上隅角瓦斯?jié)舛鹊?個相關影響因素，利用BP神經(jīng)網(wǎng)絡模型對回采工作面上隅角的瓦斯?jié)舛冗M行了預測；劉斌[5]利用最小二乘法對上隅角瓦斯?jié)舛鹊淖兓?guī)律進行了分析，并得出了上隅角瓦斯?jié)舛扰c工作面產(chǎn)量和工作面風量之間的相關性。盡管上隅角瓦斯?jié)舛鹊念A測已經(jīng)有了許多研究成果，但是上述研究僅僅是針對上隅角平均瓦斯?jié)舛鹊念A測，而寸草塔煤礦22301回采工作面的上隅角的每日平均瓦斯?jié)舛忍幱谳^低范圍內，并且遠遠低于每日最大瓦斯?jié)舛染担虼耍斜匾獙?2301回采工作面上隅角每日最大瓦斯?jié)舛冗M行預測，從而得到上隅角瓦斯?jié)舛鹊漠惓Ｖ担员悴扇∠鄳纳嫌缃峭咚怪卫泶胧乐雇咚贡ǖ戎卮笫鹿实陌l(fā)生。

1 寸草塔煤礦及22301工作面基本情況

神東寸草塔井田位于內蒙古自治區(qū)鄂爾多斯市境內，行政區(qū)劃隸屬鄂爾多斯市伊金霍洛旗布爾臺鄉(xiāng)。寸草塔煤礦采用抽出式通風方法，通風方式為中央并列式通風，礦井采用兩進一回：主斜井及輔平硐同時進風，由1#、2#回風平巷集中回風。

22301工作面為三盤區(qū)首采工作面，位于三盤區(qū)輔運大巷西南，井田邊界以北，三盤區(qū)邊界以西，11302工作面以東。煤炭可采儲量403萬t。工作面煤層底板標高1 003～1 031 m，煤層傾角1°～3°，平均1°左右，煤層厚度為2.4～3.2 m，平均厚度2.58 m。工作面設計走向長度為3 916 m，傾向長度為300 m，設計采高2.58 m。22301運輸順槽設計斷面為5.4 m×2.8 m，回風順槽為5.4 m×3.2 m。四鄰除11302工作面回采完畢以外，其余鄰區(qū)均未開采。22301工作面平面位置如圖1所示。

圖1 22301工作面位置示意圖

利用瓦斯監(jiān)測監(jiān)控系統(tǒng)對22301工作面上隅角瓦斯?jié)舛冗M行監(jiān)測，并采集了2018年3月份共31 d的上隅角瓦斯?jié)舛葦?shù)據(jù)，通過對現(xiàn)場監(jiān)測數(shù)據(jù)分析，得到了圖2和圖3所示的每日上隅角平均瓦斯?jié)舛群妥畲笸咚節(jié)舛取Ｓ蓤D2可以發(fā)現(xiàn)寸草塔煤礦22301工作面上隅角每日平均瓦斯?jié)舛茸兓容^穩(wěn)定，瓦斯?jié)舛染陀?.08%，瓦斯?jié)舛忍幱诒容^合理的范圍內；由圖3可以發(fā)現(xiàn)寸草塔煤礦22301工作面上隅角每日最大瓦斯?jié)舛冉^大多是低于0.4%，處于比較安全的范圍內，但是每日最大瓦斯?jié)舛冗h遠大于每日平均瓦斯?jié)舛龋坏┥嫌缃峭咚節(jié)舛瘸蓿瑯O易給礦井的安全生產(chǎn)造成重大的破壞。因此，有必要利用工作面相關指標參數(shù)對寸草塔煤礦22301工作面上隅角瓦斯最大濃度進行預測，文中采用BP神經(jīng)網(wǎng)絡對工作面上隅角瓦斯最大濃度進行預測。

圖2 2018年3月份22301工作面上隅角每日瓦斯平均濃度

圖3 2018年3月份22301工作面上隅角每日瓦斯最大濃度

2 BP神經(jīng)網(wǎng)路預測工作面上隅角瓦斯?jié)舛?/h2>

2.1 BP神經(jīng)網(wǎng)絡相關理論

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，該網(wǎng)絡的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞過程中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉入反向傳播，根據(jù)預測誤差調整網(wǎng)絡權值和閾值，從而使BP神經(jīng)網(wǎng)絡預測輸出不斷逼近期望輸出。BP神經(jīng)網(wǎng)絡的拓撲結構如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡拓撲結構圖

圖4中，x1，x2，…，xn是BP神經(jīng)網(wǎng)絡的輸入值，y1，y2，…，ym是BP神經(jīng)網(wǎng)絡的預測值，wmn和vpm是BP神經(jīng)網(wǎng)絡的權值。從圖4中可以看出，BP神經(jīng)網(wǎng)絡可以看成一個非線性函數(shù)，網(wǎng)絡輸入值和預測值分別為該函數(shù)的自變量和因變量。當輸入節(jié)點數(shù)為n、輸出節(jié)點數(shù)為p時，BP神經(jīng)網(wǎng)絡就表達了從n個自變量到p個因變量的映射關系。

2.2 BP神經(jīng)網(wǎng)絡預測過程

樣本數(shù)據(jù)的選取：在煤炭開采過程中，回采工作面上隅角的瓦斯?jié)舛鹊淖兓艿蕉喾N因素的影響，但是瓦斯涌出量、工作面風量、瓦斯抽放量和抽放負壓等因素對其影響最為顯著[6]。因此，文中采用瓦斯涌出量、抽放負壓、瓦斯抽放量和工作面風量4種指標對回采工作面上隅角每日瓦斯最大濃度進行預測，采集了相關影響因素的具體數(shù)值，并以此作為BP神經(jīng)網(wǎng)絡的訓練樣本，見表1。

BP神經(jīng)網(wǎng)路參數(shù)模型的設置：利用MATLAB編寫相關程序，對回采工作面上隅角每日最大瓦斯?jié)舛冗M行預測。在BP神經(jīng)網(wǎng)絡訓練過程中，選取不同的激活函數(shù)其訓練效果是不同的，MATLAB中有Traingd、Traningdm和Traingdx三種激活算法可供選擇，因為Traingdm為動量自適應梯度算法且訓練速度較快[7]，所以文中選擇Traingdm激活算法。

BP神經(jīng)網(wǎng)絡結構主要包括隱含層數(shù)、輸入層節(jié)點、輸出層節(jié)點以及隱含層次的節(jié)點數(shù)。隱含層層數(shù)在選擇的時候主要考慮的是訓練時間和網(wǎng)絡精度，對于較簡單的映射關系，可以選擇單隱含層網(wǎng)絡，提高訓練速度；對于復雜的映射關系，則可以選擇多隱含層，提高網(wǎng)絡的預測精度。三層BP神經(jīng)網(wǎng)絡在隱含層節(jié)點數(shù)足夠多的情況下，具備模擬任意復雜的非線性映射的能力，可以解決大多數(shù)非線性問題，被廣泛運用[8-10]，故文中選擇三層BP神經(jīng)網(wǎng)絡。輸入層節(jié)點數(shù)為所選擇的4項指標，輸出節(jié)點為回采工作面上隅角每日最大瓦斯?jié)舛取ＴO置最大訓練步數(shù)epochs為5 000步，學習期望誤差goal為0.001，學習速率lr選取0.1。

表1 神經(jīng)網(wǎng)絡訓練樣本數(shù)據(jù)

2.3 預測結果及誤差分析

為了對BP神經(jīng)網(wǎng)絡模型的預測結果進行驗證，通過采集2018年4月1日—4月10日共10 d的22301回采工作面上隅角每日最大瓦斯?jié)舛群陀绊懟夭晒ぷ髅嫔嫌缃峭咚節(jié)舛葦?shù)據(jù)，利用所建立的BP神經(jīng)網(wǎng)絡模型對上隅角每日最大瓦斯?jié)舛冗M行預測，具體的預測結果和誤差分析見表2。

表2 BP神經(jīng)網(wǎng)絡模型與實測數(shù)據(jù)誤差分析

由表2可知，預測結果與實測數(shù)據(jù)比較接近，大部分預測數(shù)據(jù)的相對誤差均小于10%，平均相對誤差小于10%，預測結果比較可靠。由此可知，文中所建立的BP神經(jīng)網(wǎng)絡預測模型可以應用于寸草塔煤礦22301回采工作面上隅角每日最大瓦斯?jié)舛鹊念A測。

3 結論

(1)寸草塔煤礦22301回采工作面上隅角每日平均瓦斯?jié)舛群兔咳兆畲笸咚節(jié)舛染幱谳^低范圍內，并且每日最大瓦斯?jié)舛冗h遠大于每日平均瓦斯?jié)舛取?/p>

(2)利用BP神經(jīng)網(wǎng)絡建立22301回采工作面上隅角每日最大瓦斯?jié)舛阮A測模型，通過誤差分析證明預測模型的預測精度比較準確。