煤礦瓦斯爆炸災害風險評價與預測

高玉翠

摘 ? 要：煤礦瓦斯爆炸災害的發生，對人員安全及工程進度造成了嚴重的影響。基于煤礦瓦斯爆炸風險評價的重要性，根據文獻調查和專家評價方法建立了煤礦瓦斯爆炸災害風險評價體系，采用了物元分析法和層次分析法（AHP）進行合成確定指標權重。以BP神經網絡作為評價工具，構建瓦斯爆炸災害綜合評價預測模型。以某煤礦為例，基于物元分析和AHP的BP神經網絡評價模型預測誤差最大不到4%，評價結果符合專家思維。結果表明：煤礦瓦斯爆炸災害風險評價模型準確性高實用性強，具有重要的參考價值和借鑒意義。

關鍵詞：瓦斯爆炸 ?物元分析法 ?層次分析法 ?BP網絡 ?風險評價

中圖分類號：X936 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）02（c）-0242-06

在煤礦安全生產中，瓦斯是最重要的危害因素之一。我國現存大量瓦斯礦井，伴隨著開采深度的增加，高強度機械化作業以及集約化的生產方式，瓦斯涌出量急劇增加，煤礦爆炸災害風險也隨之加劇，瓦斯防治異常困難[1]。煤礦瓦斯不僅在施工中會危及煤礦施工的安全，影響進度，而且一旦采取的措施不當，還會出現一系列的問題，給人們的日常生活造成極大的損失。因此，有必要對煤礦瓦斯爆炸災害風險進行評估。

目前用于評價煤礦瓦斯安全常用的傳統方法有灰色評價法、模糊綜合評價法、層次分析法等，但這些方法在實際應用中常受認識上的模糊性、評價人員的主觀性、評價過程隨機性等多種因素的影響，而且使用單一的評價方法，難以反映煤礦瓦斯爆炸災害風險評價結果的準確性和客觀性。因此，需要引用更加準確客觀的評價方法，如組合式的評價方法，安永林等將可拓學理論與簡單關聯函數結合，進行了瓦斯爆炸易發性評估[2]，屈娟等運用模糊數學與AHP法進行危險性評估[3]，施式亮等運用灰色聚類與AHP法進行了事故演化危險性風險評估[4]等。還有一些采用了較為新穎的方法，如李潤求等建立了IAHP-ECM和PSO-SVM風險評估模型[5-6]，謝國民建立了FOA-SVM風險識別模式[7]等，這些都豐富了煤礦瓦斯防治技術研究。但是采用這些評價方法進行評價時數據的初期采集和整理仍然具有較強的主觀性。因此，本文以物元分析法與AHP進行有機結合確定指標權重，利用BP神經網絡[8-9]建立煤礦瓦斯爆炸災害風險評估模型，該模型能夠從理論上解決AHP權重確定的主觀性和片面性，使評價方法更為科學，為煤礦瓦斯爆炸災害預測與治理提供了依據。

1 ?綜合評價方法

1.1 構造層次分析結構

本文參照國內有關煤礦瓦斯災害分析的相關成果，結合煤礦瓦斯具體工程實踐，建立了煤礦瓦斯爆炸災害評價指標模型。模型評價總目標為煤礦瓦斯爆炸災害風險，其準則層由固有危險源、誘發危險源、人的因素構成。為了便于分析，量化各指標，易于操作，根據實際情況依次選擇了對應三大準則層的對應指標。共計16個指標作為煤礦瓦斯爆炸災害風險評估的基礎[10-12]，具體見圖1。

1.2 物元分析法

2 ?應用實例

根據前面確定的煤礦瓦斯爆炸風險層次結構，本文結合前人研究結果，通過咨詢國內6位相關資深專家，建立判斷矩陣。首先對準則層建立如下判斷矩陣：

經過一致性檢驗后計算得出各指標權重構造復合物元R。

根據式（2）-（4）確定的經典域物元、節域物元及待測物元，關聯函數復合物元RO及專家效度物元，根據式（5）得指標權重物元

同理可得各指標層權重，如表1。

根據表1中得出的各影響因素的指標權重，可知其中煤層瓦斯含量（X1）、煤層厚度（X2）、煤層埋藏深度（X3）、通風系統（X7）、瓦斯抽風率（X8）、設備安全可靠性（X11）、措施規范執行水平（X12）、管理人員安全技術水平（X14）及安全投入（X15）對瓦斯爆炸的影響最為顯著，本文將基于這九個因素與瓦斯爆炸之間的關系為基礎建立BP神經網絡模型。

選取某礦的統計數據作為樣本[12，16]，其中定量指標數值直接獲取，定性指標數值由專家打分獲取。通過分析可知X1、X3為極小型指標，其余為極大型指標。根據瓦斯涌出量越小越安全原則，通過公式（6）變換將極大型指標轉化為極小型指標后，將原始數據根據公式（8）進行標準化處理，計算綜合風險評價結果，見表2。

根據煤礦瓦斯爆炸災害評價指標，確定9個神經網絡輸入層節點，1個輸出層節點，即可得到評價結果。隱含層函數和輸出層函數選取Sigmoid變換函數，并反復試驗，選取19個隱含層節點。表2中的前14組數據為學習樣本，用以訓練神經元連接權值，學習精度，勢態因子α=0.8，學習速率為0.1，后4組數據作為檢驗樣本。經過1211次學習后，其學習結果見表3。

訓練結束后，校驗數據分別輸入練好的BP網絡，得出風險等級排序結果見表4。

從表3看出本次訓練的BP神經網絡收斂，穩定性較好，模擬精度較高。從表4中可以看出，利用模型的輸出值與期望值之間的誤差可控制在4%以內，煤礦瓦斯風險性與專家排序一致，表明運用BP神經網絡預測評價煤礦瓦斯爆炸安全性，誤差可控、方法可行。將訓練好的網絡保存后，今后對其他煤礦瓦斯安全性進行跟蹤評價，只需要輸入待評價指標值，就可獲得動態綜合評價結果。

3 ?結語

（1）考慮到煤礦瓦斯環境的特殊性及煤礦瓦斯爆炸災害各種影響因素，本文將物元分析法，層次分析法，BP神經網絡三種方法進行集成，構建了基于物元分析和AHP的BP神經網絡的煤礦瓦斯風險評價模型，利用AHP與物元分析確定權重方面的優勢來確定煤礦瓦斯安全評價指標的權重，修正了單一AHP法確定權重地片面性，確保了風險模型評價的科學性與正確性。

（2）該模型能夠系統評價煤礦瓦斯爆炸風險高低，根據模型評價結果，對評價風險較高的，可以提前做好措施，改進施工工藝，減小瓦斯爆炸災害造成的損失。

（3）文中將AHP與物元分析和BP神經網絡縱向結合，構建集成模型應用于煤礦瓦斯爆炸預測與評價中，該集成模型能夠準確預測各指標因素對煤礦瓦斯爆炸的影響程度，具有廣泛的應用推廣價值。

參考文獻

[1] 李潤求，施式亮，念其鋒，等.近10年我國煤礦瓦斯災害事故規律研究[J].中國安全科學學報，2011，21（9）：143-151.

[2] 安永林，彭立敏，張運良，等.可拓法評估煤礦瓦斯爆炸易發性[J].災害學，2007，22（4）：21-24.

[3] 屈娟，田水承，從常奎，等.基于AHP的煤礦瓦斯爆炸事故危險性分析與評價[J].礦業安全與環保，2008，3（4）：77-79.

[4] 施式亮，李潤求.煤礦瓦斯爆炸事故演化危險性評價的AHP-GT模型及應用[J].煤炭學報，2010（7）：16.

[5] 李潤求，施式亮，念其鋒，等.基于IAHP-ECM的瓦斯爆炸災害風險評估[J].中國安全科學學報，2013（3）：62-67.

[6] 李潤求，施式亮，念其鋒，等.基于PSO-SVM的煤礦瓦斯爆炸災害風險模式識別[J].中國安全科學學報，2013， 23（5）：38-43.

[7] 謝國民，單敏柱，付華.基于FOA-SVM的煤礦瓦斯爆炸風險模式識別[J].控制工程，2018，25（10）：1859-1864.

[8] 江時雨，陳建宏，李濤，等.水下隧道涌水災害風險評價與預測[J].中國安全科學學報，2013，23（12）：101-106.

[9] 邱冠豪，吳超，江時雨，等.金屬礦井熱害評價體系與評價方法[J].中國安全生產科學技術，2014，10（12）：46-50.

[10]黃冬梅.基于危險源理論的煤礦瓦斯預警管理系統研究[D].山東科技大學，2008.

[11]曹樹剛，王艷平，劉延保，等.基于危險源理論的煤礦瓦斯爆炸風險評價模型[J].煤炭學報，2006，31（4）：470-474.

[12]陳連軍，粟才全.礦井瓦斯涌出量的徑向基函數網絡預測模型[J].山東科技大學學報：自然科學版，2009（4）：22.

[13]夏小剛.AHP法在確定地表變形因素權重中的應用[J]. 西安科技大學學報，2008，28（2）：244-248.

[14]馬榮國，楊申琳.基于物元分析的AHP確定指標權重方法[J].長安大學學報：自然科學版，2003，23（5）：117-119.

[15]楊鄭.基于AHP和BP神經網絡的煤礦安全評價方法研究[J].中州煤炭，2012（10）：5-7.

[16]彭程，潘玉民.粒子群優化的RBF瓦斯涌出量預測[J].中國安全生產科學技術，2011，7（11）：77-81.