基于綜合指數法及BP神經網絡模型的礦壓顯現程度分析

周向文,楊亞威,楊永康

(1.中煤大同能源有限公司塔山煤業有限責任公司,山西 大同 037000; 2.太原理工大學 采礦工藝研究所,太原 030024)

1 工程概況

中煤大同能源有限公司塔山煤礦位于大同市南郊區口泉鄉上窩寨村北,設計能力為300萬t/a,現階段主采5(3-5)#煤層。礦井采用平硐、斜井開拓方式,現有一個主平硐、一個副平硐、一個回風斜井,屬特厚煤層,采用綜采放頂煤開采,5#煤煤層平均埋深約為450 m。根據已施工鉆孔揭露巖性情況統計,5(3-5)#煤層頂板以直接頂分布為主,僅在20號鉆孔分布有偽頂,偽頂巖性為泥巖,其厚度為0.65 m。直接頂:礦區內普遍分布,巖性主要為砂質泥巖、炭質泥巖、高嶺質泥巖及泥巖,其厚度在1.14～5.62 m之間。老頂:主要分布在002、1701號鉆孔附近,巖性為中粒砂巖及粗粒砂巖,其厚度分別為4.56 m及5.43 m。底板:巖性以砂質泥巖、粉砂巖為主,僅在白20、002號鉆孔附近巖性為細粒砂巖。由于同井田的礦井發生過沖擊地壓現象,為確保塔山煤礦3-5#煤層一采區的安全開采,本文就其沖擊危險性展開研究。

2 基于指數法的沖擊危險性評價

用綜合指數法分析已發生的大量沖擊地壓案例,分離出相應的地質與開采技術條件對沖擊地壓的影響程度,確定各種因素的影響權重,依據具體的工程地質條件,通過工程類比法建立沖擊地壓危險性評價和預測的體系[1-2]。沖擊地壓影響因素較多,總體上可以分成自然的、技術的和組織管理方面的因素,其關系如圖1所示。

圖1 沖擊地壓影響因素分類Fig.1 Influential factor classification of rock burst

綜合指數法將以上因素分為地質因素和開采技術因素分別進行評價[3],然后依據兩者中較大的值確定沖擊危險性。根據塔山煤礦3-5#煤層一采區詳細的地質和開采技術條件,采用綜合指數法確定的地質因素和開采技術影響下的沖擊地壓危險指數如表1、表2所示。表中Wt1、Wt2分別表示地質因素和開采技術因素的綜合指數；Wi代表各個因素對應的評價指數；Wimax表示該因素評價指數的最大值,各個因素評價指數的最大值均為3。沖擊地壓危險等級劃分標準如表3所示。

表1 地質因素確定的沖擊地壓危險指數表Table 1 Rock burst risk index determined by geological factors

地質因素的綜合指數計算公式:

(1)

將表1所示塔山煤礦3-5#煤一采區的地質影響因素的具體參數代入式(1)計算可得,地質因素的綜合指數Wt1=0.238。

表2 開采技術條件影響下的沖擊地壓危險指數Table 2 Rock burst risk index under the influence of mining technology

開采技術因素的綜合指數計算公式:

(2)

將表2所示塔山煤礦3-5#煤一采區的開采技術影響因素的具體參數代入式(2)計算可得,地質因素的綜合指數Wt2=0.242。

表3 沖擊地壓危險綜合指數劃分危險等級表Table 3 Risk classification with comprehensive index of rock burst

綜合以上計算,塔山礦3-5#煤層一采區沖擊危險綜合指數為:

Wt=max{Wt1,Wt2}=max{0.238,0.242}=0.242 .

(3)

根據表3中所列的綜合指數劃分沖擊危險等級,可得中煤塔山煤礦3-5#煤層一采區沖擊危險等級綜合指數為0.242,整體無沖擊危險性。

3 運用BP神經網絡模型的礦壓顯現程度分析

根據3-5#煤層一采區沖擊危險性評價結果,該區域整體上無沖擊危險性。在不同的區域,影響沖擊危險的因素有所不同,雖然發生沖擊地壓的可能性非常小,但是某些區域受到的不利影響因素較多。工作面回采期間礦壓顯現較劇烈,需要對不同區域的礦壓顯現劇烈程度進行分析。采煤工作面和回采巷道內礦壓顯現程度是受多種因素影響的復雜問題,基于綜合指數法分析結果,塔山煤礦3-5#煤層一采區影響礦壓顯現程度的主要因素有:開采深度、頂板巖層厚度參數、煤的彈性能量指數、工作面距上保護層開采遺留煤柱的水平距離、工作面與臨近采空區的關系、工作面長度、區段煤柱寬度和是否存在落差大于3 m的斷層。其中，煤的彈性指數整個采區不變,因此在進行礦壓顯現長度劃分時不再考慮。

3.1 BP神經網絡的建立

BP神經網絡預測模型一般分為輸入層、隱藏層和輸出層[4-5]。數據由輸入層輸入,經過隱藏層處理后由輸出層輸出。若經過隱藏層處理后的數據不能夠滿足網絡模型模擬設定的預期效果,將通過誤差的反饋網絡自動對數據的運算進行修正,重復誤差反向傳輸的步驟重新模擬計算,直至運算結果達到精度要求為止。其詳細的計算過程如圖2所示。

BP神經網絡模型的關鍵設定包括網絡層數和各層節點數,網絡層數中輸入層和輸出層是固定的,屬于單層結構。隱藏層為多層結構,本次構建的模型輸入層為影響工作面和回采巷道礦壓顯現程度的7個因素。輸出層為強礦壓、中等礦壓、弱礦壓三個礦壓現場程度分級。隱藏層的節點數對于所建模型的計算精準度有著重要影響,根據相關的研究結果,3層結構的神經網絡其隱藏層節點數目為 2N+1,故本次模型隱藏層節點數為15個。

圖2 三層神經網絡拓撲結構Fig.2 Three-layer neural network topology

3.2 樣本的處理

根據塔山煤礦3-5#煤層一采區以往工作面回采期間礦壓顯現的實際情況,獲得12個樣本,輸入層的7個因素中埋深、工作面長度、區段煤柱寬度、頂板堅硬巖層厚度參數根據實際情況取值,埋深為430.63～452.91 m,工作面長度180～240 m,區段煤柱寬度15～30 m;工作面與臨近采空區的關系、工作面距上保護層開采遺留煤柱的水平距離、是否存在落差大于3 m的斷層、頂板堅硬巖層厚度四個參數需要進行數量化處理,具體的數值選取如表4所示；礦壓顯現程度強礦壓、中等礦壓、弱礦壓三種等級分別用(1 0 0)、(0 1 0)、(0 0 1)表示。為了模型的快捷運算,將數據進歸一化處理,處理后的數據范圍在[0,1],歸一化公式為[6-7]:

(4)

式中:qn為各個參數歸一化后的數值;Qn為樣本對應參數的初始值;Qmax和Qmin為各個參數取值的上限和下限。由于篇幅所限,12個樣本參數歸一化后的詳表不再給出。

3.3 模型的訓練及驗證

Matlab軟件工具箱中已有許多經典的神經網絡框架和函數,建模過程得到了簡化,僅需根據不同功能模塊的適用范圍、優缺點及研究問題的特點,選擇合適的計算函數。進行網絡訓練時所選的函數、算法以及訓練參數如表5所示,訓練過程如圖 3 所示。

表4 礦壓顯現程度影響因素數值選取Table 4 Numerical selection of influential factors for strata pressure behavior

表5 訓練函數及參數Table 5 Training functions and parameters

圖3 神經網絡訓練過程Fig.3 Training process of neural network

網絡訓練結束后,利用11和12號樣本數據進行驗證,測試結果如表6所示。根據檢驗數據可知,該神經網絡可根據具體的地質和開采技術條件,對礦壓顯現程度進行預測,精度能夠達到生產實際活動的需要。

表6 樣本驗證結果Table 6 Sample verification results

3.4 一采區礦壓顯現強度區域劃分

采用上述方法對塔山煤礦3-5#煤層一采區礦壓現場程度進行預測,數據取值點間距為5 m,得到研究區域礦壓顯現程度劃分結果，見圖4。一采區大部分區域為弱礦壓,孤島工作面切眼和巷道內存在出現強礦壓的可能,斷層較為發育的區域通常為中等礦壓顯現區域。

圖4 3-5#煤層一采區沖擊危險區域劃分結果Fig.4 Division of rock burst risk zone in No.1 mining area of 3-5# coal seam

4 結束語

本文以中煤集團塔山煤礦3-5#煤層一采區沖擊危險性及礦壓顯現程度分析預測為目標,通過現場調研、理論分析計算,以及綜合指數法等對整個采區的沖擊危險性進行評價。研究表明,一采區整體為無沖擊危險性,影響工作面和回采巷道礦壓顯現程度的主要因素有包括:開采深度、頂板巖層厚度參數、工作面距上保護層開采遺留煤柱的水平距離、工作面與臨近采空區的關系、工作面長度、區段煤柱寬度、是否存在落差大于3 m的斷層。運用BP神經網絡手段,建立礦壓顯現程度的預測模型,對整個采區礦壓顯現的劇烈程度進行劃分,對于指導礦井生產過程中礦壓的預防、支護措施的制定及礦井的安全生產具有重要的現實意義。