基于BP神經網絡的煤自燃傾向性預測
——以唐山礦及荊各莊礦為例

王福生，張志明，董憲偉

(1.華北理工大學 礦業工程學院，河北 唐山 063210；2.河北省礦業開發與安全技術實驗室，河北 唐山 063210)

0 引言

礦井災害事故對人民的生命財產安全造成了巨大威脅，事故起源以煤的自燃發火居多。煤的自燃傾向性是煤的固有屬性。煤本身的復雜性致使科研難度較大、未知領域較多[1]，科研人員對此研究不斷深入：鄧軍等[2]建立了礦井溫度預測的PSO-SVR模型用于判別煤自燃溫度；王福生等[3]通過進行復采與原生煤樣的實驗發現官能團差異導致的煤自燃能力的不同；王海燕[4]等發現煤在氧化過程存在“自限制”特征；唐一博[5]從活性基團角度出發模擬煤自燃過程，發現植酸等抗氧化劑對煤的低溫氧化有良好的抑制效果。當前對煤自燃的研究多基于單一因素，而煤自燃影響因素眾多，因此，考慮多因素影響煤自燃傾向的研究顯得非常重要。本文基于煤的多項基礎實驗數據建立BP神經網絡模型，將訓練成功的網絡模型用于預測煤的自燃傾向性，以便豐富礦井煤自燃預測的技術手段。

1 煤自燃傾向性的影響因素

影響煤自燃的原因可分為外部原因和內在原因。外部原因包含礦井壓力、水文地質等不可控因素，在此不做贅述。內在原因可細分為煤的組成和結構兩方面：煤的組成包括元素成分、煤巖組成成分等；結構包括煤的孔隙結構、分子結構等。從煤的組成與結構方面入手能準確、全面地探究煤自燃傾向性的差異性原因[6]。

從內在原因說，影響煤的自燃傾向性的主要因素有：①碳含量。碳為煤的骨架元素，也是煤燃燒放熱中產生熱能的主導元素，化學性質穩定的芳香結構中也是以碳元素為主。煤中碳含量增加，煤的自燃傾向性減小。②鏡質組含量。鏡質組是指植物殘體轉變的有機成分。文獻表明[6-7]，對于中低階煤，鏡質組含量越高，自燃能力越大；對于中高階煤，鏡質組含量越高，自燃能力越低。③固定碳含量。煤經過熱解過程殘留下來的有機質為固定碳，是高分子化合物的混合物，其含量越高，煤階越高，煤自燃傾向性越低。④比表面積。比表面積值越大，煤與氧氣接觸的面積越大，越易發生化學反應致使煤熱量集聚引發自燃。⑤微孔占比。微孔相比較于中大孔，內徑小，空氣阻力大，分子結構緊密，吸附能力強，氣體流通性低。微孔占比大，在煤自燃初期會造成反應遲緩，煤自燃能力下降[8]。⑥羥基含量。通過傅里葉紅外光譜實驗發現煤中存在大量羥基結構，其結構穩定性差，氧化性能活躍，通過參與各項基元反應影響煤自燃傾向性，即羥基含量越高，煤自燃傾向性越大。

2 構建模型

2.1 樣本數據

BP神經網絡原理表明，樣本選取數量盡可能大，才能做量化處理[9]。結合實際情況與數據完整性，本文選取內蒙古、新疆、河北、陜西等地的12個礦區新鮮煤樣，遵照《煤層煤樣采取方法》(GB/T482-2008)分別進行煤的氧化動力學實驗、工業分析實驗、元素分析實驗、煤巖組成實驗、傅里葉紅外光譜實驗及低溫氮氣吸附實驗，將取得的煤樣基礎實驗數據作為測試樣本(見表1)。特別說明的是：羥基數據為傅里葉紅外光譜實驗結果中的晰光度數據經ONMIC軟件的“自動基線校正”后運用Peakfit軟件進行分峰處理的3 685～3 610 cm-1處的含量；根據《煤自燃傾向性的氧化動力學測定方法》(AQ/T1068-2008)進行氧化動力學實驗，測定煤的自燃傾向性綜合判定指數可信度高，多為業界采用。構建BP神經網絡，利用Matlab R2014b編寫代碼進行網絡訓練，表1為模型的訓練樣本數據，其中1-11號煤樣為學習樣本，12號煤樣用于檢驗網絡可靠性。BP神經網絡中，P為輸入矩陣，T為輸出矩陣，P(6×11)為煤自燃傾向性影響因素，T(1×11)為煤自燃傾向性綜合判定指數。

表1 模型的訓練樣本數據

樣本輸入及輸出數據利用歸一化公式(式1)與反歸一化公式(式2)進行處理，使網絡訓練樣本數據處于區間[-1，1]中[10]。

(1)

(2)

式中，Xn為各參數第n個歸一化處理數據；X1為各參數第1個數據；X2為反歸一化輸出數據；Xmax，Xmin為各類參數中最大值與最小值。

2.2 模型結構

選用3層改進的BP神經網絡，基本結構為：輸入層6個節點，分別代表6個影響因素；輸出層1個節點，代表煤的自燃傾向性綜合判定指數；依據經驗公式及模擬訓練效果將隱含層節點數選為5個。網絡框架如圖1所示。

圖1 煤自燃傾向性預測的神經網絡框架

2.3 網絡訓練

利用Matlab R2014b編寫改進的BP神經網絡代碼，激活軟件自帶的工具箱(Neural Network Training)，采用L-M優化算法，訓練函數選用trainlm，傳遞函數選用tansig，目標誤差設為0.001，詳細代碼見圖2。

圖2 BP神經網絡的Matlab代碼

2.4 模型效果檢驗

運行編寫后的代碼，結果如表2，圖3，圖4所示。根據運行結果可知，模型經75次迭代后達到最佳效果，相關系數R為0.999 94，呈高度相關。經計算分析發現：12號煤樣預測值與計算值相差極小，相對誤差為1.01%，遠低于10%，滿足工程預測精度要求。由此可見，該網絡預測準確度高，預測效果顯著，模型通過了檢驗。

表2 實際值與預測值對比

圖3 迭代次數效果圖

圖4 回過效果圖

3 應用實例

為說明基于BP神經網絡的煤自燃傾向性預測系統的實用性，選擇唐山礦9煤層、11煤層和荊各莊礦的新鮮煤樣進行各項實驗，實驗結果如表3所示。

表3 唐山礦9煤層、11煤層和荊各莊礦煤樣實驗數據

分別將各參數值按上述次序輸入神經網絡代碼中進行網絡仿真預測，并利用相對誤差與絕對誤差法對氧化動力學煤自燃傾向性計算值與預測值進行對比分析，結果見表4。

表4 唐山礦9煤層、11煤層和荊各莊礦煤自燃傾向性綜合判定指數計算值與預測值對比

經BP神經網絡仿真預測，得到唐山礦9煤層、11煤層與荊各莊礦的煤自燃傾向性綜合判定指數的預測值，與理論計算值的相對誤差分別為4.08%，3.34%，3.19%，誤差值較小，說明了該網絡模型的可行性與準確性。

4 結論與展望

(1)影響煤自燃傾向性的因素有多種，量綱不一，且部分因素無法量化，據此本文選取碳含量、鏡質組含量、固定碳含量、比表面積、微孔占比與羥基含量6項煤的組成與結構方面的基礎數據進行建模，因此，此模型具有全面性、適應性特點。

(2)基于BP神經網絡的煤自燃傾向性預測模型的實際運行結果與行業標準誤差均小于5%，說明該模型可信度高。

(3)神經網絡模型需要大量樣本數據才能達到高度準確，但由于目前受實際煤樣采集及實驗難度所限，完整數據僅限于此，相對誤差較大。筆者在后續研究中會盡可能多地收集數據來完善神經網絡模型，提高計算精度，而且在大樣本條件下亦考慮增添煤自燃傾向性的其他影響因素。

(4)基于BP神經網絡的煤自燃傾向性預測模型豐富了礦井煤自燃預測的技術手段，且模型可依據所選的關鍵指標進行更改，操作便捷，有較大的實用價值。