基于巷道摩擦阻力系數BP神經網絡預測模型的礦井風網風量預測研究

劉彥青

(1.煤炭科學技術研究院有限公司 安全分院，北京 100013；2.煤炭資源高效開采和潔凈利用國家重點實驗室，北京 100013)

井下采掘接替、巷道開拓等生產活動會導致礦井風阻發生變化，使得礦井通風系統風量重新分配。為了避免通風安全事故，有必要對礦井通風系統改變之后風網風量變化進行提前預測。礦井通風網絡解算是現階段最有效的方法之一[1-2]，目前礦井通風網絡解算主要采用基于空氣動力學理論的通風網絡解算數學模型與斯考德—恒斯雷法通風網絡解算方法，文獻[3-9]作者研究表明，采用斯考德—恒斯雷法通風網絡解算方法計算得到的礦井風網風量結果與實測結果之間誤差較小，能夠實現復雜通風網絡風量準確預測；楊帥等[10]將礦井通風監測與通風網絡解算相結合，構建了實時通風網絡解算模型。

礦井全風網摩擦阻力系數是礦井通風網絡解算中最核心的參數。在保證礦井通風網絡解算方法可靠的前提下，礦井全風網摩擦阻力系數的準確賦值會直接嚴重影響解算結果的準確性。通過現場實測方法能夠準確獲得已掘巷道的摩擦阻力系數，而待掘巷道摩擦阻力系數只能通過預測獲得。魏寧等[11-12]采用人工智能方法對巷道摩擦阻力系數進行了預測計算；梁軍等[13]采用數據挖掘技術對巷道摩擦阻力系數進行了匹配賦值。

筆者以雙柳煤礦通風系統為研究對象，總結巷道摩擦阻力系數影響因素，采用BP神經網絡算法構建巷道摩擦阻力系數預測模型，并對雙柳煤礦待掘巷道摩擦阻力系數進行預測賦值，將待掘巷道摩擦阻力系數預測值代入雙柳煤礦通風網絡解算模型中，對礦井通風系統風量分配進行超前預測，通過分析預測結果與現場實測結果之間的相對誤差，驗證巷道摩擦阻力系數預測模型的準確性。

1 雙柳煤礦通風系統概況

雙柳煤礦通風系統采用分區并列式通風方式，通風方法為抽出式。全礦井共布置5條井筒，其中進風井3個，分別為白家焉主斜井、白家焉副立井、郭家山副立井；回風井2個，分別為白家焉回風立井和郭家山回風立井。白家焉回風立井擔負一采區、二采區回風任務，郭家山回風立井擔負三采區、四采區回風任務。

2 雙柳煤礦巷道摩擦阻力系數實測

采用適用于復雜礦井通風系統阻力測定的精密氣壓計基點法對雙柳煤礦通風阻力進行現場測定[14-18]，利用精密氣壓計測試巷道節點位置靜壓、干溫度、相對濕度，利用機械式風表測試巷道分支風速，利用激光測距儀測試巷道斷面尺寸，查閱礦井采掘工程平面圖得到巷道節點標高。根據巷道分支兩端靜壓差、位壓差，以及巷道分支兩端測壓期間地面大氣壓波動變化來計算巷道分支通風阻力，計算公式見式(1)，巷道分支摩擦風阻、摩擦阻力系數計算公式見式(2)、式(3)：

(1)

(2)

(3)

式中：hij為巷道始末節點i、j之間的通風阻力，Pa；ρi、ρj為巷道始節點i、末節點j的空氣密度，kg/m3；Δp為地面大氣壓波動變化值，Pa；pi、pj為巷道始節點i、末節點j的氣壓計讀數，Pa；hi、hj為巷道始節點i、末節點j的標高，m；Ri-j為巷道摩擦風阻，N·s2/m8；Qi-j為巷道風量，m3/s；αi-j為巷道摩擦阻力系數，N·s2/m4；Si-j為巷道斷面積，m2；Ci-j為巷道周長，m；Li-j為巷道長度，m。

3 基于BP神經網絡的巷道摩擦阻力系數預測模型構建

3.1 BP神經網絡模型結構

BP神經網絡模型結構圖見圖1。以預測待掘巷道摩擦阻力系數為目標，利用BP神經網絡算法構建巷道摩擦阻力系數預測模型，預測模型以巷道摩擦阻力系數影響因素作為輸入層，以巷道摩擦阻力系數作為輸出層。

xi—輸入層第i個屬性；vij—輸入層第i個屬性與隱層第j個元素之間的連接權；ym—輸出層第m個輸出結果；ψj—隱層第j個元素的閾值；wjm—隱層第j個元素與輸出層第m個元素之間的連接權；φm—輸出層第m個元素的閾值。

3.2 巷道摩擦阻力系數預測模型輸入屬性集構建

巷道摩擦阻力系數主要影響因素包括巷道支護方式、巷道斷面形狀、巷道當量半徑(由巷道幾何斷面積與巷道幾何周長計算得到)、巷道斷面有效通風面積系數，其中巷道支護方式主要決定巷道壁面結構粗糙度，巷道斷面有效通風面積系數是指巷道有效通風斷面積與巷道幾何斷面積之比。將巷道摩擦阻力系數主要影響因素作為巷道摩擦阻力系數BP神經網絡預測模型的輸入屬性集，由于每個屬性在預測過程中均需要參與具體計算，因此需要對每個屬性進行賦值。對于巷道當量半徑、巷道斷面有效通風面積系數這類能夠用具體數值來定量描述的屬性，以實際值作為屬性賦值，而對于巷道支護方式、巷道斷面形狀這類無法直接用具體數值來定量描述的屬性，需要規定屬性狀態及每個屬性狀態對應的數值來進行屬性賦值。巷道摩擦阻力系數BP神經網絡預測模型輸入屬性集具體信息見表1。

表1 巷道摩擦阻力系數BP神經網絡預測模型輸入屬性集及屬性狀態賦值

3.3 巷道摩擦阻力系數預測模型學習訓練

基于上述研究構建巷道摩擦阻力系數BP神經網絡預測模型，其具體包括4個輸入層屬性(即4個摩擦阻力系數影響因素值)、20個隱層神經元、1個輸出神經元(即巷道摩擦阻力系數值)。隱層神經元傳遞函數選擇Sigmoid 函數，輸出神經元傳遞函數選擇pureline 函數。以雙柳煤礦典型巷道的摩擦阻力系數及其影響因素的實測數據作為學習訓練樣本，對初步構建的巷道摩擦阻力系數BP神經網絡預測模型進行學習訓練，其流程如圖2 所示。學習訓練樣本見表2，學習訓練2 451個周期之后預測模型的期望誤差達到0.000 1以下。

圖2 巷道摩擦阻力系數BP神經網絡預測模型學習訓練流程

表2 雙柳煤礦巷道摩擦阻力系數BP神經網絡預測模型學習訓練樣本集

3.4 巷道摩擦阻力系數預測模型應用

回采工作面從貫通到回采結束期間，回采巷道支護類型與巷道內設備布置會發生改變，因此回采巷道摩擦阻力系數也會發生相應改變。利用巷道摩擦阻力系數BP神經網絡預測模型對23(4)13回采工作面貫通之后不同時期回采巷道摩擦阻力系數進行預測賦值，預測結果見表3。

表3 23(4)13回采工作面貫通之后回采巷道不同時期摩擦阻力系數賦值情況

4 雙柳煤礦通風系統三維可視化風網解算模型建立

4.1 礦井通風系統網絡解算方法

礦井通風網絡解算實質是在給定風網結構、巷道分支風阻、巷道分支動力的前提下求解巷道分支風量和分支通風阻力，以巷道分支通風阻力定律、節點風量平衡定律、回路風壓平衡定律為基礎，建立以回路風量為待求解未知數的非線性方程組，采用近似迭代算法求解得到回路風量，由回路風量計算分支風量、分支阻力等其余未知量。

在已知巷道分支通風動力情況下，為了減少方程組未知數，降低方程組求解計算量，將式(4)～(6)融合得到式(7)，將式(7)展開為泰勒級數，忽略二次項與三次項得到式(8)。采用斯考德—恒斯雷法求解回路風量，由式(9)計算各回路風量增量，根據增量調整回路風量，再將調整后的回路風量代入式(9)計算各回路風量的增量，經過多次循環計算，直到各個回路風量的相鄰兩次增量之間相對偏差達到0.1%以下，表明通風網絡回路風量達到準穩態，將所求得的各回路風量代入式(5)求解得到全礦井所有巷道分支風量，再將巷道分支風量代入式(4)可求得全礦井所有巷道分支通風阻力。

(4)

(5)

(6)

(7)

(8)

(9)

4.2 雙柳煤礦通風系統風網解算模型建立

將巷道摩擦阻力系數、巷道斷面尺寸、巷道長度，以及地面主通風機風量與負壓特性曲線實測數據導入礦井通風系統網絡解算模型中，在初步建立雙柳煤礦通風網絡解算模型后，需要對初步構建的模型進行風量平衡調試。風量平衡調試的主要原因在于無法準確實測礦井所有巷道風阻[19-20]，具體原因如下：

1)井下通風構筑物兩端壓差可實測，而構筑物漏風量無法實測，因此通風構筑物風阻無法準確測算；

2)副井罐籠提升、人員活動等眾多通風擾動因素造成巷道或井筒兩端壓差與風量無法準確測得，巷道與井筒風阻無法準確測得。

雙柳煤礦通風網絡解算模型的風量平衡調試具體過程為：對比通風網絡解算風量值與實測風量值之間偏差，小幅度調整巷道摩擦阻力系數或通風構筑物風阻，重新對比解算結果與實測結果之間偏差，直到礦井所有巷道的通風網絡解算風量值與實測風量值之間相對誤差小于0.1%為止，具體過程如圖3所示。

圖3 雙柳煤礦通風網絡解算模型風量平衡調試過程

5 礦井風網分配風量預測的應用效果分析

將23(4)13回采工作面貫通之后不同時期回采巷道的摩擦阻力系數預測值代入雙柳煤礦通風網絡解算模型，分別對23(4)13工作面貫通之后不同時期礦井通風系統風量進行解算預測，解算結果與實測結果之間相對誤差小于8%，見表4。

表4 23(4)13回采工作面貫通之后不同時期風網風量解算結果與實測結果對比

研究結果表明，采用BP神經網絡算法的巷道摩擦阻力系數預測模型對待掘巷道摩擦阻力系數進行預測賦值，將待掘巷道摩擦阻力系數值代入通風網絡解算模型，能夠實現礦井風網風量的準確解算。

6 結論

1)基于BP神經網絡算法，構建得到以巷道摩擦阻力系數影響因素作為信號輸入集、以巷道摩擦阻力系數作為輸出結果的BP神經網絡預測模型，以雙柳煤礦巷道摩擦阻力系數及影響因素實測值作為預測模型的訓練樣本，訓練得到雙柳煤礦巷道摩擦阻力系數BP神經網絡預測模型，利用雙柳煤礦巷道摩擦阻力系數BP神經網絡預測模型對尚未貫通的 23(4)13回采工作面回采巷道摩擦阻力系數進行了預測。

2)基于斯考德—恒斯雷法通風網絡解算方法建立雙柳煤礦通風網絡解算模型，將23(4)13回采工作面回采巷道摩擦阻力系數預測值代入解算模型，分別對該工作面貫通后備用階段和回采階段礦井全風網風量變化進行解算，解算結果與實測結果之間相對誤差在8%以內。將待掘巷道摩擦阻力系數BP神經網絡預測結果應用于礦井通風網絡解算，結果表明其能夠實現礦井全風網風量的準確解算預測。