回采工作面瓦斯安全形勢動態(tài)判別方法

劉亞兵

(陽泉煤業(yè)(集團)股份有限責(zé)任公司，山西 陽泉　045000)

?

回采工作面瓦斯安全形勢動態(tài)判別方法

劉亞兵

(陽泉煤業(yè)(集團)股份有限責(zé)任公司，山西 陽泉045000)

從瓦斯抽采和井下通風(fēng)這2種主要的瓦斯排放形式入手，結(jié)合鄰近層瓦斯涌出、巷道煤壁瓦斯涌出和落煤等導(dǎo)致的涌出這3種主要的回采工作面瓦斯來源，提出了6種多元化的工作面瓦斯安全形勢判別指標(biāo)及基于BP神經(jīng)網(wǎng)絡(luò)的回采工作面瓦斯安全形勢動態(tài)判別方法。Matlab驗證結(jié)果表明，該方法判別工作面瓦斯安全形勢的相對變化時會按照各指標(biāo)尋求最優(yōu)化排序，在給定判定指標(biāo)的基礎(chǔ)上，對瓦斯安全形勢的相對變化判定準(zhǔn)確，但絕對判定結(jié)果需要結(jié)合各分指標(biāo)值來具體判斷。

回采工作面；瓦斯安全形勢；動態(tài)判別；評價指標(biāo)

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160930.0956.003.html

0　引言

在中國國有重點煤礦中，高瓦斯礦井和煤與瓦斯突出礦井的數(shù)量占49.8%，占煤炭總產(chǎn)量的42%，因此，消除和預(yù)防瓦斯事故是中國煤炭行業(yè)現(xiàn)在及未來需要研究和解決的重大問題之一[1]。回采工作面是煤礦生產(chǎn)中重要的組成部分，環(huán)境危險、惡劣的回采工作面又屬于煤礦的事故高發(fā)區(qū)域[2]，對回采工作面瓦斯安全方面的研究尤為重要。回采工作面瓦斯安全狀態(tài)是一種復(fù)雜的動態(tài)過程，瓦斯安全形勢是由瓦斯抽放狀態(tài)、工作面瓦斯涌出狀態(tài)、煤體瓦斯特征參數(shù)及通風(fēng)系統(tǒng)的可靠性等因素共同決定的，且各因素之間呈現(xiàn)出非線性的狀態(tài)[3]，用純數(shù)學(xué)的線性方法很難分析清楚[4]，傳統(tǒng)的數(shù)學(xué)方法如線性規(guī)劃方法等都不能很客觀地解決工作面瓦斯安全形勢動態(tài)判別問題?；谝陨显颍疚奶岢隽死肂P神經(jīng)網(wǎng)絡(luò)來動態(tài)判別回采工作面的瓦斯安全形勢的方法。

1　工作面瓦斯安全形勢影響因素及判定指標(biāo)

回采工作面的瓦斯排放主要有2種方式：一種是通過管道瓦斯抽放系統(tǒng)將瓦斯直接從煤體抽至地面，再加以利用或者直接排放；另一種是利用通風(fēng)系統(tǒng)將從工作面煤體及其他地方涌入工作面巷道的瓦斯和工作面風(fēng)流混合，通過通風(fēng)系統(tǒng)回風(fēng)段將混合風(fēng)流排出。回采工作面的瓦斯管理既要考慮瓦斯排放形式，也要緊密結(jié)合區(qū)域的瓦斯來源?；夭晒ぷ髅娴耐咚箒碓粗饕?個，分別是鄰近層瓦斯涌出、巷道煤壁瓦斯涌出、生產(chǎn)過程中落煤及其他導(dǎo)致瓦斯突然釋放的涌出[5]。結(jié)合以上特點，對多元化的工作面瓦斯安全形勢進行判別需要考慮以下因素：

(1) 絕對瓦斯涌出量：工作面各種瓦斯來源的直接標(biāo)量參數(shù)，表征瓦斯涌出及工作面通風(fēng)的重要指標(biāo)。

(2) 相對瓦斯涌出量：噸煤瓦斯涌出量參數(shù)，工作面區(qū)域相對瓦斯涌出及煤體瓦斯含量指標(biāo)。

(3) 工作面瓦斯?jié)舛染担号R近層、采空區(qū)、落煤等導(dǎo)致瓦斯涌出的重要指標(biāo)。

(4) 回風(fēng)瓦斯?jié)舛染担合锏烂罕谕咚褂砍龅闹匾笜?biāo)。

(5) 工作面瓦斯抽采純量：煤體瓦斯抽放指標(biāo)。

(6) 煤體瓦斯防突參數(shù)值：煤體瓦斯解析、放散等防突監(jiān)測參數(shù)指標(biāo)。

對以上6種影響因素分別進行定量分析，第1—5類參數(shù)通過安全監(jiān)測系統(tǒng)的實時數(shù)據(jù)自動獲取，第6類參數(shù)通過工作面煤體人工檢測數(shù)據(jù)獲得。在不同的生產(chǎn)礦井,這些參數(shù)可不同，但應(yīng)能體現(xiàn)煤體瓦斯參數(shù)特征。設(shè)6類指標(biāo)的計算或統(tǒng)計周期為24 h，具體指標(biāo)值見表1。其中Vh為回風(fēng)巷風(fēng)速，Sd為風(fēng)速測量點斷面面積，t為工作面日采煤量，Cc為抽放瓦斯?jié)舛?，K1,Smax為防突監(jiān)測參數(shù)。

表1　工作面瓦斯安全判別指標(biāo)

針對以上6種瓦斯安全判別指標(biāo)，分別設(shè)置4種評判等級，即安全、警示、威脅和危險。對于瓦斯涌出量、瓦斯?jié)舛群兔后w瓦斯防突參數(shù)值等指標(biāo)，按照國家高瓦斯礦井規(guī)定及安全監(jiān)測的標(biāo)準(zhǔn)，結(jié)合80%和60%兩個等級進行劃分。工作面瓦斯抽采純量需結(jié)合抽采設(shè)計來評價，用實際抽采純量和設(shè)計抽采純量的比值來衡量瓦斯抽采效果，當(dāng)實際抽采純量與設(shè)計抽采純量大于或等于1時為安全狀態(tài)，依次按照80%和60%來分級，各指標(biāo)具體分級見表2。

表2　各指標(biāo)評價標(biāo)準(zhǔn)

2　BP神經(jīng)網(wǎng)絡(luò)判別方法

BP網(wǎng)絡(luò)是典型的多層網(wǎng)絡(luò)，包括輸入層節(jié)點、輸出層節(jié)點及一層或多層隱含節(jié)點[6]。假設(shè)取得P個樣本{y(t),x(t);t=1,2,…,P},其中y是n維向量，x是m維向量，當(dāng)?shù)趖個樣本x(t)=(x1(t),x2(t),…,xm(t))的數(shù)據(jù)輸入網(wǎng)絡(luò)時，相應(yīng)的輸出記為f(t)=(f1(t),f2(t),…,fm(t))。誤差反向傳播的BP神經(jīng)網(wǎng)絡(luò)算法是一種多層前饋網(wǎng)絡(luò)所使用的監(jiān)控式學(xué)習(xí)算法，采用梯度搜索技術(shù),以期使網(wǎng)絡(luò)的實際輸出與期望輸出值的誤差均方值為最小[7]。對于第P個樣本，在其作用下隱含層和輸出層的輸出分別為oi和ok,對于每一樣本的輸入模式，對應(yīng)期望輸出為tk的二次型誤差函數(shù)為[8]

(1)

輸出層的加權(quán)系數(shù)ωki的調(diào)整規(guī)則為

(2)

式中：η為學(xué)習(xí)率；δk=(tk-ok)ok(1-ok);1≤i≤P。

隱含層的加權(quán)系數(shù)ωij的調(diào)整規(guī)則為

(3)

結(jié)合工作面瓦斯安全動態(tài)判定指標(biāo)，BP算法實現(xiàn)步驟如下：

(1) 初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)。將隱含層和輸出層各節(jié)點的連接權(quán)值、神經(jīng)元閾值賦予[-1,1]區(qū)間的一個隨機數(shù)。

(2) 提供訓(xùn)練模式。從訓(xùn)練模式集合中選出一個訓(xùn)練模式，將其輸入模式和期望輸出送入網(wǎng)絡(luò)。

(3) 正向傳播過程。對給定的輸入模式，從第1隱含層開始，計算網(wǎng)絡(luò)的輸出模式，并把得到的輸入模式與期望模式進行比較，若有誤差，則執(zhí)行第(4)步，否則，返回第(2)步，提供下一個訓(xùn)練模式。

(4) 反向傳播過程。從輸出層反向計算到第1隱含層δk，計算同一層單元的誤差，按照式(3)修正連接權(quán)值和閾值，對閾值可按照連接權(quán)值的學(xué)習(xí)方式進行，只是需要把閾值設(shè)想為神經(jīng)元的連接權(quán)值，并假定其輸入信號總為單位值1即可。反復(fù)執(zhí)行上述修正過程，直到滿足期望的輸出模式為止。

(5) 返回步驟(2)，對訓(xùn)練模式集中的每個訓(xùn)練模式重復(fù)步驟(2)和步驟(3)，直到訓(xùn)練模式集中的每個訓(xùn)練模式都滿足期望輸出為止。

3　基于BP神經(jīng)網(wǎng)絡(luò)的工作面瓦斯安全動態(tài)判別

按照表2中工作面瓦斯安全動態(tài)評價各指標(biāo)的評價標(biāo)準(zhǔn)，利用貴州六盤水某礦110102回采工作面2016年2月1日—10日連續(xù)10 d的指標(biāo)值，對基于BP神經(jīng)網(wǎng)絡(luò)的工作面瓦斯安全動態(tài)判別方法進行了驗證。對于表2中的K1和Smax值，評價指標(biāo)中選擇一個即可，本文選擇Smax值進行判別，10 d的具體數(shù)據(jù)見表3。

對于表3中所示數(shù)據(jù)，通過Matlab進行工作面瓦斯安全動態(tài)判別，基本步驟如下：① 原始數(shù)據(jù)預(yù)處理，使用premnmx()將數(shù)據(jù)規(guī)范化到[-1,1]區(qū)間。② 建立初始網(wǎng)格。③ 利用數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練。④ 對判別對象進行仿真識別：[Y,Pf,Af,E,perf]=sim(net,D,F,A,T)，其中Y為網(wǎng)絡(luò)輸出；Pf為輸入向量最終延遲條件；Af為網(wǎng)絡(luò)層最終延遲條件；E為網(wǎng)絡(luò)誤差；perf為網(wǎng)絡(luò)性能;net為使用的網(wǎng)絡(luò)；D為判別對象；F為初始輸入延遲條件，僅當(dāng)輸入有延遲時使用，默認(rèn)為0；A為網(wǎng)絡(luò)層初始延遲條件；T為網(wǎng)絡(luò)標(biāo)靶。

表3　110102工作面10 d的瓦斯安全評價原始數(shù)據(jù)

Matlab計算過程及參數(shù)設(shè)置如圖1所示。

圖1　Matlab計算過程及參數(shù)設(shè)置

110202工作面2016年2月2日—10日10 d的瓦斯安全形勢分析判別結(jié)果為

判別為安全的日期是2，4日；判別為警示的日期是1，5，9，10日；判別為威脅的日期是3，6，7日；瓦斯安全形勢最差的是8日，屬于危險狀態(tài)。8日指標(biāo)數(shù)據(jù)：Qa:4.60 m3/min；Qx:6.10 m3/t；Cg:0.8%；Ch:0.85%；Qc:0.9；Smax:4.00 kg/m。各指標(biāo)參數(shù)在10 d的統(tǒng)計周期內(nèi)相對偏高，在統(tǒng)計周期內(nèi)瓦斯安全形勢屬于最差，和分析結(jié)果一致。但和表2給定的危險指標(biāo)上限比較，各指標(biāo)值都未達到危險狀態(tài)，該方法最終判別的結(jié)果卻為危險狀態(tài)?？煽闯龌贐P神經(jīng)網(wǎng)絡(luò)算法判別工作面瓦斯安全形勢的相對變化時會按照各指標(biāo)尋求最優(yōu)化排序。

4　結(jié)語

從瓦斯抽采和井下通風(fēng)2種主要的瓦斯排放形式入手，結(jié)合回采工作面3種主要的瓦斯來源，提出了6種多元化的工作面瓦斯安全形勢判別指標(biāo)。針對多元化判斷指標(biāo)，提出了利用BP神經(jīng)網(wǎng)絡(luò)來動態(tài)判別回采工作面瓦斯安全形勢的方法。以貴州六盤水某礦110102回采工作面2016年2月1日—10日連續(xù)10 d的指標(biāo)值為實驗數(shù)據(jù)，依托Matlab平臺，對基于BP神經(jīng)網(wǎng)絡(luò)的回采工作面瓦斯安全動態(tài)判別方法進行了驗證。結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)算法判別工作面瓦斯安全形勢的相對變化時會按照各指標(biāo)尋求最優(yōu)化排序，在給定判定指標(biāo)的基礎(chǔ)上，該方法對瓦斯安全形勢的相對變化判定準(zhǔn)確，但給出的絕對判定結(jié)果雖有參考意義，卻不能完全采信，應(yīng)該結(jié)合各指標(biāo)值來具體判斷。

[1]屈世甲.礦井通風(fēng)基礎(chǔ)數(shù)據(jù)獲取及網(wǎng)絡(luò)圖優(yōu)化方法的研究[D].西安:西安科技大學(xué),2010.

[2]屈世甲.礦井掘進巷道生產(chǎn)工序自動識別方法的探索[J].煤礦安全,2015,46(4): 206-209.

[3]張俊敏.煤礦安全評價的幾個問題探討[J].礦業(yè)安全與環(huán)保,2003,30(5):30-31.

[4]楊濤.基于BP神經(jīng)網(wǎng)絡(luò)法的煤礦安全評價系統(tǒng)研究——以馬蘭煤礦為例[D].太原:太原理工大學(xué),2012.

[5]屈世甲.礦井工作面突出危險性與瓦斯涌出特征回歸分析的研究[J].工礦自動化,2015,41(5): 74-77.

[6]袁戰(zhàn)偉,張云生,王劍平,等.基于BP神經(jīng)網(wǎng)絡(luò)的煤礦瓦斯數(shù)據(jù)辨識[J].云南大學(xué)學(xué)報(自然科學(xué)版),2009(增刊2):229-231.

[7]李柏年,吳禮斌.MATLAB數(shù)據(jù)分析方法[M].北京:機械工業(yè)出版社,2012.

[8]鄧寶,宋瑞.基于BP神經(jīng)網(wǎng)絡(luò)的安全評價方法研究[J].安全與環(huán)境工程,2005,12(2): 61-64.

Dynamic discrimination method of gas security situation of stope face

LIU Yabing

(Yangquan Coal Industry(Group) Co.,Ltd.,Yangquan 045000,China)

Dynamic discrimination method of gas security situation of stope face and six kinds of diversified evaluation indexes were proposed started from two major gas discharge forms of gas drainage and underground ventilation,and combining three major methane sources of adjacent layers gas emission,coal tunnel wall gas emission,and gas emission caused by coal drop.Dynamic discrimination method of gas security situation of stope face based on BP neural network was put forward too.Matlab validation results show that the method will follow the index to find the most optimized sequence when it discriminates relative changes of gas security situation of stope face,on the basis of given indicators,the method can accurately discriminates relative changes of gas security situation,but absolute discrimination results need to be judged specifically combined with sub-index values.

stope face; gas security situation; dynamic discrimination; evaluation index

1671-251X(2016)10-0082-04DOI:10.13272/j.issn.1671-251x.2016.10.019

劉亞兵.回采工作面瓦斯安全形勢動態(tài)判別方法[J].工礦自動化，2016,42(10)：82-85.

2016-05-03；

2016-08-30；責(zé)任編輯：胡嫻。

劉亞兵(1973-)，男，山西祁縣人，工程師,現(xiàn)從事煤礦機電管理工作，E-mail:290505433@qq.com。

TD712

A網(wǎng)絡(luò)出版時間：2016-09-30 09:56