基于BP神經(jīng)網(wǎng)絡(luò)的煤自燃傾向性預(yù)測(cè)
——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(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210；2.河北省礦業(yè)開(kāi)發(fā)與安全技術(shù)實(shí)驗(yàn)室，河北 唐山 063210)

0 引言

礦井災(zāi)害事故對(duì)人民的生命財(cái)產(chǎn)安全造成了巨大威脅，事故起源以煤的自燃發(fā)火居多。煤的自燃傾向性是煤的固有屬性。煤本身的復(fù)雜性致使科研難度較大、未知領(lǐng)域較多[1]，科研人員對(duì)此研究不斷深入：鄧軍等[2]建立了礦井溫度預(yù)測(cè)的PSO-SVR模型用于判別煤自燃溫度；王福生等[3]通過(guò)進(jìn)行復(fù)采與原生煤樣的實(shí)驗(yàn)發(fā)現(xiàn)官能團(tuán)差異導(dǎo)致的煤自燃能力的不同；王海燕[4]等發(fā)現(xiàn)煤在氧化過(guò)程存在“自限制”特征；唐一博[5]從活性基團(tuán)角度出發(fā)模擬煤自燃過(guò)程，發(fā)現(xiàn)植酸等抗氧化劑對(duì)煤的低溫氧化有良好的抑制效果。當(dāng)前對(duì)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(xiàng)基礎(chǔ)實(shí)驗(yàn)數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練成功的網(wǎng)絡(luò)模型用于預(yù)測(cè)煤的自燃傾向性，以便豐富礦井煤自燃預(yù)測(cè)的技術(shù)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(nèi)在原因。外部原因包含礦井壓力、水文地質(zhì)等不可控因素，在此不做贅述。內(nèi)在原因可細(xì)分為煤的組成和結(jié)構(gòu)兩方面：煤的組成包括元素成分、煤巖組成成分等；結(jié)構(gòu)包括煤的孔隙結(jié)構(gòu)、分子結(jié)構(gòu)等。從煤的組成與結(jié)構(gòu)方面入手能準(zhǔn)確、全面地探究煤自燃傾向性的差異性原因[6]。

從內(nèi)在原因說(shuō)，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(chǎn)生熱能的主導(dǎo)元素，化學(xué)性質(zhì)穩(wěn)定的芳香結(jié)構(gòu)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(zhì)組含量。鏡質(zhì)組是指植物殘?bào)w轉(zhuǎn)變的有機(jī)成分。文獻(xiàn)表明[6-7]，對(duì)于中低階煤，鏡質(zhì)組含量越高，自燃能力越大；對(duì)于中高階煤，鏡質(zhì)組含量越高，自燃能力越低。③固定碳含量。煤經(jīng)過(guò)熱解過(guò)程殘留下來(lái)的有機(jī)質(zhì)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(fā)生化學(xué)反應(yīng)致使煤熱量集聚引發(fā)自燃。⑤微孔占比。微孔相比較于中大孔，內(nèi)徑小，空氣阻力大，分子結(jié)構(gòu)緊密，吸附能力強(qiáng)，氣體流通性低。微孔占比大，在煤自燃初期會(huì)造成反應(yīng)遲緩，煤自燃能力下降[8]。⑥羥基含量。通過(guò)傅里葉紅外光譜實(shí)驗(yàn)發(fā)現(xiàn)煤中存在大量羥基結(jié)構(gòu)，其結(jié)構(gòu)穩(wěn)定性差，氧化性能活躍，通過(guò)參與各項(xiàng)基元反應(yīng)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(gòu)建模型

2.1 樣本數(shù)據(jù)

BP神經(jīng)網(wǎng)絡(luò)原理表明，樣本選取數(shù)量盡可能大，才能做量化處理[9]。結(jié)合實(shí)際情況與數(shù)據(jù)完整性，本文選取內(nèi)蒙古、新疆、河北、陜西等地的12個(gè)礦區(qū)新鮮煤樣，遵照《煤層煤樣采取方法》(GB/T482-2008)分別進(jìn)行煤的氧化動(dòng)力學(xué)實(shí)驗(yàn)、工業(yè)分析實(shí)驗(yàn)、元素分析實(shí)驗(yàn)、煤巖組成實(shí)驗(yàn)、傅里葉紅外光譜實(shí)驗(yàn)及低溫氮?dú)馕綄?shí)驗(yàn)，將取得的煤樣基礎(chǔ)實(shí)驗(yàn)數(shù)據(jù)作為測(cè)試樣本(見(jiàn)表1)。特別說(shuō)明的是：羥基數(shù)據(jù)為傅里葉紅外光譜實(shí)驗(yàn)結(jié)果中的晰光度數(shù)據(jù)經(jīng)ONMIC軟件的“自動(dòng)基線(xiàn)校正”后運(yùn)用Peakfit軟件進(jìn)行分峰處理的3 685～3 610 cm-1處的含量；根據(jù)《煤自燃傾向性的氧化動(dòng)力學(xué)測(cè)定方法》(AQ/T1068-2008)進(jìn)行氧化動(dòng)力學(xué)實(shí)驗(yàn)，測(cè)定煤的自燃傾向性綜合判定指數(shù)可信度高，多為業(yè)界采用。構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，利用Matlab R2014b編寫(xiě)代碼進(jìn)行網(wǎng)絡(luò)訓(xùn)練，表1為模型的訓(xùn)練樣本數(shù)據(jù)，其中1-11號(hào)煤樣為學(xué)習(xí)樣本，12號(hào)煤樣用于檢驗(yàn)網(wǎng)絡(luò)可靠性。BP神經(jīng)網(wǎng)絡(luò)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(shù)。

表1 模型的訓(xùn)練樣本數(shù)據(jù)

樣本輸入及輸出數(shù)據(jù)利用歸一化公式(式1)與反歸一化公式(式2)進(jìn)行處理，使網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)處于區(qū)間[-1，1]中[10]。

(1)

(2)

式中，Xn為各參數(shù)第n個(gè)歸一化處理數(shù)據(jù)；X1為各參數(shù)第1個(gè)數(shù)據(jù)；X2為反歸一化輸出數(shù)據(jù)；Xmax，Xmin為各類(lèi)參數(shù)中最大值與最小值。

2.2 模型結(jié)構(gòu)

選用3層改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，基本結(jié)構(gòu)為：輸入層6個(gè)節(jié)點(diǎn)，分別代表6個(gè)影響因素；輸出層1個(gè)節(jié)點(diǎn)，代表煤的自燃傾向性綜合判定指數(shù)；依據(jù)經(jīng)驗(yàn)公式及模擬訓(xùn)練效果將隱含層節(jié)點(diǎn)數(shù)選為5個(gè)。網(wǎng)絡(luò)框架如圖1所示。

圖1 煤自燃傾向性預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)框架

2.3 網(wǎng)絡(luò)訓(xùn)練

利用Matlab R2014b編寫(xiě)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)代碼，激活軟件自帶的工具箱(Neural Network Training)，采用L-M優(yōu)化算法，訓(xùn)練函數(shù)選用trainlm，傳遞函數(shù)選用tansig，目標(biāo)誤差設(shè)為0.001，詳細(xì)代碼見(jiàn)圖2。

圖2 BP神經(jīng)網(wǎng)絡(luò)的Matlab代碼

2.4 模型效果檢驗(yàn)

運(yùn)行編寫(xiě)后的代碼，結(jié)果如表2，圖3，圖4所示。根據(jù)運(yùn)行結(jié)果可知，模型經(jīng)75次迭代后達(dá)到最佳效果，相關(guān)系數(shù)R為0.999 94，呈高度相關(guān)。經(jīng)計(jì)算分析發(fā)現(xiàn)：12號(hào)煤樣預(yù)測(cè)值與計(jì)算值相差極小，相對(duì)誤差為1.01%，遠(yuǎn)低于10%，滿(mǎn)足工程預(yù)測(cè)精度要求。由此可見(jiàn)，該網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確度高，預(yù)測(cè)效果顯著，模型通過(guò)了檢驗(yàn)。

表2 實(shí)際值與預(yù)測(cè)值對(duì)比

圖3 迭代次數(shù)效果圖

圖4 回過(guò)效果圖

3 應(yīng)用實(shí)例

為說(shuō)明基于BP神經(jīng)網(wǎng)絡(luò)的煤自燃傾向性預(yù)測(cè)系統(tǒng)的實(shí)用性，選擇唐山礦9煤層、11煤層和荊各莊礦的新鮮煤樣進(jìn)行各項(xiàng)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)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(shí)驗(yàn)數(shù)據(jù)

分別將各參數(shù)值按上述次序輸入神經(jīng)網(wǎng)絡(luò)代碼中進(jìn)行網(wǎng)絡(luò)仿真預(yù)測(cè)，并利用相對(duì)誤差與絕對(duì)誤差法對(duì)氧化動(dòng)力學(xué)煤自燃傾向性計(jì)算值與預(yù)測(cè)值進(jìn)行對(duì)比分析，結(jié)果見(jiàn)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(shù)計(jì)算值與預(yù)測(cè)值對(duì)比

經(jīng)BP神經(jīng)網(wǎng)絡(luò)仿真預(yù)測(cè)，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(shù)的預(yù)測(cè)值，與理論計(jì)算值的相對(duì)誤差分別為4.08%，3.34%，3.19%，誤差值較小，說(shuō)明了該網(wǎng)絡(luò)模型的可行性與準(zhǔn)確性。

4 結(jié)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?zé)o法量化，據(jù)此本文選取碳含量、鏡質(zhì)組含量、固定碳含量、比表面積、微孔占比與羥基含量6項(xiàng)煤的組成與結(jié)構(gòu)方面的基礎(chǔ)數(shù)據(jù)進(jìn)行建模，因此，此模型具有全面性、適應(yīng)性特點(diǎn)。

(2)基于BP神經(jīng)網(wǎng)絡(luò)的煤自燃傾向性預(yù)測(cè)模型的實(shí)際運(yùn)行結(jié)果與行業(yè)標(biāo)準(zhǔn)誤差均小于5%，說(shuō)明該模型可信度高。

(3)神經(jīng)網(wǎng)絡(luò)模型需要大量樣本數(shù)據(jù)才能達(dá)到高度準(zhǔn)確，但由于目前受實(shí)際煤樣采集及實(shí)驗(yàn)難度所限，完整數(shù)據(jù)僅限于此，相對(duì)誤差較大。筆者在后續(xù)研究中會(huì)盡可能多地收集數(shù)據(jù)來(lái)完善神經(jīng)網(wǎng)絡(luò)模型，提高計(jì)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(jīng)網(wǎng)絡(luò)的煤自燃傾向性預(yù)測(cè)模型豐富了礦井煤自燃預(yù)測(cè)的技術(shù)手段，且模型可依據(jù)所選的關(guān)鍵指標(biāo)進(jìn)行更改，操作便捷，有較大的實(shí)用價(jià)值。