基于多因素模式识别的煤与瓦斯突出预测研究*

毕慧杰，任延平，张浩浩，杨鸿智

(辽宁工程技术大学 矿业学院，辽宁 阜新 123000)

0　引言

煤与瓦斯突出严重影响着煤矿安全生产。近年来，我国许多煤矿逐步转入深部开采，面临着愈发复杂的煤层赋存条件和开采条件，煤与瓦斯突出的危险性也越来越高，预测煤与瓦斯突出危险性成为保障煤矿安全生产必不可少的工作之一[1-4]。传统的煤与瓦斯突出预测方法使用的是单项指标法、综合指标法、地质指标法、地质统计法、瓦斯地质单元法等静态预测方法，对煤与瓦斯突出预测指标的分析主要是通过灰色理论、遗传算法、突变理论、神经网络、回归分析等方法得出[5-10]。这些方法主要是对整个矿区、采区等较大范围的区域预测较多，而对于单个工作面的危险性预测，以及考虑工程活动的影响，并随着工作面推进动态预测的研究还比较少。本文充分考虑煤层自然条件和工程扰动的影响，提出“基于模式识别的采煤工作面煤与瓦斯突出危险性动态预测方法”，并开发煤与瓦斯突出动态预测系统，应用于平顶山十矿己15-24080工作面。

1　工作面煤与瓦斯突出危险性预测

1.1　工作面煤与瓦斯突出危险性预测原理

工作面煤与瓦斯突出危险性动态预测是结合现代采矿理论、模糊数学、概率论、CAD技术等理论，充分分析煤与瓦斯突出的主要影响因素，并对各个因素进行定量化、标准化处理，从而揭示出各因素之间的相互关系及其对煤与瓦斯突出的影响程度。运用模式识别的理论和方法建立煤与瓦斯突出危险性的评价准则，通过概率运算预测每个待测区域的危险性结果。在此过程中，随着工作面推进，对可变影响因素进行动态计算，实时预测工作面突出危险性。在理论研究的基础上，以AutoCAD为开发平台，通过VBA编程[11]，完成了采煤工作面煤与瓦斯突出危险性动态预测系统的开发。

1.2　工作面煤与瓦斯突出危险性预测方法

工作面煤与瓦斯突出的影响因素有很多，不同的工作面的影响因素也存在着差异，建立有效的判别模式是进行煤与瓦斯突出预测的关键。对某一特定工作面，选取n个影响因素进行研究，则n个影响因素就组成了一个n维模糊向量。由于向量中各参数量纲有所差异，因此需要进行标准化处理[12]，如公式(1)：

(1)

各个影响因素的不同组合方式和不同组合个数形成了不同的模式，不同的模式代表着不同的煤与瓦斯突出模型。为了对大量的突出与非突出样本进行最佳分类判识，需要选取最有效的多因素模式，即从N维特征空间中选取出n维特征，构成多因素特征向量，进行突出与非突出样本分类，使其平均距离测度最大，即分类效果最明显。利用基于欧氏距离测度的特征提取方法：

(2)

(3)

J(X*)=maxJ(X)

(4)

用样本均值向量代替式(2)中的样本特征值进行计算，便可在N维空间中选取出最能区分突出与非突出模型的n维特征。

不同的工作面，其特征因素数值不同，在n维空间里对应一个特定的位置。如果2个特征因素向量在n维空间里的距离较近，则属于同一个模式，反之则属于不同模式。利用人工神经网络构建模式识别模型，对大量的突出与非突出样本进行训练学习(图1)。

图1　神经网络训练模型Fig.1　Neural network training model

本文选取径向基函数概率神经网络作为分类器。若输入为X，则隐含层输出为：

y=Ri(X)

(5)

Ri(X)为隐含层节点传递函数，沿某种径向对称，此处取高斯函数：

(6)

式中:X为输入向量；ci是与X同维的第i个基函数的中心；σi是第i个基函数的感知变量；‖x-ci‖为欧几里德范数；m为隐含层感知器单元个数。

输出层设置一个节点，突出的模式输出1，不突出的模式输出0。输出层采取竞争学习机制，通过不断反馈、调整隐含层到输出层的网络权值ωik，从而确定最优权向量W，以最大概率对输入的多因素特征向量进行正确分类。

煤与瓦斯突出危险性的判别函数[13]是根据神经网络训练的最优结果来判别待识别对象，判别函数如下：

(7)

式中:b为函数偏置项。

由此可以对待识别对象有无突出危险性进行判别，同时为了对突出危险性进行区别描述，可根据预测概率值大小进行合理分级。

1.3　工作面煤与瓦斯突出影响因素的确定

对于不同的矿井、不同的煤层赋存条件、不同的人为工程行为，煤与瓦斯突出危险性存在着很大的差异。结合国内各煤矿煤与瓦斯突出案例，经过特征取值，首先选定了煤层赋存深度、煤厚变化、应力分布、绝对瓦斯涌出量、相对瓦斯涌出量、瓦斯压力、瓦斯含量、钻孔瓦斯涌出初速度q和钻屑量S等9个因素。

矿井的开采活动，引起上覆岩层的移动，打破了原始的应力平衡，围岩的应力状态重新分布，达到新的平衡状态。开采矿井具备发生煤与瓦斯突出等矿井动力灾害的区域地质动力环境，与开采活动引起的采动应力相互耦合，导致应力的增加和能量的积聚，从而诱发矿井动力灾害，相反，保护层开采、瓦斯抽采、煤层注水、钻孔卸压等区域和局部解危措施，使应力和能量缓慢释放，能够降低或消除煤层危险性。同时，瓦斯是煤与瓦斯突出发生的物质基础。瓦斯压力是突出发生的动力来源之一；瓦斯含量的多少为突出发生提供了必须的物质来源；瓦斯放散初速度是煤层瓦斯解吸及运移规律的直观反映。在咨询国内外专家意见的基础上，我们将采动应力、瓦斯参数动态变化等作为工程活动影响因素。随着工作面不断向前推进，以及瓦斯抽采等工程活动的影响，所有待预测单元的采动应力值、瓦斯压力、瓦斯含量都是在不断变化的，通过对这些值的动态计算(见1.4节)，结合判别准则，实现工作面煤与瓦斯突出危险性的动态预测。

图2　煤与瓦斯突出多因素预测流程Fig.2　Multi factor prediction process of coal and gas outburst

A-减压区；B-增压区；C-稳压区；D-极限平衡区；E-弹性区图3　工作面前方受力状态与支承应力分区Fig. 3　The stress state and support stress zone of working face

1.4　工程活动影响的突出因素动态计算

1.4.1采动应力计算

根据工作面煤体极限应力平衡状态(图3)可建立平衡方程：

m(σx+dσx)-mσx-2σyfdx=0

(8)

式中:m为煤层采高，m；σx为水平应力，MPa；σy为垂直应力，MPa；f为煤层与岩层间的摩擦因素。

由极限平衡条件和支承压力分区关系[14]可求得垂直应力σy为：

(9)

式中:N0为煤帮的支撑能力，MPa；x为距工作面煤壁的距离，m；φ为内摩擦角，(°)；γ为岩石容重，N/m3；H为煤层赋存深度，m；B为应力增高区范围，m；σmax为工作面前方最大支承压力，即x=D的压力，MPa；D为极限平衡区范围，m。

1.4.2瓦斯参数计算

随着瓦斯抽采、风排瓦斯等工程活动的进行，工作面内的瓦斯参数必将发生变化，仅考虑瓦斯抽采的情况下：

(10)

q=q0-Q/A

(11)

式中:Q为钻孔瓦斯抽采总量，m3；n为抽采钻孔的个数；qi0为第i个钻孔的初始瓦斯流量，m3/min；αi为第i个钻孔的瓦斯流量衰减系数，d-1;t为抽采时间，d；q为瓦斯相对含量,m3/t；q0为瓦斯含量,m3/t；A为钻孔抽采区域的原煤储量，t。

瓦斯压力的计算可根据朗缪尔瓦斯含量计算公式[15]求得：

p=αq2+β

(12)

式中:p为瓦斯压力，MPa；α,β为关系系数。

2　工作面煤与瓦斯突出危险性动态预测系统

工作面煤与瓦斯突出危险性动态预测软件系统是基于AutoCAD平台，应用VBA[11]技术开发，将图形绘制、图形管理、模式识别和煤与瓦斯突出预测系统集成在一起。系统由网络划分子系统、数据导入子系统、动态计算子系统、危险性预测子系统和危险性分级子系统组成(如图4)。

图4　基于AutoCAD的煤与瓦斯突出危险性动态预测系统结构Fig.4　AutoCAD-based coal and gas outburst prediction system structure

各子系统通过数据接口与AutoCAD实现数据通信，系统可方便地调用dwg格式的采掘工程平面图、瓦斯地质图等图形数据，系统后台数据库采用Access数据库进行存储与管理。运行该系统可得到工作面煤与瓦斯突出危险性数据可视化图件和区域危险程度分布图，实现数据的可视化管理，提高预测的准确性和时效性，为了更高效地工作，系统还可以接显示器、绘图仪、打印机、扫描仪等外部设备。另外，系统采用Windows标准图形用户界面，整个系统具有方便、易用等特点。

3　工程应用

3.1　预测工作面概况

平顶山矿区属于秦岭造山带北缘逆冲推覆构造系高突瓦斯带和豫西强变形“三软”煤层高瓦斯带，瓦斯地质条件复杂。矿区历史上有记载的煤与瓦斯突出事故156次，平均突出煤量117.2 t/次，平均涌出瓦斯量8633.6 m3/次。其中122次发生在矿区东部八矿、十矿、十二矿、首山一矿，占总次数的78.2%，煤与瓦斯突出区域分布明显。

十矿己15-24080工作面埋深631～900 m，平均倾角23°，有效走向长度762.5 m，平均斜长215 m，煤层厚度2.1～3.9 m，瓦斯原始含量15.256 m3/t，瓦斯原始压力1.5 MPa，相对瓦斯涌出量7.8～11.97 m3/t，绝对瓦斯涌出量4.47～8.8 m3/min，工作面内有4个断层。工作面开采过程中，原岩应力16.8 MPa，应力峰值47.3 MPa。

3.2　工作面预测结果及分析

分别对十矿己15-24080工作面自然状态、瓦斯抽采过后以及工作面推进到停采线附近等几种情况进行了危险性预测，预测结果以突出危险性概率值大小生成概率预测图，当然，危险性的等级可以根据工程实际情况进行适度调整和划分。

1)十矿己15-24080工作面自然状态下预测结果：十矿己15-24080工作面自然状态下预测出概率值多数在0.6～0.92之间(如图5)，几乎所有的区域为危险区，必须采取相应的解危措施，与实际情况具有较好的一致性。

2)十矿己15-24080工作面抽采后预测结果：十矿己15-24080工作面抽采后危险性概率值多数在0.32～0.56之间，少数概率值在0.75～0.89之间 (如图6)。由此可以看出，经过瓦斯抽采措施之后，煤与瓦斯突出危险性明显降低；但有一少部分区域可能受构造异常、瓦斯抽采效果不理想等因素的影响，仍然具有较高的突出危险性，还应该加强抽采措施进行强化抽采，消除突出危险后方可作业。当回采到这些区域时，还应该注意采取其他措施，加强监测检验，提高安全防护效果。

3)十矿己15-24080工作面回采到停采线时预测结果：采煤工作面推进过程中，受采动影响会导致工作面前方应力集中，考虑到瓦斯抽采和风排瓦斯的影响，煤体中残余瓦斯压力可能存在局部不均匀的现象，同时由于开采过程中对局部构造进行处理等措施都会导致煤体中各个参数的变化。通过“动态计算子系统”可以根据工作面推进至任意位置时的参数变化情况进行计算，从而利用“危险性预测子系统”动态预测回采过程中工作面的突出危险性情况。十矿己15-24080工作面回采到停采线时工作面前端

图5　十矿己15-24080工作面自然状态危险性预测Fig.5　The natural state risk prediction chart of ten mineral Ji15-24080

图6　十矿己15-24080工作面抽采后危险性预测Fig.6　The extracted risk prediction chart of ten mineral Ji15-24080

图7　十矿己15-24080工作面回采到停采线时危险性预测Fig.7　Mining face to the stop line the risk prediction chart of ten mineral Ji15-24080

的危险性概率值在0.34～0.75之间 (如图7)，在停采线附近的突出危险性明显升高，结合实际工作面情况得出，这是由于停采线附近工作面顶板悬空面积增大，且围岩应力受到底部联络巷影响，使得工作面前方支承应力较平常水平更加提高。当工作面推进到停采线附近时要特别注意加强支护，防止动力灾害的发生。

3.3　工作面突出危险性预测效果检验

将平顶山十矿己15-24080工作面的煤与瓦斯突出预测结果与实际情况进行了比较。在工作面进行瓦斯预抽时，多处位置伴有钻孔喷孔现象，整个区域瓦斯含量都较高。距开切眼210～330 m范围内，煤层厚度变化范围为2.2～3.9 m，煤层起伏较大，危险性预测概率值为0.54～0.75。距开切眼650 m处，钻孔时发生顶钻现象，瓦斯压力达到0.69 MPa，预测概率值为0.63～0.87。经检验，煤与瓦斯突出危险性预测结果总体趋势与己15-24080工作面实际情况有较好的一致性，对工作面安全生产工作具有良好的指导作用。

4　结论

1)在影响煤与瓦斯突出的客观因素基础上，充分考虑人类工程活动的影响，基于模式识别理论和概率预测方法，形成工作面煤与瓦斯突出危险性预测方法。

2)运用VBA编程技术开发了采煤工作面煤与瓦斯突出危险性动态预测系统，系统界面采用windows标准用户界面，可操作性强，实现了对工作面煤与瓦斯突出危险性分单元动态预测，预测结果以dwg格式的图形文件形式呈现，很好的与矿上基础地质图件相对应，实现了煤与瓦斯突出危险性预测的可视化管理。

3)成功地预测了平顶山十矿己15-24080工作面煤与瓦斯突出危险性，预测结果与现场实际情况有较好的一致性，能够为煤与瓦斯突出的防治工作提供技术支撑。

[1]朱志洁,张宏伟,韩军,等. 基于PCA-BP神经网络的煤与瓦斯突出预测研究[J]. 中国安全科学学报,2013,23(4):45-50.

ZHU Zhijie, ZHANG Hongwei, HAN Jun,et al. Prediction of coal and gas outburst based on PCA-BP neural network[J]. China Safety Science Journal,2013,23(4):45-50.

[2]念其锋, 施式亮, 李润求. 基于网络分析和联系熵的煤与瓦斯突出预测研究[J]. 中国安全生产科学技术,2014(2):22-27.

NIAN Qifeng, SHI Shiliang, LI Runqiu. Study on coal and gas outburst prediction based on analytic network process and connection entropy[J]. Journal of Safety Science and Technology, 2014(2):22-27.

[3]宋卫华,张宏伟. 矿井煤与瓦斯突出危险性预测的模式识别研究[J]. 安全与环境学报, 2006,6(S): 90-92.

SONG Weihua, ZHANG Hongwei. Pattern recognition of coal and gas outburst fatalness prediction in mines [J].Journal of Safety and Environment, 2006,6(S): 90-92.

[4]曲方,张龙,李迎业,等. 基于BP神经网络的煤与瓦斯突出预测系统开发[J]. 中国安全科学学报,2012(1):11-16.

QU Fang, ZHANG Long, LI Yingye, et al. Development of coal and gas outburst prediction system based on BP neural network [J]. China Safety Science Journal, 2012(1):11-16.

[5]杨飞龙,蒋承林,孙鑫,等. 煤与瓦斯突出影响因素评价分析的模糊层次分析方法[J]. 中国安全生产科学技术,2009(6):53-56.

YANG Feilong, JIANG Chenglin, SUN Xin, et al. Evaluation and analysis on influential factors of coal and gas outburst based on fuzzy analytic hierarchy process[J].Journa1 of Safety Science and Technology, 2009(6):53-56.

[6]张子戌,刘高峰,吕润生,等. 基于模糊模式识别的煤与瓦斯突出区域预测[J]. 煤炭学报,2007(6):592-595.

ZHANG Zixu, LIU Gaofeng, LV Runsheng,et al. Regional forecast of coal and gas burst based on fuzzy pattern recognition[J]. Journal of China Coal Societ, 2007(6):592-595.

[7]沈志伟,王恩元,钮月. 基于突变级数法的煤与瓦斯突出危险性预测[J].工矿自动化,2015,21(5):29-32.

SHEN Zhiwei,WANG Enyuan, NIU Yue. Prediction of coal and gas outburst basedOncatastrophe progression method[J]. Industry and Mine Automation,2015,21(5):29-32.

[8]皮子坤, 贾宝山, 贾廷贵, 等. 煤与瓦斯突出预测综合指标F临界值研究[J]. 中国安全生产科学技术,2015(9):38-44.

PI Zikun, JIA Baoshan, JIA Tinggui, et al. Study on critical value of comprehensive index F for coal and gas outburst prediction[J]. Journal of Safety Science and Technology, 2015(9):38-44.

[9]郭德勇,郑茂杰,郭超, 等. 煤与瓦斯突出预测可拓聚类方法及应用[J]. 煤炭学报,2009(6):783-787.

GUO Deyong,ZHENG Maojie,GUO Chao, et al. Extension clustering method for coal and gas outburst prediction and its application[J]. Journal of China Coal Societ, 2009(6):783-787.

[10]牟全斌. 我国煤与瓦斯突出区域预测方法研究现状及展望[J]. 煤炭科学技术,2014(11):59-63.

MOU Quanbin. Research status and Prospect of coal and gas outburst region prediction method in China[J]. Coal science and technology, 2014(11):59-63.

[11]张帆,郑立凯,卢择临,等. AutoCAD VBA 二次开发教程[M]. 北京: 清华大学出版社,2006.

[12]陈振华,余永权,张 瑞.模糊模式识别的几种基本模型研究[J].计算机技术与发展,2010,20(9):32-35.

CHEN Zhenhua, YU Yongquan, ZHANG Rui. Research on several models of fuzzy pattern recognition problems[J].Computer Technology and Development, 2010,20(9):32-35.

[13]段旭琴, 丁照忠, 段健, 等. 多级模糊模式识别模型在评价高炉喷吹混煤中的应用[J]. 煤炭学报,2011,36(10):1748-1752.

DUAN Xuqin, DING Zhaozhong, DUAN Jian, et al. Application of multi-classification fuzzy pattern recognition model in blast furnace injection assessment of blended coal[J]. Journal of China Coal Societ,2011, 36(10):1748-1752.

[14]钱鸣高,石平五,许家林. 矿山压力与岩层控制[M]. 徐州：中国矿业大学出版社,2010.

[15]林柏泉,张建国. 矿井瓦斯抽放理论与技术[M]. 徐州：中国矿业大学出版社,2007.