多参量融合预测煤岩动力灾害的研究

刘晓悦，李朋园

(华北理工大学 电气工程学院，河北 唐山 063210)

多参量融合预测煤岩动力灾害的研究

刘晓悦，李朋园

(华北理工大学 电气工程学院，河北 唐山 063210)

多参量；电磁辐射；声发射；红外辐射；灰色关联分析法；综合危险指数；煤岩动力灾害

针对煤岩动力灾害存在非线性、强耦合性等特点导致的煤岩动力灾害难以预测的问题，提出了多参量融合来预测煤岩动力灾害的方法。通过灰色关联分析法分析煤岩失稳破坏前各参量的前兆特征与煤岩灾害的关联度，最终确定以电磁辐射、声发射、红外辐射作为预测煤岩灾害的特征值。然后，由各因变量的单项危险指数所得的综合危险指数来表征煤岩动力灾害的危险程度，建立预测模型。运用遗传算法改进的BP神经网络对该方法进行了验证，实验结果表明，此方法与单一变量相比预测稳定性较好，且预测精度更高。

0 引言

近年来，随着市场对煤炭需求不断増加，对煤炭进行深部开采已经成为必然[1]。伴随着煤矿开采的深入，煤岩失稳破坏也具有突发性和多样性。冲击地压等煤岩动力灾害造成了大量人力、物力、财力的损失。目前，常用的方法如电磁辐射法[2]、声发射法[3-7]、红外辐射法[8]对冲击地压等煤岩动力灾害进行预警，但由于煤岩失稳孕育条件的复杂性和多样性，仅考虑单一前兆规律的传统预测方法存在很大局限性。为此，采用灰色关联分析法选取表征煤岩动力灾害明显的参量，最后选取电磁辐射、声发射、红外辐射温度作为预测煤岩灾害的特征值。由各因变量的单项危险指数所得的综合危险指数来表征煤岩动力灾害的危险程度，表明此方法比单一变量预测稳定性更好。

1 煤岩失稳破坏的前兆特征分析

根据前人的研究成果和现场试验情况，随着采矿地球物理技术的发展，电磁辐射(EME)、声发射(AE)、微震和红外辐射等技术逐步应用于矿井煤岩动力灾害危险性预测是煤与瓦斯突出、冲击地压等灾害预测理论上的一次飞跃，可以实现连续或非接触预测。根据收集到的唐山某煤矿的历史数据，对煤岩失稳破坏前的电磁辐射、声发射、微震和红外辐射温度等去噪处理后进行特征分析。

1.1 声发射特征分析

在煤岩动力灾害发生的前期过程中，煤岩表面的破裂以及裂纹之间发生的相对滑动会产生少量的声发射信号。加载初期，虽然煤岩体内部的微裂纹压密产生声发射信号，但是没有出现裂纹的扩展和错位活动，此时幅值变化不大。随着荷载的慢慢增加，煤岩内部将会出现位错运动加强，AE信号不断变强的现象。在后续过程中，伴随着声发射信号逐渐减小，声发射的幅值也会随之变小。发生此现象的原因是煤岩裂纹在扩大之后被进一步地压缩，并减小了位错运动。而在煤岩破裂的后期，煤岩裂纹进一步汇合和贯通，造成声发射信号的突然增大，一些参数诸如声发射事件数、声发射幅值等出现了峰值。如图1所示，在煤岩破裂前有一个声发射幅值局部低值，而在煤岩失稳时声发射信号又明显上升。

图1 声发射信号幅度-时间

1.2 电磁辐射特征分析

电磁辐射是采动影响下煤岩体内受载变形破坏过程中的电磁波，与煤岩体载荷有良好的对应关系。煤岩体内部能量的非均衡变化随时间不断波动，有显著的时间特性。根据收集到唐山某煤矿的煤岩失稳的历史数据，煤岩动力灾害发生前电磁辖射幅度经历增大-极大值-减小-极小值-再次增大的过程，可以得知，在煤岩体内部变形局部化区域的相对拉伸或是相对滑动变化导致电磁福射快速增大并达到极大值；变形局部化区域的相对拉伸或相对滑动主导电磁福射值从极大值减小为极小值；变形局部化区域的相对拉伸及相对滑动共同作用导致电磁福射值再次增大，在电磁辐射极小值时刻可以视为煤体失稳破坏的前兆点。如图2所示。

图2 电磁辐射信号幅度-时间

1.3 红外辐射特征分析

煤岩失稳破坏时红外辐射温度升高，这是由于煤岩体内部的错动及摩擦效应和颗粒之间摩擦揉搓效应的综合作用。随着煤岩失稳，能量释放红外辐射温度降低。煤岩失稳破坏的表面平均温度会经历先升高然后再降低的过程，其升高的极大值点可以作为煤岩失稳破坏的温度前兆，在平缓降低阶段预示着试样即将失稳破坏，如图3所示。

图3 红外辐射温度-时间

其升高的极大值点可以作为煤岩失稳破坏的温度前兆，在平缓降低阶段预示着试样即将失稳破坏。

2 基于GRA选取多参量

2.1 GRA原理

灰色关联度是影响因素对被影响因素贡献度的一种描述，也是表征自变量对因变量的影响程度的一种方法[9]。灰色关联分析法就是基于灰色关联度来分析其他参量对选煤岩灾害影响程度的一种算法。

煤岩破裂过程具有非线性、大惯性、强耦合性等特点，声发射、电磁辐射和红外辐射信号测得较多，比如：声发射能量、幅度、振铃数、电磁辐射幅度、脉冲、能量、红外辐射温度、幅度、微震等。所以在建立预测模型之前，首先采用灰色关联分析法选取表征煤岩动力灾害明显的参量(即关联度较大的参量)。

具体步骤如下：

第1步：变量的无量纲化

由于影响选矿成本的因素较多且单位不一，在比较之前需要对自变量去量纲化，以便用于分析每个因素的灰色关联度。

(1)

第2步：计算关联系数

记 ζi(k)为x0(k)和xi(k)的关联系数

第3步：求灰色关联度

关联系数是反映比较数列与参考数列的关联程度值，关联系数个数等于样本数量。然而，过于离散的信息不利于用于整体性的对比。因此，采用求平均值的方法来表征比较数列和参考数列的关联程度，关联度ri公式如下：

(4)

第4步：关联度排序

根据关联度大小进行排序，例如r1lt;r2，则参考数列y与比较数列x2更相似。

根据唐山煤矿的大量历史数据求得的各特征参量与综合危险指数的关联度为：

r1=0.894 667，r2=0.324 313，r3=0.238 545，r4=0.784 136，r5=0.145 754，r6=0.314 675，r7=0.903 467。

排序结果为：r7gt;r1gt;r4gt;r2gt;r6gt;r5gt;r3式中：

r1——声发射幅度；r2——声发射振铃数；r3——声发射能量；r4——电磁辐射幅度；r5——电磁辐射脉冲；r6——电磁辐射能量；r7——红外辐射温度。

由灰色关联度排序可知，声发射幅度、电磁辐射幅度、红外辐射温度与综合危险指数的相关性更高，所以选取该3个特征参量作为模型的输入参量。

2.2 多参量融合

在煤岩灾害发生时，发生的时间、地点等具有很大的随机性，并且复杂多样。这也造成了预测煤岩动力灾害变得极为困难，成为了亟待解决的大难题。单变量如电磁辐射法、声发射法、红外辐射法在预测煤岩灾害时，会造成漏报、低可靠性等问题。针对这一问题，笔者提出融合多参量来提高预报的准确性，降低了漏报率。但是，因为每种预测指标都有特有的预测机理，所以如何将多参量融合耦合在同一预测模型中及各指标权重大小的问题是多参量融合的重中之重[10]。为此，该项研究采用了一种根据不同指标的重要程度及其临界值的大小来融合多参量的预测方法。

首先，由单一变量的各单项危险指数确定的综合危险指数表征煤岩动力灾害的危险程度。其中，电磁辐射幅度、声发射幅度、红外辐射温度的单项指标危险指数Wt表达式为：

(5)

式中，Wt表示单项指标危险指数,其值在0-1之间。其中A(t)表示时刻指标的幅值，A0表示为指标幅值的平均值,其值根据矿井实测数据统计结果确定。Amax表示指标幅值的最大值,其值根据矿井实测数据统计结果确定。

2.3 综合危险指数

(6)

式中，W综(t)表示t时刻总的指标危险指数，i表示电磁辐射、声发射、红外辐射第i个指标,Wi(t)表示t时刻第i个指标的单项危险指数,其值按式(3)计算，fi(t)表示t时刻第i个指标的权重。表1所示为t时刻各指标权重选择。

表1 t时刻各指标权重选择

根据总的指标法,得出t时刻总的指标危险指数W综(t),根据W综(t)值的大小也将危险等级分为安全、较安全、较危险和危险4个等级,其判定标准按照表所示。表2所示为综合指标危险程度判定标准。

表2 综合指标危险程度判定标准

3 GA-BP实验验证

该项目采用遗传算法改进的BP神经网络对该方法进行了验证，并建立了预测模型。遗传算法改进 BP 神经网络来确定初始权值和阈值，克服BP神经网络很难确定最优的初始连接权值和阈值、网络结构难以确定、经典的梯度下降法常常陷入局部最优等缺点。遗传算法只利用适应度函数仍然能够对多态和非连续性数取得全局最优解，而且不采用其他辅助信息。

选取100组具有代表性的样本，其中70组为训练样本，30组为测试样本。经过反复训练，煤岩动力灾害的预测模型拟合数据迭代步数更少，能更快达到目标，展现出了很好的收敛性，如图4所示。图5所示为均方差曲线，图6所示为GA-BP预测危险指数-时间。由图4和图5可以看出，最小均方误差值很快到达了最优值。

图4 适应度曲线

图5 均方差曲线

图6 GA-BP预测危险指数-时间

通过仿真结果可以看出：多种参量融合遗传算法优化的BP神经网络预测煤岩动力灾害方法其适用性更为广泛。

4 结论

(1)通过对电磁辐射、声发射、红外辐射温度5种单一参量的单项危险指数确定综合危险指数表征煤岩动力灾害的危险程度。有效地实现了对冲击地压等煤岩动力灾害的预测。

(2)根据综合危险指数将煤岩动力灾害划分为4个等级，针对不同的危险等级采取相应的解危措施，有效地实现了对冲击地压、煤与瓦斯突出以及复合型动力灾害的分级综合评定。

(3)通过实例验证，遗传算法优化BP神经网络的煤岩动力灾害预测方法，结合电磁辐射、声发射、红外辐射温度的多参量的前兆规律，该方法明显提高了煤岩动力灾害预警的准确性。

[1] 刘纪坤. 煤岩动力灾害电磁辐射信号特征研究[J]. 中国安全科学学报,2015,(12):105-110.

[2] 张世杰. 煤岩破坏电磁辐射特征及信号分析处理技术研究[D]. 北京:中国矿业大学, 2010.

[3] 孔祥国,王恩元,胡少斌,等. 含瓦斯型煤破坏临界慢化前兆特征研究[J]. 中国矿业大学学报,2017,(01):1-7.

[4] 杨永杰,王德超,赵南南,等. 煤岩蠕变声发射特征试验研究[J]. 应用基础与工程科学学报,2013,(01):159-166.

[5] 来兴平,张勇,奚家米,等. 基于AE的煤岩破裂与动态失稳特征实验及综合分析[J]. 西安科技大学学报,2006,(03):289-292+305.

[6] 高保彬,李回贵,李化敏,袁瑞甫,刘云鹏. 声发射/微震监测煤岩瓦斯复合动力灾害的研究现状[J]. 地球物理学进展,2014,(02):689- 697.

[7] 丁鑫,肖晓春,吴迪,等. 不同加载路径煤岩破裂过程声-电荷复合信号特性[J]. 煤炭学报,2016,(S2):359-368.

[8] 杨桢,齐庆杰,叶丹丹,等. 复合煤岩受载破裂内部红外辐射温度变化规律[J]. 煤炭学报,2016,(03):618-624.

[9] 黄涛. 基于灰色关联度分析的模糊群决策方法研究[D]. 广州：华南理工大学,2016.

[10] 李成武,杨威,王启飞,等. 一种煤岩动力灾害多参量综合指标预测方法[P]. 北京：CN103104291A,2013-05-15.

StudyonPredictionofCoalandRockDynamicDisasterbyMulti-parameterFusion

LIU Xiao-yue, LI Peng-yuan

(College of Electrical Engineering, North China University of Science and Technology, Tangshan Hebei 063210, China)

multi-parameter; electromagnetic radiation; acoustic emission; infrared radiation; gray relational analysis; integrated risk index; coal and rock dynamic disaster

Aiming at the unpredictable problems of coal and rock dynamic disaster caused by its nonlinearity and strong coupling, a method which fuses many parameters to predict coal and rock dynamic disasters was proposed. Firstly, the precursor features before instability failure of coal and rock and calculate the correlation degree by gray relational analysis method were analyzed. The electromagnetic radiation, acoustic emission and infrared radiation are used as the characteristic values to predict coal rock disaster were determined. Finally, by using individual risk index for each dependent variable to calculate integrated risk index as the token value of coal and rock dynamic disaster, the prediction model was established. By using BP neural network improved by genetic algorithm, the method was verified. The results show that the method has better stability and higher prediction accuracy than the prediction of single variable.

2095-2716(2017)04-0021-07

2017-04-24

2017-09-19

TD821

A