寸草塔煤矿回采工作面上隅角瓦斯涌出浓度预测研究

2019-03-20陈帅

陕西煤炭 2019年2期

陈帅

(神东煤炭集团开拓准备中心，内蒙古鄂尔多斯 017000)

0 引言

瓦斯事故是煤矿的重大灾害和安全隐患之一，在煤炭开采过程中，由于回采工作面上隅角位于煤壁和采空区的侧区，风流速度较低，局部处于涡流状态，涡流使采空区中涌出的瓦斯很难流入到主回风流中，导致上隅角瓦斯极易超限[1]。因此，上隅角瓦斯的治理是煤矿瓦斯治理中的重中之重。回采工作面上隅角的瓦斯浓度的超限，为煤矿的安全生产带来重大的事故隐患[2]，准确预测回采工作面上隅角的瓦斯浓度，避免在瓦斯综合防治中存在盲目性，做到经济、有效和有预见性，一直是煤矿瓦斯瓦斯治理工作中的重点和难点[3]。

国内的众多学者对回采工作面上隅角的瓦斯浓度进行了预测，如马云歌[3]等利用灰色预测模型采用时序法对回采工作面上隅角的瓦斯浓度进行了预测；刘见中[4]通过归纳影响回采工作面上隅角瓦斯浓度的8个相关影响因素，利用BP神经网络模型对回采工作面上隅角的瓦斯浓度进行了预测；刘斌[5]利用最小二乘法对上隅角瓦斯浓度的变化规律进行了分析，并得出了上隅角瓦斯浓度与工作面产量和工作面风量之间的相关性。尽管上隅角瓦斯浓度的预测已经有了许多研究成果，但是上述研究仅仅是针对上隅角平均瓦斯浓度的预测，而寸草塔煤矿22301回采工作面的上隅角的每日平均瓦斯浓度处于较低范围内，并且远远低于每日最大瓦斯浓度均值，因此，有必要对22301回采工作面上隅角每日最大瓦斯浓度进行预测，从而得到上隅角瓦斯浓度的异常值，以便采取相应的上隅角瓦斯治理措施，防止瓦斯爆炸等重大事故的发生。

1 寸草塔煤矿及22301工作面基本情况

神东寸草塔井田位于内蒙古自治区鄂尔多斯市境内，行政区划隶属鄂尔多斯市伊金霍洛旗布尔台乡。寸草塔煤矿采用抽出式通风方法，通风方式为中央并列式通风，矿井采用两进一回：主斜井及辅平硐同时进风，由1#、2#回风平巷集中回风。

22301工作面为三盘区首采工作面，位于三盘区辅运大巷西南，井田边界以北，三盘区边界以西，11302工作面以东。煤炭可采储量403万t。工作面煤层底板标高1 003～1 031 m，煤层倾角1°～3°，平均1°左右，煤层厚度为2.4～3.2 m，平均厚度2.58 m。工作面设计走向长度为3 916 m，倾向长度为300 m，设计采高2.58 m。22301运输顺槽设计断面为5.4 m×2.8 m，回风顺槽为5.4 m×3.2 m。四邻除11302工作面回采完毕以外，其余邻区均未开采。22301工作面平面位置如图1所示。

图1 22301工作面位置示意图

利用瓦斯监测监控系统对22301工作面上隅角瓦斯浓度进行监测，并采集了2018年3月份共31 d的上隅角瓦斯浓度数据，通过对现场监测数据分析，得到了图2和图3所示的每日上隅角平均瓦斯浓度和最大瓦斯浓度。由图2可以发现寸草塔煤矿22301工作面上隅角每日平均瓦斯浓度变化比较稳定，瓦斯浓度均低于0.08%，瓦斯浓度处于比较合理的范围内；由图3可以发现寸草塔煤矿22301工作面上隅角每日最大瓦斯浓度绝大多是低于0.4%，处于比较安全的范围内，但是每日最大瓦斯浓度远远大于每日平均瓦斯浓度，一旦上隅角瓦斯浓度超限，极易给矿井的安全生产造成重大的破坏。因此，有必要利用工作面相关指标参数对寸草塔煤矿22301工作面上隅角瓦斯最大浓度进行预测，文中采用BP神经网络对工作面上隅角瓦斯最大浓度进行预测。

图2 2018年3月份22301工作面上隅角每日瓦斯平均浓度

图3 2018年3月份22301工作面上隅角每日瓦斯最大浓度

2 BP神经网路预测工作面上隅角瓦斯浓度

2.1 BP神经网络相关理论

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递过程中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图4所示。

图4 BP神经网络拓扑结构图

图4中，x1，x2，…，xn是BP神经网络的输入值，y1，y2，…，ym是BP神经网络的预测值，wmn和vpm是BP神经网络的权值。从图4中可以看出，BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为p时，BP神经网络就表达了从n个自变量到p个因变量的映射关系。

2.2 BP神经网络预测过程

样本数据的选取：在煤炭开采过程中，回采工作面上隅角的瓦斯浓度的变化受到多种因素的影响，但是瓦斯涌出量、工作面风量、瓦斯抽放量和抽放负压等因素对其影响最为显著[6]。因此，文中采用瓦斯涌出量、抽放负压、瓦斯抽放量和工作面风量4种指标对回采工作面上隅角每日瓦斯最大浓度进行预测，采集了相关影响因素的具体数值，并以此作为BP神经网络的训练样本，见表1。

BP神经网路参数模型的设置：利用MATLAB编写相关程序，对回采工作面上隅角每日最大瓦斯浓度进行预测。在BP神经网络训练过程中，选取不同的激活函数其训练效果是不同的，MATLAB中有Traingd、Traningdm和Traingdx三种激活算法可供选择，因为Traingdm为动量自适应梯度算法且训练速度较快[7]，所以文中选择Traingdm激活算法。

BP神经网络结构主要包括隐含层数、输入层节点、输出层节点以及隐含层次的节点数。隐含层层数在选择的时候主要考虑的是训练时间和网络精度，对于较简单的映射关系，可以选择单隐含层网络，提高训练速度；对于复杂的映射关系，则可以选择多隐含层，提高网络的预测精度。三层BP神经网络在隐含层节点数足够多的情况下，具备模拟任意复杂的非线性映射的能力，可以解决大多数非线性问题，被广泛运用[8-10]，故文中选择三层BP神经网络。输入层节点数为所选择的4项指标，输出节点为回采工作面上隅角每日最大瓦斯浓度。设置最大训练步数epochs为5 000步，学习期望误差goal为0.001，学习速率lr选取0.1。