基于区间估计法的井下巷道风量稳定性分析

2019-10-193

山东科技大学学报(自然科学版) 2019年5期

(1.山东科技大学矿业与安全工程学院，山东青岛 266590；2.神华新疆能源有限责任公司，新疆乌鲁木齐 830000；3.山东科技大学矿山灾害预防控制省部共建国家重点实验室培育基地,山东青岛 266590)

矿井通风系统是保障矿井安全生产最主要、最基础、最经济的技术手段[1]，随着机械化的快速发展，矿山的生产能力得到了很大的提高[2-9]。如果矿井通风系统的稳定性较差，轻则导致井下需风地点供风不足，重则导致井下局部地点瓦斯积聚，引发人员窒息和瓦斯爆炸事故。因此，加强矿井通风系统的监测监控、加强井下巷道风量稳定性的研究，对于保证矿井的安全高效生产具有重要意义。

近年来，国内外研究人员对矿井通风系统风流稳定性进行了研究和探索，其中朱政宏等[10]利用Fuzzy模型分析了矿井通风系统风流稳定性；Euler等[11]演示了利用通风管理计划响应井下现场风量检查和审核的案例；Luo等[12]利用不相交布尔代数法计算了矿井通风网络的可靠性；Cheng等[13]利用最优指标选择和风险评估两个子模型构成的预警模型深入分析了矿井通风监测数据；Jia等[14]基于多元回归分析法通过阻力测定评价了矿井通风系统的稳定性；刘晓南等[15]利用FA-FDA判别分析法进行矿井通风系统安全评价；徐凯[16]基于BP神经网络进行了矿井通风系统安全性评价；梁志强等[17]通过建立矿井通风系统安全可靠性二级模糊综合评价模型，划分评价等级和模糊综合评价矩阵，对矿井通风系统安全可靠性进行了模糊综合评价；贾进章等[18]根据矿井风阻与风量等数据建立了风量灵敏度理论，并利用自主开发的软件求出了通风系统的灵敏度，分析了矿井通风系统的稳定性。

图1 置信区间计算步骤图Fig.1 Diagram showing steps involved in confidence interval calculation

1 置信区间与安全阈值区间的计算方法

研究过程充分利用各待测巷道测风站布置的风速传感器，并参考矿井通风日报表，在矿井正常生产时期，对研究对象进行不少于60 d的通风实时监测。为排除监测过程中数据采集时间的不均匀性带来的数据冗余影响，统一选取20 min的时间间隔采集所有待测巷道的风量数据。

1.1 风量置信区间

如图1所示，置信区间的计算按照确定样本数据分布、确定置信水平、计算得到置信区间的步骤逐步进行。国内煤矿井下通风管理中普遍使用10%膨胀系数，即实际风量与设计配风量相差不超过10%。本研究中风量置信区间用于衡量巷道风量的稳定极限，所以区间估计误差应小于10%。本研究将置信水平定为95%，选取这一数值的原因是该数值比现场使用的10%膨胀系数的估计误差降低了50%，能够达到精度要求，并且实际应用中置信区间习惯上选取5%的间隔来确定置信水平数值。

1.2 风量安全阈值区间

试验矿井采区大巷连续监测的结果显示：该巷道风量值围绕平均值上下波动，风门开闭、临时生产变动等异常时刻的风量数据都落在某一区间之外，本研究将该区间定义为安全阈值区间。为准确得到这一区间，通过逐渐增加样本数量确定区间边界，同时分析样本特征数据与该区间边界的关系。安全阈值区间的确定过程如表1所示。

表1 安全阈值区间得出过程Tab.1 Safety threshold interval derivation process

从表1可以看出，随着样本数据量的增大，样本均值及安全阈值区间逐渐收敛。安全阈值区间可以通过样本数据的第10百分位数和第90百分位数配合一定的无量纲系数进行描述。无量纲参数由风量数据的离散程度决定，对于固定生产布局的采区大巷，该数值为0.8。安全阈值区间的计算公式为：

(a,b)=(μ-∣x10-μ∣·η,μ+∣x90-μ∣·η)。

(1)

式中：μ为数据样本均值，m3/s；x10为数据样本第10百分位数，m3/s；x90为数据样本第90百分位数，m3/s；η为阈值系数，无量纲参数，由数据离散程度确定，采区大巷取0.8。

2 现场应用

2.1 研究对象概况

选取唐口煤矿、梁宝寺煤矿及巴彦高勒煤矿为研究对象，其中唐口煤矿与巴彦高勒煤矿采用中央并列式通风系统，梁宝寺煤矿采用一矿两井分区式通风系统。从上述三座煤矿各选取一条采区大巷进行数据采集，分别是南回大巷、35000采区大巷、17盘区回风巷。3条巷道所在分支比较稳定，服务的采区在研究过程中保持固定的生产布局，能最大程度地排除各种因素对风量监测数据的干扰。3条巷道的基本情况如表2。

表2 所选巷道基本情况Tab.2 Basic conditions of the selected roadway

表3 风量数据样本区间划分及频数分布Tab.3 Airflow data sample interval division and frequency distribution

2.2 风量置信区间与安全阈值区间计算

现场测量中对唐口煤矿南回大巷2017年6月1日至2017年7月30日共60 d的通风情况进行了实时监测；对梁宝寺煤矿35000采区大巷2017年5月20日至2017年7月19日共60 d的通风情况进行了实时监测；对巴彦高勒煤矿17盘区回风巷2017年6月1日至2017年7月30日共60 d的通风情况进行了实时监测。

总之，《警察与赞美诗》是一部经典的小说作品，它的成功不仅依赖于作者精准的选材，人物形象的特殊塑造，而且更依赖于他所运用的语言。在其与众不同的语言特色影响下，各国的读者既感悟到了文学艺术的魅力，又体悟到了其作者欧·亨利的艺术风格。因此，本文在回顾传统研究局限性的基础上，对其语言特色从三个层面上进行了深入的挖掘。

1)确定样本的分布

将样本数据分组，并统计每组的频数(表3)。如图2，从频数分布直方图中可以看出，3条巷道的数据均呈“钟形”分布，近似符合正态分布的特征，因此可以将样本初步确定为正态分布。

图2 频数分布直方图及正态分布拟合曲线Fig.2 Frequency distribution histogram and normal distribution fitting curve

2)验证曲线分布的正确性

根据95%置信水平将显著水平选取为0.05，经过查表可得u0.05=1.96。通过计算得出样本数据偏度u1及峰度u2并与u0.05进行比较，即可检验样本分布是否属于正态分布，风量数据样本偏度及峰度计算结果如表4所示。

表4 风量数据样本偏度及峰度计算结果Tab.4 Air volume data sample skewness and kurtosis calculation result

表5 风量置信区间计算结果Tab.5 Air volume confidence interval calculation result

表6 风量安全阈值区间计算结果Tab.6 Air volume safety threshold interval calculation result

偏度及峰度绝对值均小于u0.05，因此所选巷道的风量近似服从正态分布。

3)计算风量置信区间

选取的95%置信水平对应α=0.05，经查表得zα/2=1.96。利用如下置信区间计算公式得到的计算结果如表5所示。

(2)

式中，μ为数据样本均值，m3/s；x10为数据样本第10百分位数，m3/s；σ为数据样本标准差，m3/s；n为样本数据量；M为处于置信区间内的估计数值，m3/s。

4)计算风量安全阈值

将3条巷道的风量数据样本代入式(1)，得到的风量安全阈值结果如表6。

2.3 应用效果分析

将计算得出的3条巷道的风量置信区间与安全阈值区间应用在风量的监测评价中。在数据样本采集完成后的30 d内，随机选取3条巷道的风量监测数据，其中南回大巷提取了100个数据，35000采区大巷、17盘区回风巷各提取了120个数据，用计算出的置信区间及安全阈值区间进行数据分析。为使结果更加明确，将整理后的各条巷道的风量数据分别与置信区间、安全阈值区间统一绘制成分布图，并统计了研究对象风量数据相对于置信区间与安全阈值区间的分布情况及超出区间的原因。图3～4分别为监测数据相对于置信区间与安全阈值区间的分布情况，其中上下两条虚线为区间上下限，两条虚线之间的阴影部分为区间范围。

从表7中可以看出，风量的置信区间覆盖了65%以上的实测风量数据样本，反映了巷道风量的稳定程度。风量的安全阈值区间覆盖了90%以上的实测风量数据，只有少量数据落在该阈值区间之外。经查明，有35%左右的风量测量值落在了置信区间以外，主要原因是巷道配风富裕量或少量匮风导致的风量不稳定。极少量的数据处在安全阈值区间之外，经过现场查看，这些数据采集的时刻风量超出安全阈值区间的原因分为两种：临时生产变动和通风管理失误。前者不产生安全隐患，而后者则相反。通风管理失误产生的安全隐患主要是：唐口煤矿南回大巷因南2#轨胶联络巷风门漏风导致风量多次超过35 m3/s，超出安全阈值上限，造成南部采区各用风地点不同程度的少风；梁宝寺煤矿35000采区大巷因四采2#轨胶联络巷风门漏风导致风量达到25 m3/s，超出安全阈值上限，造成四采区掘进工作面风量减少近一半。

现场应用的结果表明，通过该方法计算得出的风量置信区间能够锁定巷道风量的稳定极限，风量的安全阈值区间能够确定巷道风量的安全范围，并准确地对风流的异常状态作出预警。相比以前的定值比较方法，该评价方法基于现场数据计算，适用性更强。