基于综合指数法及BP神经网络模型的矿压显现程度分析

周向文,杨亚威,杨永康

(1.中煤大同能源有限公司塔山煤业有限责任公司,山西 大同 037000; 2.太原理工大学 采矿工艺研究所,太原 030024)

1 工程概况

中煤大同能源有限公司塔山煤矿位于大同市南郊区口泉乡上窝寨村北,设计能力为300万t/a,现阶段主采5(3-5)#煤层。矿井采用平硐、斜井开拓方式,现有一个主平硐、一个副平硐、一个回风斜井,属特厚煤层,采用综采放顶煤开采,5#煤煤层平均埋深约为450 m。根据已施工钻孔揭露岩性情况统计,5(3-5)#煤层顶板以直接顶分布为主,仅在20号钻孔分布有伪顶,伪顶岩性为泥岩,其厚度为0.65 m。直接顶:矿区内普遍分布,岩性主要为砂质泥岩、炭质泥岩、高岭质泥岩及泥岩,其厚度在1.14～5.62 m之间。老顶:主要分布在002、1701号钻孔附近,岩性为中粒砂岩及粗粒砂岩,其厚度分别为4.56 m及5.43 m。底板:岩性以砂质泥岩、粉砂岩为主,仅在白20、002号钻孔附近岩性为细粒砂岩。由于同井田的矿井发生过冲击地压现象,为确保塔山煤矿3-5#煤层一采区的安全开采,本文就其冲击危险性展开研究。

2 基于指数法的冲击危险性评价

用综合指数法分析已发生的大量冲击地压案例,分离出相应的地质与开采技术条件对冲击地压的影响程度,确定各种因素的影响权重,依据具体的工程地质条件,通过工程类比法建立冲击地压危险性评价和预测的体系[1-2]。冲击地压影响因素较多,总体上可以分成自然的、技术的和组织管理方面的因素,其关系如图1所示。

图1 冲击地压影响因素分类Fig.1 Influential factor classification of rock burst

综合指数法将以上因素分为地质因素和开采技术因素分别进行评价[3],然后依据两者中较大的值确定冲击危险性。根据塔山煤矿3-5#煤层一采区详细的地质和开采技术条件,采用综合指数法确定的地质因素和开采技术影响下的冲击地压危险指数如表1、表2所示。表中Wt1、Wt2分别表示地质因素和开采技术因素的综合指数；Wi代表各个因素对应的评价指数；Wimax表示该因素评价指数的最大值,各个因素评价指数的最大值均为3。冲击地压危险等级划分标准如表3所示。

表1 地质因素确定的冲击地压危险指数表Table 1 Rock burst risk index determined by geological factors

地质因素的综合指数计算公式:

(1)

将表1所示塔山煤矿3-5#煤一采区的地质影响因素的具体参数代入式(1)计算可得,地质因素的综合指数Wt1=0.238。

表2 开采技术条件影响下的冲击地压危险指数Table 2 Rock burst risk index under the influence of mining technology

开采技术因素的综合指数计算公式:

(2)

将表2所示塔山煤矿3-5#煤一采区的开采技术影响因素的具体参数代入式(2)计算可得,地质因素的综合指数Wt2=0.242。

表3 冲击地压危险综合指数划分危险等级表Table 3 Risk classification with comprehensive index of rock burst

综合以上计算,塔山矿3-5#煤层一采区冲击危险综合指数为:

Wt=max{Wt1,Wt2}=max{0.238,0.242}=0.242 .

(3)

根据表3中所列的综合指数划分冲击危险等级,可得中煤塔山煤矿3-5#煤层一采区冲击危险等级综合指数为0.242,整体无冲击危险性。

3 运用BP神经网络模型的矿压显现程度分析

根据3-5#煤层一采区冲击危险性评价结果,该区域整体上无冲击危险性。在不同的区域,影响冲击危险的因素有所不同,虽然发生冲击地压的可能性非常小,但是某些区域受到的不利影响因素较多。工作面回采期间矿压显现较剧烈,需要对不同区域的矿压显现剧烈程度进行分析。采煤工作面和回采巷道内矿压显现程度是受多种因素影响的复杂问题,基于综合指数法分析结果,塔山煤矿3-5#煤层一采区影响矿压显现程度的主要因素有:开采深度、顶板岩层厚度参数、煤的弹性能量指数、工作面距上保护层开采遗留煤柱的水平距离、工作面与临近采空区的关系、工作面长度、区段煤柱宽度和是否存在落差大于3 m的断层。其中，煤的弹性指数整个采区不变,因此在进行矿压显现长度划分时不再考虑。

3.1 BP神经网络的建立

BP神经网络预测模型一般分为输入层、隐藏层和输出层[4-5]。数据由输入层输入,经过隐藏层处理后由输出层输出。若经过隐藏层处理后的数据不能够满足网络模型模拟设定的预期效果,将通过误差的反馈网络自动对数据的运算进行修正,重复误差反向传输的步骤重新模拟计算,直至运算结果达到精度要求为止。其详细的计算过程如图2所示。

BP神经网络模型的关键设定包括网络层数和各层节点数,网络层数中输入层和输出层是固定的,属于单层结构。隐藏层为多层结构,本次构建的模型输入层为影响工作面和回采巷道矿压显现程度的7个因素。输出层为强矿压、中等矿压、弱矿压三个矿压现场程度分级。隐藏层的节点数对于所建模型的计算精准度有着重要影响,根据相关的研究结果,3层结构的神经网络其隐藏层节点数目为 2N+1,故本次模型隐藏层节点数为15个。

图2 三层神经网络拓扑结构Fig.2 Three-layer neural network topology

3.2 样本的处理

根据塔山煤矿3-5#煤层一采区以往工作面回采期间矿压显现的实际情况,获得12个样本,输入层的7个因素中埋深、工作面长度、区段煤柱宽度、顶板坚硬岩层厚度参数根据实际情况取值,埋深为430.63～452.91 m,工作面长度180～240 m,区段煤柱宽度15～30 m;工作面与临近采空区的关系、工作面距上保护层开采遗留煤柱的水平距离、是否存在落差大于3 m的断层、顶板坚硬岩层厚度四个参数需要进行数量化处理,具体的数值选取如表4所示；矿压显现程度强矿压、中等矿压、弱矿压三种等级分别用(1 0 0)、(0 1 0)、(0 0 1)表示。为了模型的快捷运算,将数据进归一化处理,处理后的数据范围在[0,1],归一化公式为[6-7]:

(4)

式中:qn为各个参数归一化后的数值;Qn为样本对应参数的初始值;Qmax和Qmin为各个参数取值的上限和下限。由于篇幅所限,12个样本参数归一化后的详表不再给出。

3.3 模型的训练及验证

Matlab软件工具箱中已有许多经典的神经网络框架和函数,建模过程得到了简化,仅需根据不同功能模块的适用范围、优缺点及研究问题的特点,选择合适的计算函数。进行网络训练时所选的函数、算法以及训练参数如表5所示,训练过程如图 3 所示。

表4 矿压显现程度影响因素数值选取Table 4 Numerical selection of influential factors for strata pressure behavior

表5 训练函数及参数Table 5 Training functions and parameters

图3 神经网络训练过程Fig.3 Training process of neural network

网络训练结束后,利用11和12号样本数据进行验证,测试结果如表6所示。根据检验数据可知,该神经网络可根据具体的地质和开采技术条件,对矿压显现程度进行预测,精度能够达到生产实际活动的需要。

表6 样本验证结果Table 6 Sample verification results

3.4 一采区矿压显现强度区域划分

采用上述方法对塔山煤矿3-5#煤层一采区矿压现场程度进行预测,数据取值点间距为5 m,得到研究区域矿压显现程度划分结果，见图4。一采区大部分区域为弱矿压,孤岛工作面切眼和巷道内存在出现强矿压的可能,断层较为发育的区域通常为中等矿压显现区域。

图4 3-5#煤层一采区冲击危险区域划分结果Fig.4 Division of rock burst risk zone in No.1 mining area of 3-5# coal seam

4 结束语

本文以中煤集团塔山煤矿3-5#煤层一采区冲击危险性及矿压显现程度分析预测为目标,通过现场调研、理论分析计算,以及综合指数法等对整个采区的冲击危险性进行评价。研究表明,一采区整体为无冲击危险性,影响工作面和回采巷道矿压显现程度的主要因素有包括:开采深度、顶板岩层厚度参数、工作面距上保护层开采遗留煤柱的水平距离、工作面与临近采空区的关系、工作面长度、区段煤柱宽度、是否存在落差大于3 m的断层。运用BP神经网络手段,建立矿压显现程度的预测模型,对整个采区矿压显现的剧烈程度进行划分,对于指导矿井生产过程中矿压的预防、支护措施的制定及矿井的安全生产具有重要的现实意义。