基于神经网络的密闭采空区煤自燃预警

2022-02-03董天文

沈阳航空航天大学学报 2022年5期

王杨，胡泊，董天文

(沈阳航空航天大学安全工程学院，沈阳 110136)

煤炭自然发火是煤矿的主要灾害之一。煤炭的自燃过程不仅会生成CO等有毒、有害气体，而且容易造成煤尘和瓦斯爆炸事故，对井下工作人员的生命安全构成严重的威胁[1-2]。预防煤炭自然发火的有效方式之一就是基于全尺度煤自燃实验得到的煤自燃过程中温度与指标气体浓度之间的规律，从而建立预测模型，对煤自燃行为进行有效预测，进而健全煤矿自然发火预警体系[3-4]。

目前，应用较多的煤自燃预警方法主要有气体分析法、测温法、数值分析法等[5-6]。气体分析法应用最为广泛，主要分析指标气体浓度与煤温之间的对应关系，建立函数关系或数学模型，以主要指标气体和复合指标气体来判断煤自然发火的程度，从而实现对矿井火灾的预警[7-9]。常用的指标气体有CO、C2H4、链烷比和烯烷比等[10-12]，其中CO 是一种常用的、且能够有效实现煤炭自燃预测预警的指标气体。岳宁芳等[13]选择CO、O2、C2H4/C2H6为重点指标气体，对预防煤炭自燃划分了6个预警等级；周言安等[14]以CO、C2H4、C2H4/C2H6作为主要指标气体，为煤矿构建了煤自燃分级预警体系。在采用神经网络模型预测方面，邓军等[15]分析了支持向量机及BP神经网络在煤自燃预测中的问题及缺陷，提出了一种基于随机森林算法的采空区煤自燃的预测预报模型。边冰等[16]通过气体分析法，以CH4/CO、O2/CO2作为BP神经网络的输入对煤层自燃情况做出了预报，提供了一种实时预报煤层自燃的方法。

以上对煤炭自燃预警方法的研究，主要是以BP神经网络作为理论模型，本研究采用RBF神经网络模型作为参考进行对比分析，进一步延伸了前人的工作，从而优选出煤自燃预警效果较好的网络。参考上述的相关研究结果，以陕西某易自燃煤矿4号煤层为研究对象，通过采集井下煤样，采用理论、实验和现场数据相结合的研究方法，分析了该矿指标气体的浓度与温度的对应关系，构建了基于指标气体浓度与特征温度的密闭采空区煤自燃分级预警体系，通过采集的4号煤层采空区相关指标气体共157组数据，开展了基于BP和RBF神经网络的矿井密闭采空区煤自燃预警方法研究。

1 预警等级划分

为探知煤矿煤样的特征温度及其特征温度点处CO等气体浓度规律，采用了陕西某矿4号煤为煤层自然发火指标气体的实验煤样，选择了4种不同粒径的煤样进行程序升温实验,表1为程序升温实验数据[6]。

采用常用的2个指标气体增长率：指标气体增长率Ir和指标气体相对增长率Is，用以分析随着温度的变化，煤样的氧化程度并确定特征温度点[4]。

增长率Ir为气体浓度(或气体的体积分数)的变化率与该时刻气体浓度的比值，如式(1)所示

(1)

其中：Δφi为i时刻和(i-1)时刻的气体浓度变化量，单位%；ΔTi为i时刻和(i-1)时刻的温度变化量，单位为℃，其中i>1。

相对增长率Is为i～(i-1)时间段气体浓度的变化量与(i-1)～(i-2)时间段气体浓度的变化量的比值，如式(2)所示

(2)

其中：Δφi-1为(i-1)时刻和(i-2)时刻的气体浓度变化量。

指标气体增长率Ir和相对增长率Is变化曲线如图1所示。根据图1可知，Ir和Is的变化规律基本相同，而且其峰值都出现在50、70、90、120、170 ℃温度处，因此特征温度T1=50 ℃、T2=70 ℃、T3=90 ℃、T4=120 ℃、T5=170 ℃。

表1 程序升温实验数据

图1 增长率Ir和相对增长率Is曲线

通过程序升温实验的数据，以起始温度T0=20 ℃和特征温度在T1、T2、T3、T4、T5时刻的CO气体浓度作为分级预警的界限，将预警等级划分为6级，具体划分方法如表2所示。

表2 煤自然发火预警等级分级表

2 基于神经网络的煤自燃分级预警

2.1 神经网络选择

分别采用BP神经网络与RBF神经网络两种预测模型对CO浓度数据进行训练、测试及分析，确定出能够准确反映CO浓度变化规律的较好的神经网络算法。

BP神经网络是一种多层前馈的神经网络，在预测中的运用大致包括以下两个部分：根据已知属性预测未知属性和根据自身已有数据预测未来数据。其隐含层激活函数常采用Sigmoid函数，如式(3)所示

(3)

其中x为输入向量。

RBF(径向基函数)神经网络的构造和BP神经网络相同。不同的是，RBF神经网络中隐层节点的激活函数为径向基函数。径向基函数是径向对称的，并且衰减到中心点。在三维空间中，它呈现出一个以Z轴为中心轴的山形，是倾斜的非负线性函数。其隐含层激活函数常使用Gaussian函数，如式(4)所示

(4)

其中：μi为隐含层第i个节点的中心向量；φ(‖x-μi‖)为输入向量x到隐含层第i个节点的中心向量的欧式距离；σi为第i个节点的宽度参数。

2.2 算法流程及参数设置

利用BP和RBF神经网络建立的矿井密闭采空区煤自燃预警模型的算法流程主要包括数据预处理、网络参数设定、训练网络等步骤，具体算法流程如图2所示。

2.3 数据划分及网络性能评判指标

以CO、CO2浓度数据以及CO和CO2浓度比值作为BP神经网络的输入，将监测的CO浓度数据作为神经网络的期望输出，对157组原始数据进行划分，采用留出法将数据集按照5∶4的比例分为两个互斥的子集。由于在原始数据点119处出现较大波动，所以利用1～119组数据对BP神经网络进行训练，以119～157组数据对网络的预测效果进行测试。采用均方根误差作为评价指标对预测模型的性能进行评估，其运行公式如式(5)所示

(5)

其中：fi为CO浓度预测值；yi为CO浓度真实值。

图2 算法流程图

2.4 结果分析及讨论

图3和图4是BP和RBF神经网络对CO浓度的预测结果图和在测试集上的对比图。由图3可知，BP和RBF神经网络预测CO浓度变化趋势与原始数据基本一致，在训练集和测试集上都表现出了较好的预测性能。由图4可知，BP神经网络比RBF神经网络在测试集上的预测效果更好。

BP和RBF神经网络在测试集上的均方根误差如图5所示。由图5可知，BP神经网络在训练集和测试集的均方根误差分别为0.072 8和0.228 5；RBF神经网络在训练集和测试集的均方根误差分别为0.063 7和0.482 1。其中，BP神经网络预测模型在测试集上的误差比RBF神经网络更小。

图3 BP和RBF神经网络训练及预测图

图4 BP和RBF神经网络在测试集上的对比图

图5 BP、RBF神经网络均方根误差

根据该煤矿密闭采空区的CO浓度监测数据，以及BP和RBF神经网络对CO浓度的预测值，绘制出矿井密闭采空区火灾6级预警图，如图6所示。结果发现不同时刻CO浓度基本保持稳定，该采空区在1～139 d的CO浓度基本保持在了黄色预警范围内，但是在139～157 d的CO浓度超过了黄色预警界限，该时间段内采空区CO浓度处于(19.27～32.52)×10-6范围内。对比程序升温实验所得到的数据，根据表2可知，CO浓度在温度50～70 ℃时，表明当矿井采空区有漏风因素影响时，漏风会带出采空区内产生的一些气体，采空区产生了较多的CO和CO2。由此可以看出，在139～157 d的采空区遗煤发生了缓慢氧化作用，因此启动了黄色预警。

图6 BP和RBF神经网络预测分级预警图

由图6可以看出，该采空区在1～139 d达到了绿色预警界限，在黄色预警区域内。从第139 d开始一直到157 d，由绿色预警升级到黄色预警。通过BP神经网络预测得到的数据，1～140 d均处于绿色预警，140～157 d升级为黄色预警，即预测误差为1 d；通过RBF神经网络预测得到的数据，1～141 d处于绿色预警，141～157 d升级到黄色预警，即预测误差为2 d。

本次训练数据为119组，第1～119 d的采空区处于绿色预警阶段，到达下一预警阶段(黄色预警)的时间为20 d，而BP神经网络对于达到下一预警阶段的预测天数是21 d，即预测误差为1 d；RBF神经网络对于达到下一预警阶段的预测天数是22 d，即预测误差为2 d。

利用BP神经网络模型对CO浓度进行预测，针对此类有监督学习的算法，BP神经网络能根据输入、输出对非线性函数进行较高精度的拟合，表现出良好的学习能力。表3是BP和RBF神经网络对预警等级的预测结果。

表3 BP和RBF神经网络预警等级预测结果

从表3可以看出，BP和RBF神经网络在判断当前数据处于何种预警等级时与实际监测数据一致。但在对何时进入到黄色预警时出现了1～2 d的滞后性，这是由于采空区的CO浓度在时间上本就具备一定的关联性，其影响因素不单单是上一时刻的CO浓度，还包括其他碳氧化合物的影响。本文利用BP和RBF神经网络对时间序列数据进行预测时，以上一时刻的数据作为输入，预测下一时刻的浓度数据，因此在时间上出现了一定的滞后性。

利用BP和RBF神经网络对矿井密闭采空区煤自燃现象进行预警的过程中，BP和RBF神经网络都表现出了良好的预测性能，但BP神经网络较RBF神经网络的预测性能更好。主要原因是对于此类小样本数据，RBF神经网络并没有表现出优越性。由图4可知，随着样本数量的不断增加，RBF神经网络更能无限逼近CO浓度真实值，因此未来应不断提高样本容量，才可以对采空区火灾预警表现出良好的预测效果。此外，由图5可知，RBF神经网络相比BP神经网络预测误差较大，同时，由于BP神经网络属于典型的前馈式神经网络，因此具有更好的非线性映射能力，针对CO浓度这类短时间内波动明显的小样本数据，BP神经网络容错能力也得以体现。