基于大数据框架下的矿井瓦斯涌出分析

许 洁

(山西焦煤集团 投资有限公司， 山西 太原 030024)

随着大数据技术的发展，大数据思维应用的领域也随之更加广泛。大数据思维就是通过对大量数据的分析研究，得出产生重要影响力的服务和产品，以及有深度的洞察[1]. 大数据分析的核心内容是预测，其思维是通过分析更多的数据，处理与预测对象之间所涉及的所有可能数据，而不再依赖随机抽样，也不需要追根究底，从宏观层次上得到更好的洞察力，而不是热衷于找寻因果关系[2]. 采用大数据技术能够对矿井瓦斯参数进行更全面地分析，可以更科学地认识矿井瓦斯赋存、涌出量规律[3]，从而采用更有效、更有针对性的瓦斯抽采方法，提高瓦斯抽放效果，为井下作业地点提供更为安全的作业环境，促进矿井安全生产。

1 大数据思维方法

瓦斯灾害分析理论与大数据思维的有效结合，需要充分准备煤矿空间瓦斯灾害大数据的信息，尽可能地搜集所有信息，建立大数据库，以大数据思维，寻找以瓦斯灾害作为目标的相关关系，大数据思维方法见图1[4].

图1 大数据思维方法图

假设将未开采区域的瓦斯灾害当作相对应的预测对象，那样就能汇集该矿区全部完成开采的矿井瓦斯灾害信息进行分析。相关性分析方法采用人工神经网络方法进行，广义回归型神经网络(GRNN)是由机率神经网络所发展出来的，包含了3层：输入单元层、输出单元层和模式单元层。输出层由2个求和部分组成，其构成见图2. 其基本原理为：假设Xi和Yi分别为输入与输出矢量的样本，即可用下列公式计算任意一个与X对应的Y值[5]：

式中，Di=(X-Xi)T(X-Xi)；σ是GRNN中仅有的参数：平滑系数。

2 瓦斯灾害的预测

影响瓦斯灾害的因素比较多，地质条件、采矿技术以及生产管理等都是主要因素[6]，如采场布置，煤矿岩体的物理力学特性、煤矿岩体构造、开采速度、瓦斯含量、煤层厚度、围岩瓦斯、地质结构状况与瓦斯正确抽采方式等。在此处研究的影响瓦斯灾害的主要原因是地质结构状况、煤层倾角变动、煤层厚度变动、瓦斯浓度变化以及采前的卸压状况。为了适应GRNN神经网络的特点，应当对样本表中定性的表述加以数字化。定量描述方式主要包括：

1) 地质结构中：0代表容易，1代表一般，2代表较复杂，3代表复杂。

2) 煤层的倾角变动：0代表无改变，1代表改变较小，2代表改变较大，3代表改变大。

3) 煤厚变动：0代表无改变，1代表改变较小，2代表改变较大，3代表改变大。

4) 瓦斯含量：0代表瓦斯含量小，1代表瓦斯含量一般，2代表瓦斯含量较大，3代表瓦斯含量大。

5) 采前卸压状况：0代表未采取或差，l代表一般，2代表较好，3代表好。

6) 瓦斯灾害：0代表瓦斯灾害程度微小，瓦斯涌出量<5 m3/min，1代表瓦斯灾害弱，瓦斯涌出量5～10 m3/min，2代表瓦斯灾害中等，瓦斯涌出量10～40 m3/min，3代表瓦斯灾害强，瓦斯涌出量>40 m3/min.

3 瓦斯数据库的建立

3.1 数据内容

数据库建设内容应包括：瓦斯信息数据、煤与瓦斯突出敏感指标数据、地质信息数据、资源量数据。

3.2 数据采集

瓦斯地质数据库的数据采集在矿井五年中长期规划的基础上，以瓦斯地质单元为单位进行划分。在同一地质单元内，原则上至少布置5个常规瓦斯参数测点，沿煤层走向不少于2个，沿倾向不少于3个，在最深开采边界内至少布置一个测点。在地质单元的构造影响区域，要额外至少布置3个代表性测点。

3.3 数据录入

矿井历史数据的采集、录入工作由各矿井自行负责完成；矿井现生产水平的瓦斯突出敏感指标的测定由各矿井负责采集，并及时录入。矿井防突数据系统见图3.

图3 某矿井防突数据系统图

3.4 数据运行

目前，该矿井瓦斯数据库已在西山煤电集团开发成功并投入使用，实现了矿井防突数据信息管理的自动化。只要录入历史数据，该系统即可全自动生成数据。

3.5 数据分析

以某矿举例分析，根据其实际情况，影响瓦斯灾害的主要因素样本见表1.

将表1中序号为1—10的样本做为学习样本，序号为11—20的样本做为预测样本。逼近误差与预测误差分别见图4，5. 预测结果与实际情况的对比见表2.

3.6 预测的结论

根据模型预测结果得出结论：

1) 网络比较误差基本为零，表示该系统的逼近功能很强。

2) 网络预测误差最大值为1.

3) 网络在预测强瓦斯灾害和中级瓦斯灾害时预测准确率均为100%，而在预测微瓦斯灾害与弱瓦斯灾害时预测准确性则为50%.

表1 影响瓦斯灾害的主要因素样本表

图4 网络逼近误差图

图5 网络预测误差图

表2 预测结果与实际情况对比表

鉴于微瓦斯灾害与弱瓦斯灾害的破坏能力都较小，所以，将该预测方法用于矿区瓦斯灾害的分析是可行的。

由于瓦斯灾害统计资料数据有限，如能逐步增加其他的以前可能认为毫不相关的数据信息，比如风机、割煤机、钻机等机电设备，尽可能地搜集所有信息，建立大数据库，把瓦斯灾害预测模型从简单的与瓦斯含量、埋深等的关系分析方法，扩展到利用所有的相关信息和“非相关信息”进行相关性分析，可以找到瓦斯灾害分析最佳模型，同样可以利用其拓展到矿区、省区，形成连片模糊瓦斯灾害预测云图。

4 结 语

采用大数据分析方法，考虑影响瓦斯灾害煤层埋深、地质结构状况、煤层倾角变动、煤层厚度变动、瓦斯浓度以及开采前的卸压等主要因素，对样本定性的描述进行量化，形成网络学习样本和网络预测样本，从而建立瓦斯数据库。该数据库的研究、建设与不断完善，必将实现煤矿瓦斯地质信息高度共享与科学利用，并真正成为煤矿安全生产、煤矿瓦斯资源合理开发与利用和瓦斯地质研究服务的信息平台，具有广阔的应用前景。