液压支架支护效果评价的动态分析

2023-07-26乔晋

山东煤炭科技 2023年6期

乔晋

（晋能控股集团大阳泉煤炭有限责任公司，山西阳泉 045000）

随着采矿业的发展，煤矿的开采技术已经逐步从传统的人工开采、半机械化开采转向了智能化、信息化的开采模式[1-2]。传统的人工开采、半机械化开采模式，无法对工作面设备的受力情况、生产数据进行分析进而对支架质量及支护效果做出及时评价，从而容易引发支架变形、垮塌等事故[3]。相较于传统的人工开采、半机械化开采模式，智能化开采借助传感器在开采工作面上收集的数据，及时对矿压及支架支护效果进行评价，分析支架与顶板之间的受力特征，从而保障安全生产[4]。因此，支架的支护效果是评价安全生产的重要依据，传统的人工支架无法满足智能化开采的自动感知、工作面协同工作等特点，且由于对施工安全性保障较差，因此不能应用于智能化开采过程中[5]。目前针对支护支架的选择，主要以液压支架为主，虽然学者们采用模拟试验或实际工程研究对液压支架的支护效果进行了评价分析及改进，但由于煤矿在开采过程中是动态进行的，仅从支撑力、阻力及压力分布情况等信息无法对支架的总体支护效果进行准确评判。本文以阳泉矿区煤矿为对象，针对其中使用的液压支架，采用改进后的深度学习方法卷积神经网络，对液压支架的支护效果从不同维度进行动态分析对比，为强化液压支架的智能化应用提供一定的参考依据。

1 概况

阳泉矿区属大阳泉煤炭有限责任公司开发，矿区开发采用智能开采系统，通过在液压支架工作面装设智能传感器，将工作面矿压的规律以数据的形式传输到地面控制台，经由地面控制台分析完成后，对液压支架与顶板的支撑状态进行调整。

阳泉矿区内的井田含煤层属上二叠统，已探明的含煤地层厚114～146 m，平均128 m。在剖面方向上，煤层稳定的可开采层较少，厚度约5.26 m。从垂直方向上看，含煤地层岩相组合主要分为上、中、下三段，其中上段厚度约为58 m，主要以砂岩、泥岩、泥灰岩和部分煤层构成，以平原沉积相为主；中段厚度约为29 m，主要以粉质砂岩、细砂岩、铁质砂岩和煤线构成，以平原泥炭沼泽相为主，无可开采煤层；下段厚度约为38 m，以石灰岩为主，该段与煤层直接接触，为煤层顶板，该区域属于潮下沉积相，是可开采煤层的主要接壤区段。

2 研究方法

2.1 数据处理

煤矿智能开采系统将收集到的采煤工作面生产信息及受力数据传输到集中控制中心，经集中控制中心，借助作业区环网将数据输送至地面，地面接收区将收集到的液压支架生产及受力信息备份存档至企业数据库中。由于实际开采环境复杂，容易产生数据丢失的情况。针对上述问题，本文采用时域相邻填充法对数据进行处理，即接收区域若发现缺失数据，则采用其前一个时刻的数据值进行补缺。

2.2 维度分析

为了对液压支架支护效果进行全方位评价，本文分别从时间维度和空间维度对液压支架的压力情况进行分析处理。对于时间维度的压力分析，目前使用最为广泛的是对其受力情况采用时间-压力曲线表示，该曲线能够准确地反映出液压支架的压力情况随着时间变化而呈现出的趋势。其中30 号液压支架在某天的压力变化情况如图1。

图1 本次矿区中的30 号液压支架在某天的压力变化情况

空间维度压力分析，采用支撑力作为反映液压支架在开采工作面支护效果的核心指标，其中液压支架的支撑力主要体现在支架中的立柱所承受的压力大小。对于空间维度的支护评价，具体是对某一时刻的各个支架的压力大小进行评价，观察支架压力在整体区间内是否偏大或偏小。例如图2 所示的某时刻的工作面液压支架支撑力分布情况。区域1表示为某一侧支撑力较高，区域2 表示的支撑力整体效果良好，区域3 的支撑力整体上均呈现偏高趋势，区域4 总体较为良好。

图2 所有液压支架的整体工作面支撑力分布情况

2.3 动态建模

智能化开采过程中，液压支架的数据均为表征某一量值在时间或空间上的反映，因而在时间和空间两个维度上具有一定的连续特征，此现象类似于图像像素的深度学习过程。因此，对于时间空间二维区间中液压支架的支护效果评价动态模型，本文采用卷积神经网络进行构建。卷积神经网络模型如图3。卷积神经网络是一种深度学习网络，结构较为简单，计算速度较快，一般包含2 个卷积层、2个池化层和1 个全连接层。

图3 卷积神经网络示意图

但一般的卷积神经网络对样本的分类效果精确度不足，无法使用于本文的工作环境之中。因此，考虑本文的实际工程环境，需对卷积神经网络进行优化，以提高其样本分类精确度。分别对两个方面进行了优化：1）改变其激活函数，本文使用ReLU对Sigmoid 函数进行替换。原因在于后者作用范围有限，仅能在自变量极小时有较好效果，一旦自变量范围增大，会减缓学习速度。2）采用Adam 对迭代速率进行优化，其原因在于原有的算法不能对步距进行实时调整，从而导致数值振荡，而Adam 能够加大迭代速率，减小数值震荡率。

3 结果分析

为了将样本应用于改进后的卷积神经网络，需要对样本进行分类。本文采用24 个液压支架在2 h中的立柱压力作为样本进行分类，将样本数据经过排序、时空矩阵提取后，与7 种支护效果进行匹配，得出了2000 个子样本，最后按照6:3:1 的比例将子样本分为训练集、测试集和验证集。其中7 种支护效果分别为支护效果不良、支护效果持续不良、支护效果极差、支护效果一般、支护效果较好、支护效果持续较好、支护效果极好。分类结果如图4。

图4 样本实际支护效果分类

将样本数据分别输入到一般卷积神经网络和改进后的卷积神经网络之中，对其损失值和分类准确率进行分析，用以验证本文改进模型的准确性和适用性。其中将样本输入到原卷积神经网络中得到了如图5 所示的一般的卷积神经网络训练效果。

图5 一般的卷积神经网络训练效果

从图5（a）中可以看出随着迭代次数的增加，损失量逐渐减小，训练集和验证集也逐渐收敛，迭代到60 次时损失量达到最小，二者收敛。图5（b）所示为一般卷积神经网络的分类准确率，从图中可以看出随着迭代次数的增加，准确率逐渐提高，当迭代次数达到60 次时，验证集与训练集收敛于80%的准确率附近。

将一般卷积神经网络的训练效果作为对照组，将分类的样本数据输入到改进后的卷积神经网络之中，得到了如图6 所示的改进后的卷积神经网络训练效果图。

图6 改进后的卷积神经网络训练效果图

从图6（a）可以看出，随着迭代次数的增加，损失量也呈现出逐渐减小的趋势，训练集和验证集逐渐收敛，迭代到40 次时损失量达到最小，训练集收敛于0.2 的损失量附近，验证集收敛于0.6 的损失量附近。图6（b）所示为改进后的卷积神经网络的分类准确率，从图中可以看出，随着迭代次数的增加，准确率也逐渐呈现出提高的趋势，当迭代次数达到40 次时，训练集收敛于90%的准确率附近，验证集收敛于80%的准确率附近。对比一般卷积神经网络的训练效果可以发现，改进后的卷积神经网络仅迭代40 次时便收敛完成，且改进后的卷积神经网络训练集的损失量从一般卷积神经网络的0.6 降至0.2 左右。除此之外，训练集的分类准确率也由一般卷积神经网络的80%左右上升到了90%准确率左右，总体效果较一般卷积神经网络提升了15%。