煤矿安全事故分析与预测研究

2023-11-13封居强朱美静周夏冰殷静雯

矿业安全与环保 2023年5期

杨静,蔡峰,封居强,朱美静,周夏冰,殷静雯

(1.安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南 232001;2.安徽理工大学安全科学与工程学院,安徽淮南 232001)

据统计,2021年世界煤炭产量为81.73亿t,我国煤炭产量为41.26亿t,超过世界煤炭总产量的50%,同年国内能源消费总量达到52.4亿t标准煤,其中煤炭消费量占56.0%,仍然占据不可替代的主导地位[1]。随着科技进步和应急管理系统的逐渐完善,煤炭安全生产形势持续好转,煤矿的百万吨死亡率已经从2005年的2.81降至2021年的0.045[1-2],但重特大事故仍时有发生,与发达国家的百万吨死亡率(0.01以下)相比较[3],仍存在一定差距。因此,根据煤矿安全事故发生的规律和特点,建立一套安全事故预测系统是十分必要的。

根据往年我国发生的煤矿安全事故的统计数据,总结事故发生规律,是预防煤矿安全事故发生的有效方法。朱云飞[4]、刘琦[5]、孟远[6]、张培森[7]等对煤矿安全事故进行了分析,指出瓦斯、顶板和水害仍将是防范的重点,并且在6、7、8月这3个月发生的事故比较多,产量和安全投入与特大事故的关系分别是正、负相关关系。在灰色事故预测方面[8],兰建义等[9]利用马尔可夫SCGM(1,1)c预测模型对煤矿事故百万吨死亡率进行了预测;李闯等[10]采用灰色马尔科夫预测模型对煤矿顶板事故死亡人数进行了预测;白彦龙等[11]采用基于遗传算法改进的BP神经网络(GA-BD)和小波神经网络对煤矿事故起数进行了预测。在组合预测方面,武晓旭等[12]发现指数平滑-BP神经网络混合模型比单纯的使用指数平滑法和BP神经网络的预测精度更高、泛化能力更强;李贤功等[13]基于预测平均百分比误差最小的原则,计算了GM(1,1)灰色预测模型和多项式拟合模型2种预测方法的组合预测权重系数,并对煤矿事故死亡人数进行了分析预测;WU等[14]提出了一种基于经验模态分解(EMD)的灰色(GM)自回归滑动平均(ARMA)模型,该模型可以为矿山安全生产提供高精度、高稳定性的预测。综上来看,众多学者已经通过许多不同的预测方法对煤矿安全事故进行分析预测,但是运用灰色BP神经网络模型对煤矿安全事故的分析预测鲜有研究。

以2011—2021年我国发生的煤矿安全生产事故信息为研究对象,主要基于事故起数和死亡人数2个指标,从事故等级和事故类型2个方面总结我国煤矿安全生产事故发生规律。结合灰色模型不需要大量有规律的数据、计算简单方便,以及神经网络模型优秀的处理信息的能力、预测精确度高等优点[15],建立灰色神经网络模型对煤矿事故进行定量预测,为制订科学的预防灾害措施,保障煤矿安全生产提供依据。

1 我国煤矿安全事故规律和特点

1.1 数据来源与处理

根据国家矿山安全监察局[16]、国家矿山安全各省级局和煤矿安全网[17]的有关数据,以及相关文献资料,对事故发生的时间、地点、类型及其伤亡人数等指标进行整理,统计得出2011—2021年全国煤矿安全生产事故共1 298起,死亡4 427人。煤矿安全事故起数和死亡人数如图1所示。

图1 近11年煤矿安全事故起数和死亡人数

由图1可知,近11年的煤矿安全事故起数虽整体变化不明显,但死亡人数整体急剧下降,从2011年的683人降至2021年的176人,表明我国煤矿安全生产形势在逐渐转好。

1.2 事故等级分布规律和特点

近11年不同等级事故起数和死亡人数及其占比见表1。

表1 近11年不同等级事故起数和死亡人数及其占比

由表1可知:对于事故起数和死亡人数,一般事故分别为838起和933人,占比为64.56%和21.08%;较大事故分别为356起和1 691人,占比为27.42%和38.20%;重大事故分别为96起和1 504人,占比为7.40%和33.97%;特别重大事故分别为8起和299人,占比为0.62%和6.75%。

不同等级煤矿事故起数的年度变化如图2所示。

图2 2011—2021年不同等级事故起数

由图2可知,除一般事故之外,较大事故、重大事故、特别重大事故整体均呈现下降趋势。近4年,没有发生1起特别重大事故,实现了“零”突破。一般事故整体呈现上升趋势,在煤矿安全事故中占比最高,从2014年起尤为明显。

分析认为:较大事故、重大事故和特别重大事故的减少与我国能源供给侧结构性改革相关政策(安全保障程度低或环保设施落后的中小煤矿相继被淘汰、煤炭行业兼并重组步伐加快,行业集中度不断提高、智慧矿山的相关产业政策)、煤矿安全相关法律法规的完善和实施,以及安全管理水平的提高等密切相关。一般事故的增加与我国煤炭需求总量过高、煤矿超能力生产、小煤矿违规开采和矿井自然条件差等因素有关。

1.3 事故类型分布规律和特点

按照查询到的事故信息描述,把2011—2021年发生的煤矿安全事故划分为顶板、瓦斯、运输、水害、其他、机电、火灾和放炮(爆破)8种类型,不同类型事故起数的年度变化及所占比例如图3、图4所示。

图3 2011—2021年不同类型事故起数

由图3和图4可知,顶板、运输、机电和其他事故起数整体呈现上升趋势,近11年,顶板事故发生的起数最多,占30.74%;瓦斯和水害事故起数整体呈现下降趋势;火灾和放炮事故起数整体变化不明显,一直都处于较低水平。

图4 2011—2021年不同类型事故所占比例

1)近年来,在煤炭生产企业中大力提倡使用机械化、自动化、智能化设备,使矿井水害得到了有效防治,但由于安全投入不足,设备后期的维修和保养不能保障、工作人员违规操作、安全意识薄弱等原因均增加了机电和运输事故发生的可能性。

2)顶板事故随着开采深度的不断加深而增多。随着开采深度的不断增加,围岩所处的应力环境也越来越复杂、支护难度变大,风险不确定性也越来越高,从而引发更多的顶板事故。

3)近年来,由于中小型煤矿机械化程度低、安全管理落后,以及部分突出矿井开采之前安全准备工作不到位,未进行瓦斯预先抽采等原因,导致这些煤矿成为我国煤矿安全生产的重灾区。随着国家加大对中小型煤矿的管理力度,在一定程度上大大减少了我国煤矿总体瓦斯事故的发生。

2 灰色神经网络模型

2.1 灰色模型

灰色模型通常用于研究数据量不足、信息不全面的不确定性问题。煤矿安全事故数据恰好符合此特点。因此,可以用其来预测煤矿安全事故数,计算过程如下。

1)原始时间序列x(0):

x(0)=(x(0)(1),x(0)(2),…,x(0)(n))

(1)

2)对x(0)进行一次累加(1-ADG)生成数列:

x(1)=(x(1)(1),x(1)(2),…,x(1)(n))

(2)

(3)

式中x(1)(k)为原始时间序列的累加。

3)z(1)为x(1)的紧邻均值生成序列:

z(1)=(z(1)(1),z(1)(2),…,z(1)(n))

(4)

z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),

k=2,3,…,n

(5)

以生成数列x(1)为基础建立白化微分方程:

(6)

式中:a为发展系数,反映发展态势;u为灰作用量,反映数据变化关系。

通过最小二乘法求解参数a和u:

(7)

Y=(x(0)(2),x(0)(3),…,x(0)(n))T

(8)

(9)

4)求解白化微分方程,得到离散响应方程:

(10)

5)利用原始数据序列求解预测值:

(11)

式中k=1,2,…,n。

2.2 BP神经网络

BP神经网络是一种多层的前馈神经网络,该模型由一个输入层、单个或多个隐含层和一个输出层组成[18]。输入信号是从输入层经过隐含层传向输出层,产生输出信号,这是工作信号的正向传播。如果在输出层不能得到期望的输出信号,则工作信号转为误差信号(网络的输出信号与期望信号之间的差值)进行反向传播。在误差信号反向传播的过程中网络的权重和阈值由误差反馈进行调节,通过权重和阈值的不断修正使网络的实际输出信号更接近期望信号。隐含层传递函数采用sigmoid函数,输出层传递函数采用purelin函数。

sigmoid函数表达式为:

(12)

purelin函数表达式为:

f(x)=x

(13)

隐含层节点数经验公式为:

(14)

式中:s为输出层节点数目;t为输入层节点数目;α为1～10的常数。

2.3 灰色神经网络组合预测模型

灰色神经网络组合预测模型是由灰色模型和神经网络模型组成,为解决复杂不确定问题建立的模型[19]。构建灰色神经网络模型的思路:首先由灰色模型得到关于原始序列数据的预测值,将该预测值作为神经网络模型的输入值,实际值作为输出值,对所选择的神经网络模型进行训练,得到各个节点的权值和阈值。将灰色模型的预测值作为灰色神经网络模型的输入,相对应的输出值为最终的预测值。灰色神经网络模型结构如图5所示。

图5 灰色神经网络模型

3 灰色神经网络预测分析

通过上面的规律分析可知,2011—2014年的数据对于2021年的数据而言考虑价值较低,因此采用2015—2020年的近6 a的数据来预判2021年的煤矿安全事故。

3.1 煤矿安全生产事故灰色神经网络模型

煤矿安全生产事故灰色神经网络模型建立步骤如下:

1)用2015—2021年煤矿各类型事故数据分别建立8个灰色GM(1,1)模型;

2)用该模型预测各个数列的第2到第7个数据,得到8个长度为6的数据序列P;

3)取原始数列中各个数列的第2到第7个数据,得到8个长度为6的数据序列T;

4)神经网络的输入值为数据序列P,输出值为T,对网络结构、初始权值和阈值分布进行设定;

5)训练BP神经网络,得到每个节点对应的权值和阈值;

6)使用第一步建立的灰色模型预测2021年煤矿不同类型事故起数,输入值为预测值,输出值即为预测结果。

灰色神经网络模型建立过程如图6所示。

图6 灰色神经网络模型建立过程

3.2 模型预测与分析

为验证该方法的有效性,分别采用灰色神经网络模型和灰色模型预测2021年全国煤矿不同类型事故起数,并与实际值进行对比分析,如图7所示。

图7 2021年煤矿安全事故起数预测值与实际值对比

由图7可知, 利用灰色神经网络模型预测2021年发生的瓦斯事故为19起,但是实际发生了13起,实际值远小于预测值,分析认为这主要和2021年召开的“两会”中提出的“碳达峰、碳中和”政策有着很大的关联。总体而言,灰色神经网络模型与灰色模型相比,其预测值与实际值更加接近,更能大致地预测出全国煤矿不同类型安全事故发展趋势。

为更客观地描述本文所提方法的有效性,采用平均相对误差eMR(Mean Relative Error,MRE)和均方根误差eRMS(Root Mean Square Error,RMSE)分别对灰色神经网络模型与灰色模型进行分析,以此来验证灰色神经网络模型的稳定性和准确性[20]。

1)平均相对误差eMR为:

(15)

2)均方根误差eRMS为:

(16)

2种预测模型误差值如表2所示。