论文部分内容阅读
[摘 要]煤与瓦斯突出是影响煤矿安全生产的主要动力灾害之一,突出预测工作尤为重要。运用多因素模式识别方法对回采工作面煤与瓦斯突出危险性进行分单元预测研究,充分考虑工程活动对煤与瓦斯突出的影响,确定突出预测模式识别的准则与判据,建立识别模型,完成模式识别算法研究和煤与瓦斯突出危险性系统开发,可方便地对煤与瓦斯突出的危险区、威胁区和安全区进行划分,对煤与瓦斯突出危险性做出评估和预测,从而保障煤矿安全生产。
[关键词]模式识别 回采工作面 煤与瓦斯突出 危险性预测
中图分类号:TD238 文献标识码:A 文章编号:1009-914X(2014)28-0241-01
0 引言
目前,煤与瓦斯突出预测技术[3]主要分为静态(不连续)监测如D,K综合指标法、钻屑综合指标法等,这些技术对煤与瓦斯突出影响因素的分析比较单一,未能实现回采工作面多种影响因素的综合分析和智能化处理。本文提出的“基于模式识别[4,5]的回采工作面煤与瓦斯突出预测研究”运用多因素模式识别方法实现对回采工作面煤与瓦斯突出危险性分单元预测研究,在平顶山矿区的工作面煤与瓦斯突出预测中进行了成功应用。
1 采煤工作面煤与瓦斯突出模式识别
煤与瓦斯突出等矿井动力灾害受多种因素共同影响,各因素之间具有一定的相关性和非线性,采用传统的预测方法往往不能取得满意的效果。近些年,相关学者提出了遗传算法—神经网络[9]、灰色理论—神经网络[10]、模糊神经网络等多种预测方法。在本研究中,主要运用BP网络对矿井工作面动力灾害进行预测。BP神经网络具有非线性映射能力、自学习和自适应能力、泛化能力和容错能力等优点,可以处理非线性的、模糊的、含有噪声的数据。
BP网络是一种单向传播的多层前向网络,网络除输入和输出节点外,还有一层和多层的隐含节点,同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐含节点,然后传到输出节点,每一层节点的输出只影响下一层的输出。
目前,在人工神经网络的实际应用中,由于神经网络模型并非选择的因素越多,结果就会越准确,因为选择的因素过多会影响网络的学习速度,使学习过程变得复杂难于控制;同时影响因素也不能选得过少,这样会影响学习结果的准确性,使结果过分的依赖于部分因素导致失真。在关联度分析与计算的基础上,确定BP网络的输入。隐含层神经单元通过比较收敛速度,选择收敛速度最快的一个作为神经元单元数。
用神经网络处理上述数据分两个阶段进行,第1阶段是监督学习,第2阶段是无监督学习。监督学习是网络通过已知输入模式进行训练,进行训练前对样本数据进行规范化处理,使输入和输出数据规范到(0,1)区间,传递函数sigmoid型函数[f(x)=1/(1+exp(-Bx)(常数B>0)]。网络训练的误差目标函数Ek,即;
网络训练流程见图1。
2 采煤工作面煤与瓦斯突出危险性预测方法
2.1 采煤工作面煤与瓦斯突出影响因素的选取
煤与瓦斯突出是在矿井自然地质动力条件和人类工程活动共同作用下发生的一种煤矿动力灾害,研究中我们首先选取原岩应力、煤层厚度、断裂构造、瓦斯压力、瓦斯含量、煤岩物理力学性质等自然因素作为分析对象,考虑到人类采动效应以及解危措施等的影响,我们继续选取工作面回采导致的采动应力、瓦斯抽采导致的瓦斯含量变化,钻孔瓦斯涌出初速度和钻屑量等工程效应指标进行研究。
2.2 煤与瓦斯突出预测的步骤
(1) 选定预测工作面,划分网格单元;
(2) 选择参与分析的突出影响因素;
(3) 建立多因素模式识别数据库;
(4) 影响因素关联度分析及计算,提取特征因素;
(5) 应用BP神经网络进行学习训练;
(6) 确定各预测单元突出危险性概率;
(7) 根据预测危险值进行区域划分;
(8) 输出预测结果。
3 平顶山十矿应用实例
3.1 十矿己15-24080预测工作面概况
十矿己15-24080工作面有效走向长1579 m,倾斜宽205.3m~219.8 m瓦斯原始含量14.39 m3/t,瓦斯原始压力2.3 MPa,相对瓦斯涌出量14.39 m3/t~11.97 m3/t,绝对瓦斯涌出量4.47 m3/min~8.8m3/min。采用顺层钻孔预抽措施后剩余平均瓦斯含量为5.66 m3/t。十矿己15-24080工作面预测结果
(1) 十矿己15-24080工作面自然状态下预测结果
十矿己15-24080工作面自然状态下预测危险性概率值在0.48~0.98之间,平均值为0.82,最高值0.98。
(2) 十矿己15-24080工作面抽采后预测结果
十矿己15-24080工作面抽采后危险性平均概率值为0.47,最高值0.92,与自然状态下平均值降低了43%(图2)。但抽采后工作面部分区域概率值依然较大,仍有突出危险性。在2013年7月3日、8日、19日分别发生煤与瓦斯突出,其概率值分别为0.83、0.85和0.9,与预测结果具有较高的一致性。
(3) 十矿己15-24080工作面推进100 m时预测结果
十矿己15-24080工作面推进100 m时工作面的危险性概率平均值为0.47,最高值0.92,与自然状态下平均概率值降低了43%。
4 结论
(1)BP人工神经网络能够很好的处理煤与瓦斯突出不同影响因素的非线性分析计算问题,具有高度的非线性映射、自组织结构、高度并行处理等特性,可以方便地进行网络学习和联想记忆,从而较好地预测了突出危险性。
(2)成功地预测了平顶山十矿己15-24080工作面煤与瓦斯突出危险性,预测结果与现场实际情况有较好的一致性。预测结果能够为煤与瓦斯动力灾害的防治工作提供技术支撑,对矿井的安全生产具有重要意义。
参考文献
[1] 张宏伟,李胜.煤与瓦斯突出危险性的模式识别和概率预测[J].岩石力学与工程学报,2005,24(19):3577-3581.
[2] 宋卫华,张宏伟.矿井煤与瓦斯突出危险性预测的模式识别研究[J].安全与环境学报,2006,6:90-92.
[关键词]模式识别 回采工作面 煤与瓦斯突出 危险性预测
中图分类号:TD238 文献标识码:A 文章编号:1009-914X(2014)28-0241-01
0 引言
目前,煤与瓦斯突出预测技术[3]主要分为静态(不连续)监测如D,K综合指标法、钻屑综合指标法等,这些技术对煤与瓦斯突出影响因素的分析比较单一,未能实现回采工作面多种影响因素的综合分析和智能化处理。本文提出的“基于模式识别[4,5]的回采工作面煤与瓦斯突出预测研究”运用多因素模式识别方法实现对回采工作面煤与瓦斯突出危险性分单元预测研究,在平顶山矿区的工作面煤与瓦斯突出预测中进行了成功应用。
1 采煤工作面煤与瓦斯突出模式识别
煤与瓦斯突出等矿井动力灾害受多种因素共同影响,各因素之间具有一定的相关性和非线性,采用传统的预测方法往往不能取得满意的效果。近些年,相关学者提出了遗传算法—神经网络[9]、灰色理论—神经网络[10]、模糊神经网络等多种预测方法。在本研究中,主要运用BP网络对矿井工作面动力灾害进行预测。BP神经网络具有非线性映射能力、自学习和自适应能力、泛化能力和容错能力等优点,可以处理非线性的、模糊的、含有噪声的数据。
BP网络是一种单向传播的多层前向网络,网络除输入和输出节点外,还有一层和多层的隐含节点,同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐含节点,然后传到输出节点,每一层节点的输出只影响下一层的输出。
目前,在人工神经网络的实际应用中,由于神经网络模型并非选择的因素越多,结果就会越准确,因为选择的因素过多会影响网络的学习速度,使学习过程变得复杂难于控制;同时影响因素也不能选得过少,这样会影响学习结果的准确性,使结果过分的依赖于部分因素导致失真。在关联度分析与计算的基础上,确定BP网络的输入。隐含层神经单元通过比较收敛速度,选择收敛速度最快的一个作为神经元单元数。
用神经网络处理上述数据分两个阶段进行,第1阶段是监督学习,第2阶段是无监督学习。监督学习是网络通过已知输入模式进行训练,进行训练前对样本数据进行规范化处理,使输入和输出数据规范到(0,1)区间,传递函数sigmoid型函数[f(x)=1/(1+exp(-Bx)(常数B>0)]。网络训练的误差目标函数Ek,即;
网络训练流程见图1。
2 采煤工作面煤与瓦斯突出危险性预测方法
2.1 采煤工作面煤与瓦斯突出影响因素的选取
煤与瓦斯突出是在矿井自然地质动力条件和人类工程活动共同作用下发生的一种煤矿动力灾害,研究中我们首先选取原岩应力、煤层厚度、断裂构造、瓦斯压力、瓦斯含量、煤岩物理力学性质等自然因素作为分析对象,考虑到人类采动效应以及解危措施等的影响,我们继续选取工作面回采导致的采动应力、瓦斯抽采导致的瓦斯含量变化,钻孔瓦斯涌出初速度和钻屑量等工程效应指标进行研究。
2.2 煤与瓦斯突出预测的步骤
(1) 选定预测工作面,划分网格单元;
(2) 选择参与分析的突出影响因素;
(3) 建立多因素模式识别数据库;
(4) 影响因素关联度分析及计算,提取特征因素;
(5) 应用BP神经网络进行学习训练;
(6) 确定各预测单元突出危险性概率;
(7) 根据预测危险值进行区域划分;
(8) 输出预测结果。
3 平顶山十矿应用实例
3.1 十矿己15-24080预测工作面概况
十矿己15-24080工作面有效走向长1579 m,倾斜宽205.3m~219.8 m瓦斯原始含量14.39 m3/t,瓦斯原始压力2.3 MPa,相对瓦斯涌出量14.39 m3/t~11.97 m3/t,绝对瓦斯涌出量4.47 m3/min~8.8m3/min。采用顺层钻孔预抽措施后剩余平均瓦斯含量为5.66 m3/t。十矿己15-24080工作面预测结果
(1) 十矿己15-24080工作面自然状态下预测结果
十矿己15-24080工作面自然状态下预测危险性概率值在0.48~0.98之间,平均值为0.82,最高值0.98。
(2) 十矿己15-24080工作面抽采后预测结果
十矿己15-24080工作面抽采后危险性平均概率值为0.47,最高值0.92,与自然状态下平均值降低了43%(图2)。但抽采后工作面部分区域概率值依然较大,仍有突出危险性。在2013年7月3日、8日、19日分别发生煤与瓦斯突出,其概率值分别为0.83、0.85和0.9,与预测结果具有较高的一致性。
(3) 十矿己15-24080工作面推进100 m时预测结果
十矿己15-24080工作面推进100 m时工作面的危险性概率平均值为0.47,最高值0.92,与自然状态下平均概率值降低了43%。
4 结论
(1)BP人工神经网络能够很好的处理煤与瓦斯突出不同影响因素的非线性分析计算问题,具有高度的非线性映射、自组织结构、高度并行处理等特性,可以方便地进行网络学习和联想记忆,从而较好地预测了突出危险性。
(2)成功地预测了平顶山十矿己15-24080工作面煤与瓦斯突出危险性,预测结果与现场实际情况有较好的一致性。预测结果能够为煤与瓦斯动力灾害的防治工作提供技术支撑,对矿井的安全生产具有重要意义。
参考文献
[1] 张宏伟,李胜.煤与瓦斯突出危险性的模式识别和概率预测[J].岩石力学与工程学报,2005,24(19):3577-3581.
[2] 宋卫华,张宏伟.矿井煤与瓦斯突出危险性预测的模式识别研究[J].安全与环境学报,2006,6:90-92.