張 寶，何 健

(山西潞安礦業(yè)集團有限責任公司，山西 長治 046204)

煤礦巷道掘進和工作面回采過程中的瓦斯涌出情況與地質(zhì)構(gòu)造息息相關，地質(zhì)構(gòu)造使煤層發(fā)生變形破壞，并改變煤層的瓦斯吸附與解吸狀態(tài)，直接影響瓦斯的賦存與運移[1]，大型構(gòu)造控制井田內(nèi)瓦斯區(qū)域分布，中型構(gòu)造決定瓦斯條帶分布，而小型、微型構(gòu)造控制局部瓦斯異常賦存[2，3]。礦區(qū)的突出事故與地質(zhì)構(gòu)造密切相關，安徽淮南礦區(qū)71.8%的石門、煤巷突出發(fā)生在小斷層附近、陽泉80%以上的突出發(fā)生在構(gòu)造區(qū)、四川芙蓉礦的47次突出均發(fā)生在斷層和褶皺附近，大多數(shù)瓦斯事故發(fā)生在小型、微型構(gòu)造地點[4，5]。小構(gòu)造尤其是小斷層具有分布廣泛性和潛隱性，易形成了瓦斯儲存或瓦斯排放的有利條件[6]，造成煤層在開采過程中瓦斯涌出量的不均衡，對局部瓦斯異常分布具有顯著的影響，是影響采掘工作面瓦斯涌出及突出的重要的因素。

目前國內(nèi)外瓦斯涌出量預測方法主要包括以數(shù)理統(tǒng)計為基礎的礦山統(tǒng)計法，以瓦斯含量為基礎的分源計算法和類比法，應用神經(jīng)網(wǎng)絡、灰色理論等方法建立數(shù)學模型的預測方法。其中礦山統(tǒng)計法依賴于礦井歷史數(shù)據(jù)，當相關生產(chǎn)條件發(fā)生改變時，難以對深部區(qū)域進行預測；分源預測法應用了較多的經(jīng)驗公式，預測結(jié)果存在局限性；類比法的預測精度很低，主要適用于新建礦的瓦斯涌出預測，甚至僅能定性分析；灰色理論方法的預測精度較高，但由于井下影響因素復雜多變，在模型建立與求解方面存在困難[7，8]。神經(jīng)網(wǎng)絡采用非線性方法能夠克服瓦斯地質(zhì)不確定性引起的預測模型難以建立、復雜區(qū)域瓦斯地質(zhì)機理不清楚等困難，可以實現(xiàn)復雜區(qū)域的瓦斯涌出預測計算[9-11]。

以潞安礦區(qū)五陽、常村、李村、余吾等井田為研究對象，通過測定小斷層構(gòu)造區(qū)域的瓦斯涌出量分布規(guī)律，分析小斷層構(gòu)造區(qū)域影響瓦斯涌出的主要因素，建立相應的影響因素指標體系，采用BP神經(jīng)網(wǎng)絡分析方法，建立小斷層構(gòu)造區(qū)域瓦斯涌出預測模型，對基于BP神經(jīng)網(wǎng)絡的小斷層構(gòu)造區(qū)域瓦斯涌出預測方法進行探索。研究礦井微小地質(zhì)構(gòu)造與瓦斯涌出之間的關系，并建立基于BP神經(jīng)網(wǎng)絡的小斷層區(qū)域瓦斯涌出預測模型，對于防止瓦斯事故的發(fā)生具有重要的理論意義和實用價值。

1 試驗區(qū)概況

潞安礦區(qū)位于山西省東南部，所轄煤田系沁水煤田東部邊緣中段，南北長約44～77km，東西寬約63.1km，面積約2052.8km2。潞安礦區(qū)整體為一向西傾斜的單斜構(gòu)造，伴有一定規(guī)模的褶曲和斷層，如文王山斷層、二崗山斷層、西川斷層，為礦井劃分的自然邊界，它們對于瓦斯賦存具有不同程度的影響。影響潞安礦區(qū)瓦斯賦存的主要地質(zhì)構(gòu)造是斷層、陷落柱及褶曲。從構(gòu)造位置來看，潞安井田位于大型寬緩復式向斜的東翼，裂隙不甚發(fā)育，有軸向正斷層和次級褶曲發(fā)育，煤層瓦斯易于順斷層和次級背斜頂部裂隙運移逸散，故區(qū)內(nèi)高瓦斯帶基本分布在向斜軸部、“S”型背斜的轉(zhuǎn)折端等構(gòu)造部位[12-14]。例如二崗山斷層與文王山斷層之間西部地層多以褶曲構(gòu)造為主，且煤層埋藏深，使得褶曲構(gòu)造成為富氣、控氣構(gòu)造。礦區(qū)煤層埋藏整體上由東向西逐漸加深，淺部偶見煤層露頭。目前，礦區(qū)內(nèi)瓦斯賦存較為富集的區(qū)域主要為李村煤礦、余吾煤業(yè)、五陽煤礦+370水平以下、常村+470以下水平等。本次研究主要集中在上述區(qū)域中。

2 小斷層構(gòu)造區(qū)域的瓦斯涌出特征

從煤層瓦斯賦存角度來看，不同規(guī)模的斷層構(gòu)造對煤層瓦斯賦存的控制效應有所不同，有的與褶曲構(gòu)造協(xié)同作用控制著區(qū)域性瓦斯分布，有的則引起局部瓦斯逸散或積聚，特別是成煤后出現(xiàn)的小型斷層構(gòu)造往往可以改變局部煤層的煤體結(jié)構(gòu)、瓦斯含量、吸附解吸特性及滲透性等特征，從而在生產(chǎn)過程中造成煤層瓦斯局部異常涌出[15]。為掌握斷層構(gòu)造對煤層瓦斯賦存的局部控制作用，選擇潞安礦區(qū)內(nèi)小型斷層構(gòu)造較為發(fā)育且瓦斯賦存豐富的李村煤礦、余吾煤業(yè)、五陽煤礦、常村煤礦等井田作為試驗點，對井田內(nèi)的斷裂構(gòu)造進行了歸納分析，從中挑選了7522-1、7522-2、7602-2、FJ119、FJ121、FJ146、FJ129、FJ130、FJ12、FJ4、FJ5、FJ6、F77、F164、F123、F75等較為典型的小型斷層作為研究目標。各斷層的地質(zhì)特征情況見表1。

表1 斷層基本參數(shù)表

在研究過程中，跟蹤、分析了部分巷道在掘進中“接近-穿過-遠離”斷層的過程，對巷道掘進期間的煤層瓦斯涌出數(shù)據(jù)進行了測試與統(tǒng)計，并以工作面距斷層的距離作為橫坐標，以該位置的掘進工作面瓦斯涌出量(平均瓦斯涌出量)為縱坐標繪制小型斷層構(gòu)造區(qū)域瓦斯涌出量變化規(guī)律圖，如圖1所示，對比分析斷層前后的煤層瓦斯涌出數(shù)據(jù)變化情況，研究小型斷層對煤層瓦斯涌出的局部控制作用。結(jié)合上述斷層的特征，對小型斷層區(qū)域的掘進工作面瓦斯涌出數(shù)據(jù)進行分析發(fā)現(xiàn)，掘進工作面瓦斯涌出量隨著推進會產(chǎn)生周期性變化：

圖1 小型斷層構(gòu)造區(qū)域瓦斯涌出量變化規(guī)律

1)斷層前后100m范圍內(nèi)瓦斯涌出呈現(xiàn)“增高-減小-增高”的U型變化規(guī)律，即在掘進工作面接近斷層時瓦斯涌出量增大(一般在與斷層距離小于100m后)，掘進至斷層附近時有所下降(一般在與斷層距離小于50m以后)，通過過斷層一定距離以后再次升高出現(xiàn)峰值。例如五陽煤礦的7522-1斷層，在距離揭露斷層55m左右以前，瓦斯涌出量比較平穩(wěn)，大致在2m3/min左右，而在距離斷層55m以后，瓦斯涌出量開始逐漸上升，并且在距離斷層15m左右出現(xiàn)了極大值6m3/min，在揭露斷層后瓦斯涌出量開始下降，并且在過斷層后的50～60m時出現(xiàn)極小值不足1m3/min，此后瓦斯涌出量上升，穩(wěn)定在2m3/min左右。其余斷層也多具有類似的規(guī)律，限于篇幅不再贅述。

2)斷層對瓦斯涌出的影響主要與斷層落差和斷層性質(zhì)存在較大關系，斷層的落差對于瓦斯涌出具有較大的影響，垂直落差大于煤層厚度時影響最大，當斷層落差大于3m后對瓦斯涌出的影響作用顯著增大。例如FJ129斷層落差2.2m，在掘進工作面揭露斷層后瓦斯涌出量由4m3/min左右降至3m3/min以下；而落差4m的FJ130斷層在被揭露后，掘進工作面斯涌出量則降至接近1m3/min。

3)除了落差外，正、逆斷層對于瓦斯涌出也具有不同影響，通常逆斷層處的瓦斯涌出量比正斷層處相對升高更加明顯。例如余吾礦的F77逆斷層附近瓦斯涌出量多分布在4m3/min以上。

3 小斷層構(gòu)造區(qū)域瓦期涌出影響因素

當?shù)刭|(zhì)因素不變時，瓦斯涌出量的變化主要與工作面掘進速度、掘進工藝及配風量等開采因素相關，而當?shù)刭|(zhì)因素變化時上述參數(shù)則不再是唯一的影響因素。通過分析過斷層前后掘進工作面的瓦斯涌出量變化情況可以發(fā)現(xiàn)，小斷層構(gòu)造區(qū)域的瓦斯涌出與正常區(qū)域相比具有較大的差異。這是由于斷層區(qū)域煤層的煤體強度、瓦斯含量及吸附解吸特性等相關特性都發(fā)生了較大變化所致，而上述變化的程度又與小型斷層構(gòu)造的發(fā)育特征和類型(正斷層或逆斷層)密切相關。在此基礎上結(jié)合潞安礦區(qū)的實際情況，發(fā)現(xiàn)小型斷層的落差、類型及傾角對煤層瓦斯涌出量存在較為明顯的控制作用。煤層具備生氣和儲氣雙重功能，其在空間上的展布對瓦斯涌出影響較大，特別是煤層埋深、煤層厚度等參數(shù)更是與瓦斯涌出密切相關。結(jié)合小型斷層區(qū)域瓦斯涌出量的變化特征，可知與斷層之間的距離也是影響瓦斯涌出的重要因素。綜合上述分析，可知煤層埋深、煤層厚度、斷層落差、斷層類型、斷層傾角、距斷層距離、掘進工藝及配風量等參數(shù)是小斷層構(gòu)造區(qū)域瓦期涌出的主要影響因素，可以初步將上述參數(shù)作為預測煤層瓦斯涌出的重要指標，如圖2所示。

圖2 小斷層構(gòu)造區(qū)域瓦斯涌出影響因素指標體系

4 瓦斯涌出量BP神經(jīng)網(wǎng)絡模型及其預測

神經(jīng)網(wǎng)絡模型具有多種形式，其中基于誤差反傳遞的BP網(wǎng)絡模型是在解決實際問題中應用較為廣泛的一類模型，具有映射能力強的優(yōu)勢，在經(jīng)過一定的學習訓練之后，能夠瓦斯涌出量進行較為準確的預測。

4.1 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡由輸入層、中間層和輸出層組成，包括信息的正向傳播和誤差的反向傳播兩個過程[12]。單隱層BP神經(jīng)網(wǎng)絡如圖3所示，中間層神經(jīng)元具有非線性傳輸函數(shù)，當神經(jīng)元足夠多時，可以逼近任何閉區(qū)間內(nèi)的連續(xù)函數(shù)。

圖3 BP神經(jīng)網(wǎng)絡示意

4.1.1 樣本歸一化處理

樣本在訓練之前對數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)映射到更小的區(qū)間內(nèi)，比如[0，1]或[-1，1]。

4.1.2 隱含層節(jié)點數(shù)目的選取

式中，h為隱含層節(jié)點數(shù)目；m為輸入層節(jié)點數(shù)目；n為輸出層節(jié)點數(shù)目；a為1～10之間的常數(shù)。

4.1.3 正向傳遞過程

根據(jù)上層所有節(jié)點的輸出值、當前節(jié)點與上一層所有節(jié)點的權(quán)值和當前節(jié)點的閥值、激活函數(shù)計算每個節(jié)點的輸出值x。

4.1.4 反向傳遞過程

誤差信號反向傳遞過程采用Widrow-Hoff學習規(guī)則[12]，權(quán)值和閥值調(diào)整算法如下：

式中，dj為輸出層第j節(jié)點的期望輸出值；yj為輸出層第j節(jié)點的實際輸出值；α為動量因子，一般選取0.1～0.8；η為學習因子；δij為中間層和輸出層的權(quán)值，δki為中間層和輸入層的權(quán)值。

BP神經(jīng)網(wǎng)絡模型中的指標數(shù)量并不是越多越好，結(jié)合潞安礦區(qū)小斷層構(gòu)造區(qū)域瓦斯涌出特征及主要影響因素，可以將BP神經(jīng)網(wǎng)絡模型的輸入層確定為9個因素：煤層厚度、埋藏深度、斷層類型、斷層傾角、斷層落差、采煤方法、推進速度、距斷層距離、配風量，輸出層為瓦斯涌出量，從而初步構(gòu)建起基于BP神經(jīng)網(wǎng)絡的小型斷層區(qū)域瓦斯涌出量預測模型。

4.2 涌出量預測模型的訓練

針對建立的BP神經(jīng)網(wǎng)絡模型進行訓練，訓練樣本來源于潞安礦區(qū)4個煤礦在12個小斷層前后100m范圍內(nèi)測定的瓦斯涌出量數(shù)據(jù)，按照最大瓦斯涌出量、最小瓦斯涌出量對測試數(shù)據(jù)進行了整理分析，見表2。設置神經(jīng)元數(shù)量為20，訓練次數(shù)為1000次，訓練精度為0.000001，動量因子為0.5，學習因子為0.3。利用訓練樣本按照上述參數(shù)進行學習訓練，以獲得合適的預測模型。

表2 瓦斯涌出量實測參數(shù)表

4.3 預測結(jié)果與分析

通過學習訓練后，采用BP神經(jīng)網(wǎng)絡模型分別對五陽礦7522-1斷層、常村礦FJ121斷層、李村礦FJ12斷層及余吾礦F77斷層的瓦斯涌出情況進行預測，結(jié)果見表3。對比各實測瓦斯涌出數(shù)據(jù)與預測數(shù)據(jù)可以發(fā)現(xiàn)，使用BP神經(jīng)網(wǎng)絡預測結(jié)果與實際涌出量的誤差不超過5%。因此，該方法可以滿足現(xiàn)場應用的要求。

表3 預測結(jié)果分析表

5 結(jié) 論

1)煤層瓦斯涌出量主要受所在區(qū)域地質(zhì)地質(zhì)條件和生產(chǎn)條件所控制，在一定范圍內(nèi)導致涌出量發(fā)生明顯變化的的因素主要有：煤層厚度、斷層落差、斷層類型、斷層傾角、距斷層距離、掘進工藝及配風量等，這些資料在礦井日常生產(chǎn)中容易大量獲取，具有實用意義。

2)小型斷層構(gòu)造對瓦斯涌出量會產(chǎn)生較為明顯的影響，斷層前后100m范圍內(nèi)瓦斯涌出呈現(xiàn)“增高-減小-增高”的U型變化規(guī)律；斷層的落差對于瓦斯涌出具有較大的影響，垂直落差大于煤層厚度時影響最大，當斷層落差大于3m后對瓦斯涌出的影響作用顯著增大；正、逆斷層對于瓦斯涌出也具有不同影響，通常逆斷層處的瓦斯涌出量比正斷層處相對升高更加明顯。

3)以煤層厚度、斷層落差、斷層類型、斷層傾角、距斷層距離、掘進工藝及配風量等9個參數(shù)作為BP人工神經(jīng)網(wǎng)絡模型的輸入層基本因素，建立了基于BP神經(jīng)網(wǎng)絡的小型斷層區(qū)域涌出量預測模型，利用潞安礦區(qū)相關數(shù)據(jù)對模型進行了訓練，利用訓練后的模型對小型斷層附近的瓦斯涌出量進行了預測，具有較高的準確率。