郎 琦

1煤炭科學技術研究院有限公司 北京 100013

2煤炭資源高效開采與潔凈利用國家重點實驗室 北京 100013

3北京市煤礦安全工程技術研究中心 北京 100013

近年來，我國煤炭行業(yè)機械化、大型化發(fā)展迅速，大型煤炭企業(yè)采煤機械化程度由 1978 年的 32.34% 提升至 2018 年的 96.1%，掘進機械化程度由 14.5% 提高到 54.1%[1]。然而，礦山頂板災害仍是引起煤礦安全生產事故的重要因素，據(jù)統(tǒng)計，2004—2015 年，全國煤礦頂板災害事故發(fā)生 10 798 起，在礦山總體事故起數(shù)中占比高達 52.1%[2]。由此可見，礦山頂板災害在我國礦山各類事故中最具威脅性，建立完善礦山頂板災害預警監(jiān)測系統(tǒng)對煤礦安全生產具有重要的意義。

1 監(jiān)測預警技術研究現(xiàn)狀及優(yōu)化方向

1.1 礦山頂板主要監(jiān)測要點

現(xiàn)階段采場頂板運動致災的主要監(jiān)測指標有：液壓支架初撐力及工作阻力、工作面頂板端面距、工作面頂板下沉量等。

(1)礦壓顯現(xiàn)狀態(tài)監(jiān)測 通過安裝于液壓支架上的應力傳感器[3]，采集隨工作面推進過程中采場頂板所顯現(xiàn)的礦山壓力值，進一步可對液壓支架工作阻力變化狀態(tài)進行相似模擬分析研究，從而可獲得工作面回采過程中采場頂板巖層結構的壓力變化規(guī)律，為采場頂板支護及支架選型提供理論及實踐依據(jù)。

(2)采場頂板下沉量動態(tài)監(jiān)測 基于安裝于液壓支架上的位移傳感器[4]，采集工作面推進過程中頂板的運移數(shù)據(jù)，可與礦山壓力監(jiān)測值共同反映出液壓支架及采場頂板的狀態(tài)。

(3)端面距動態(tài)監(jiān)測 基于安裝于液壓支架前梁上的距離傳感器[5]，可達到實時監(jiān)測液壓支架與煤壁之間的距離，進而可動態(tài)監(jiān)測與分析液壓支架及采場頂板的穩(wěn)定性。

除上述采場頂板穩(wěn)定性主要監(jiān)測指標外，通常還會對煤壁片幫程度、偽頂及直接頂強度、采高等進行輔助監(jiān)測[6]，以達到對采場頂板穩(wěn)定性全方位監(jiān)測的目的。

1.2 礦山頂板災變預警技術

基于現(xiàn)場安裝的應力、應變、位移及距離等傳感器硬件監(jiān)測設施，對實時采集的礦山壓力顯現(xiàn)數(shù)據(jù)進行分析處理，并建立采場頂板災變數(shù)學分析模型[7]，解析礦山頂板災變礦壓顯現(xiàn)相應指標的閾值或臨界條件，從而實現(xiàn)對礦山頂板災變的監(jiān)測及預警。

(1)支架載荷異常預警 目前主要通過采集現(xiàn)場支架初次及周期來壓期間支架工作阻力并分析其變化趨勢來實現(xiàn)預警[8]。當支架工作阻力低于其初撐力、高于額定工作阻力以及變化率急劇波動時，則觸發(fā)支架承載異常預警。

(2)頂板下沉監(jiān)測預警 基于理論分析與工程實踐經驗設定相應回采工作面頂板下沉量閥值和變化速率[9]，當頂板下沉量超過預設閥值或其變化率超過預設速率閥值，則礦井頂板災害監(jiān)測系統(tǒng)將激活并發(fā)出頂板位移異常預警信號。

(3)基本頂巖層結構失穩(wěn)預警 基本頂巖層斷裂結構的穩(wěn)定性及其運移規(guī)律是造成采場礦山壓力顯現(xiàn)的主要緣由，現(xiàn)階段針對基本頂結構狀態(tài)及變化無法直接和直觀地監(jiān)測預報。鑒于此，筆者在建立基本頂力學模型的基礎上，計算基本頂斷裂結構參數(shù)，并輸入頂板監(jiān)測預警系統(tǒng)基本頂監(jiān)測板塊，從而判斷其穩(wěn)定性。

1.3 監(jiān)測預警系統(tǒng)優(yōu)化方向

當前國內雖然在礦山頂板災害監(jiān)測預警系統(tǒng)理論及技術裝備方面已取得較大的進步和成就[10-12]，但就頂板監(jiān)測預警數(shù)據(jù)采集、計算分析、超限預警及后處理等方面需進一步做以下改進。

(1)提高預警數(shù)學模型精確性 建立精確的頂板災變預警數(shù)學模型，并選擇適用的預警臨界條件及閾值，形成礦山頂板災變預警及決策系統(tǒng)，是實現(xiàn)礦山頂板結構穩(wěn)定性監(jiān)測及災變預警的基本理論思路。

(2)完善頂板穩(wěn)定性監(jiān)測參數(shù)指標 礦山采場頂板巖層結構穩(wěn)定性監(jiān)測參數(shù)指標的選取是實現(xiàn)頂板巖層結構穩(wěn)定監(jiān)測預警應用研究的基礎。對未曾考慮的因素及技術無法滿足而考慮的因素劃分不明確，必須對能反映回采期間頂板巖層結構動態(tài)變形破壞的相關參數(shù)指標進行甄別、篩選及監(jiān)測分析。

(3)建立頂板監(jiān)測綜合化預警系統(tǒng) 運用數(shù)學分析方法，將回采過程中采場基本頂、直接頂?shù)雀黝愴敯宓闹匾獏?shù)指標進行數(shù)理融合分析，考慮各影響因素間的關聯(lián)性，進而提高頂板監(jiān)測系統(tǒng)的全面性及精確性。

(4)提高監(jiān)測及預警系統(tǒng)智能化程度 頂板巖層穩(wěn)定性監(jiān)測預警系統(tǒng)智能化程度的提高將會直接反映出其系統(tǒng)決策能力，為此應重點研究如何實現(xiàn)現(xiàn)場數(shù)據(jù)采集、預處理、數(shù)據(jù)傳輸、數(shù)據(jù)分析及響應處理的快速性及精確性，降低頂板災害監(jiān)測預警系統(tǒng)的響應時間消耗，提高監(jiān)測預警系統(tǒng)的智能化程度。

2 頂板災害預警數(shù)學模型

2.1 徑向基神經網絡 (RBF Network)

徑向基函數(shù)網絡 (Radial Basis Function Network)最早由 Broomhead 和 Lowe 在 1988 年建立，是一種使用徑向基函數(shù)作為激活函數(shù)的人工神經網絡[3]。徑向基神經網絡具有良好的模式分類及函數(shù)擬合能力，主要層結構為：輸入層，網絡節(jié)點個數(shù)與輸入數(shù)據(jù)維數(shù)相等；隱含層，網絡節(jié)點具體數(shù)量由用戶視所需解決問題的復雜度而確定；輸出層，網絡節(jié)點個數(shù)與所計算出的輸出數(shù)據(jù)維度相等[13]。

一般將徑向基函數(shù)記為

2.1.1 正則化徑向基神經網絡

正則化網絡的輸入層由輸入結構節(jié)點組成的，輸入結構節(jié)點數(shù)目與輸入向量x的維數(shù)m相等；隱含層中，第i個隱含節(jié)點輸出函數(shù)φ(‖x-xi‖)為其相應基函數(shù)，Xi=[xi1，xi2，…，xim]為其相應基函數(shù)中心；輸出層包括若干線性結構單元，每個線性結構單元與所有隱含層網絡結構節(jié)點相連，相應正則化徑向基函數(shù)網絡如圖 1 所示。

2.1.2 廣義徑向基神經網絡

圖1 正則化徑向基網絡結構Fig.1 Structure of regular radial basis network

正則化網絡矩陣數(shù)據(jù)變大時，在求解過程中微小擾動將會對其結果產生很大影響。由于計算機的浮點數(shù)只能提供有限精度，對于正則化問題只能通過減少內部隱含神經單元的數(shù)目，從而進一步求得在較低維度空間上的次優(yōu)解。

與正則化網絡結構原理相似，廣義網絡結構也存在相應有M個輸入數(shù)據(jù)節(jié)點[14]，但其有所不同的是，其隱含層結構中存在有I個節(jié)點，其中I＜K，第i個隱含節(jié)點的基函數(shù)為φ(‖X-Xi‖)，其中Xi=[xi1，xi2，…，xim]，為其基函數(shù)的中心。輸出結構層含有相應J個神經元結構單元，在這里通過增加閥值φ0使之輸出恒為 1，輸出單元與其相連的權值為w0j。其相應廣義徑向基神經網絡如圖 2 所示。

圖2 廣義徑向基神經網絡Fig.2 General radial basis neural network

設當實際輸出為Yk=[yk1，yk2，…，ykj]，J為其相應輸出單元的個數(shù)，因此當輸入訓練樣本Xk時，則其網絡第J個輸出的神經元結果為

2.2 多因素徑向基神經網絡模型

采場頂板穩(wěn)定性的影響因素眾多，且各因素與頂板變形值間的關系呈復雜的非線性、隨機性。因此，可建立多因素徑向基神經網絡數(shù)學模型，如圖 3 所示，并將影響采場頂板運動的各因素分別作為研究分量，代入數(shù)學模型進行計算分析，可得頂板下沉值及殘差值計算結果，如圖 4、5 所示?？梢钥闯觯嘁蛩貜较蚧窠浘W絡預測結果高度還原了樣本數(shù)據(jù)的變化趨勢，因此選用多因素徑向基神經網絡模型可有效提高采場頂板災變監(jiān)測各主要指標預測的精確性。

圖3 多因素徑向基計算網絡結構Fig.3 Structure of multi-factor radial basis calculation network

圖4 多因素徑向基神經網絡模型預測Fig.4 Forecast based on multi-factor radial basis neural network model

圖5 多因素神經網絡殘差分析Fig.5 Analysis on residual error of multi-factor neural network

3 礦山頂板監(jiān)測預警系統(tǒng)優(yōu)化

3.1 系統(tǒng)優(yōu)化框架

礦山頂板監(jiān)測預警系統(tǒng)優(yōu)化框架如圖 6 所示。通過計算分析采場頂板多因素方差，得出影響頂板下沉變形的主要因素；建立多因素徑向基神經網絡數(shù)學模型，預測各因素影響下頂板巖層沉降量；設立如頂板下沉量閥值等極限條件，超限報警，并作出應急響應，避免頂板災害發(fā)生。

圖6 頂板監(jiān)測預警系統(tǒng)優(yōu)化框架Fig.6 Frame of optimization of roof monitoring and early warning system

3.2 礦山壓力顯現(xiàn)監(jiān)測

監(jiān)測系統(tǒng)可以實時采集井下采場的礦壓數(shù)據(jù)，可通過光纖高速傳輸?shù)降孛婵刂剖?，亦可通過電子采集器現(xiàn)場無線采集。對于液壓支架阻力及位移數(shù)據(jù)采集及分析結果如圖 7 所示。

3.3 頂板結構運動狀態(tài)監(jiān)測

基于基本頂斷裂力學模型，解析其斷裂結構發(fā)生各種失穩(wěn)狀態(tài)的判別式，并將其擬合到頂板監(jiān)測預警系統(tǒng)中，綜合考慮現(xiàn)場采集數(shù)據(jù)樣本、實驗室相似模擬及理論計算模型，可擬合得到基本頂結構所處狀態(tài)，如圖 8 所示。

圖7 液壓支架工作阻力及位移Fig.7 Work resistance and displacement of hydraulic support

圖8 頂板結構狀態(tài)分析Fig.8 Analysis on roof status

3.4 頂板下沉量超限監(jiān)測

優(yōu)化后的頂板下沉量監(jiān)測預警系統(tǒng)中囊括了多因素影響條件，并給出了相應條件下的預測結果和殘差值分析，如圖 9 所示。由圖 9 可見，基于多種關鍵因素的徑向基神經網絡預測頂板下沉量具有較高的精確度，能夠實時有效地反映頂板的切實狀態(tài)。與礦山壓力監(jiān)測相同，均設有超限報警功能，能夠更好地確保安全生產。

圖9 頂板下沉量監(jiān)測預警模型Fig.9 Roof subsidence amount monitoring and early warning model

4 系統(tǒng)試驗

4.1 監(jiān)測站布置

為檢測該預警系統(tǒng)的可行性，選取晉華宮礦 8707工作面為工業(yè)性試驗對象，沿工作面傾向布置 6 個頂板運動監(jiān)測站，分別分布于 17、28、39、50、69 和88 號支架處，監(jiān)測站布置如圖 10 所示。

圖10 監(jiān)測站布置示意Fig.10 Sketch of layout of monitoring station

4.2 監(jiān)測結果分析

通過對 8707 工作面現(xiàn)場實測，頂板監(jiān)測預警系統(tǒng)對其頂板狀態(tài)進行監(jiān)測分析，各站點液壓支架狀態(tài)如圖 11 所示，1 號監(jiān)測站處于端頭，礦壓顯現(xiàn)較強，超過 40 MPa，其余各站工作阻力及位移均在可控范圍內，均呈正常狀態(tài)，暫未出現(xiàn)報警值；頂板結構狀態(tài)結果如圖 8 所示，基本頂結構處于滑落回轉區(qū)，應防范基本頂滑落失穩(wěn)引起倒架、壓架等現(xiàn)象發(fā)生。

5 結論

(1)多因素徑向基神經網絡數(shù)學計算分析模型對礦山頂板災害監(jiān)測預警系統(tǒng)有更好的適用性，可有效提高監(jiān)測預警系統(tǒng)的精確性。

(2)從數(shù)學計算模型、數(shù)據(jù)采集和傳輸、支架狀態(tài)分析及頂板結構分析等方面對礦山頂板監(jiān)測預警系統(tǒng)進行優(yōu)化設計，并對 8707 工作面進行應用檢測，結果表明，8707 工作面頂板處于滑落回轉狀態(tài)，應做好倒架、壓架等礦壓顯現(xiàn)異常的防范工作。

圖11 8707 工作面監(jiān)測結果Fig.11 Monitoring results on work face 8707