王 楊，胡 泊，董天文

(沈陽航空航天大學 安全工程學院，沈陽 110136)

煤炭自然發(fā)火是煤礦的主要災害之一。煤炭的自燃過程不僅會生成CO等有毒、有害氣體，而且容易造成煤塵和瓦斯爆炸事故，對井下工作人員的生命安全構成嚴重的威脅[1-2]。預防煤炭自然發(fā)火的有效方式之一就是基于全尺度煤自燃實驗得到的煤自燃過程中溫度與指標氣體濃度之間的規(guī)律，從而建立預測模型，對煤自燃行為進行有效預測，進而健全煤礦自然發(fā)火預警體系[3-4]。

目前，應用較多的煤自燃預警方法主要有氣體分析法、測溫法、數(shù)值分析法等[5-6]。氣體分析法應用最為廣泛，主要分析指標氣體濃度與煤溫之間的對應關系，建立函數(shù)關系或數(shù)學模型，以主要指標氣體和復合指標氣體來判斷煤自然發(fā)火的程度，從而實現(xiàn)對礦井火災的預警[7-9]。常用的指標氣體有CO、C2H4、鏈烷比和烯烷比等[10-12]，其中CO 是一種常用的、且能夠有效實現(xiàn)煤炭自燃預測預警的指標氣體。岳寧芳等[13]選擇CO、O2、C2H4/C2H6為重點指標氣體，對預防煤炭自燃劃分了6個預警等級；周言安等[14]以CO、C2H4、C2H4/C2H6作為主要指標氣體，為煤礦構建了煤自燃分級預警體系。在采用神經網絡模型預測方面，鄧軍等[15]分析了支持向量機及BP神經網絡在煤自燃預測中的問題及缺陷，提出了一種基于隨機森林算法的采空區(qū)煤自燃的預測預報模型。邊冰等[16]通過氣體分析法，以CH4/CO、O2/CO2作為BP神經網絡的輸入對煤層自燃情況做出了預報，提供了一種實時預報煤層自燃的方法。

以上對煤炭自燃預警方法的研究，主要是以BP神經網絡作為理論模型，本研究采用RBF神經網絡模型作為參考進行對比分析，進一步延伸了前人的工作，從而優(yōu)選出煤自燃預警效果較好的網絡。參考上述的相關研究結果，以陜西某易自燃煤礦4號煤層為研究對象，通過采集井下煤樣，采用理論、實驗和現(xiàn)場數(shù)據(jù)相結合的研究方法，分析了該礦指標氣體的濃度與溫度的對應關系，構建了基于指標氣體濃度與特征溫度的密閉采空區(qū)煤自燃分級預警體系，通過采集的4號煤層采空區(qū)相關指標氣體共157組數(shù)據(jù)，開展了基于BP和RBF神經網絡的礦井密閉采空區(qū)煤自燃預警方法研究。

1 預警等級劃分

為探知煤礦煤樣的特征溫度及其特征溫度點處CO等氣體濃度規(guī)律，采用了陜西某礦4號煤為煤層自然發(fā)火指標氣體的實驗煤樣，選擇了4種不同粒徑的煤樣進行程序升溫實驗,表1為程序升溫實驗數(shù)據(jù)[6]。

采用常用的2個指標氣體增長率：指標氣體增長率Ir和指標氣體相對增長率Is，用以分析隨著溫度的變化，煤樣的氧化程度并確定特征溫度點[4]。

增長率Ir為氣體濃度(或氣體的體積分數(shù))的變化率與該時刻氣體濃度的比值，如式(1)所示

(1)

其中：Δφi為i時刻和(i-1)時刻的氣體濃度變化量，單位%；ΔTi為i時刻和(i-1)時刻的溫度變化量，單位為℃，其中i>1。

相對增長率Is為i～(i-1)時間段氣體濃度的變化量與(i-1)～(i-2)時間段氣體濃度的變化量的比值，如式(2)所示

(2)

其中：Δφi-1為(i-1)時刻和(i-2)時刻的氣體濃度變化量。

指標氣體增長率Ir和相對增長率Is變化曲線如圖1所示。根據(jù)圖1可知，Ir和Is的變化規(guī)律基本相同，而且其峰值都出現(xiàn)在50、70、90、120、170 ℃溫度處，因此特征溫度T1=50 ℃、T2=70 ℃、T3=90 ℃、T4=120 ℃、T5=170 ℃。

表1 程序升溫實驗數(shù)據(jù)

圖1 增長率Ir和相對增長率Is曲線

通過程序升溫實驗的數(shù)據(jù)，以起始溫度T0=20 ℃和特征溫度在T1、T2、T3、T4、T5時刻的CO氣體濃度作為分級預警的界限，將預警等級劃分為6級，具體劃分方法如表2所示。

表2 煤自然發(fā)火預警等級分級表

2 基于神經網絡的煤自燃分級預警

2.1 神經網絡選擇

分別采用BP神經網絡與RBF神經網絡兩種預測模型對CO濃度數(shù)據(jù)進行訓練、測試及分析，確定出能夠準確反映CO濃度變化規(guī)律的較好的神經網絡算法。

BP神經網絡是一種多層前饋的神經網絡，在預測中的運用大致包括以下兩個部分：根據(jù)已知屬性預測未知屬性和根據(jù)自身已有數(shù)據(jù)預測未來數(shù)據(jù)。其隱含層激活函數(shù)常采用Sigmoid函數(shù)，如式(3)所示

(3)

其中x為輸入向量。

RBF(徑向基函數(shù))神經網絡的構造和BP神經網絡相同。不同的是，RBF神經網絡中隱層節(jié)點的激活函數(shù)為徑向基函數(shù)。徑向基函數(shù)是徑向對稱的，并且衰減到中心點。在三維空間中，它呈現(xiàn)出一個以Z軸為中心軸的山形，是傾斜的非負線性函數(shù)。其隱含層激活函數(shù)常使用Gaussian函數(shù)，如式(4)所示

(4)

其中：μi為隱含層第i個節(jié)點的中心向量；φ(‖x-μi‖)為輸入向量x到隱含層第i個節(jié)點的中心向量的歐式距離；σi為第i個節(jié)點的寬度參數(shù)。

2.2 算法流程及參數(shù)設置

利用BP和RBF神經網絡建立的礦井密閉采空區(qū)煤自燃預警模型的算法流程主要包括數(shù)據(jù)預處理、網絡參數(shù)設定、訓練網絡等步驟，具體算法流程如圖2所示。

2.3 數(shù)據(jù)劃分及網絡性能評判指標

以CO、CO2濃度數(shù)據(jù)以及CO和CO2濃度比值作為BP神經網絡的輸入，將監(jiān)測的CO濃度數(shù)據(jù)作為神經網絡的期望輸出，對157組原始數(shù)據(jù)進行劃分，采用留出法將數(shù)據(jù)集按照5∶4的比例分為兩個互斥的子集。由于在原始數(shù)據(jù)點119處出現(xiàn)較大波動，所以利用1～119組數(shù)據(jù)對BP神經網絡進行訓練，以119～157組數(shù)據(jù)對網絡的預測效果進行測試。采用均方根誤差作為評價指標對預測模型的性能進行評估，其運行公式如式(5)所示

(5)

其中：fi為CO濃度預測值；yi為CO濃度真實值。

圖2 算法流程圖

2.4 結果分析及討論

圖3和圖4是BP和RBF神經網絡對CO濃度的預測結果圖和在測試集上的對比圖。由圖3可知，BP和RBF神經網絡預測CO濃度變化趨勢與原始數(shù)據(jù)基本一致，在訓練集和測試集上都表現(xiàn)出了較好的預測性能。由圖4可知，BP神經網絡比RBF神經網絡在測試集上的預測效果更好。

BP和RBF神經網絡在測試集上的均方根誤差如圖5所示。由圖5可知，BP神經網絡在訓練集和測試集的均方根誤差分別為0.072 8和0.228 5；RBF神經網絡在訓練集和測試集的均方根誤差分別為0.063 7和0.482 1。其中，BP神經網絡預測模型在測試集上的誤差比RBF神經網絡更小。

圖3 BP和RBF神經網絡訓練及預測圖

圖4 BP和RBF神經網絡在測試集上的對比圖

圖5 BP、RBF神經網絡均方根誤差

根據(jù)該煤礦密閉采空區(qū)的CO濃度監(jiān)測數(shù)據(jù)，以及BP和RBF神經網絡對CO濃度的預測值，繪制出礦井密閉采空區(qū)火災6級預警圖，如圖6所示。結果發(fā)現(xiàn)不同時刻CO濃度基本保持穩(wěn)定，該采空區(qū)在1～139 d的CO濃度基本保持在了黃色預警范圍內，但是在139～157 d的CO濃度超過了黃色預警界限，該時間段內采空區(qū)CO濃度處于(19.27～32.52)×10-6范圍內。對比程序升溫實驗所得到的數(shù)據(jù)，根據(jù)表2可知，CO濃度在溫度50～70 ℃時，表明當?shù)V井采空區(qū)有漏風因素影響時，漏風會帶出采空區(qū)內產生的一些氣體，采空區(qū)產生了較多的CO和CO2。由此可以看出，在139～157 d的采空區(qū)遺煤發(fā)生了緩慢氧化作用，因此啟動了黃色預警。

圖6 BP和RBF神經網絡預測分級預警圖

由圖6可以看出，該采空區(qū)在1～139 d達到了綠色預警界限，在黃色預警區(qū)域內。從第139 d開始一直到157 d，由綠色預警升級到黃色預警。通過BP神經網絡預測得到的數(shù)據(jù)，1～140 d均處于綠色預警，140～157 d升級為黃色預警，即預測誤差為1 d；通過RBF神經網絡預測得到的數(shù)據(jù)，1～141 d處于綠色預警，141～157 d升級到黃色預警，即預測誤差為2 d。

本次訓練數(shù)據(jù)為119組，第1～119 d的采空區(qū)處于綠色預警階段，到達下一預警階段(黃色預警)的時間為20 d，而BP神經網絡對于達到下一預警階段的預測天數(shù)是21 d，即預測誤差為1 d；RBF神經網絡對于達到下一預警階段的預測天數(shù)是22 d，即預測誤差為2 d。

利用BP神經網絡模型對CO濃度進行預測，針對此類有監(jiān)督學習的算法，BP神經網絡能根據(jù)輸入、輸出對非線性函數(shù)進行較高精度的擬合，表現(xiàn)出良好的學習能力。表3是BP和RBF神經網絡對預警等級的預測結果。

表3 BP和RBF神經網絡預警等級預測結果

從表3可以看出，BP和RBF神經網絡在判斷當前數(shù)據(jù)處于何種預警等級時與實際監(jiān)測數(shù)據(jù)一致。但在對何時進入到黃色預警時出現(xiàn)了1～2 d的滯后性，這是由于采空區(qū)的CO濃度在時間上本就具備一定的關聯(lián)性，其影響因素不單單是上一時刻的CO濃度，還包括其他碳氧化合物的影響。本文利用BP和RBF神經網絡對時間序列數(shù)據(jù)進行預測時，以上一時刻的數(shù)據(jù)作為輸入，預測下一時刻的濃度數(shù)據(jù)，因此在時間上出現(xiàn)了一定的滯后性。

利用BP和RBF神經網絡對礦井密閉采空區(qū)煤自燃現(xiàn)象進行預警的過程中，BP和RBF神經網絡都表現(xiàn)出了良好的預測性能，但BP神經網絡較RBF神經網絡的預測性能更好。主要原因是對于此類小樣本數(shù)據(jù)，RBF神經網絡并沒有表現(xiàn)出優(yōu)越性。由圖4可知，隨著樣本數(shù)量的不斷增加，RBF神經網絡更能無限逼近CO濃度真實值，因此未來應不斷提高樣本容量，才可以對采空區(qū)火災預警表現(xiàn)出良好的預測效果。此外，由圖5可知，RBF神經網絡相比BP神經網絡預測誤差較大，同時，由于BP神經網絡屬于典型的前饋式神經網絡，因此具有更好的非線性映射能力，針對CO濃度這類短時間內波動明顯的小樣本數(shù)據(jù)，BP神經網絡容錯能力也得以體現(xiàn)。

3 結論

(1)通過特征溫度和CO濃度改進了礦井密閉采空區(qū)煤自燃預警體系，將煤自燃預警等級劃分為“綠色、黃色、藍色、橙色、紫色、紅色”6級，提出了一套基于神經網絡模型的預警體系。

(2)通過神經網絡模型對密閉采空區(qū)煤自燃現(xiàn)象進行預警，針對小樣本數(shù)據(jù)，BP神經網絡更具有普適性，更準確地預測了礦井密閉采空區(qū)煤自燃的預警等級，提高了預警體系的準確性與可靠性。