基于BP神經網絡的礦井熱環(huán)境評價體系研究

程 磊，趙 昊，耿劍統(tǒng)，王澤華

(1.河南理工大學安全科學與工程學院，河南 焦作 454003；2.河南省安全科學技術研究院，河南 鄭州 450004)

0 引 言

隨著開采深度的增加，礦井熱害問題日益突出。據統(tǒng)計，目前我國有69個礦井為熱害礦井，主要分布于江蘇、山東、黑龍江、吉林、河南等省[1]。礦井高溫環(huán)境下工作不僅影響工人身心健康，同時也影響工作效率，且井下高溫環(huán)境容易誘發(fā)火災、瓦斯爆炸等災害。礦井高溫熱害問題逐漸成為礦井的又一大災害，也逐漸成為礦井災害研究的一個重要領域。

歐曉英等[2]運用模糊綜合評價法對熱害礦井熱環(huán)境進行了評價，構建了礦井熱環(huán)境評價指標的隸屬函數，并采用層次分析法對評價指標的重要程度及其算法進行了分析，以此來確定礦井環(huán)境的評價等級，設計了熱環(huán)境評價系統(tǒng)軟件；邱冠豪等[3]利用層次分析法構建金屬礦井采礦熱害評價體系，從生產能力、地質條件、礦井通風、地理環(huán)境等4個方面提出17個評價指標；袁東升等[4]對礦井內部熱源的種類進行分析、計算；陳安國[5]對礦井熱害產生的原因進行了分析，并闡述了熱害對于人的危害。

目前，針對礦井熱環(huán)境評價體系的研究還未達成共識，描述井下熱環(huán)境通常只用溫度表示，但礦井熱環(huán)境對人的損傷不應只依靠溫度一個指標，而應該系統(tǒng)地考慮人的舒適性、安全性、人與井下環(huán)境的相互影響。本文以綜合的角度出發(fā)從礦井內部熱源、環(huán)境以及礦井結構三個方面提出影響礦井熱環(huán)境的評價指標。各評價指標與礦井熱害間存在復雜的線性、非線性關系，各個指標間也相互影響，不能直接運用已有的數學模型總結出各指標與礦井熱環(huán)境間的映射關系。因此利用BP神經網絡建立了多個因素的礦井熱環(huán)境評價因素之間的非線性模型。

1 礦井熱害評價指標的建立

礦井熱害評價指標體系包括礦井熱害影響因素和礦井熱環(huán)境分級指標。礦井熱害是由內部熱源、環(huán)境因素、礦井結構三個因素耦合造成的。本文從內部熱源、環(huán)境和礦井結構三個方面選取15個指標作為礦井熱害的評價指標。同時運用人在礦井下的熱舒適性概念對礦井熱環(huán)境進行分級，將礦井分為無熱害礦井、中等程度熱害礦井和熱害嚴重礦井。

1.1 熱源因素

1) 人員放熱。人體向周圍環(huán)境散發(fā)的熱量計算見式(1)。

C=M-W-S

(1)

式中：C為人體向周圍環(huán)境散發(fā)的熱量；M為人體代謝率；W為人體所做的功；S為人體的蓄熱率。

由式(1)可知，工作人員的放熱量主要取決于工人數量和新陳代謝產生的熱量，不同年齡段的人新陳代謝產生的熱量不同，蓄熱率不同，對熱環(huán)境的適應能力也不同。人是礦井熱環(huán)境評價體系針對的主要目標，礦井熱害也直接對人體產生危害。故選取井下工人數量(指標1)和井下工人平均年齡(指標2)作為評價指標。

2) 井下機電設備放熱。隨著礦井機械化程度的提高，井下機電設備安裝容量不斷增大，轉化為熱能部分的電能不斷往周邊環(huán)境散熱。機電設備放熱已成為礦井中不容忽視的主要熱源，故選取井下機電設備放熱(指標3)作為評價指標，可以用井下機電裝機總容量表示。

3) 熱水放熱。井下涌出的熱水能對經過的風流進行加溫加濕，是礦井熱環(huán)境的一大影響因素。井下涌水的放熱量主要是由放水量和水溫決定的。故選取地下熱水涌出量(指標4)和地下熱水平均涌出溫度(指標5)作為評價指標。

4) 井下礦物氧化放熱。煤在開采、運輸過程中會氧化進行放熱，特別是煤在運輸過程中遇到進風風流，對進風風流加熱效果尤為明顯。高溫環(huán)境與井下礦物氧化自燃有密切聯系，其主要影響因素是井下礦物煤質構成與運輸方式。 故選取井下礦物氧化放熱(指標6)作為評價指標。 可用式(2)進行估算。

Qk=0.002 4mCmL0.8(tr-trm)

(2)

式中：m為煤炭生產量，kg/s；Cm為礦石的比熱，kg/(kg·℃)；L為運輸距離，m；tr為運輸過程中煤礦的平均溫度，℃；trm為出口皮帶風流溫度，℃。

1.2 環(huán)境因素

1) 地熱梯度。地熱梯度表示地球內部溫度不均勻分布程度的參數。一般埋深越深溫度值越高，以每百米垂直深度上增加的攝氏度數表示。不同地點地溫梯度值不同，通常為1～3 ℃/hm。對于深度較深的礦井，地熱梯度對井下熱環(huán)境影響較大。在增溫帶內，巖層原始溫度隨深度的變化規(guī)律也可用地溫率或地溫梯度表示[6]。 故選取地熱梯度(指標7)作為評價指標。

2) 地表氣候因素。井下溫度與濕度受到由風機作用帶來的地表風流中的溫度、濕度影響。對于井下工人來說，高濕環(huán)境不利于個體散熱，雖然環(huán)境溫度變化不大，但更容易影響工人身心健康。因而地表大氣溫度、濕度的變化必然影響到井下的熱環(huán)境。故選取地面全年平均氣溫(指標8)和地面全年平均濕度(指標9)作為評價指標。

1.3 礦井結構因素

1) 采、掘工作面數量。對于井下熱環(huán)境而言，采煤工作面與掘進工作面是產熱“大戶”，也是人員工作強度最大的地區(qū)，它們的數量對于井下熱環(huán)境是比較重要的。故選取采煤工作面數量(指標10)與掘進工作面數量(指標11)作為評價指標。

2) 采煤方法。不同的采煤方法采用不同的機電設備，放熱量也大不相同。故選取采煤方法(指標12)作為評價指標。運用采煤過程中需要用到的機電設備容量對該指標量化處理。

3) 工作面深度。隨著采掘深度的增加，礦井熱害也將伴隨有不同程度的加深。故選取工作面深度(指標13)作為評價指標。

4) 合理的通風系統(tǒng)。井下合理的通風系統(tǒng)有利于井下熱源的散熱。相比而言，中央并列式通風行程過長不利于散熱，分區(qū)獨立式通風對各個采區(qū)進行單獨通風散熱效果最佳。這里可以對通風系統(tǒng)類型結合實際的通風效果給出評分。故選取合理的通風系統(tǒng)(指標14)作為評價指標。

5) 空氣流速。對于井下工人而言，在符合煤礦安全規(guī)程內更大的風速能帶走人體散發(fā)的熱量，也能更好地進行礦井內與外界的熱量交換。故選取空氣流速(指標15)作為評價指標。

1.4 評價分級指標的建立

人在不同環(huán)境中對溫度有不同的適應能力，本文運用人在礦井下的熱舒適性概念對礦井熱環(huán)境進行分級。黃煒等[7]基于PMV熱舒適性方程對礦井熱環(huán)境進行分級，并繪制礦井人體熱舒適區(qū)(圖1)。

圖1 礦井人體熱舒適區(qū)Fig.1 Thermal comfort zone of the mine

引用該礦井熱舒適區(qū)圖，將處在熱舒適區(qū)的環(huán)境評價為[1,0,0](無熱害)，處在熱舒適區(qū)之外但低于煤礦安全規(guī)程規(guī)定的30 ℃以下的熱環(huán)境評價為[0,1,0](中等程度熱害)，將高于煤礦安全規(guī)程規(guī)定溫度亟需進行礦井熱害改造的礦井評價為[0,0,1](熱害嚴重)。

2 BP神經網絡的建立

神經網絡的結構越復雜，樣本數據越多，其精度越高、處理非線性問題的能力越強；如果樣本數據過少、網絡結構過于簡單，網絡訓練則很難收斂。礦井熱害評價體系有15個評價指標即該神經網絡有15個輸入向量，為確保神經網絡的精確度和收斂效果需要200個以上的樣本進行訓練。由于熱害礦井實例數量不多，且取樣調查難度較大，樣本數量達不到需要的訓練樣本數量。若用這些有限的樣本進行訓練，會造成網絡學習經驗積累不夠，最終導致評價結果不準確。因此，學習樣本采用理想與實際取樣相結合的方法選取300個樣本。在理想樣本中，如果礦井熱害評價體系中的各項指標范圍都處在最優(yōu)范圍之內，則礦井熱害系統(tǒng)評價的結果為Ⅰ[1,0,0](無熱害)；如果都為Ⅱ(中等程度熱害)，則評價結果為[0,1,0](中等程度熱害)；如果都為Ⅲ(熱害嚴重)，則評價結果為[0,0,1](熱害嚴重)。在這種假設的基礎上隨機選取部分樣本與實際樣本混合作為學習樣本，其中選取100個無熱害樣本、100個中等程度熱害樣本、100個熱害嚴重樣本。

由于有些指標量化以后量級相差過大，為不影響神經網絡的訓練過程需要將指標進行歸一化處理為[0,1]之間。運用式(3)進行歸一化處理。

x=(maxX-X)/(maxX-minX)

(3)

選取理想樣本時指標分級范圍見表1。

表1 理想樣本指標分級范圍Table 1 Ideal sample index classification range

2.1 神經網絡結構設計

BP神經網絡的隱含層節(jié)點數對BP神經網絡預測精度有較大的影響。節(jié)點數太少，網絡不能很好地學習；節(jié)點數太多，網絡容易過擬合。最佳隱含層節(jié)點數選擇運用式(4)。

(4)

式中：l為隱含層節(jié)點數；n為輸入層節(jié)點數；m為輸出層節(jié)點數；a為0～10之間的常數。 隱含層節(jié)點數的選擇首先參考公式來確定節(jié)點數的大概范圍，然后用試湊法確定最佳的節(jié)點數[8]。 根據各節(jié)點計算對比，隱含層節(jié)點數選取10時誤差精度最小(表2)。

礦井熱害評價體系輸入信號有15維，評價結果共有3類，所以BP神經網絡的結構為15-10-3，即輸入層有15個節(jié)點，隱含層有10個節(jié)點，輸出層有3個節(jié)點。初始權值在[0,1]間隨機取，最大迭代次數取1 000，學習速率取0.3。采用sig-moid作為傳遞函數，在創(chuàng)建網絡模型過程中隨機選取70%作為訓練樣本，30%作為檢驗樣本。

2.2 神經網絡訓練結果

運用MATLAB中的神經網絡工具箱創(chuàng)建神經網絡。使用選取樣本數據進行訓練，迭代14 000次，網絡收斂。訓練結果如圖3所示。

由圖3可知，經過第14輪訓練得到的誤差最小。對樣本進行檢驗得出的誤差直方圖如圖4所示。

表2 不同隱含層節(jié)點數誤差Table 2 Error of nodes in different hidden layers

圖2 BP神經網絡結構圖Fig.2 BP neural network structure diagram

圖3 神經網絡訓練結果誤差圖Fig.3 Error diagram of neural network training results

圖4 樣本檢驗誤差直方圖Fig.4 Histogram of sample test error

由圖4可知數據誤差很小，基于BP神經網絡的礦井熱環(huán)境評價算法具有較高的準確性，能夠準確識別評級結果所屬的類別，可以投入實踐使用。

3 實例分析

張雙樓煤礦位于江蘇省徐州市沛縣，屬于國家重要的煤礦之一。近年來，為滿足發(fā)展生產需要，張雙樓煤礦開采深度增加至1 200 m，設計生產能力也擴展至225 Mt/a。徐州市地處溫帶季風區(qū)氣候，年平均氣溫較高，尤其在5～10月，溫度較高，濕度較大，井下高溫熱害嚴重。在不改變礦井結構，滿足礦井生產需求的前提下，何滿潮等[9]通過減少降低井下熱水涌出溫度、減少井下機電設備散熱等一系列措施對張雙樓煤礦進行熱害改造。本文以張雙樓煤礦改造前后的實例，通過已建立的評價指標和評價系統(tǒng)對該礦進行評價，來驗證BP神經網絡礦井熱害系統(tǒng)的準確性。張雙樓煤礦改造前后的參數進行歸一化的結果見表3和表4。

表3 張雙樓煤礦礦井熱害改造前參數Table 3 Parameters before thermal damage reconstructio n Zhangshuanglou coal mine

表4 張雙樓煤礦礦井熱害改造后參數Table 4 Parameters after thermal damage reconstructio n Zhangshuanglou coal mine

續(xù)表4

指標數量來源歸一化之后813.5 ℃文獻[11]0.866 6969%文獻[11]0.193 9103個文獻[9]0.993 9115個文獻[10]0.969 612875 kW/h-0.924 2131 200 m-0.884 81485-0.000 0152.5 m/s-1.000 0

將礦井熱害改造前后的參數分別帶入建立的神經網絡模型中進行計算，礦井熱害改造前的結果為(0.02，0.13，0.89)根據最大隸屬度原則，評價該礦井為熱害嚴重礦井，與實際情況相符。礦井熱害改造后的結果為(0.12，0.91，0.03)根據最大隸屬度原則，評價改造后的礦井熱害為中等熱害。與何滿潮等[9]改造后實測結果34 ℃降到29 ℃相符合。因此,所建立的BP神經網絡礦井熱環(huán)境評價系統(tǒng)符合實際生產情況，可以使用。

4 結 論

1) 結合礦井熱害的相關資料，確立了15個影響礦井熱環(huán)境的評價指標和相應的評價分級指標，利用MATLAB軟件建立了一套新的BP神經網絡礦井熱環(huán)境評價體系。在進行礦井熱害改造的評價過程中，改變相應的評價指標參數，可以實現對礦井熱環(huán)境的評價結果進行相應的改變。

2) 利用BP神經網絡可以對非線性模型進行計算的特點對礦井熱環(huán)境進行建模、計算，經過對張雙樓煤礦改造前后的計算對比，驗證該評價體系與實際結果相符合。

3) 利用該礦井熱環(huán)境評價體系可以對已有礦井的熱環(huán)境進行評價，通過搜集資料，對改造礦井的結果進行計算，驗證改造結果，并且通過計算改變不同的參數，驗證比較不同的改造方法對礦井熱環(huán)境的影響，可操作性強。