采煤工作面煤與瓦斯突出危險性智能判識技術分析

李海濤

（山西西山煤電股份有限公司馬蘭礦， 山西 古交 030205）

我國煤礦企業在發展的過程中，隨著開采規模不斷擴展，并且強度有效增加，開采煤層賦存條件逐漸復雜化，這在較大程度上使瓦斯突出的危險性逐漸升高[1-3]。目前，在煤與瓦斯突出預測方法一般情況下有綜合指標法、單項指標法以及瓦斯地質單元方法等，在此過程中所采用的數學方法主要有模式識別、神經網絡以回歸分析等，具有較好的應用效果，并且在此基礎上能夠對一些靜態區域到達較好的預測，在此期間會對相關活動產生不同程度的影響，對于產生的問題很少公開。因此，需要在瓦斯抽采理論的基礎上采用有效的方法全面計算動態因素，同時根據神經網絡與相關方法建立與完善智能識別系統，以此實施有效的動態預測。

1 工程實例

本文以我國某地礦區為例進行分析，十礦和十二礦發生煤與瓦斯突出100 多次，具有較高的突出危險性。其中，十二礦工作面煤層賦存深度約為750 m，工作面設計傾向225 m，煤厚2.2～3.7 m，原始瓦斯含量15.3 m3/t，原始瓦斯壓力1.5 MPa，絕對瓦斯涌出量4.47～8.8 m3/min。

2 煤與瓦斯突出影響因素分析

2.1 靜態影響因素

靜態影響因素主要表現在以下幾個方面：

1）原始地應力。地應力會對煤與瓦斯突出產生不同程度的影響，不但是不同板塊間的作用，而且還能夠為其提供主要的動力。地應力在增加的過程中，極易導致突出危險性很難有效降低。

2）煤層賦存深度。煤層賦存深度與上覆巖層自重應力有較大關系，如果煤層賦存深度加深，會使上覆巖層自重應力有不同程度的增大，在煤體中性能也會逐漸增大，這在較大程度上會增加煤層突出危險性。

3）地質構造。地質構造會在一定程度上對區域應力產生影響，在此期間易使應力集中，這在較大程度上會提高煤與瓦斯突出危險性不斷上升。

4）煤體物理性質。在一些情況下會縮短煤體動態破壞時間，會增加其突出危險性；如果媒階升高，變質程度也有不同程度的增大，內生節理越發達，瓦斯含量越高，其突出危險性也較高。如果煤體結構受到較大的破壞，其突出危險性也越高。

2.2 動態影響

首先，采動應力。在對煤礦進行采掘期間，采動應力相對較為集中，圍巖中有大量變形能，并且在此基礎上采動應力受到工作面動態變化而改變。采動應力在集中的過程中，極易導致應力上升到最大力，這在較大程度上會產生煤與瓦斯突出情況的發生，這在較大程度上這也是存在突出問題的主要原因。其次，瓦斯參數。在采掘的過程中，由于一些因素的影響，易出現煤與瓦斯突出,之所以產生此種原因，主要基礎便是瓦斯，在此過程中瓦斯壓力是突出較為主要的來源。此外，突出在發展的過程中，其物質主要的來源便是瓦斯含量。煤層瓦斯解吸與運移規律中，外放散初速度能夠對其進行直觀的反映。由于受到瓦斯抽采以及保護層開采等活動的影響，這在一定程度上會使媒體瓦斯含量與壓力大等相關參數會出現不同程度的改變，這會對煤與瓦斯突出危險性產生較大影響。

3 工程活動影響的突出因素動態計算

3.1 采動應力動態計算

在工作面回采過程尤為重要，需要對最大應力進行有效地平衡，以此使應力狀態全面平衡，在此基礎上平衡方程如下公式：

式中：m 是煤層采高；σx是水平應力；σy是垂直應力；f 是煤層與巖層之間的摩擦因子，d 是摩擦圖。

在工作面前方根據應力大小能夠將其分為增壓區、極限平衡區以及穩壓區等，在支承壓力應力與極限平衡條件之間的關系能夠得出垂直應力：

式中：x 是工作面煤壁距離；N0是煤幫的支撐能力；φ是內摩擦角；γ 巖石容重；σmax是工作面前方最大支承壓力；D 是極限平衡區域。

3.2 瓦斯參數動態計算

在對瓦斯抽采影響實施分析的過程中，則有以下公式：

式中：Q 是鉆孔瓦斯抽采總量；n 是抽采鉆孔數量；qi0是瓦斯流量；qi是瓦斯流量衰減系數；t 是抽采時間；q 是相對瓦斯含量；q0是原始瓦斯含量；A0是原煤儲量。

在對瓦斯壓力參數進行動態計算的過程中，需要通過與瓦斯含量之間的關系曲線，也可以通過瓦斯含量計算公式得到有效的計算結果，在此過程中選擇公式法：

式中：P 是瓦斯壓力；α，β是關系系數。

4 煤與瓦斯突出智能判識模型

4.1 特征選擇與提取

由于煤與瓦斯突出的影響因素相對比較多，并且不同影響因素具有較大的差異性，在此過程中形成了不同模式，一些模式自身有分類功能，對樣本具有較高的分類效果，同時還需要對分類效率與質量有效判斷，這就需要采用可分離性判據達到全面衡量的目的。此外，可分離判據應用期間，非負性與單調性在其中扮演著較為重要的角色，從而確保突出樣本與非突出樣本兩者距離最大，在此期間能夠保證分類錯誤率最小。

式中：J12（x）是突出樣本與非突出樣本的可分離判據；xi是特征參數；Pp與Pq是兩種樣本先驗概率。在未知環境的基礎上如果能夠根據Pp=np/ns以及Pq=nq/ns進行計算；ns是樣本和；np與nq是樣本數量；X1k是樣本特征向量；X2l是非突出樣本特征向量；d（X1k，X2l）是兩者間的距離測度；J（X*）是最優特征向量。

4.2 智能判識模型構建

智能判識一般情況下是進行模式分類器的有效構建，在此期間人工神經網智能算法具有較好的優勢，比如學習力強、適應能力強以及容錯力相對較強等，在應用的過程中對煤與瓦斯突出危險性預測的特殊非線性變換較為適用。在對煤與瓦斯突出樣本實施有效訓練學習的過程中，主要是將輸入空間在隱含層的基礎上變換到輸出空間，能夠對分類模型參數進行有效的確定。

在進行智能判識模型構建的過程中，需要對煤與瓦斯突出危險性實施全面預測，這就需要進行分類器的有效選擇，在此過程中如果X 是神經網絡輸入，那么輸出公式由下面等式表示：

式中：Ri2（X）是神經網絡隱層節點的傳遞函數，需要巨具備較高的對稱性，在此期間該對稱性應當是具有順著某徑向的對稱性，其高斯函數由以下公式表示，其中X 是輸入向量：

在對其進行判識的過程中，其判識結果分為突出與無突出，一般情況下需要在輸出層設置有效的節點。此外，在對輸出層進行構建的過程中尤為重要，這就需要完善競爭學習機制，并且在此基礎上還應對其進行反饋，同時調整隱含層，這對最優權向量的確定尤為重要，在此過程中可對輸入向量進行分類。

在對煤與瓦斯突出危險性進行智能判識的過程中，需要通過有效的方法對識別對象實施全面分類與識別，以此獲得判別函數，在此期間一般情況下需要對函數實施優化，其中函數判別如下，其中，b 是函數偏置項。

在進行識別的過程中，能夠在輸出的判別函數值判別的基礎上對是否有突出危險性實施有效的決策。在對突出危險性程度實施全面描述與區別期間，需要對危險性程度進行有效的明確，這就能夠在預測值大小的基礎上對預測樣本危險性實施分級管理。

5 結語

在對煤與瓦斯突出危險性進行智能識別的過程中，工作面煤與瓦斯突出的影響因素相對較多，而且還需要考慮一些重要的動態變化因素，比如瓦斯壓力、含量以及采動應力等。此外，還應以支承應力分區關系、瓦斯抽采鉆孔參數等為基礎，能夠通過分析相關參數，使用有效的動態方法對工程實施全面計算。此外，智能識別方法一般情況下有多因素模式與人工神經網絡，并且在此基礎上對智能判識模型進行了構建，在此過程中開發了智能判識系統，以此能夠確保動態預測與分級管理。