基于瓦斯涌出特征的煤與瓦斯突出連續預測技術及應用

徐雪戰

(1.中煤科工集團重慶研究院有限公司，重慶 400037； 2.瓦斯災害監控與應急技術國家重點實驗室，重慶 400037)

煤炭為我國一次能源生產和消費的主要化石能源，據國家統計局數據顯示，2019年全國原煤產量37.5億t，占全部能源消費總量的57.7%[1]。面對我國“富煤、貧油、少氣”的能源賦存結構特征，煤炭在今后很長一段時間范圍內，仍然為我國主要的消耗能源。然而，受煤礦復雜地質賦存條件以及開采深度逐漸增加等多重因素疊加影響，瓦斯含量和瓦斯壓力急劇增加[2-4]，頻發的煤礦瓦斯安全事故對國家和人民財產安全造成了巨大的損失，數據統計結果顯示，瓦斯災害事故現已成為制約礦井安全高效生產的主要災害。

近年來，伴隨著國家安全監管體系的逐步建立以及安全專項資金的不斷投入，瓦斯災害事故超前防控方面受到國家政府、企業以及科研院所的高度重視，國內外研究學者在瓦斯涌出預測和煤與瓦斯突出超前防控方面開展了大量的研究，并取得了一定的研究成果。田世祥等[5]以掘進面為研究對象，自主研究了一套連續流量法瓦斯預測系統，較好地反映了工作面前方地質構造對瓦斯涌出量變化的影響；盧國斌等[6]基于經驗模式分解和極限學習機原理，構建形成了一種瓦斯涌出多尺度時空演化模型，有效提高了瓦斯涌出預測的精度；袁亮[7]以煤與瓦斯突出等典型動力災害為研究對象，建立了井下傳感器監測技術的多元海量動態聚合理論與方法，構建形成了基于數據挖掘和大數據分析技術的煤礦典型動力災害判識技術模型；姜福興等[8]建立了以鉆孔應力增量和瓦斯濃度變化特征為判識指標的突出綜合預測模型，實現了煤與瓦斯突出危險區域的動態預測分析。

以上研究成果構建形成了瓦斯涌出量預測以及煤與瓦斯突出預測模型，并取得了較好的應用效果。但是，隨著信息化、自動化技術的快速應用，現有防突預測技術手段難以實現對煤與瓦斯突出災害的超前連續預測，進而避免礦井瓦斯災害事故的發生。本文在前人研究成果的基礎上，基于煤礦實施監測的瓦斯涌出特征數據為研究對象，建立了煤與瓦斯突出預測模型，并研發了一套煤與瓦斯突出預警系統。在多個礦區的應用結果顯示，該系統能夠較好地反映工作面前方的煤與瓦斯突出危險情況。

1 煤與瓦斯突出連續預測技術

1.1 預警指標選取

通過對煤礦監測數據結構特征分析[9-10]可知，煤礦安全監測監控技術能夠實現礦井環境參數以及裝備工況狀態信息的連續監測，為實現煤與瓦斯突出實時、連續監測預警創造了良好條件。根據煤與瓦斯突出致災機理研究成果，確定了基于瓦斯涌出特征的煤與瓦斯突出連續監測技術預警指標。

(1)瓦斯濃度。根據致災機理研究成果，可以將工作面前方煤體看作一個灰色系統[11]，瓦斯濃度則為該灰色系統瓦斯涌出特征的主要表現形式。通過對多起煤與瓦斯突出事故發生前后瓦斯濃度監控數據分析可知，事故發生前后，瓦斯濃度監測數據有明顯的變化特征。根據礦井瓦斯濃度監測信息定義一個時間序列，通過跟蹤瓦斯濃度變化趨勢，提取其中隱含的信息，能夠實現煤與瓦斯突出的實時、連續預測。

(2)風速風向。礦井通風作為滿足井下工作人員呼吸需要和稀釋排出工作面瓦斯等有害氣體的主要技術手段，對礦井安全健康生產起著至關重要的作用。同時，以采掘作業工作面生產推進為研究對象，工作面供應風量與環境瓦斯濃度的乘積，可以反映在一段時間范圍內的瓦斯涌出情況，進而反映了工作面前方的煤與瓦斯突出危險情況。同時通過監測事故發生前后待監測位置的風向信息，還能夠進一步確定煤與瓦斯突出事故造成的事故波及范圍。

1.2 監測數據預處理技術

受溫度、粉塵、水汽以及電磁干擾等井下復雜因素影響，煤礦安全監控數據在采集、傳輸和處理過程中，可能造成監測數據異常和數據缺失等現象[12-13]。因此，為了得到反映礦井真實情況的監測數據信息，需要對礦井監測數據進行預處理，進而提高煤與瓦斯突出預測的準確性。本文在礦井安全監測數據處理過程中，針對連續多個異常偏高瓦斯濃度和風速監測數據，邏輯判斷可能來自于真實的瓦斯濃度變化以及風速分布情況，因此不作處理。而對于因傳感器調校、斷電等因素造成的單次、偶發異常監測值和監測數據缺失現象，將異常數據進行剔除處理，并根據瓦斯濃度、風速等監測數據結構特征，采用霍爾特(Holt)指數平滑法[14]進行數據補齊處理，具體技術原理如下：

St=αXt+(1-α)(St-1) -bt-1

(1)

bt=γ(St-St-1)+(1-γ)bt-1

(2)

Xt+1=St+btT

(3)

式中，α、γ為平滑參數，一般取0.5；Xt為時間t時的監測數據；St為利用前一期平滑值St-1和趨勢值bt-1修正后得到時間為t時的平滑值；bt為利用相鄰2次平滑值結合前一期趨勢值bt-1得到的時間t時刻的修正趨勢值；T為預測期數。

礦井監控數據噪聲濾除效果如圖1所示。將利用霍爾特(Holt)指數平滑法得到的礦井監測數據補齊到剔除異常數據以后的監控數據缺失序列，進而得到具有時間序列屬性的礦井安全監測數據。

圖1 礦井監控數據噪聲濾除效果Fig.1 Noise filtering effect of mine monitoring data

1.3 煤與瓦斯突出連續預測技術模型

通過開發煤與瓦斯突出預警技術和煤礦安全監控系統的數據傳輸接口，實現礦井安全監控數據的信息共享與互聯互通，結合監測數據預處理技術，實現預警指標數據的處理和信息輸入。基于瓦斯涌出特征的煤與瓦斯突出連續預測技術模型如下。

(1)第n班次瓦斯涌出量平均值：

(4)

式中，T為單個班次時間；xn為第n班次內瓦斯涌出量平均值。

(2)第n班次內瓦斯涌出量最大值為：

Xmax=max[x1，x2，…，xn]

(5)

(3)第n班次內m分鐘內瓦斯涌出波動變化最小值：

(6)

(4)第n班次內瓦斯涌出特征值：

(7)

式中，β為采掘工作面設計結構特征，β=工作面新鮮落煤面積/(T1傳感器距工作面掘進面煤壁面積+工作面新鮮落煤面積)。

(5)第n班次內煤與瓦斯突出綜合預測指標A定義為：

(8)

式中，vn為工作面掘進面風速傳感器數值；S為工作面掘進面斷面面積；Mn為第n班次內的新鮮落煤量；Qn為煤層可解吸瓦斯含量。

(6)第n班次內煤與瓦斯突出綜合預測指標B定義為：

B=Xmax-Xm，max

(9)

1.4 煤與瓦斯突出預測結果綜合評判

煤與瓦斯突出預警技術[15]主要通過實時采集礦井安全監控系統瓦斯濃度以及風速風向等傳感器監測數據信息，利用上文提到的煤與瓦斯突出連續預測技術模型，從單項煤與瓦斯突出預測指標出發，創建煤與瓦斯突出復合預警指標集M。其次，引入單項預測指標權重評判集R，采用加權平均設計思路，構建煤與瓦斯突出預警綜合評判模型Y。其中Y滿足：

Y=M×R

(10)

在采用本技術對煤與瓦斯突出進行超前預測預報的過程中，在全國多個煤炭主產地區不同類型突出礦井的現場進行了推廣應用。本文主要采用綜合預測指標A和綜合預測指標B作為煤與瓦斯突出預警的綜合評判指標，其次將煤與瓦斯突出預警類型分為狀態預警和趨勢預警2類，并建立煤與瓦斯突出預警綜合評判規則(表1)。

表1 煤與瓦斯突出預警綜合評判規則Tab.1 Comprehensive evaluation criteria for early warning of coal and gas outburst

2 煤與瓦斯突出預警系統

煤與瓦斯突出預警系統利用礦井安全監控系統，實時采集瓦斯濃度、風速風向等傳感器監測數據信息，結合監控數據預處理技術和煤與瓦斯突出連續預測技術模型，根據突出預測結果綜合評判規則，對采掘作業工作面前方煤體突出危險狀態進行超前準確預測，進而實現工作面前方的煤與瓦斯突出超前預警功能。

2.1 技術功能架構分析

為了實現煤與瓦斯突出預警結果的網絡查詢和集中處理，本文采用C/S、B/S雙架構系統開發模式[16-18]，設計實現了一套瓦斯涌出特征突出預警系統，系統中心處理服務器安設在礦調度集控中心，礦總工程師、安全副總、防突副總以及防突工作相關的技術人員和管理人員可以通過客戶端或瀏覽器查詢和掌握工作面前方的煤與瓦斯突出危險情況。瓦斯涌出特征突出預警系統的軟件平臺架構如圖2所示，該系統平臺包括井上、井下2部分。其中，井上部分包括突出預警服務器、監控系統服務器、防火墻、系統管理控制終端、預警信息發布終端、預警短信發布終端；井下部分包括工業以太環網、井下交換機、安全監控分站、瓦斯濃度傳感器、風速風向傳感器等部分。

圖2 瓦斯涌出特征突出預警系統平臺架構Fig.2 Platform architecture of outburst early warning system for gas emission characteristics

工作時，隨著井下采掘作業向前推進，煤與瓦斯突出預警系統通過專門開發的數據傳輸接口，將監控系統服務器內的瓦斯濃度和風速風向傳感器信息實時采集到突出預警服務器，并進行數據濾噪和補齊處理。同時，結合煤與瓦斯突出連續預測模型，根據突出預警結果綜合評判規則，實現井下采掘作業工作面的煤與瓦斯突出危險實時、連續預警。

2.2 煤與瓦斯突出預警系統開發

在前文研究成果的基礎上，為了實現采掘作業工作面煤與瓦斯突出危險的連續監測預警，筆者利用Visual Studio.NET 6.0開發框架與SQL Server 2016數據庫，應用C#軟件開發語言，以預警數據實時采集、監控數據自動濾噪、預警指標自動計算、預警等級智能判識、預警結果聯動發布為主線，基于礦山物聯網、云計算和大數據等先進技術，設計研發的煤與瓦斯突出預警系統如圖3所示。

圖3 系統平臺主界面Fig.3 Main interface of system platform

系統采用數據類型自適應和異步共享技術[19-20]，實現了礦井監測預警數據的自動判識、快速篩選和跨平臺、高通用性的數據傳輸。通過預設煤與瓦斯突出連續預測技術模型和綜合判識機制，實現了煤與瓦斯突出危險性的自動化、信息化和智能化的超前準確預警。

3 突出預警系統現場應用及效果檢驗

3.1 礦井概況

下峪口煤礦為陜西煤業化工集團主體生產礦井，位于陜西省韓城市以北20 km的龍門鎮，井田走向長6.3 km、傾斜長4.8 km，井田總面積約27.59 km2。礦井總體呈北東展布、西南收斂的不規則形狀。井田范圍內，南北地質構造差異明顯。其中，南區以斷層地質構造為主，且大斷層可貫穿煤層直達地表；北區以褶皺為主，斷層發育較少。下峪口煤礦主要含煤地層由石炭系的太原組和二疊系的山西組組成，共有2號、3號、3號下及11號4組可采煤層，礦井核定生產能力1.5 Mt/a。礦井自投產以來，共發生21次煤與瓦斯突出事故，單次事故最大突出煤量149.7 t，突出瓦斯量13 306 m3。礦井堅持“區域防突措施先行，局部防突措施補充”的綜合防突措施管理模式，同時應用瓦斯涌出特征突出預警系統作為礦井煤與瓦斯突出危險超前預測的技術手段。距工作面5 m和20 m處分別懸掛風速風向傳感器和高低濃度甲烷傳感器，傳感器懸掛位置隨工作面掘進同步向前推移。工作面傳感器布置如圖4所示。

圖4 工作面傳感器布置Fig.4 Sensor layout of working face

3.2 預測效果分析及效果檢驗

預警效果是對預警臨界值可靠性的檢驗，下峪口煤礦瓦斯涌出特征突出預警系統自2019年8月30日安裝調試完成以來，累計跟蹤考察掘進工作面1 900 m，發布預警信息895次。其中，發布正常預警信息787次，占總預警次數87.9%；Ⅱ級預警81次，占總預警次數9.1%；Ⅰ級預警27次，占總預警次數3%，總體預警準確率86%。以21314工作面考察結果為例，2019年10月5日至12月8日期間，工作面累計推進387.5 m，考察期間21314回風巷工作面累計預警5次，其中Ⅰ級預警2次，Ⅱ級預警3次。如圖5所示，2019年11月25日八點班，瓦斯涌出特征突出預警系統綜合預測指標A和綜合預測指標B同時出現Ⅰ級預警，工作面停止生產，采用地質雷達探測技術探測到工作面前方存在一落差3 m的斷層構造，當班預測鉆屑解吸指標Δh2最大值為220 Pa，鉆屑量S最大值為6.7 kg/m，工作面突出危險程度明顯增大，瓦斯涌出特征突出預警系統超前、準確地預測到了工作面前方的煤與瓦斯突出危險情況。

圖5 21314回風巷工作面預警效果Fig.5 Warning effect of 21314 working face

4 結論

(1)通過對煤礦監測數據結構特征進行綜合分析，確定瓦斯濃度、風速風向為瓦斯涌出特征突出預警系統的預警指標。同時，針對煤礦安全監控數據在采集、傳輸和處理過程中可能造成監測數據異常和數據缺失等現象，提出了利用霍爾特(Holt)指數平滑法，得到具有時間序列屬性的礦井安全監測數據。

(2)建立了煤與瓦斯突出連續預測技術模型，創建了反映工作面前方煤與瓦斯突出危險情況的綜合預測指標A和綜合預測指標B。同時，從單項煤與瓦斯突出預測指標出發，構建形成煤與瓦斯突出復合預警指標集。并引入單項預測指標權重評判集，采用加權平均設計思路，構建形成了煤與瓦斯突出預警綜合評判規則。

(3)采用C/S、B/S雙架構系統開發模式，以預警數據實時采集、監控數據自動濾噪、預警指標自動計算、預警等級智能判識、預警結果聯動發布為主線，基于礦山物聯網、云計算和大數據等先進技術，設計實現了一套瓦斯涌出特征突出預警系統。通過下峪口煤礦應用結果顯示，該系統平臺總體預警準確率達到了86%，且能夠超前準確地預測工作面前方的煤與瓦斯突出危險情況，為突出礦井的正常掘進生產提供了安全保障。