仲曉星, 王建濤, 周昆
(1.中國礦業大學 煤礦瓦斯與火災防治教育部重點實驗室, 江蘇 徐州 221116;2.中國礦業大學 安全工程學院, 江蘇 徐州 221116)
煤炭是我國的主體能源,對國民經濟發展具有不可替代的作用[1-2]。煤自燃是煤炭開采過程中面臨的主要災害之一,不僅會燒毀大量煤炭資源,造成巨大經濟損失,而且會產生大量有毒有害氣體,嚴重威脅煤炭開采作業人員的生命安全[3]。煤炭開采過程中,煤自燃特征參數快速準確監測、危險程度及時預警對于煤自燃防治極其重要。
近年來,隨著我國煤自燃監測預警等防滅火技術不斷發展,礦井煤自燃災害在一定程度上得到了控制,但煤炭開采技術和工藝的進步也對煤自燃防治提出了新的要求[4]。2020年2月,國家八部委聯合印發的《關于加快煤礦智能化發展的指導意見》提出,到2025年大型煤礦和災害嚴重煤礦基本實現智能化,到2035年各類煤礦基本實現智能化[5]。2021年,國家能源局、國家礦山安全監察局制定了《煤礦智能化建設指南(2021年版)》,明確提出建設煤礦智能火災監控系統的要求[6]。可見,煤自燃防治正朝著“智能監測、精準預警、科學防治”的方向發展[7-8]。
為促進礦井煤自燃監測預警技術進一步發展,加快提升煤自燃監測預警能力,推動構建煤自燃智能化監測預警體系,實現煤自燃信息動態感知與智能預警,本文綜述了煤自燃前兆信息監測技術和預測預報方法的研究與應用現狀,分析了現有技術方法原理及存在的問題,并對其發展趨勢進行了展望,以期為后續相關研究提供借鑒與參考。
溫度是反映煤自燃危險程度最為直觀的前兆信息。目前,常用的測溫方法主要有壁面紅外測溫法(紅外測溫儀、紅外熱像儀)[9]和傳感器預埋測溫法(熱電偶、半導體、分布式光纖)[10]。壁面紅外測溫法是指在無障礙物遮擋條件下利用紅外測溫儀或紅外熱像儀直接讀取煤巖體溫度,適用于監測井巷壁面等外露煤體的溫度;傳感器預埋測溫法是指因被測煤體難以直接接觸而預先將測溫傳感器布設于待測煤巖體附近以備后續溫度監測,適用于監測采空區等隱蔽區域內部的溫度。
分布式光纖測溫系統(Distributed Temperature Sensing,DTS)具有測點分布廣、傳輸距離長、信息容量多、測定精度大、穩定可靠性高,以及抗腐蝕、耐高壓、抗電磁干擾等優點,逐漸成為煤自燃溫度監測優先發展的技術[11]。煤礦常用的DTS包括激光器、波分復用器、傳感光纖、探測器、采集卡和數據處理系統[12]。DTS依據光時域反射原理和拉曼散射效應對溫度的敏感性實現溫度監測,其基本原理在于以激光器作為光源發射脈沖激光,經波分復用器將載有不同信號的激光合成一束后進入傳感光纖,于內部傳輸過程中經拉曼散射產生斯托克斯光和反斯托克斯光,二者再次經波分復用器進入探測器將光信號轉換為電信號,利用采集卡高速采集電信號并進行累加平均,最后通過數據處理系統對其解調,進而獲得溫度信息。實際應用時,DTS的感溫光纜外包保護套裝,敷設于巷道和工作面,連接于井下分布式測溫分站(用于溫度信號解調、顯示與存儲),最后通過礦用工業以太環網傳輸至地面監測系統并進行溫度數據的后續處理。為了更加全面地反映采空區(采用插值法等對采空區內部溫度場進行重構)等區域的溫度信息分布情況及其變化規律,感溫光纜一般呈沿線(兩巷)或“L”形進行布設(圖1),隨著工作面向前推進,感溫光纜逐漸埋入采空區內部。當某個區域出現煤自燃危險,該處及其附近的溫度便會升高,據此建立煤自然發火趨勢圖,進而判定危險狀態。

圖1 煤礦DTS布置Fig.1 DTS distribution in coal mines
由于煤是熱的不良導體,憑借溫度難以充分反映如采空區等隱蔽空間區域的整體危險狀態。煤自燃消耗O2并釋放氣體產物,基于此,指標氣體成為判定煤自燃危險狀態的另一關鍵前兆信息,主要包括CO,CO2,CH4,C2H6,C3H8,C2H4,C2H2,H2等[13]。煤礦企業主要采用氣相色譜法[14]和吸收光譜法[15]對煤自燃指標氣體進行定量檢測,其中氣相色譜儀作為束管監測系統的核心終端已被煤礦企業廣泛使用[16]。外標法是氣相色譜法普遍采用的定量標定方法,其原理在于利用提前制備的特定濃度標準樣品生成工作曲線(樣品量或濃度對峰面積或峰高作圖),要求在進樣量等參數保持完全一致的條件下對采集的指標氣體進行檢測,至各組分出峰且完全分離后輸出指標氣體定量測定結果。
吸收光譜法具有壽命長、選擇性好、靈敏度強和檢測精度高等優點,是煤礦優先發展的氣體測定技術[17],其原理在于特定的氣體分子在紫外/可見光波長范圍(0.2~0.78 μm)發生電子躍遷、在近紅外波長范圍(0.78~2.5 μm)和中紅外波長范圍(2.5~14 μm)發生分子轉動和振動而表現出特定的吸收特性。部分煤自燃指標氣體在近紅外波段的吸收譜線如圖2所示[18]。可利用吸收光譜法進行氣體濃度測定,氣體對紅外輻射的吸收遵循Lambert-Beer定律[19]。吸收光譜法主要有使用寬帶光源的傅里葉變換紅外(Fourier Transform Infrared,FTIR)光譜和非分散紅外(Non-Dispersive Infrared,NDIR)光譜技術[20],以及使用窄帶光源的紅外激光光譜檢測技術〔如可調諧半導體激光吸收光譜(Tunable Diode Laser Absorption Spectroscopy,TDLAS)技術〕[19],其中以NDIR和TDLAS技術的發展應用最為廣泛。基于NDIR技術的氣體傳感器主要部件有寬帶光源、測量氣室、紅外探測器及與之配套的窄帶濾波器[21]。該窄帶濾波器主要用來消除光束中所有不需要的波長[22],只允許待測氣體的特征吸收波長到達探測器,從而檢測經過氣體路徑長度之后的光強衰減[20]。與使用寬帶光源的NDIR技術相比,紅外激光光譜檢測技術采用單色性較高的紅外激光作為光源,因而具有更高的分辨率,不需要使用額外的分光器件,更易于實現小型化,同時高功率密度激光光源更便于實現長光程檢測[19]。在過去的許多年中,隨著近紅外激光技術的發展,基于近紅外激光光譜氣體檢測技術得到了長足發展,以TDLAS技術為甚,其主要利用可調諧半導體激光器的窄線寬和波長隨注入電流改變的特性,實現對氣體分子的單個或幾個因距離很近而難以分辨的吸收譜線進行測量,能夠同時在線監測CO,CO2,CH4,C2H6,C2H4,C2H2濃度,具有靈敏度強、分辨率高、檢測速度快等優點,具有良好的應用前景[17-18]。

圖2 部分煤自燃指標氣體在近紅外波段的吸收譜線Fig.2 Absorption spectrum of partial index gases for coal spontaneous combustion in near infrared band
根據《煤礦安全規程》規定,開采容易自燃和自燃煤層時,必須開展自然發火監測工作,建立自然發火監測系統,確定煤層自然發火標志氣體及臨界值,健全自然發火預測預報及管理制度。煤自燃過程中不同階段會產生不同的氣相產物,煤礦企業據此建立其適用的煤層自然發火預測預報指標體系。根據氣體生成原因,可劃分為氧化氣體(CO,CO2)和熱解氣體(CH4,C2H6,C3H8,C2H4,C2H2等)。因其初現溫度和濃度與煤溫之間存在良好的對應關系,故可根據各類氣體的識別狀態(濃度或變化趨勢)判定煤自燃危險狀況,即煤自燃標志性氣體分析法。然而,利用單一指標分析煤自燃危險狀態易受到漏風稀釋、外來氣源干擾等因素影響,導致氣體檢測值(濃度或初現溫度)與所設定的閾值不符而出現漏報、誤報情況。隨著氣體檢測技術的發展,對煤自燃指標氣體成分測定的速度和精度得以提升。為了克服單一指標分析的不足,雙氣體或多氣體等復合指標(即復合指標預測預報方法[23],見表1)不斷被提出并得到廣泛應用,極大地豐富了煤自燃預測預報指標體系,有力地推動了煤自燃危險程度判定方法進步。余明高等[24]結合標志氣體優選原則,提出了立體瓦斯抽采條件下煤自燃預測預報標志氣體的優化選擇方法。史全林等[25]通過指標氣體優選實驗確定了煤自燃早期預測預報氣體,并分析了指標氣體隨工作面動態推進過程中的變化規律。陳曉坤[26]將實驗數據與現場觀測數據相結合,提出了基于指標體系的煤自燃多源信息融合預警方法。王福生等[27]運用灰色關聯法綜合分析各復合指標與煤溫的關系,確定指標預報優先級,構建了全礦井各煤層的煤自燃多參數預測預報指標體系。費金彪[28]、Zhang Duo等[29]對容易自燃煤層危險等級進行劃分,以此為依據構建了多指標融合協同的煤自燃分級預警體系,并結合現場實際對其有效性進行了量化分析。

表1 部分煤自燃預測預報氣體指標Table 1 Partial gas indexes for forecasting coal spontaneous combustion
為了進一步精細化判定煤自燃氧化程度,基于實驗分析所得的氣體指標與煤溫之間的非線性特征[40],結合煤自燃氧化階段劃分[28,41-42],學者們提出基于統計分析的煤自燃預測預報方法,即對氣體指標與煤溫進行一元或多元回歸分析等,構建函數化或統計模型用以判定煤自燃狀態。仲曉星等[41]根據CO濃度隨煤溫的變化特征,提出了基于程序升溫條件下的煤自燃臨界溫度測試方法。沈云鴿等[43]分析不同自燃傾向性煤自燃氧化特性,得出了氧化時間隨煤溫的變化關系及氣體指標隨煤溫的變化規律。周西華等[44]研究了不同氧濃度條件下O2和CO濃度及其變化速率隨煤溫的變化關系。朱紅青等[45]分析氣煤自燃標志性氣體產生規律,研究了煤自燃特征參數在不同溫度范圍下的變化特征。Dong Xianwei等[46]研究不同變質程度煤自燃升溫氧化過程中指標氣體產生量隨煤溫的變化規律,確定了氣體濃度-煤溫的趨勢表征形式。基于氣體指標隨煤溫的變化特征,學者們建立了基于統計分析的預測模型用以判定煤自燃程度。王福生等[47]基于程序升溫氧化實驗,以CO濃度和烯烷比作為指標,分別采用指數和線性擬合法建立了煤自燃各階段適用的溫度預測模型。朱令起等[48]優選指數函數作為最佳擬合方法,提出了低溫條件下以CO2與CO濃度比值為指標的煙煤自然發火預測模型的統一形式。Wang Junfeng等[49]分析煤自燃氧化過程中耗氧量與氣態產物釋放量的關系,建立了以耗氧速率與氣相產物釋放率比值為指標的多元線性回歸煤自燃狀態評價模型。文虎等[50]根據煤自燃升溫氧化實驗獲得的氣體變化規律,選取不同類型回歸模型構建各指標氣體與煤溫之間的回歸方程,依據回歸方程導數(即變化靈敏度)確定了煤自燃階段性指標氣體。王磊等[51]以CO絕對發生量為指標,引入平均殘差法對預測值進行修正,構建了煤自燃灰色馬爾科夫預測模型。
隨著計算機與信息科學技術的進步,煤自燃預測預報方法正朝著智能化的方向發展。針對統計分析法受變量數目限制較大等問題,為進一步提升煤自燃預警的準確性、泛化性及求解效率,基于預測指標與煤自燃程度之間的復雜非線性關系,從有限的煤自燃觀測數據中學習出具有一般性的規律(即預測模型),進而將其應用到未觀測樣本上,學者們提出以多指標為輸入、危險度為輸出,采用群智能算法、機器學習等進行煤自燃預測預報。
楊忠超等[52]綜合分析煤炭開采過程中的影響因素,以其作為輸入變量,將煤層自然發火情況(無發火征兆、有征兆和發生自燃3個等級)作為輸出,提出一種基于反向傳播神經網絡(Back Propagation Nerual Network,BPNN)的煤自燃預測預報方法。侯媛彬[53]以最小浮煤厚度作為煤自燃預警閾值,提出一種基于粗糙集神經網絡(Rough Set Neural Network,RSNN)的煤自燃預測方法。王亞軍[54]引入時間序列模式,建立了適合于采空區煤自燃早期和中長期預測預報的BPNN模型和TD-BPNN模型。徐楊等[55]在采用自組織特征映射網(Self-Organizing Feature Map,SOFM)對采空區煤自然發火與否進行識別的基礎上,建立了以抽放孔氣體和位置為指標的煤自燃BPNN預測模型。周福寶等[56]提出了一種基于BPNN的煤礦火區啟封后復燃的多參數預測方法。為了克服BPNN易陷入局部最優解、收斂慢等問題,靳玉萍[57]提出基于代數神經網絡的煤自燃預測模型。隨著指標氣體檢測精度和效率的提高,以氣體指標作為輸入變量,學習向量量化(Learning Vector Quantization,LVQ)神經網絡[58]、改進粒子群小波神經網絡[59]等逐漸得到應用。
針對人工神經網絡在樣本數據采集量少的情況下預測準確性差且容易出現“過擬合”等問題,適合于小樣本學習的支持向量機〔Support Vector Machine, SVM,包括分類機(Support Vector Classification,SVC)[60]和回歸機(Support Vector Regression,SVR)[61]〕算法逐漸應用于煤自燃預測預報。高原等[62]以氧濃度、推進度、漏風強度等參數為輸入指標,將實際自燃情況劃分為極易自燃、易自燃和安全3個等級,采用SVC建立煤自燃預測模型對自然發火狀態進行分類識別。為了提高SVM模型的預測準確度,學者們采用優化算法對SVM超參數進行優化。鄧軍等[63]以現場實測的氣體和溫度數據構造樣本,采用粒子群優化(Particle Swarm Optimization,PSO)算法優化SVR超參數,構建煤自燃溫度的PSO-SVR預測模型,并對比分析了標準SVR模型、BPNN模型和多元線性回歸(Multiple Linear Regression,MLR)模型的性能,證明了優化后SVR模型的有效性。此外,基于實驗室測試樣本數據,超球體SVM[64]、相關向量機(Relevance Vector Machine,RVM)[65]及SVM相關改進變體[66-67]等被用于煤自燃程度預測。針對煤自燃預測指標維數大、樣本不平衡問題,主成分分析[68]、粗糙集[69-70]、過采樣算法[71]等被用于實現數據的維度約簡及樣本平衡。此外,為了進一步提升模型預測性能,AdaBoost[72]、隨機森林[73-74]等集成學習方法逐漸應用于煤自燃程度預測,并與其他算法進行對比[75],從模型泛化性、魯棒性和準確性等方面證明了該方法的優越性。
目前,我國礦井煤自燃監測預警技術已取得長足發展,但仍存在諸多問題:
(1) 煤自燃前兆信息一體化監測受井下環境干擾大。利用氣相色譜儀的傳統人工采樣檢測方法效率低且存在時間滯后性。井下束管采樣、地面色譜分析的束管監測系統存在可靠性差、測試周期長、管路破漏難以尋源等問題。基于吸收光譜的氣體檢測技術易受水蒸氣及煤塵顆粒的干擾,且受限于光源問題,目前基于該技術的檢測裝置代價高昂且大多集中在近紅外波段。此外,由于CH4濃度達到一定值時,其吸收譜帶會覆蓋其他煤自燃氣體的吸收譜帶,導致煤自燃多組分氣體檢測存在較大誤差。壁面紅外測溫法要求待測煤巖體無障礙物遮擋。熱電偶測溫法和半導體測溫法要求所使用的監測傳感器須與被測煤巖體相點接觸,需設置的監測點數量大,且由于煤的熱傳導能力差,致使該技術僅能探測設置點局部范圍的溫度情況,靈敏度較低,且傳感器經常因放頂而遭到毀壞,維護困難。
(2) 預警指標體系和模型構建側重實驗,難以與現場實際有效銜接。無論采用單一標志性氣體還是復合指標對煤自燃危險程度進行預測預報,相應建立的煤自燃預測預報指標體系皆是通過在實驗室開展小型煤自燃模擬實驗獲得的預測指標范圍與危險程度之間的對應關系。然而,煤礦實際供風條件、采空區漏風狀況等具有復雜性,在實驗室條件下難以對其進行有效模擬,致使其衍生出來的煤自然發火特征難以與現場有效關聯。換言之,因現場預警閾值難以確定,在實際應用時,即使指標值滿足指標體系所圈定的范圍,由于采空區內部的不可接觸性,使得實際危險狀態仍不能被切實準確判定。此外,基于實驗所得數據,采用統計分析和智能算法所建立的煤自燃程度預測模型同樣與現場實際有很大偏差。
(3) 煤自然發火有效樣本少,預測時效缺乏超前性。在信息方面:煤炭開采過程中多為不發火狀態,使得以現場監測方式得到的預測模型訓練樣本多為安全狀態樣本,發火和未發火樣本數據量極不平衡,導致所建立的預測模型無法有效學習煤自然發火規律。此外,采空區的隱蔽性特征致使無法準確標記采空區內部煤自燃危險程度。在狀態方面:目前多以靜態采空區作為研究對象,所使用的煤自燃預測模型訓練樣本均屬靜態,所建立的預測模型難以適用于煤礦動態開采所監測的時序性數據。在時效方面:利用智能算法建立的基于靜態歷史樣本的預測模型僅能夠根據當前的煤炭開采情況判定當前的煤自燃危險程度(即時預報),缺乏超前預警性能,且無法實現煤自燃風險態勢研判。
隨著傳感、網絡通信、人工智能等計算機與信息科學技術水平的日益提升,科學研究正朝著高智能化方向快速發展,為煤自燃動態感知與智能預警技術研發提供了良好的技術支撐。由于煤礦井下構造環境復雜,致使現場煤自燃有效參數難于收集,多源信息變化規律尚不明確,實驗所得指標體系和預測模型難于現場實際應用,煤自燃智能化監測預警技術亟待提升。為此,提出以下研究展望:
(1) 建立煤自燃超前預警與即時預報聯合預測模式。建立工作面推進下采空區及封閉區域煤自燃預測模型的訓練樣本不斷變化、實時更新,利用智能算法學習基于時間序列的動態樣本是實現超前預警的關鍵基礎;同時,以往采空區煤自燃靜態預測模型采用的指標缺乏時序銜接性,不適用于動態預警,確定含時序性的有效預警指標是超前預警樣本數據采集的重要載體,同時也可作為及時調整開采參數的指導參考;在實驗分析基礎上,構建以工程應用為導向的煤自燃危險程度精細化判定準則是樣本標記的主要依據;基于含時序性指標和樣本數據優選最適合的機器學習算法是提升預測準確性的重要依托。設計適用于煤自燃危險程度超前預警的時序性新型深度神經網絡架構、學習方法與性能評估方法,有監督學習與無監督學習方法相結合,建立煤自燃危險程度超前預警與態勢研判機制,形成煤自燃危險態勢超前預警(動)與發火程度即時預報(靜)聯合預測模式。
(2) 發展機理建模與機器學習相結合的多源信息融合分析方法。針對礦井煤自燃預測中出現的小樣本、不平衡、多維數、異構等數據特征,采用數值模擬技術確定監測點最佳布設方案,構造工作面動態推進全過程的全因素、多場景、高仿真煤自然發火案例庫,建立虛擬源域煤自燃預測模型,建立數值模擬與現場實景之間及不同開采工藝礦井之間的預測模型遷移適配機制;設計異常信息自反饋學習體系,實現煤礦井下復雜環境的預測模型動態自適應。此外,建立與現場實景相吻合的煤自燃氧化升溫時空演化數值模擬是獲取預測模型有效初始訓練樣本的前提,因此亟需開展數值模擬動態隨機優化方法研究,為建立煤礦數字孿生體系提供技術支撐,實現煤礦開采過程中的煤自燃信息的實時虛實交互。
(3) 構建礦井一站式、可視化、智能化煤自燃監測預警平臺。開發與礦井煤自燃智能預警相適配的指標參數智能監測設備是保障預測結果準確可靠的基礎性關鍵條件。針對井下煤塵多、濕度大對探測器信號干擾問題,研發透氣性好、機械強度大、材料利用率高的除塵降濕裝置;針對井下多氣體組分譜線混疊干擾問題,研究光譜信號處理與譜線解調分離方法;研發集指標氣體、溫度、濕度、壓差、風速等多參量的原位一體化長期免校準的實時監測、動態感知裝置;發展采空區分布式光纖測溫系統的網絡化、密集式布置,實現煤自燃征兆信息的動態對應、實時校對、樣本標記及溫度場分布信息可視化呈現;聯合井下光纖環網、5G通信技術,實現礦井煤自然發火數據的實時監測與上傳;發展煤層自然發火數據邊緣處理技術,建立健全數據管理系統,實現監測數據的轉換、緩存、抽取、清洗等,內嵌煤自燃危險程度智能化動-靜預測模型,構建礦井煤層自然發火智能化精準監測預警平臺,如圖3所示。

圖3 煤層自然發火危險程度智能化監測預警平臺架構Fig.3 Intelligent monitoring and early warning platform framework for danger degree of spontaneous combustion in coal seam
現階段礦井煤自燃監測預警技術已取得一定研究進展,但尚處于智能化開發初級階段,發展潛力與挑戰并存。為了進一步適應煤礦智能化開采需求,今后可從煤自燃前兆信息多參量原位一體化感知裝置、傳感與網絡通信等技術的聯合應用、煤層自然發火數據管理系統、煤自燃氧化升溫時空演化數值模擬動態隨機優化方法、煤自燃危險程度智能化超前預警與態勢研判機制、煤自燃超前預警與即時預報聯合預測模式、數值模擬與現場實景之間及不同開采工藝礦井之間的預測模型遷移適配機制、機理建模與機器學習相結合的多源信息融合分析方法等方面做進一步深入研究,實現礦井煤自然發火監測設備協同化、數據采集實時化、信息分析動態化、預測預報精準化、危險預警超前化、風險態勢可視化,有效促進煤自燃監測預警技術智能化發展,著力提高煤自燃監測預警能力,全面提升煤礦智能化和信息化水平,深度助力礦井煤炭防患于未“燃”,以保障我國煤礦安全高效生產,減少人員傷亡和財產損失,降低防滅火處理成本,提高煤礦企業經濟效益。