基于大數據框架下的礦井瓦斯涌出分析

許 潔

(山西焦煤集團 投資有限公司， 山西 太原 030024)

隨著大數據技術的發展，大數據思維應用的領域也隨之更加廣泛。大數據思維就是通過對大量數據的分析研究，得出產生重要影響力的服務和產品，以及有深度的洞察[1]. 大數據分析的核心內容是預測，其思維是通過分析更多的數據，處理與預測對象之間所涉及的所有可能數據，而不再依賴隨機抽樣，也不需要追根究底，從宏觀層次上得到更好的洞察力，而不是熱衷于找尋因果關系[2]. 采用大數據技術能夠對礦井瓦斯參數進行更全面地分析，可以更科學地認識礦井瓦斯賦存、涌出量規律[3]，從而采用更有效、更有針對性的瓦斯抽采方法，提高瓦斯抽放效果，為井下作業地點提供更為安全的作業環境，促進礦井安全生產。

1 大數據思維方法

瓦斯災害分析理論與大數據思維的有效結合，需要充分準備煤礦空間瓦斯災害大數據的信息，盡可能地搜集所有信息，建立大數據庫，以大數據思維，尋找以瓦斯災害作為目標的相關關系，大數據思維方法見圖1[4].

圖1 大數據思維方法圖

假設將未開采區域的瓦斯災害當作相對應的預測對象，那樣就能匯集該礦區全部完成開采的礦井瓦斯災害信息進行分析。相關性分析方法采用人工神經網絡方法進行，廣義回歸型神經網絡(GRNN)是由機率神經網絡所發展出來的，包含了3層：輸入單元層、輸出單元層和模式單元層。輸出層由2個求和部分組成，其構成見圖2. 其基本原理為：假設Xi和Yi分別為輸入與輸出矢量的樣本，即可用下列公式計算任意一個與X對應的Y值[5]：

式中，Di=(X-Xi)T(X-Xi)；σ是GRNN中僅有的參數：平滑系數。

2 瓦斯災害的預測

影響瓦斯災害的因素比較多，地質條件、采礦技術以及生產管理等都是主要因素[6]，如采場布置，煤礦巖體的物理力學特性、煤礦巖體構造、開采速度、瓦斯含量、煤層厚度、圍巖瓦斯、地質結構狀況與瓦斯正確抽采方式等。在此處研究的影響瓦斯災害的主要原因是地質結構狀況、煤層傾角變動、煤層厚度變動、瓦斯濃度變化以及采前的卸壓狀況。為了適應GRNN神經網絡的特點，應當對樣本表中定性的表述加以數字化。定量描述方式主要包括：

1) 地質結構中：0代表容易，1代表一般，2代表較復雜，3代表復雜。

2) 煤層的傾角變動：0代表無改變，1代表改變較小，2代表改變較大，3代表改變大。

3) 煤厚變動：0代表無改變，1代表改變較小，2代表改變較大，3代表改變大。

4) 瓦斯含量：0代表瓦斯含量小，1代表瓦斯含量一般，2代表瓦斯含量較大，3代表瓦斯含量大。

5) 采前卸壓狀況：0代表未采取或差，l代表一般，2代表較好，3代表好。

6) 瓦斯災害：0代表瓦斯災害程度微小，瓦斯涌出量<5 m3/min，1代表瓦斯災害弱，瓦斯涌出量5～10 m3/min，2代表瓦斯災害中等，瓦斯涌出量10～40 m3/min，3代表瓦斯災害強，瓦斯涌出量>40 m3/min.

3 瓦斯數據庫的建立

3.1 數據內容

數據庫建設內容應包括：瓦斯信息數據、煤與瓦斯突出敏感指標數據、地質信息數據、資源量數據。

3.2 數據采集

瓦斯地質數據庫的數據采集在礦井五年中長期規劃的基礎上，以瓦斯地質單元為單位進行劃分。在同一地質單元內，原則上至少布置5個常規瓦斯參數測點，沿煤層走向不少于2個，沿傾向不少于3個，在最深開采邊界內至少布置一個測點。在地質單元的構造影響區域，要額外至少布置3個代表性測點。

3.3 數據錄入

礦井歷史數據的采集、錄入工作由各礦井自行負責完成；礦井現生產水平的瓦斯突出敏感指標的測定由各礦井負責采集，并及時錄入。礦井防突數據系統見圖3.

圖3 某礦井防突數據系統圖

3.4 數據運行

目前，該礦井瓦斯數據庫已在西山煤電集團開發成功并投入使用，實現了礦井防突數據信息管理的自動化。只要錄入歷史數據，該系統即可全自動生成數據。

3.5 數據分析

以某礦舉例分析，根據其實際情況，影響瓦斯災害的主要因素樣本見表1.

將表1中序號為1—10的樣本做為學習樣本，序號為11—20的樣本做為預測樣本。逼近誤差與預測誤差分別見圖4，5. 預測結果與實際情況的對比見表2.

3.6 預測的結論

根據模型預測結果得出結論：

1) 網絡比較誤差基本為零，表示該系統的逼近功能很強。

2) 網絡預測誤差最大值為1.

3) 網絡在預測強瓦斯災害和中級瓦斯災害時預測準確率均為100%，而在預測微瓦斯災害與弱瓦斯災害時預測準確性則為50%.

表1 影響瓦斯災害的主要因素樣本表

圖4 網絡逼近誤差圖

圖5 網絡預測誤差圖

表2 預測結果與實際情況對比表

鑒于微瓦斯災害與弱瓦斯災害的破壞能力都較小，所以，將該預測方法用于礦區瓦斯災害的分析是可行的。

由于瓦斯災害統計資料數據有限，如能逐步增加其他的以前可能認為毫不相關的數據信息，比如風機、割煤機、鉆機等機電設備，盡可能地搜集所有信息，建立大數據庫，把瓦斯災害預測模型從簡單的與瓦斯含量、埋深等的關系分析方法，擴展到利用所有的相關信息和“非相關信息”進行相關性分析，可以找到瓦斯災害分析最佳模型，同樣可以利用其拓展到礦區、省區，形成連片模糊瓦斯災害預測云圖。

4 結 語

采用大數據分析方法，考慮影響瓦斯災害煤層埋深、地質結構狀況、煤層傾角變動、煤層厚度變動、瓦斯濃度以及開采前的卸壓等主要因素，對樣本定性的描述進行量化，形成網絡學習樣本和網絡預測樣本，從而建立瓦斯數據庫。該數據庫的研究、建設與不斷完善，必將實現煤礦瓦斯地質信息高度共享與科學利用，并真正成為煤礦安全生產、煤礦瓦斯資源合理開發與利用和瓦斯地質研究服務的信息平臺，具有廣闊的應用前景。