煤礦安全事故分析與預測研究

楊 靜,蔡 峰,封居強,朱美靜,周夏冰,殷靜雯

(1.安徽理工大學 深部煤礦采動響應與災害防控國家重點實驗室,安徽 淮南 232001;2.安徽理工大學 安全科學與工程學院,安徽 淮南 232001)

據統計,2021年世界煤炭產量為81.73億t,我國煤炭產量為41.26億t,超過世界煤炭總產量的50%,同年國內能源消費總量達到52.4億t標準煤,其中煤炭消費量占56.0%,仍然占據不可替代的主導地位[1]。隨著科技進步和應急管理系統的逐漸完善,煤炭安全生產形勢持續好轉,煤礦的百萬噸死亡率已經從2005年的2.81降至2021年的0.045[1-2],但重特大事故仍時有發生,與發達國家的百萬噸死亡率(0.01以下)相比較[3],仍存在一定差距。因此,根據煤礦安全事故發生的規律和特點,建立一套安全事故預測系統是十分必要的。

根據往年我國發生的煤礦安全事故的統計數據,總結事故發生規律,是預防煤礦安全事故發生的有效方法。朱云飛[4]、劉琦[5]、孟遠[6]、張培森[7]等對煤礦安全事故進行了分析,指出瓦斯、頂板和水害仍將是防范的重點,并且在6、7、8月這3個月發生的事故比較多,產量和安全投入與特大事故的關系分別是正、負相關關系。在灰色事故預測方面[8],蘭建義等[9]利用馬爾可夫SCGM(1,1)c預測模型對煤礦事故百萬噸死亡率進行了預測;李闖等[10]采用灰色馬爾科夫預測模型對煤礦頂板事故死亡人數進行了預測;白彥龍等[11]采用基于遺傳算法改進的BP神經網絡(GA-BD)和小波神經網絡對煤礦事故起數進行了預測。在組合預測方面,武曉旭等[12]發現指數平滑-BP神經網絡混合模型比單純的使用指數平滑法和BP神經網絡的預測精度更高、泛化能力更強;李賢功等[13]基于預測平均百分比誤差最小的原則,計算了GM(1,1)灰色預測模型和多項式擬合模型2種預測方法的組合預測權重系數,并對煤礦事故死亡人數進行了分析預測;WU等[14]提出了一種基于經驗模態分解(EMD)的灰色(GM)自回歸滑動平均(ARMA)模型,該模型可以為礦山安全生產提供高精度、高穩定性的預測。綜上來看,眾多學者已經通過許多不同的預測方法對煤礦安全事故進行分析預測,但是運用灰色BP神經網絡模型對煤礦安全事故的分析預測鮮有研究。

以2011—2021年我國發生的煤礦安全生產事故信息為研究對象,主要基于事故起數和死亡人數2個指標,從事故等級和事故類型2個方面總結我國煤礦安全生產事故發生規律。結合灰色模型不需要大量有規律的數據、計算簡單方便,以及神經網絡模型優秀的處理信息的能力、預測精確度高等優點[15],建立灰色神經網絡模型對煤礦事故進行定量預測,為制訂科學的預防災害措施,保障煤礦安全生產提供依據。

1 我國煤礦安全事故規律和特點

1.1 數據來源與處理

根據國家礦山安全監察局[16]、國家礦山安全各省級局和煤礦安全網[17]的有關數據,以及相關文獻資料,對事故發生的時間、地點、類型及其傷亡人數等指標進行整理,統計得出2011—2021年全國煤礦安全生產事故共1 298起,死亡4 427人。煤礦安全事故起數和死亡人數如圖1所示。

圖1 近11年煤礦安全事故起數和死亡人數

由圖1可知,近11年的煤礦安全事故起數雖整體變化不明顯,但死亡人數整體急劇下降,從2011年的683人降至2021年的176人,表明我國煤礦安全生產形勢在逐漸轉好。

1.2 事故等級分布規律和特點

近11年不同等級事故起數和死亡人數及其占比見表1。

表1 近11年不同等級事故起數和死亡人數及其占比

由表1可知:對于事故起數和死亡人數,一般事故分別為838起和933人,占比為64.56%和21.08%;較大事故分別為356起和1 691人,占比為27.42%和38.20%;重大事故分別為96起和1 504人,占比為7.40%和33.97%;特別重大事故分別為8起和299人,占比為0.62%和6.75%。

不同等級煤礦事故起數的年度變化如圖2所示。

圖2 2011—2021年不同等級事故起數

由圖2可知,除一般事故之外,較大事故、重大事故、特別重大事故整體均呈現下降趨勢。近4年,沒有發生1起特別重大事故,實現了“零”突破。一般事故整體呈現上升趨勢,在煤礦安全事故中占比最高,從2014年起尤為明顯。

分析認為:較大事故、重大事故和特別重大事故的減少與我國能源供給側結構性改革相關政策(安全保障程度低或環保設施落后的中小煤礦相繼被淘汰、煤炭行業兼并重組步伐加快,行業集中度不斷提高、智慧礦山的相關產業政策)、煤礦安全相關法律法規的完善和實施,以及安全管理水平的提高等密切相關。一般事故的增加與我國煤炭需求總量過高、煤礦超能力生產、小煤礦違規開采和礦井自然條件差等因素有關。

1.3 事故類型分布規律和特點

按照查詢到的事故信息描述,把2011—2021年發生的煤礦安全事故劃分為頂板、瓦斯、運輸、水害、其他、機電、火災和放炮(爆破)8種類型,不同類型事故起數的年度變化及所占比例如圖3、圖4所示。

圖3 2011—2021年不同類型事故起數

由圖3和圖4可知,頂板、運輸、機電和其他事故起數整體呈現上升趨勢,近11年,頂板事故發生的起數最多,占30.74%;瓦斯和水害事故起數整體呈現下降趨勢;火災和放炮事故起數整體變化不明顯,一直都處于較低水平。

圖4 2011—2021年不同類型事故所占比例

1)近年來,在煤炭生產企業中大力提倡使用機械化、自動化、智能化設備,使礦井水害得到了有效防治,但由于安全投入不足,設備后期的維修和保養不能保障、工作人員違規操作、安全意識薄弱等原因均增加了機電和運輸事故發生的可能性。

2)頂板事故隨著開采深度的不斷加深而增多。隨著開采深度的不斷增加,圍巖所處的應力環境也越來越復雜、支護難度變大,風險不確定性也越來越高,從而引發更多的頂板事故。

3)近年來,由于中小型煤礦機械化程度低、安全管理落后,以及部分突出礦井開采之前安全準備工作不到位,未進行瓦斯預先抽采等原因,導致這些煤礦成為我國煤礦安全生產的重災區。隨著國家加大對中小型煤礦的管理力度,在一定程度上大大減少了我國煤礦總體瓦斯事故的發生。

2 灰色神經網絡模型

2.1 灰色模型

灰色模型通常用于研究數據量不足、信息不全面的不確定性問題。煤礦安全事故數據恰好符合此特點。因此,可以用其來預測煤礦安全事故數,計算過程如下。

1)原始時間序列x(0):

x(0)=(x(0)(1),x(0)(2),…,x(0)(n))

(1)

2)對x(0)進行一次累加(1-ADG)生成數列:

x(1)=(x(1)(1),x(1)(2),…,x(1)(n))

(2)

(3)

式中x(1)(k)為原始時間序列的累加。

3)z(1)為x(1)的緊鄰均值生成序列:

z(1)=(z(1)(1),z(1)(2),…,z(1)(n))

(4)

z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),

k=2,3,…,n

(5)

以生成數列x(1)為基礎建立白化微分方程:

(6)

式中:a為發展系數,反映發展態勢;u為灰作用量,反映數據變化關系。

通過最小二乘法求解參數a和u:

(7)

Y=(x(0)(2),x(0)(3),…,x(0)(n))T

(8)

(9)

4)求解白化微分方程,得到離散響應方程:

(10)

5)利用原始數據序列求解預測值:

(11)

式中k=1,2,…,n。

2.2 BP神經網絡

BP神經網絡是一種多層的前饋神經網絡,該模型由一個輸入層、單個或多個隱含層和一個輸出層組成[18]。輸入信號是從輸入層經過隱含層傳向輸出層,產生輸出信號,這是工作信號的正向傳播。如果在輸出層不能得到期望的輸出信號,則工作信號轉為誤差信號(網絡的輸出信號與期望信號之間的差值)進行反向傳播。在誤差信號反向傳播的過程中網絡的權重和閾值由誤差反饋進行調節,通過權重和閾值的不斷修正使網絡的實際輸出信號更接近期望信號。隱含層傳遞函數采用sigmoid函數,輸出層傳遞函數采用purelin函數。

sigmoid函數表達式為:

(12)

purelin函數表達式為:

f(x)=x

(13)

隱含層節點數經驗公式為:

(14)

式中:s為輸出層節點數目;t為輸入層節點數目;α為1～10的常數。

2.3 灰色神經網絡組合預測模型

灰色神經網絡組合預測模型是由灰色模型和神經網絡模型組成,為解決復雜不確定問題建立的模型[19]。構建灰色神經網絡模型的思路:首先由灰色模型得到關于原始序列數據的預測值,將該預測值作為神經網絡模型的輸入值,實際值作為輸出值,對所選擇的神經網絡模型進行訓練,得到各個節點的權值和閾值。將灰色模型的預測值作為灰色神經網絡模型的輸入,相對應的輸出值為最終的預測值。灰色神經網絡模型結構如圖5所示。

圖5 灰色神經網絡模型

3 灰色神經網絡預測分析

通過上面的規律分析可知,2011—2014年的數據對于2021年的數據而言考慮價值較低,因此采用2015—2020年的近6 a的數據來預判2021年的煤礦安全事故。

3.1 煤礦安全生產事故灰色神經網絡模型

煤礦安全生產事故灰色神經網絡模型建立步驟如下:

1)用2015—2021年煤礦各類型事故數據分別建立8個灰色GM(1,1)模型;

2)用該模型預測各個數列的第2到第7個數據,得到8個長度為6的數據序列P;

3)取原始數列中各個數列的第2到第7個數據,得到8個長度為6的數據序列T;

4)神經網絡的輸入值為數據序列P,輸出值為T,對網絡結構、初始權值和閾值分布進行設定;

5)訓練BP神經網絡,得到每個節點對應的權值和閾值;

6)使用第一步建立的灰色模型預測2021年煤礦不同類型事故起數,輸入值為預測值,輸出值即為預測結果。

灰色神經網絡模型建立過程如圖6所示。

圖6 灰色神經網絡模型建立過程

3.2 模型預測與分析

為驗證該方法的有效性,分別采用灰色神經網絡模型和灰色模型預測2021年全國煤礦不同類型事故起數,并與實際值進行對比分析,如圖7所示。

圖7 2021年煤礦安全事故起數預測值與實際值對比

由圖7可知, 利用灰色神經網絡模型預測2021年發生的瓦斯事故為19起,但是實際發生了13起,實際值遠小于預測值,分析認為這主要和2021年召開的“兩會”中提出的“碳達峰、碳中和”政策有著很大的關聯。總體而言,灰色神經網絡模型與灰色模型相比,其預測值與實際值更加接近,更能大致地預測出全國煤礦不同類型安全事故發展趨勢。

為更客觀地描述本文所提方法的有效性,采用平均相對誤差eMR(Mean Relative Error,MRE)和均方根誤差eRMS(Root Mean Square Error,RMSE)分別對灰色神經網絡模型與灰色模型進行分析,以此來驗證灰色神經網絡模型的穩定性和準確性[20]。

1)平均相對誤差eMR為:

(15)

2)均方根誤差eRMS為:

(16)

2種預測模型誤差值如表2所示。

表2 2種預測模型誤差值

從表2中可以看出,灰色神經網絡模型預測值的平均相對誤差eMR為0.161,與灰色模型相比降低了0.234;灰色神經網絡模型預測值的均方根誤差eRMS為2.902,與灰色模型相比降低了2.945。表明灰色神經網絡模型的預測穩定性要優于灰色模型,可應用于煤礦安全事故發生起數的仿真預測。

4 防治對策建議

煤礦安全事故是受人為、環境等多方面因素的影響可能發生也可能不發生的隨機事件,其發生的時間、地點和嚴重程度難以預測。根據對2011—2021年的煤礦安全事故分析,以及基于灰色神經網絡模型對其的預測,為減少煤礦安全事故的發生,提出以下防治對策和建議。

1)2015—2021年,頂板、運輸、機電和其他事故明顯增多。為減少該類煤礦安全事故的發生,要采取針對性措施預防頂板、運輸和機電等事故。如加強對現場的安全管理;增加安全投入,定期對機電設備進行維修檢查;完善礦山交通規章和制度等。

2)每年的煤礦安全事故都會導致一些救援人員喪生。因此,應完善煤礦應急系統,制訂應急預案,并定期開展應急演練,加強員工逃生的安全知識教育培訓。

3)完善煤礦安全事故的各種資料,開展事故反思活動,以史明鑒,降低同類事故的發生概率。

5 結束語

1)煤炭是我國的基礎能源和重要原料,煤炭工業關系著國家經濟命脈和能源安全。整體而言,我國煤礦安全生產發展態勢良好。近4年,特別重大事故無一例發生,一般事故占比最多,頂板、運輸和機電事故占比逐漸上升,在未來開展安全工作時需要重點關注。

2)結合灰色預測模型和BP神經網絡預測模型的優點,建立灰色神經網絡預測模型,可以對未來煤礦安全事故起數進行預測,避免或減少事故的發生。