基于熵權-BP神經網絡的深部煤礦熱害風險評價研究

秦致遠,楊 力

(安徽理工大學 經濟與管理學院,安徽 淮南 232000)

煤礦深部開采時由于礦井散熱源多,相對濕度大,導致其內部形成了異常高溫、高濕的熱環境,這種極端惡劣的熱環境稱為熱害。深部煤礦熱害不僅直接影響地下采礦工作以及工人的健康,還容易造成災害和事故,威脅到煤礦的安全生產。為了改善深部礦井內的熱環境,需要對深部煤礦熱害風險進行評價,尋找出合適的降溫措施,以降低熱害對煤礦企業正常生產的影響,減輕熱害對工人身心健康的傷害。目前關于煤礦熱害方面的研究,主要有歐曉英的模糊綜合礦井熱環境評價,左前明的高溫礦井熱環境模糊綜合評價模型,姚韋靖的礦井熱環境現狀研究等[1-3]。除此之外,程磊[4]從內外部多方面因素研究了其對礦井熱害的影響。Wang等[5]利用6個采煤工作面水文地質資料進行了工程實踐評價。黃煒等[6]在梳理深部礦井熱環境影響因素的基礎上對礦井熱害進行了危險分級。蘇亞松[7]評估了縣域礦井的安全風險。Ding等[8]通過采用模糊綜合評價法(FCE)和層次分析法(AHP)建立了評價模型,在綜合評價地下熱源及其熱貢獻率的基礎上,提出了控制地下熱應力的建議。Zhi等[9]針對礦井熱害數據缺乏、影響因素復雜的特點,提出了一種基于支持向量機的礦井熱環境估計模型,分析了支持向量機回歸理論,總結了礦山熱害的影響因素。隨著國內淺層煤礦資源的枯竭,礦井逐漸走向深部開采。深部煤層熱害原因更為復雜,其熱害程度更為嚴重。如何對此種情景下的礦井熱害風險進行評價,成為深部煤礦安全管理的一個難題。因此,本文提出了基于熵權-BP神經網絡的深部煤礦熱害風險評價模型,并通過具體實例對煤礦熱害風險評價模型的性能進行檢驗,以對深部礦井熱害的預防和控制提供理論和技術支持。

1 深部礦井熱害風險評價指標體系

本文初步使用實地調研法、文獻綜合法和專家訪談法構建深部煤礦熱害風險評價指標體系。10位煤礦安全專家受邀通過德爾菲法初步構建了熱害風險評價指標體系,經過多輪信息反饋及整理,最終確立了礦井內部放熱、礦井環境、礦井結構3個層面12個熱害風險評價指標,深部煤礦熱害風險評價指標體系如圖1所示。

圖1 深部煤礦熱害風險評價指標體系

在深部礦井開采中,高溫熱害問題是不可避免的。隨著開采深度的增加,井下溫度不斷升高,深井作業環境變得越來越惡劣。這不僅會降低設備的工作性能,縮短其使用壽命,還會影響井下工人的工作能力和健康,進而引發生產事故。因此,礦井標高是評價礦井熱害風險的重要指標之一。此外,地下熱水的放熱現象也是造成深部礦井熱害的重要原因。在大地熱流場的作用下,地表深層的地下水被加熱,形成高溫礦井熱水,礦井熱水通過直接加熱風流或巖體傳熱兩種方式,間接引起井下溫度變化,從而引起礦井熱害。因此,地下熱水平均涌出溫度和平均涌出速度是評價礦井熱害的兩個重要指標。機械、電氣設備的熱量釋放是造成深部礦井熱害的主要因素之一。這類熱量包含了除有用功以外其他各種形式散失的熱量,泵電機的電力和水泵軸承摩擦所產生的熱量,以及所有的照明用電都會被轉換成熱能[10]。隨著礦山工程自動化、機械化、集中化的持續發展,尤其是煤礦開采和輸送機械的大量使用,機械和電氣設備的生產能力迅速增長,電氣設備運行產生的熱量逐漸成為引起風流變暖的重要因素。特別是在回采工作面,其影響更為突出[11]。在煤礦井下,煤炭及其他物料的氧化反應十分復雜,其放熱量難以精確測定。實測結果顯示,煤的氧化放熱對煤礦氣候沒有顯著影響[12]。

地表氣溫的改變。在深部煤礦采煤過程中,地面大氣的溫度對煤礦的氣溫有直接影響。受中國所處氣候帶的影響,中國的大氣溫度隨季節變化,晝夜溫差變化也比較大[13]。地面向地下流動的氣溫與濕度均存在一定的規律性,但季節性的氣溫變化對其危害的影響較大。當原巖溫度超過28℃時,由于原巖溫度的上升,巷道圍巖調熱圈的調節作用逐漸減弱,從而呈現季節性的熱害[10]。因此,年平均地面溫度和年平均地面濕度是影響深部礦井熱害風險的重要指標。地溫梯度也是“地熱梯度”,它是一種能夠反映地溫分布不均勻的參量。一般情況下,礦體埋藏越深,其溫度也就越高。這個數字代表著在垂直方向上的每100公尺上升的氣溫,也就是所謂的“地溫上升速率”。通過對地下溫度場的研究和分析,也就是溫度梯度的變化,可以為勘探地區的溫度提供依據[14]。當濕度在50%～60%之間時,人體是感到舒適的。但在一般情況下,井下作業區的相對濕度在80%～90%左右,而回風區域的總回風通道和回風井的相對濕度則基本達到飽和狀態。井下空氣中的水分是由礦井水的直接蒸發、井巷壁上凝結水的再排濕和用于降塵、鉆井冷卻、水力開裂等生產過程中的大量蒸發。由于各種原因,造成礦井內的環境濕度高于人體正常工作所需要的環境濕度[15-16]。因此,礦井的濕度也是造成深部煤礦熱害的主要原因之一。

深井通風的熱源以地熱為主,而地熱是由周圍巖石進行傳導的。礦巖經過開采、剝落、裸露,其熱能在空氣中慢慢揮發,釋放的熱能約占礦井地下熱能總量的48%以上。因此,深部礦井內的平均地溫是造成熱害的主要原因之一[17]。在提高礦井開采程度后,井下采區和工作面布置范圍更廣,工作面距離進風井口的長度增加,通風系統網絡復雜[18]。在煤礦開采過程中,所需風量將隨著工作面設計長度的增加而增加,因此,礦井通風系統的供風量和風壓將隨著礦井開采強度進行相應調整。當礦井進風量增大時,隨著通風路線加長,井巷內風流沿流向摩擦阻力也相應增大。由于豎井和巷道橫截面和方向的變化,以及分叉點和連接點的增加,使氣流的局部阻力增加,導致氣流能量損失。為了克服礦井通風過程中的通風阻力,除了在減小井巷摩擦阻力、降低局部阻力和優化調整風網結構的基礎上,還需增加礦井的通風功率,以滿足礦井開采通風的安全要求[19]。在沒有高溫熱害的礦井中,增大通風動力的主要影響是礦井通風機的負荷增加,導致電力消耗增加,降低了煤礦生產的經濟性。然而,對于高溫礦井不僅僅存在增大能耗的問題,由于礦井通風阻力的增加,風流與井巷之間的熱交換時間延長,熱量傳遞增加,這導致相同流動距離內氣流的溫升速率更快,進一步加劇了礦井熱害[20]。所以礦井掘進工作面的數量以及礦井通風系統的工作效率同樣對深部煤礦的熱害有著重要的影響。相關調查研究表明,我國礦井高溫熱害防治的主要需求對象應該是年產50萬噸以上,重點在100～500萬噸的大型國有重點煤礦[21]。因此,煤礦年產量也是影響深部煤礦熱害風險的因素之一。

2 深部煤礦熱害風險評價模型構建

熵權法是一種從實際數據出發,按照評價指標的貢獻度或差異性來進行客觀賦權的方法。與AHP(層次分析法)、專家判斷法、模糊綜合評價法相比,熵權法計算所得的指標權重不易受到主觀影響,數據內的隱含信息得到更好反映,有著更好的精確度及客觀性。BP神經網絡是一種多層前饋神經網絡,具有較好的非線性映射能力、自學習適應能力、泛化能力和容錯能力,在解決高維、非線性問題方面有獨特優勢。BP神經網絡在煤礦安全管理方面的研究已經比較成熟,學者們從不同的角度探討了該方法在煤礦安全管理方面的應用[22-27]。因此本文利用熵權法改進的BP神經網絡來對深部煤礦熱害進行預測和評價。

2.1 評價指標權重確定

在對礦井熱害風險評價的過程中,采用熵權法來體現出各個指標的重要性。具體步驟如下:

(1)形成決策矩陣。設參與評價的對象集M=(M1,M2,…,Mm),指標集D=(D1,D2,…,Dn),評價對象集Mi對指標集Dj的值記為Rij(i=1,2,…,m;J=1,2,…,n)則形成的決策矩陣為:

(1)

(2)標準化決策矩陣。由于本文是煤礦熱害風險相關的評價,指標越小越優,所以采用以下標準化公式:

(2)

式中,vij、rij是歸一化后的值,max(rj)、min(rj)分別為第j個指標的最大值和最小值。

(3)計算特征比重。

(3)

因為0≤vij≤1,所以0≤Pij≤1。

(4)計算各指標的熵值。

(4)

當Pij=0或者Pij=1時,認為PijIn(Pij)=0。

(5)計算各指標的差異性系數。

dj=1-ej。

(5)

(6)確定各指標的熵權。

(6)

2.2 評價模型構建

由于礦井熱害風險的影響因素較多,且各因素互相關聯,因而通過熵權法對指標進行優化,再將優化后的指標作為BP神經網絡的輸入值,具體熵權-BP神經網絡結構如圖2所示。由圖2可見,D是熱害風險評價體系的所有評價指標,X1,X2,…,Xn是經過熵權法篩選后的重要評價指標,y1,y2,…,ym是隱含層神經元輸出,wij和wjk是BP神經網絡連接權值,Z是輸出的綜合評價值。由圖3可知,該模型的建模過程為:①將上述的12個評價指標作為輸入層。②指標提取層,是利用熵權法從12個評價指標中提取出權重大的評價指標。③傳遞層,是將提取出的權重大的指標輸入神經網絡當中計算。④隱含層,主要處理輸入層中輸入的指標和評價結果之間的非線性函數關系。⑤將熱害風險綜合評價值作為輸出層。

圖2 熵權-BP神經網絡結構

圖3 BP神經網絡訓練過程 圖4 熵權-BP神經網絡訓練過程

2.3 熵權-BP神經網絡模型構建

(1)網絡初始化。根據經驗公式:

(7)

式中,β∈[0,10]的常數;n是輸入層節點數;m是輸出層節點數;l是隱含層節點數。

(2)隱含層輸出計算。隱含層輸出H計算公式為:

(8)

(9)

式中,wij為網絡連接權值;a為隱含層閾值;f(x)為激勵函數。

(3)輸出層輸出計算。輸出層預測輸出公式:

(10)

式中,H為隱含層輸出值;Wjk為連接權值;b為閾值。

依據預測值O和期望值Y,計算預測誤差e。

ek=Yk-Okk=1,2,…,m,

(11)

(4)網絡權值更新。

(12)

wjk=wjk+ηHjekj=1,2,…,l;k=1,2,…,m,

(13)

式中,η為學習速率。

(5)更新閾值。根據預測誤差e更新節點閾值a和b。

(14)

bk=bk+ekk=1,2,…,m,

(15)

如果計算方式尚未有明確結果,則返回到步驟(2)。

3 熱害風險評價模型檢驗及應用

根據《煤礦安全規程》《礦井降溫技術規范》和已經采集到的深部煤礦的實際數據,將礦井熱害風險評價等級分為:無熱害(0～0.40)、中度熱害(0.41～0.60)、重度熱害(0.61～0.81)、高危熱害(0.81～1)。根據現有文獻,深部煤礦的深度是一個包括絕對開采深度、開采強度、開采方法、地質構造等因素緊密相關的相對概念[28-30]。為了方便數據的收集和分析,文中深部礦山是指開采深度在700 m以上的礦山。本文收集了已完成熱害風險測評的258個深部礦井的參數作為樣本數據,采集到的指標數據歸一化結果如表1所示。

表1 深部煤礦熱害風險評價歸一化數據

3.1 重要指標篩選

利用歸一化后的指標數據形成一個決策矩陣V,

通過以上公式的運算數據矩陣V,得出各指標的權重排序如表2所示。

表2 深部煤礦熱害風險評價各指標權重及排序

通過驗證可得,改變權重小于0.05的指標取值對整個評價結果沒有影響,可將D10、D11、D12作為數據噪聲將其剔除,保留D1～D9這9個重要指標,如表3所示。

表3 熵權法篩選后的指標權重

3.2 熵權-BP神經網絡評價模型訓練

將收集到的數據代入熵權-BP神經網絡中進行擬合訓練,為確保訓練精度,訓練參數如表4所示,訓練過程如圖3、4所示。由圖3、4可知,通過對重構后的9個重要評估指標進行訓練,同一學習目標下,熵權-BP神經網絡模型的訓練時間優于標準BP神經網絡。熵權-BP神經網絡模型能夠在保留重要指標特征的基礎上減少冗余指標對BP神經網絡的干擾,提高網絡訓練速度。

表4 熵權-BP神經網絡訓練參數表

3.3 評價模型檢驗

把樣本數據輸入到訓練好的BP神經網絡和熵權法改進過的BP神經網絡模型當中,預測結果和精度如圖5所示。

圖5 BP神經網絡預測誤差百分比 圖6 熵權-BP神經網絡預測誤差百分比

熵權-BP神經網絡模型的運算精度為96.68%,BP神經網絡模型的運算精度為96.35%,通過將圖5與圖6對比分析,BP神經網絡的評價精度比熵權-BP神經網絡低。這是由于該組合模型對評估指標進行了重建,從而使BP網絡在反向傳播過程中更加貼近真實權重。從圖中可以看出,熵權-BP神經網絡模型可以對熱害進行評價和預測,其精確度比熵權-BP神經網絡模型更高。

3.4 評價模型應用

本文以A礦井為例,A礦井是熱害較為嚴重的礦井之一。在不改動礦井結構且礦井生產需求得到滿足的前提下,煤礦企業采用水冷式降溫技術,以地表水為冷源對A礦井進行熱害治理。A礦井熱害治理前的工作面的溫度為36 ℃,屬于嚴重熱害礦井。經過水冷降溫技術對礦井的降溫,工作面的溫度為29℃,礦井此時的熱害等級屬于中等熱害。

利用前文構建的BP神經網絡模型對A礦井改造前后的熱害風險等級進行預測,得出礦井改造前的熱害風險等級預測值為0.65,屬于重度熱害礦井,預測結果與事實相符。A礦井改造后的熱害風險預測值為0.46,屬于中等熱害礦井,預測結果與事實相符。由此可知,本文構建的深部煤礦熱害風險評價模型可以應用于實際深部礦井熱害風險預測,具有現實可行性。

4 結論

深部煤礦熱害風險的形成是礦井內眾多風險因素相互作用的結果。對深部礦井內熱害風險進行評價,可以幫助煤礦企業提前制定措施,預防礦井內熱害的形成,減少熱害對工人和生產的影響。本研究首先構建了深部煤礦熱害風險評價指標體系;其次,利用熵權法篩選出對礦井熱害影響重要的因素;最后,以BP神經網絡為基礎,對深部煤礦熱害風險等級進行預測。主要結論如下:

(1)深部礦井內平均地溫、地熱梯度、井下機電設備放熱和井下通風系統等因素是造成礦井熱害風險的主要因素。

(2)構建了深部煤礦熱害風險評價指標體系,并利用熵權法篩選出對礦井熱害風險影響重要的指標,為煤礦企業熱害防治提供了理論支持。

(3)本文構建的熵權-BP神經網絡模型,能夠對深部煤礦熱害風險進行預測,預測精度與現實相符。

本文構建的深部煤礦熱害風險評價模型,不僅克服了傳統BP神經網絡模型訓練速度慢的問題,還彌補了傳統數學評價方法對非線性關系處理能力的不足。該模型可以有效處理各風險因素之間的復雜非線性關系,降低對深部礦井熱害風險評價過程中冗余指標的干擾,實現了對礦井熱害風險等級的精準預測,為煤礦企業熱害風險預測提供了技術支持。