基于地理信息系统和神经网络的煤与瓦斯突出预警.pdf

基于地理信息系统和神经网络的煤与瓦斯突出预警 郭德勇1 王仪斌1 卫修君2 王新义2 1 中国矿业大学 北京 资源与安全工程学院, 北京 100083 2 平顶山煤业 集团有限责任公司, 平顶山 467000 摘 要 依据煤与瓦斯突出机理及突出过程物理特征, 结合煤矿安全监测系统, 提出以瓦斯浓度和煤体温度时间序列的煤与 瓦斯突出预警指标, 利用 GIS 技术和人工神经网络建立了煤与瓦斯突出预警模型. 某矿 17180 工作面的预警结果表明 预警 模型可以为煤与瓦斯突出预警提供技术支持. 关键词 地理信息系统; 神经网络; 瓦斯浓度; 煤体温度; 煤与瓦斯突出; 预警 分类号 TD7132; T P183 Early warning of coal and gas outburst by GIS and neural network GUO Deyong1, WANG Yibin 1, WEI Xiujun2 , WANG Xinyi2 1 Resource and Safety Engineering School, China University of Mining and Technology Beijing , Beijing 100083, China 2 Pingdingshan Coal Mining Group Co. Ltd. , Pingdingshan 467000, China ABSTRACT Based on the mechanism of coal and gas outburst and the physicalcharacters of outburst process, in combination with a coal mine safety monitoring system, early warning inds were proposed by the time series of methane concentration and coal tem perature. An early warning model of coal and gas outburst was built by globe ination system GIS technology and artificial neu ral network. Taking 17180 working face for an example, the early warning model was tested in an exact mine. The result shows that the model can provide technical support for early warning of coal and gas outburst. KEY WORDS globe ination system; neural network; methane concentration; coal temperature; coal and gas outburst; early warning 收稿日期 2008 0308 基金项目 国家 十一五 科技支撑计划资助项目 No. 2006BAK03B02 ;教育部科学技术研究重点资助项目 No. 108025 作者简介 郭德勇 1966 , 男, 教授, 博士生导师, Email gdy cumtb. edu. cn 煤与瓦斯突出是严重威胁煤矿安全生产的地质 灾害. 关于煤与瓦斯突出预测预警已进行了大量的 研究工作[ 1 -3]. 有以瓦斯突出指标为基础的瓦斯突 出预测[4]和以安全管理为目标的预警系统[ 5 -6]等. 对于突发性事件采取科学的预警技术是采取预防措 施的关键[ 7 -9]. 基于地理信息系统 globe ina tion system, GIS 和神经网络的煤与瓦斯突出预警 是根据煤与瓦斯突出规律及突出过程物理特征, 结 合实时监测的瓦斯浓度和煤体温度信息对煤与瓦斯 突出危险进行评估和变量监测, 并对矿井生产的危 险程度进行评判和预警分析, 为煤与瓦斯突出预警 提供技术支持. 1 煤与瓦斯突出预警指标及其模型 11 预警指标的提出 1 瓦斯浓度. 研究资料[10 -11]表明, 瓦斯涌出 特征与工作面前方的突出危险性存在着相关性. 根 据对瓦斯突出机理的认识, 可以将工作面前方煤体 看作一个灰色系统, 工作面瓦斯浓度是这一灰色系 统的输出信号. 工作面瓦斯浓度连续监测结果构成 一个时间序列, 序列先前状态信号特征必然包含后 续状态特征信息, 序列值之间有着很强的顺序依赖 性和继承性, 蕴涵了煤体内部各因素间的变化及其 相互关系. 第 31卷 第 1期 2009 年 1 月 北京科技大学学报 Journal of University of Science and Technology Beijing Vol. 31 No. 1 Jan. 2009 2 煤体温度. 大量研究[ 12 - 13]表明, 工作面煤 体温度与地应力和瓦斯含量有关. 在煤与瓦斯突出 前, 由于煤体中瓦斯解吸, 普遍出现煤壁变凉、 工作 面气温降低等异常现象, 导致煤壁温度降低. 因此, 煤体温度的时间序列监测数据可以作为煤与瓦斯突 出预警指标. 12 预警指标模型 通过煤与瓦斯突出预警指标模型与煤矿安全监 测系统的联接, 实现预警数据的共享和互联互通, 完 成预警指标的处理和预警指标参数的输入. 预警指 标及其数学模型如下. 1瓦斯浓度、 煤体温度 Q. 煤矿安全监测系 统采集的瓦斯浓度和煤体温度实时数据, 反映工作 面瓦斯涌出量、 煤体温度、 煤层瓦斯和地应力等因素 间的内在关系. 如果瓦斯浓度和煤体温度值稳定, 瓦斯涌出相对稳定, 发生瓦斯突出的可能性较小; 如 果 Q 值变化大, 发生瓦斯突出的可能性性增大. 2超标时间 T . 当 Qi∀Q临界值, Ti ti- ti- 1 1 当 Qi 0 或减 小量 i 0 . 如果煤体温度降低值越大, 则发生煤 体动力现象的可能性越大, 瓦斯涌出量也越大, 瓦斯 浓度增量就大, 发生煤与瓦斯突出危险性越大. 2 煤与瓦斯突出预警模型及预警等级划分 21 神经网络预警系统 煤与瓦斯突出神经网络预警系统由预警知识获 取系统、 预警知识库和报警系统组成. 系统组成及 运行机制见图 1. 图 1 利用神经网络的煤与瓦斯突出预警原理 Fig.1 Early warning theory of coal and gas outburst based on neu ral network 211 预警知识获取系统 预警知识获取系统主要由网络学习算法和网络 构造组成. 该系统通过对预警样本的学习训练得到 网络权值, 完成预警知识的获取. 1 网络学习算法. 采用 BP 网络[ 14], 即误差回 传神经网络, 它是一种无反馈的前向网络, 网络中的 神经元分层排列. 它通过基本输入 U、 输出 V 样本来进行自身的算法学习, 调整内部阈值, 建立正 确的网络内部输入输出关系. 其最大特点是仅凭样 本数据就能实现由 Rm空间 m 为输入层节点数 到 Rn空间 n 为输出层节点数 的高度非线性映 射. 它采用梯度下降法反复训练样本来修正权值, 权值沿着误差函数的负梯度方向变化, 最后稳定于 最小值. 煤与瓦斯突出预警 BP 网络拓扑结构见图 2, 其中 W 为连接权值, O 为输出值. 图 2 煤与瓦斯突出预警BP 网络拓扑结构 Fig. 2 Topology structure for early warning of coal and gas outburst based on BP neural network BP 算法如下 Wij t Wij t- 1- Tij t 5 Wij t E/ Wij t- 1 Wij t - 1 6 式中, Wij为节点i 与j 之间的连接权值, 为学习速 16 北 京 科 技 大 学 学 报第 31 卷 率, 为冲量系数, E 为权空间{ w t } 上的误差超 曲面. 2网络构造. 瓦斯浓度与煤体温度 Q、 超标 时间 T 、 方差 S 和增量 这四个参数作为 BP 神经网络输入参数. 网络输出为[ 0, 0, 1] 、 [ 0, 1, 0] 和[ 1, 0, 0] , 对应煤与瓦斯突出预警的三个预警级 别. 根 据 T imothy Masters 的 近似 计算 公式[15] m ∃ n其中 m 为输入层节点数, n 为输出层节 点数, 可以得出隐含节点数为 4. 因此, 本系统的网 络构造为 4 - 4 - 3. 212 预警知识库 知识库部件是存有神经网络层数、 节点数、 权值 等结构的数据库, 由网络训练后获取的网络权值构 成, 知识库内容在新的预警知识训练后, 可不断更新 权值. 知识库是预警知识的载体, 也是报警部件的 先导部件. 213 报警部件 报警部件是神经网络预警系统的预警手段, 它 利用知识库中的神经网络权值, 在新的预警数据驱 动下, 经神经网络运算得出预警结果, 发出报警 信号. 22 煤与瓦斯突出预警模型 基于 GIS 和神经网络的煤与瓦斯突出预警模 型 图 3是在矿井 GIS 环境下, 通过煤矿安全监测 系统对瓦斯浓度和煤体温度的监测, 利用神经网络 技术对预警指标进行的神经网络分析, 然后根据网 络输出结果判断预警等级的过程. 图3 煤与瓦斯突出预警模型 Fig. 3 Early warning model of coal and gas outburst 23 预警等级划分 煤与瓦斯突出预警是利用神经网络对瓦斯浓度 和煤体温度进行变量监测和预测评估, 根据预警临 界条件对系统运行的接近负向质变临界值的程度做 出早期预判, 确定煤与瓦斯突出的发展变化趋势和 危险程度. 根据神经网络构造并结合实际情况, 将 预警等级划分为三级表1. 在实际应用中, 两个预 警临界条件只要其中一个条件符合, 就会发出相应 预警级别. 表 1 煤与瓦斯突出预警等级 Table 1 Early warning grade of coal and gas outburst 预警分类预警等级预警色预警临界条件突出危险性 1级红色 CH4 ∀3 , 超标时间大于 30 s, 增量大于 1 ; 煤体温度 超标时间大于 100s, 降低量大于 2 煤体温度 超标时间 大于 60s, 降低量大于 1 煤体温度变化量∗ 1 选择 煤体温度预警 将出现依 据煤体温度为时间序列参数的预警结果. 以平顶山煤业集团天安十二矿己15- 17180 工 作面某日发生的煤与瓦斯突出矿井监测数据为例进 17 第 1 期郭德勇等 基于地理信息系统和神经网络的煤与瓦斯突出预警 行检验, 当时井下掘进队正在施工超前排放钻孔, 23,42,31 监测机房显示工作面回风 CH4 为 99 , 到 23,52,00 恢复正常. 经技术人员测定, 瓦 斯突出喷出煤量 9t, 涌出瓦斯量 250m3. 应用煤与 瓦斯突出预警系统进行预警, 结果显示在 23,40,23 发生红色预警信号 图 4, 表明预警结果与实际相 符. 为了验证预警系统的可行性, 对平顶山煤业集 团天安十二矿己15- 17180 工作面进行了长达数月 的应用跟踪, 于某日 00,09,46 发出红色预警信号, 00,33,00 接到井下人员发生瓦斯突出的报告. 经 技术人员测定, 这次瓦斯突出煤量 55 t, 涌出瓦斯 量 190m3, 表明预警系统对煤与瓦斯突出预警是可 行的. 图 4 17180 工作面煤与瓦斯突出预警结果 Fig. 4 Early warning results of coal and gas outburst at 17180 working face 4 结论 1建立了煤与瓦斯突出预警的瓦斯浓度和煤 体温度时间序列预警指标, 实现预警指标与煤矿安全 监测系统的互联互通和神经网络预警指标的输入. 2结合煤矿安全监测系统, 利用 GIS 和神经 网络建立了煤与瓦斯突出预警模型, 能够在矿井 GIS 环境下对突出危险进行非线性分析, 实现煤与 瓦斯突出危险的预警分级. 3对平顶山煤业集团十二矿己15- 17180 工作 面的检验表明, 该预警模型能够在煤与瓦斯突出前 发出预警信号, 可以为煤与瓦斯突出预警提供技术 支持. 参 考 文 献 [ 1] Qian J S, Yin H S, Liu X R, et al. Data processing model of coalmine gas earlywarning system. J China Univ Min T echnol, 2007, 17 1 20 [ 2] Guo D Y, Fan J Z, Ma S Z, et al. Study on the prediction of coal and gas outburst by analytic hierarchy process and fuzzy comprehensive uation. J Univ Sci Technol Beijing, 2007, 29 7 660 郭德勇, 范金志, 马世志, 等. 煤与瓦斯突出预测层次分析- 模 糊综合评判方法. 北京科技大学学报, 2007, 29 7 660 [ 3] Luo X R, Yang F, Kang Y T, et al. Research on real time alarm theory of delayed coal and gas outburst. J China Univ Min Tech nol, 2008, 37 2 163 罗新荣, 杨飞, 康与涛, 等. 延时煤与瓦斯突出的实时预警 理论与应用研究. 中国矿业大学学报, 2008, 37 2 163 [ 4] Guo D Y, Li N Y, Pei D W, et al. Prediction of coal and gas outburst using the grey theory and neural network. J Univ Sci T echnol Beijing, 2007, 29 4 354 郭德勇, 李念友, 裴大文, 等. 煤与瓦斯突出预测灰色理论 - 神经网络方法. 北京科技大学学报, 2007, 29 4 354 [ 5] Xiao Q X. Study on the earlywarning safety and management system for coal mine ventilation. Min Saf Environ Prot, 1999 3 4 肖全兴. 矿井通风安全管理预警系统的研究. 矿业安全与环 保, 1999 3 4 [ 6] Zhang M. Research on the Forewarning System of Coal Mine Saf ety Management [ Dissertation] . Taiyuan Economy Manage ment College, Taiyuan University of T echnology, 2004 张明. 煤矿安全预警管理及系统研究[ 学位论文] . 太原 太 原理工大学经济管理学院, 2004 [ 7] Erdik M , Fahjan Y, Ozel O, et al. Istanbul earthquake rapid re sponse and the early warning system.Bull Earthquake Eng, 2004, 1 1 157 [ 8] Vijendra K. An early warning system for agricultural drought in an arid region using limited data. J A rid Environ, 1998, 40 2 199 [ 9] Wang C, Fang H Y. Situation analysis on the of Chinese crisis warning. Sp ec Focus, 2005, 12 6 王超, 樊宏烨. 我国危机预警方法研究现状评析. 特别关注, 2005 12 6 [ 10] Su W S. T he prediction of coal and gas outburst using gas emis sion dynamic index . Coal Eng, 1996 5 1 苏文叔. 利用瓦斯涌出动态指标预测煤与瓦斯突出. 煤炭 工程师, 1996 5 1 下转第 24 页 18 北 京 科 技 大 学 学 报第 31 卷 under cyclic loading.Comp ut T ech Geophys Geochem Explor, 2004, 26 3 193 席道瑛, 薛彦伟, 宛新林. 循环载荷下饱和砂岩的疲劳损伤. 物探化探计算技术, 2004, 26 3 193 [ 7] Lavrov A. The Kaiser effect in rocks principles and stress esti mation techniques. Int J Rock Mech Min Sci, 2003, 40 2 151 [ 8] Ji H G. Study on Concrete Material Acoustic Emission Cap abili ty and Ap plication. Beijing Coal Industry Press, 2004 纪洪广. 混凝土材料声发射性能研究与应用. 北京 煤炭工业 出版社, 2004 [ 9] T ang CA, Xu X H. Evolution and propagation of material defects and Kaiser effect function. J Seismol Res, 1990, 13 2 203 [ 10] Xie H P. Rock and Concrete Damage Mechanics. Xuzhou Chi na U niversity of Mining and T echnology Press, 1990 谢和平. 岩石混凝土损伤力学. 徐州 中国矿业大学出版 社, 1990 [ 11] Zhang M, Li Z K, Yang Q, et al. A damage model and statisti cal analysis of acoustic emission for quasi brittle materials. Chin J Rock Mech Eng, 2006, 25 12 2493 张明, 李仲奎, 杨强, 等. 准脆性材料声发射的损伤模型及 统计分析. 岩石力学与工程学报, 2006, 25 12 2493 上接第 18 页 [ 11] Qin R X, Zhang G S, Yang Y D. Predicting coal and gas out burst with monitored gas consistence. J China Coal Soc, 2006, 31 5 599 秦汝祥, 张国枢, 杨应迪. 瓦斯涌出异常预报煤与瓦斯突 出. 煤炭学报, 2006, 31 5 599 [ 12] Wang H T, Xian X F, He J M, et al. Inquisition of forecasting dangerousness of heading face outburst by drillings and coal bed temperature indices. J Chongqing Univ Nat Sci Ed, 1999, 22 2 34 王宏图, 鲜学福, 贺建民, 等. 用温度指标预测掘进工作面 突出危险性的探讨. 重庆大学学报 自然科学版, 1999, 22 2 34 [ 13] Guo L W, Jiang C L. T he theoretical analysis of the influencing factors about temperature change in the process of coal and gas outburst. J China Coal Soc, 2000, 25 4 401 郭立稳, 蒋承林. 煤与瓦斯突出过程中影响温度变化的因 素分析. 煤炭学报, 2000, 25 4 401 [ 14] Tian J W, Gao M J. Study on Artif icial Neural Network and its Ap plication. Beijing Beijing Institute of T echnology Press, 2006 田景文, 高美娟. 人工神经网络算法研究及应用. 北京 北 京理工大学出版社, 2006 [ 15] Masters T. Practical Neural Network Recipes in C . San Diego Academic Press, 1993 24 北 京 科 技 大 学 学 报第 31 卷