王 楊，胡 泊，董天文

(沈陽航空航天大學(xué) 安全工程學(xué)院，沈陽 110136)

煤炭自然發(fā)火是煤礦的主要災(zāi)害之一。煤炭的自燃過程不僅會(huì)生成CO等有毒、有害氣體，而且容易造成煤塵和瓦斯爆炸事故，對(duì)井下工作人員的生命安全構(gòu)成嚴(yán)重的威脅[1-2]。預(yù)防煤炭自然發(fā)火的有效方式之一就是基于全尺度煤自燃實(shí)驗(yàn)得到的煤自燃過程中溫度與指標(biāo)氣體濃度之間的規(guī)律，從而建立預(yù)測(cè)模型，對(duì)煤自燃行為進(jìn)行有效預(yù)測(cè)，進(jìn)而健全煤礦自然發(fā)火預(yù)警體系[3-4]。

目前，應(yīng)用較多的煤自燃預(yù)警方法主要有氣體分析法、測(cè)溫法、數(shù)值分析法等[5-6]。氣體分析法應(yīng)用最為廣泛，主要分析指標(biāo)氣體濃度與煤溫之間的對(duì)應(yīng)關(guān)系，建立函數(shù)關(guān)系或數(shù)學(xué)模型，以主要指標(biāo)氣體和復(fù)合指標(biāo)氣體來判斷煤自然發(fā)火的程度，從而實(shí)現(xiàn)對(duì)礦井火災(zāi)的預(yù)警[7-9]。常用的指標(biāo)氣體有CO、C2H4、鏈烷比和烯烷比等[10-12]，其中CO 是一種常用的、且能夠有效實(shí)現(xiàn)煤炭自燃預(yù)測(cè)預(yù)警的指標(biāo)氣體。岳寧芳等[13]選擇CO、O2、C2H4/C2H6為重點(diǎn)指標(biāo)氣體，對(duì)預(yù)防煤炭自燃劃分了6個(gè)預(yù)警等級(jí)；周言安等[14]以CO、C2H4、C2H4/C2H6作為主要指標(biāo)氣體，為煤礦構(gòu)建了煤自燃分級(jí)預(yù)警體系。在采用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)方面，鄧軍等[15]分析了支持向量機(jī)及BP神經(jīng)網(wǎng)絡(luò)在煤自燃預(yù)測(cè)中的問題及缺陷，提出了一種基于隨機(jī)森林算法的采空區(qū)煤自燃的預(yù)測(cè)預(yù)報(bào)模型。邊冰等[16]通過氣體分析法，以CH4/CO、O2/CO2作為BP神經(jīng)網(wǎng)絡(luò)的輸入對(duì)煤層自燃情況做出了預(yù)報(bào)，提供了一種實(shí)時(shí)預(yù)報(bào)煤層自燃的方法。

以上對(duì)煤炭自燃預(yù)警方法的研究，主要是以BP神經(jīng)網(wǎng)絡(luò)作為理論模型，本研究采用RBF神經(jīng)網(wǎng)絡(luò)模型作為參考進(jìn)行對(duì)比分析，進(jìn)一步延伸了前人的工作，從而優(yōu)選出煤自燃預(yù)警效果較好的網(wǎng)絡(luò)。參考上述的相關(guān)研究結(jié)果，以陜西某易自燃煤礦4號(hào)煤層為研究對(duì)象，通過采集井下煤樣，采用理論、實(shí)驗(yàn)和現(xiàn)場(chǎng)數(shù)據(jù)相結(jié)合的研究方法，分析了該礦指標(biāo)氣體的濃度與溫度的對(duì)應(yīng)關(guān)系，構(gòu)建了基于指標(biāo)氣體濃度與特征溫度的密閉采空區(qū)煤自燃分級(jí)預(yù)警體系，通過采集的4號(hào)煤層采空區(qū)相關(guān)指標(biāo)氣體共157組數(shù)據(jù)，開展了基于BP和RBF神經(jīng)網(wǎng)絡(luò)的礦井密閉采空區(qū)煤自燃預(yù)警方法研究。

1 預(yù)警等級(jí)劃分

為探知煤礦煤樣的特征溫度及其特征溫度點(diǎn)處CO等氣體濃度規(guī)律，采用了陜西某礦4號(hào)煤為煤層自然發(fā)火指標(biāo)氣體的實(shí)驗(yàn)煤樣，選擇了4種不同粒徑的煤樣進(jìn)行程序升溫實(shí)驗(yàn),表1為程序升溫實(shí)驗(yàn)數(shù)據(jù)[6]。

采用常用的2個(gè)指標(biāo)氣體增長(zhǎng)率：指標(biāo)氣體增長(zhǎng)率Ir和指標(biāo)氣體相對(duì)增長(zhǎng)率Is，用以分析隨著溫度的變化，煤樣的氧化程度并確定特征溫度點(diǎn)[4]。

增長(zhǎng)率Ir為氣體濃度(或氣體的體積分?jǐn)?shù))的變化率與該時(shí)刻氣體濃度的比值，如式(1)所示

(1)

其中：Δφi為i時(shí)刻和(i-1)時(shí)刻的氣體濃度變化量，單位%；ΔTi為i時(shí)刻和(i-1)時(shí)刻的溫度變化量，單位為℃，其中i>1。

相對(duì)增長(zhǎng)率Is為i～(i-1)時(shí)間段氣體濃度的變化量與(i-1)～(i-2)時(shí)間段氣體濃度的變化量的比值，如式(2)所示

(2)

其中：Δφi-1為(i-1)時(shí)刻和(i-2)時(shí)刻的氣體濃度變化量。

指標(biāo)氣體增長(zhǎng)率Ir和相對(duì)增長(zhǎng)率Is變化曲線如圖1所示。根據(jù)圖1可知，Ir和Is的變化規(guī)律基本相同，而且其峰值都出現(xiàn)在50、70、90、120、170 ℃溫度處，因此特征溫度T1=50 ℃、T2=70 ℃、T3=90 ℃、T4=120 ℃、T5=170 ℃。

表1 程序升溫實(shí)驗(yàn)數(shù)據(jù)

圖1 增長(zhǎng)率Ir和相對(duì)增長(zhǎng)率Is曲線

通過程序升溫實(shí)驗(yàn)的數(shù)據(jù)，以起始溫度T0=20 ℃和特征溫度在T1、T2、T3、T4、T5時(shí)刻的CO氣體濃度作為分級(jí)預(yù)警的界限，將預(yù)警等級(jí)劃分為6級(jí)，具體劃分方法如表2所示。

表2 煤自然發(fā)火預(yù)警等級(jí)分級(jí)表

2 基于神經(jīng)網(wǎng)絡(luò)的煤自燃分級(jí)預(yù)警

2.1 神經(jīng)網(wǎng)絡(luò)選擇

分別采用BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)兩種預(yù)測(cè)模型對(duì)CO濃度數(shù)據(jù)進(jìn)行訓(xùn)練、測(cè)試及分析，確定出能夠準(zhǔn)確反映CO濃度變化規(guī)律的較好的神經(jīng)網(wǎng)絡(luò)算法。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋的神經(jīng)網(wǎng)絡(luò)，在預(yù)測(cè)中的運(yùn)用大致包括以下兩個(gè)部分：根據(jù)已知屬性預(yù)測(cè)未知屬性和根據(jù)自身已有數(shù)據(jù)預(yù)測(cè)未來數(shù)據(jù)。其隱含層激活函數(shù)常采用Sigmoid函數(shù)，如式(3)所示

(3)

其中x為輸入向量。

RBF(徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)的構(gòu)造和BP神經(jīng)網(wǎng)絡(luò)相同。不同的是，RBF神經(jīng)網(wǎng)絡(luò)中隱層節(jié)點(diǎn)的激活函數(shù)為徑向基函數(shù)。徑向基函數(shù)是徑向?qū)ΨQ的，并且衰減到中心點(diǎn)。在三維空間中，它呈現(xiàn)出一個(gè)以Z軸為中心軸的山形，是傾斜的非負(fù)線性函數(shù)。其隱含層激活函數(shù)常使用Gaussian函數(shù)，如式(4)所示

(4)

其中：μi為隱含層第i個(gè)節(jié)點(diǎn)的中心向量；φ(‖x-μi‖)為輸入向量x到隱含層第i個(gè)節(jié)點(diǎn)的中心向量的歐式距離；σi為第i個(gè)節(jié)點(diǎn)的寬度參數(shù)。

2.2 算法流程及參數(shù)設(shè)置

利用BP和RBF神經(jīng)網(wǎng)絡(luò)建立的礦井密閉采空區(qū)煤自燃預(yù)警模型的算法流程主要包括數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)參數(shù)設(shè)定、訓(xùn)練網(wǎng)絡(luò)等步驟，具體算法流程如圖2所示。

2.3 數(shù)據(jù)劃分及網(wǎng)絡(luò)性能評(píng)判指標(biāo)

以CO、CO2濃度數(shù)據(jù)以及CO和CO2濃度比值作為BP神經(jīng)網(wǎng)絡(luò)的輸入，將監(jiān)測(cè)的CO濃度數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的期望輸出，對(duì)157組原始數(shù)據(jù)進(jìn)行劃分，采用留出法將數(shù)據(jù)集按照5∶4的比例分為兩個(gè)互斥的子集。由于在原始數(shù)據(jù)點(diǎn)119處出現(xiàn)較大波動(dòng)，所以利用1～119組數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以119～157組數(shù)據(jù)對(duì)網(wǎng)絡(luò)的預(yù)測(cè)效果進(jìn)行測(cè)試。采用均方根誤差作為評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)模型的性能進(jìn)行評(píng)估，其運(yùn)行公式如式(5)所示

(5)

其中：fi為CO濃度預(yù)測(cè)值；yi為CO濃度真實(shí)值。

圖2 算法流程圖

2.4 結(jié)果分析及討論

圖3和圖4是BP和RBF神經(jīng)網(wǎng)絡(luò)對(duì)CO濃度的預(yù)測(cè)結(jié)果圖和在測(cè)試集上的對(duì)比圖。由圖3可知，BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)CO濃度變化趨勢(shì)與原始數(shù)據(jù)基本一致，在訓(xùn)練集和測(cè)試集上都表現(xiàn)出了較好的預(yù)測(cè)性能。由圖4可知，BP神經(jīng)網(wǎng)絡(luò)比RBF神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的預(yù)測(cè)效果更好。

BP和RBF神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的均方根誤差如圖5所示。由圖5可知，BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集和測(cè)試集的均方根誤差分別為0.072 8和0.228 5；RBF神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集和測(cè)試集的均方根誤差分別為0.063 7和0.482 1。其中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在測(cè)試集上的誤差比RBF神經(jīng)網(wǎng)絡(luò)更小。

圖3 BP和RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)圖

圖4 BP和RBF神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的對(duì)比圖

圖5 BP、RBF神經(jīng)網(wǎng)絡(luò)均方根誤差

根據(jù)該煤礦密閉采空區(qū)的CO濃度監(jiān)測(cè)數(shù)據(jù)，以及BP和RBF神經(jīng)網(wǎng)絡(luò)對(duì)CO濃度的預(yù)測(cè)值，繪制出礦井密閉采空區(qū)火災(zāi)6級(jí)預(yù)警圖，如圖6所示。結(jié)果發(fā)現(xiàn)不同時(shí)刻CO濃度基本保持穩(wěn)定，該采空區(qū)在1～139 d的CO濃度基本保持在了黃色預(yù)警范圍內(nèi)，但是在139～157 d的CO濃度超過了黃色預(yù)警界限，該時(shí)間段內(nèi)采空區(qū)CO濃度處于(19.27～32.52)×10-6范圍內(nèi)。對(duì)比程序升溫實(shí)驗(yàn)所得到的數(shù)據(jù)，根據(jù)表2可知，CO濃度在溫度50～70 ℃時(shí)，表明當(dāng)?shù)V井采空區(qū)有漏風(fēng)因素影響時(shí)，漏風(fēng)會(huì)帶出采空區(qū)內(nèi)產(chǎn)生的一些氣體，采空區(qū)產(chǎn)生了較多的CO和CO2。由此可以看出，在139～157 d的采空區(qū)遺煤發(fā)生了緩慢氧化作用，因此啟動(dòng)了黃色預(yù)警。

圖6 BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分級(jí)預(yù)警圖

由圖6可以看出，該采空區(qū)在1～139 d達(dá)到了綠色預(yù)警界限，在黃色預(yù)警區(qū)域內(nèi)。從第139 d開始一直到157 d，由綠色預(yù)警升級(jí)到黃色預(yù)警。通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的數(shù)據(jù)，1～140 d均處于綠色預(yù)警，140～157 d升級(jí)為黃色預(yù)警，即預(yù)測(cè)誤差為1 d；通過RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到的數(shù)據(jù)，1～141 d處于綠色預(yù)警，141～157 d升級(jí)到黃色預(yù)警，即預(yù)測(cè)誤差為2 d。

本次訓(xùn)練數(shù)據(jù)為119組，第1～119 d的采空區(qū)處于綠色預(yù)警階段，到達(dá)下一預(yù)警階段(黃色預(yù)警)的時(shí)間為20 d，而BP神經(jīng)網(wǎng)絡(luò)對(duì)于達(dá)到下一預(yù)警階段的預(yù)測(cè)天數(shù)是21 d，即預(yù)測(cè)誤差為1 d；RBF神經(jīng)網(wǎng)絡(luò)對(duì)于達(dá)到下一預(yù)警階段的預(yù)測(cè)天數(shù)是22 d，即預(yù)測(cè)誤差為2 d。

利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)CO濃度進(jìn)行預(yù)測(cè)，針對(duì)此類有監(jiān)督學(xué)習(xí)的算法，BP神經(jīng)網(wǎng)絡(luò)能根據(jù)輸入、輸出對(duì)非線性函數(shù)進(jìn)行較高精度的擬合，表現(xiàn)出良好的學(xué)習(xí)能力。表3是BP和RBF神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)警等級(jí)的預(yù)測(cè)結(jié)果。

表3 BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)警等級(jí)預(yù)測(cè)結(jié)果

從表3可以看出，BP和RBF神經(jīng)網(wǎng)絡(luò)在判斷當(dāng)前數(shù)據(jù)處于何種預(yù)警等級(jí)時(shí)與實(shí)際監(jiān)測(cè)數(shù)據(jù)一致。但在對(duì)何時(shí)進(jìn)入到黃色預(yù)警時(shí)出現(xiàn)了1～2 d的滯后性，這是由于采空區(qū)的CO濃度在時(shí)間上本就具備一定的關(guān)聯(lián)性，其影響因素不單單是上一時(shí)刻的CO濃度，還包括其他碳氧化合物的影響。本文利用BP和RBF神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，以上一時(shí)刻的數(shù)據(jù)作為輸入，預(yù)測(cè)下一時(shí)刻的濃度數(shù)據(jù)，因此在時(shí)間上出現(xiàn)了一定的滯后性。

利用BP和RBF神經(jīng)網(wǎng)絡(luò)對(duì)礦井密閉采空區(qū)煤自燃現(xiàn)象進(jìn)行預(yù)警的過程中，BP和RBF神經(jīng)網(wǎng)絡(luò)都表現(xiàn)出了良好的預(yù)測(cè)性能，但BP神經(jīng)網(wǎng)絡(luò)較RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能更好。主要原因是對(duì)于此類小樣本數(shù)據(jù)，RBF神經(jīng)網(wǎng)絡(luò)并沒有表現(xiàn)出優(yōu)越性。由圖4可知，隨著樣本數(shù)量的不斷增加，RBF神經(jīng)網(wǎng)絡(luò)更能無限逼近CO濃度真實(shí)值，因此未來應(yīng)不斷提高樣本容量，才可以對(duì)采空區(qū)火災(zāi)預(yù)警表現(xiàn)出良好的預(yù)測(cè)效果。此外，由圖5可知，RBF神經(jīng)網(wǎng)絡(luò)相比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差較大，同時(shí)，由于BP神經(jīng)網(wǎng)絡(luò)屬于典型的前饋式神經(jīng)網(wǎng)絡(luò)，因此具有更好的非線性映射能力，針對(duì)CO濃度這類短時(shí)間內(nèi)波動(dòng)明顯的小樣本數(shù)據(jù)，BP神經(jīng)網(wǎng)絡(luò)容錯(cuò)能力也得以體現(xiàn)。

3 結(jié)論

(1)通過特征溫度和CO濃度改進(jìn)了礦井密閉采空區(qū)煤自燃預(yù)警體系，將煤自燃預(yù)警等級(jí)劃分為“綠色、黃色、藍(lán)色、橙色、紫色、紅色”6級(jí)，提出了一套基于神經(jīng)網(wǎng)絡(luò)模型的預(yù)警體系。

(2)通過神經(jīng)網(wǎng)絡(luò)模型對(duì)密閉采空區(qū)煤自燃現(xiàn)象進(jìn)行預(yù)警，針對(duì)小樣本數(shù)據(jù)，BP神經(jīng)網(wǎng)絡(luò)更具有普適性，更準(zhǔn)確地預(yù)測(cè)了礦井密閉采空區(qū)煤自燃的預(yù)警等級(jí)，提高了預(yù)警體系的準(zhǔn)確性與可靠性。