秦玉金,蘇偉偉,姜文忠,3,陳煜朋,3
(1.煤科集團(tuán)沈陽研究院有限公司,遼寧 撫順113122;2.煤礦安全技術(shù)國家重點實驗室,遼寧 撫順113122;3.煤炭科學(xué)研究總院,北京100013)
瓦斯涌出量預(yù)測是根據(jù)現(xiàn)場統(tǒng)計或?qū)崪y數(shù)據(jù),在考慮開采工藝、地質(zhì)條件等客觀因素前提下,采用特定模型預(yù)先計算新礦井、新水平、新采區(qū)、新工作面在投產(chǎn)前的瓦斯涌出量大小,為礦井、采區(qū)和工作面的通風(fēng)設(shè)計、瓦斯抽采設(shè)計、瓦斯防治等提供基礎(chǔ)數(shù)據(jù),其預(yù)測結(jié)果的準(zhǔn)確性較大程度決定了礦井生產(chǎn)安全的可靠性,也將直接影響礦井生產(chǎn)投資成本。經(jīng)過半個多世紀(jì)發(fā)展,我國礦井瓦斯涌出量技術(shù)研究與現(xiàn)場開采條件緊密結(jié)合,利用多門學(xué)科交叉優(yōu)勢,衍生了多種多樣的預(yù)測手段,極大提高了瓦斯涌出量預(yù)測水平。隨著淺部煤炭資源日趨枯竭,埋深千米的煤炭儲量將成為今后資源開采的重要對象,然而面對煤層瓦斯賦存條件復(fù)雜化、瓦斯復(fù)合災(zāi)害嚴(yán)重化、開采難度擴大化的特殊局面,準(zhǔn)確預(yù)測深部礦井瓦斯涌出量成為技術(shù)挑戰(zhàn)。因此,對我國礦井瓦斯涌出量預(yù)測技術(shù)發(fā)展歷程、研究進(jìn)展進(jìn)行了系統(tǒng)調(diào)研,通過對比、考察和分析,總結(jié)了當(dāng)前礦井瓦斯涌出量預(yù)測技術(shù)應(yīng)用中存在的不足,指出了今后發(fā)展面臨的關(guān)鍵問題,旨在進(jìn)一步完善瓦斯涌出量預(yù)測技術(shù),科學(xué)指導(dǎo)現(xiàn)場應(yīng)用。
從20 世紀(jì)50 年代初,煤科集團(tuán)沈陽研究有限公司(以下簡稱“沈陽研究院”,前身為撫順煤炭研究所)就開始研究礦井瓦斯涌出量預(yù)測技術(shù),是我國最早從事相關(guān)研究的科研機構(gòu)[1],隨后國內(nèi)其他科研院所、高等院校和煤礦企業(yè)也相繼開展了同類研究,研究歷程可分為4 個階段:
1)基于礦山統(tǒng)計法的瓦斯涌出量預(yù)測應(yīng)用階段(20 世紀(jì)50 年代至今)。1937 年,礦山統(tǒng)計法由前蘇聯(lián)專家李金首先提出[2]。1953 年,國內(nèi)沈陽研究院首次引用礦山統(tǒng)計法,并成功測算了遼源礦務(wù)局中央豎井煤層瓦斯含量梯度;1959 年,淮南礦務(wù)局謝家集二礦采用礦山統(tǒng)計法首次預(yù)測了本礦瓦斯涌出量,指導(dǎo)了礦井開采設(shè)計;1959—1964 年,礦山統(tǒng)計法進(jìn)行了廣泛試驗應(yīng)用,在撫順煤田、北票臺吉礦、峰峰煤田、南桐煤田等礦區(qū)進(jìn)行了瓦斯涌出量預(yù)測,隨后逐步在全國瓦斯礦井推廣應(yīng)用。2006 年礦山統(tǒng)計法被制定為行業(yè)標(biāo)準(zhǔn),實現(xiàn)了國內(nèi)全面應(yīng)用。
2)基于分源預(yù)測法的瓦斯涌出量預(yù)測應(yīng)用階段(20 世紀(jì)80 年代至今)。20 世紀(jì)80 年代,沈陽研究院于良臣率先研究了煤壁瓦斯涌出規(guī)律及涌出量預(yù)測方法[3],在國家“七五”期間(1986—1990 年)提出了礦井瓦斯涌出量分源預(yù)測方法,適用于新建礦井和老井水平延深的瓦斯涌出量預(yù)測[4],實現(xiàn)了初步應(yīng)用。國家“八五”期間(1991—1995 年),沈陽研究院基于初期構(gòu)建的分源預(yù)測法,提出了構(gòu)造單元預(yù)測方法,首次建立全國統(tǒng)一的礦井瓦斯涌出量預(yù)測方法,將預(yù)測精度提高到85%以上[5-6]。國家“九五”期間(1996—2000 年),隨著開采工藝水平的提高,沈陽研究院進(jìn)一步研究了高產(chǎn)高效采煤工作面和綜掘工作面的瓦斯涌出規(guī)律,為完善瓦斯涌出量預(yù)測技術(shù)奠定了基礎(chǔ)。國家“十五”期間(2001—2005 年),經(jīng)過系統(tǒng)總結(jié)和分析,開展了煤礦瓦斯治理技術(shù)標(biāo)準(zhǔn)體系框架和礦井瓦斯涌出量預(yù)測篩選及適用性的研究,將分源預(yù)測法推進(jìn)到實用階段,“十一五”期間(2006—2010 年)形成AQ 1018—2006《礦井瓦斯涌出量預(yù)測方法》行業(yè)標(biāo)準(zhǔn),實現(xiàn)全國范圍內(nèi)推廣應(yīng)用。
3)基于瓦斯地質(zhì)數(shù)學(xué)模型法的瓦斯涌出量預(yù)測應(yīng)用階段(20 世紀(jì)90 年代至今)。20 世紀(jì)70 年代楊力生教授在我國首創(chuàng)瓦斯地質(zhì)學(xué)科,為瓦斯涌出量預(yù)測方法研究提供了新思路。1993 年,張子戌[7]等基于瓦斯地質(zhì)學(xué)科理論提出一種新的預(yù)測方法-瓦斯地質(zhì)數(shù)學(xué)模型法,也稱瓦斯地質(zhì)統(tǒng)計法,通過研究瓦斯地質(zhì)規(guī)律,確定影響瓦斯涌出的主要地質(zhì)因素,結(jié)合生產(chǎn)礦井已采地區(qū)的涌出量實測資料,建立多變量的預(yù)測模型,實現(xiàn)深部未采地區(qū)的瓦斯涌出量預(yù)測。1995 年,劉英學(xué)[8]先后研究了瓦斯涌出量等值線外推方法,瓦斯涌出量與煤層瓦斯含量比值作圖方法,經(jīng)與瓦斯地質(zhì)理論相結(jié)合,形成了瓦斯地質(zhì)多元分析綜合類比法。2011 年,瓦斯地質(zhì)統(tǒng)計法納入AQT 1086—2011《煤礦礦井瓦斯地質(zhì)圖編制方法》行業(yè)標(biāo)準(zhǔn),被推薦為3 種瓦斯涌出量預(yù)測方法之一[9]。
4)基于軟計算技術(shù)的多種預(yù)測方法的涌現(xiàn)階段(20 世紀(jì)90 年代至今)。信息科學(xué)已成為21 世紀(jì)影響人類文明進(jìn)步的重要學(xué)科,該學(xué)科涉及的軟計算方法是指研究對象只求近似而非精確解,模糊邏輯、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、分形與混沌理論可歸為軟計算方法。在礦井瓦斯涌出量預(yù)測領(lǐng)域,過分追求預(yù)測信息和基礎(chǔ)數(shù)據(jù)的準(zhǔn)確性是難以實現(xiàn)的,隨著軟計算方法的引入,瓦斯涌出量預(yù)測信息轉(zhuǎn)化為一種合理的數(shù)學(xué)參數(shù)成為可能,促進(jìn)了灰色系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等工具手段衍生為新的瓦斯涌出量預(yù)測方法。20 世紀(jì)80 年代,華中理工大學(xué)鄧聚龍教授創(chuàng)立了灰色理論,1990 年至今,與之相關(guān)的軟計算方法被應(yīng)用到礦井瓦斯涌出量預(yù)測領(lǐng)域,相關(guān)技術(shù)文獻(xiàn)大量涌現(xiàn),礦井瓦斯涌出量預(yù)測-期刊學(xué)術(shù)發(fā)展趨勢曲線如圖1。20 世紀(jì)90 年代初,王軒[10]、周長春[11]、秦書玉[12]、章壯新[13]等學(xué)者將灰色理論應(yīng)用到了礦井瓦斯涌出量預(yù)測領(lǐng)域。20 世紀(jì)90 年代末,朱川曲[14]、施式亮[15]等學(xué)者將神經(jīng)網(wǎng)絡(luò)理論運用到瓦斯涌出量的預(yù)測模型中。隨后更多學(xué)者根據(jù)不同算法又衍生出多種預(yù)測模型,并通過采集礦井監(jiān)控系統(tǒng)監(jiān)測的動態(tài)數(shù)據(jù)初步實現(xiàn)了礦井瓦斯涌出量的動態(tài)預(yù)測[16]。
圖1 礦井瓦斯涌出量預(yù)測-期刊學(xué)術(shù)發(fā)展趨勢曲線(數(shù)據(jù)來自于中國知網(wǎng)數(shù)據(jù)庫)Fig.1 Academic development trend curve of periodicals on mine gas emission forecast(data from CNKI)
我國礦井瓦斯涌出量預(yù)測技術(shù)類型大致可分為4 類:第1 類是以煤層瓦斯含量為基礎(chǔ)參數(shù),通過確定井下瓦斯涌出來源,計算每個來源的瓦斯涌出量,經(jīng)匯總得到整個礦井或某采區(qū)的瓦斯涌出總量,如:分源預(yù)測法;第2 類是依據(jù)瓦斯涌出量、瓦斯地質(zhì)、開采條件等量化數(shù)據(jù),利用數(shù)理統(tǒng)計理論建立瓦斯涌出量預(yù)測模型和方法,如:礦山統(tǒng)計法、瓦斯地質(zhì)數(shù)學(xué)模型法;第3 類是利用信息科學(xué)的軟計算方法處理瓦斯涌出量、地質(zhì)參數(shù)等預(yù)測數(shù)據(jù),建立預(yù)測模型,如:灰色預(yù)測法、神經(jīng)網(wǎng)絡(luò)預(yù)測;第4類是以前3 類單一預(yù)測方法為基礎(chǔ),構(gòu)建形成多種組合預(yù)測方法,如:GM(1,1)線性回歸、GM(1,N)神經(jīng)網(wǎng)絡(luò)、灰色-分源、改進(jìn)層次分析、可變模糊、模糊灰色系統(tǒng)、灰色-馬爾柯夫、主成分分析和逐步回歸分析等組合預(yù)測模型。
分源預(yù)測法針對礦井、采區(qū)、回采面和掘進(jìn)工作面等不同地點的瓦斯涌出規(guī)律,以煤層瓦斯含量、煤層開采技術(shù)條件為基礎(chǔ),計算相應(yīng)地點的瓦斯涌出量,適用于新建礦井、生產(chǎn)水平延深、設(shè)計新采區(qū)及采掘工作面的瓦斯涌出量預(yù)測,該方法已被列入AQ 1018—2006《礦井瓦斯涌出量預(yù)測方法》進(jìn)行推廣應(yīng)用。礦井瓦斯涌出構(gòu)成關(guān)系如圖2。
圖2 礦井瓦斯涌出構(gòu)成關(guān)系圖Fig.2 Composition diagram of mine gas emission
在傳統(tǒng)分源預(yù)測方法的基礎(chǔ)上,許多學(xué)者采用新技術(shù)手段拓展了不同應(yīng)用條件下的預(yù)測方法。李曉華等[17]采用瓦斯地質(zhì)分析方法和GIS 空間分析技術(shù),實現(xiàn)礦井瓦斯地質(zhì)動態(tài)分析,同時結(jié)合工作面瓦斯抽采動態(tài)信息,采用分源預(yù)測方法將工作面前方煤體瓦斯涌出量動態(tài)預(yù)測可視化。張偉等[18]以石泉煤礦高產(chǎn)高效工作面為例,研究了工作面回采推進(jìn)速度和與瓦斯涌出量之間的規(guī)律,提出了動態(tài)分源預(yù)測法數(shù)學(xué)模型,效果檢驗表明,動態(tài)分源預(yù)測精度明顯高于傳統(tǒng)分源預(yù)測精度。張運法等[19]從整個礦井生產(chǎn)歷史出發(fā),運用煤成氣地質(zhì)理論,建立了井田勘探階段的瓦斯涌出量分源預(yù)測方法。邸志強等[20]提出了多源信息融合理論技術(shù),將瓦斯相關(guān)數(shù)據(jù)進(jìn)行有效融合,構(gòu)建相同開采技術(shù)條件下煤層瓦斯含量與瓦斯涌出量計算模型,動態(tài)預(yù)測礦井瓦斯涌出量。
研究普遍認(rèn)為,當(dāng)煤層瓦斯賦存自然條件和開采技術(shù)工藝變化不大時,所處甲烷帶內(nèi)煤層相對瓦斯涌出量與開采深度為線性關(guān)系:
式中:q 為預(yù)測深度H 下的瓦斯涌出量,m3/t;qt為瓦斯風(fēng)化下限深度H0下的瓦斯涌出量,m3/t;α 為相對瓦斯涌出量梯度,m/(m3·t-1);H 為預(yù)測開采深度,m;H0為瓦斯風(fēng)化帶深度,m。
利用線性梯度可預(yù)測延伸水平或相鄰礦井未采區(qū)域的瓦斯涌出量。式(1)中相對瓦斯涌出量梯度α的物理意義指相對瓦斯涌出量每增加1 m3/t 時,開采深度增加的平均值。其大小取決于煤層傾角、煤層和圍巖的透氣性等因素,由已采地區(qū)深度、瓦斯涌出量等開采資料而確定。目前,該方法已被列入AQ 1018—2006《礦井瓦斯涌出量預(yù)測方法》中國安全生產(chǎn)行業(yè)標(biāo)準(zhǔn)[21]。
瓦斯地質(zhì)數(shù)學(xué)模型法是以瓦斯地質(zhì)學(xué)科為基礎(chǔ)理論,研究和確定影響瓦斯涌出強度的主控因素,從而建立預(yù)測瓦斯涌出量的多變量數(shù)學(xué)模型,實現(xiàn)礦井未采區(qū)域的瓦斯涌出量預(yù)測。該方法充分考慮了礦井真實的開采條件,能融合3~6 個不同的地質(zhì)因素,具有1 個礦井1 個預(yù)測模型匹配優(yōu)勢。
瓦斯地質(zhì)數(shù)學(xué)模型法由張子戌教授首次提出,之后許多學(xué)者又進(jìn)行了探索和應(yīng)用,推動瓦斯地質(zhì)數(shù)學(xué)模型法發(fā)展。郎咸民[22]融合了基巖厚度、構(gòu)造煤厚度、煤間距、揮發(fā)分4 個影響因素,采用最小二乘法原理建立了瓦斯涌出量預(yù)測數(shù)學(xué)地質(zhì)模型,預(yù)測精度達(dá)到現(xiàn)場生產(chǎn)要求。張子戌等[23]綜合考慮地質(zhì)條件、開采深度等多種影響因素,采用數(shù)量化理論作為建模工具,建立了包括煤層底板標(biāo)高、頂板砂巖比、煤層厚度、地質(zhì)構(gòu)造等4 個指標(biāo)的瓦斯地質(zhì)數(shù)學(xué)模型。王生全[24]采用逐步回歸方法綜合分析南橋煤礦瓦斯地質(zhì)因素,建立了多因素影響的瓦斯涌出量預(yù)測模型。
灰色系統(tǒng)介于信息完整的白色系統(tǒng)和一無所知的黑色系統(tǒng)之間,囊括了已知的、未知的和非確知的數(shù)據(jù)信息。針對礦井瓦斯動態(tài)涌出影響因素的動態(tài)、模糊等特性,灰色理論借助無信息盲區(qū)優(yōu)勢可以直觀反映外延明確、內(nèi)涵模糊的瓦斯涌出規(guī)律?;疑A(yù)測模型是以傳統(tǒng)灰色GM(1,1)模型和MGM(1,N)模型為基礎(chǔ)演化的,瓦斯涌出量灰色預(yù)測模型是對傳統(tǒng)灰色模型實行的改進(jìn)優(yōu)化。劉新喜等[25]應(yīng)用灰色系統(tǒng)理論GM(1,1)模型,建立了不同開采強度下瓦斯涌出量預(yù)測模型。余永強等[26]基于灰色系統(tǒng)理論建立瓦斯涌出量預(yù)測模型GM(1,1),根據(jù)地質(zhì)條件特征對平頂山一礦戊煤層進(jìn)行預(yù)測單元劃分,實現(xiàn)了地質(zhì)單元內(nèi)的瓦斯涌出量預(yù)測。呂貴春等[27]利用不同采深的瓦斯涌出量原始數(shù)據(jù),建立礦井瓦斯涌出量的動態(tài)預(yù)測GM(1,1)模型。伍愛友等[28]應(yīng)用灰色系統(tǒng)理論建立礦井瓦斯涌出量GM(1,1)模型。劉超儒等[29]在建立的礦井瓦斯動態(tài)涌出GM(1,1)模型基礎(chǔ)上,采用殘差GM(1,1)模型對預(yù)測結(jié)果誤差進(jìn)行校驗,實測結(jié)果表明,模型預(yù)測精度能反映延伸水平的瓦斯涌出真實情況。趙建會等[30]運用灰色預(yù)測理論,分析了回采工作面瓦斯涌出量的關(guān)鍵影響因素,建立了工作面瓦斯涌出量GM(1,1)預(yù)測模型。熊祖強等[31]利用無偏灰色GM(1,1)模型代替?zhèn)鹘y(tǒng)灰色GM(1,1)模型,建立動態(tài)無偏灰色馬爾科夫模型,不但能夠消除傳統(tǒng)灰色GM(1,1)模型自身的固有偏差,而且能提高預(yù)測精度。陳延可等[32]采取增加新信息與去掉舊信息同時進(jìn)行的方式建模,建立了等維新息GM(1,1)模型,既能反映瓦斯涌出量隨時間推移的動態(tài)變化情況,又能反映受未來各種因素干擾后礦井瓦斯涌出量的最新變化趨勢,可實時預(yù)測和監(jiān)控工作面瓦斯?jié)舛茸兓?。肖鵬等[33]建立礦井瓦斯涌出量MGM(1,N)預(yù)測模型,模型涵蓋了產(chǎn)量、瓦斯抽放量、支撐力、瓦斯涌出量等影響因素,預(yù)測精度大幅提高。
神經(jīng)網(wǎng)絡(luò)預(yù)測法適用于預(yù)測礦井生產(chǎn)階段未采區(qū)或工作面的瓦斯涌出量。神經(jīng)網(wǎng)絡(luò)本身具備樣本學(xué)習(xí)能力,實際使用時無需假設(shè)影響因素與瓦斯涌出量的關(guān)系,只須將實際數(shù)據(jù)提交給網(wǎng)絡(luò)模型實施訓(xùn)練,就能以任何精度逼近真實值。神經(jīng)網(wǎng)絡(luò)預(yù)測模型直擊了瓦斯涌出量與影響因素之間復(fù)雜的非線性關(guān)系,化繁為簡,建立礦井瓦斯涌出量Y 與影響因素Xn之間的函數(shù)關(guān)系,Y=(X1,X2,…,Xn),礦井瓦斯涌出量神經(jīng)網(wǎng)絡(luò)預(yù)測模型如圖3。
圖3 礦井瓦斯涌出量神經(jīng)網(wǎng)絡(luò)預(yù)測模型(Wij 模型代表)Fig.3 Neural network prediction model of mine gas emission
近年來,隨計算機科學(xué)和信息科學(xué)的不斷發(fā)展,瓦斯涌出量神經(jīng)網(wǎng)絡(luò)預(yù)測模型不斷自我修正,自身的合理性和科學(xué)性逐步提升,預(yù)測精度越來越高。徐剛等[34]為了解決因工作面影響瓦斯涌出因素繁多而無法篩選的難題,采用因子分析法降維處理了礦井瓦斯涌出量影響因素,使錯綜復(fù)雜的變量關(guān)系轉(zhuǎn)變?yōu)? 個主因子之間的線性組合關(guān)系,從而建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,現(xiàn)場預(yù)測結(jié)果與實測結(jié)果相對誤差均在5%以下,穩(wěn)定性較好。李杰等[35]以改進(jìn)的萬有引力搜索方法實施神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)尋優(yōu),計算瓦斯涌出相關(guān)系數(shù),篩選主要影響因素,建立了IGSA-ELM 神經(jīng)網(wǎng)絡(luò)預(yù)測模型,相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測模型,預(yù)測精度提高31%以上。魏林等[36]為了改進(jìn)Elman 模型的遞歸部分,引用Lyapunov 穩(wěn)定性原理,將煤層瓦斯含量、煤層深度、煤層厚度、煤層傾角、開采高度、工作面長度、回采速度、回采率、鄰近層瓦斯含量、鄰近層厚度、煤層間距、開采強度和層間巖性等16 個變量節(jié)點連通,建立隱層遞歸反饋(HRF)Elman 預(yù)測模型,利用礦井監(jiān)測數(shù)據(jù)檢驗預(yù)測模型,相比傳統(tǒng)的Elman 模型,預(yù)測精度和效率均有大幅提升。付華等[37]采用蟻群聚類算法計算獲取最優(yōu)的Elman 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值,消除了Elman 神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)速度緩慢、精度低、魯棒性差等缺陷,完成了瓦斯涌出量和影響因素之間的非線性逼近,最終提出了ACC-ENN 絕對瓦斯涌出量預(yù)測模型,實現(xiàn)了動態(tài)預(yù)測目標(biāo)。付華等[38]又提出貓群算法(CSO)優(yōu)化相關(guān)支持向量機(RVM),融合多特征空間信息,解決了有限樣本、高維數(shù)瓦斯涌出量建模難題。魏引尚等[39]結(jié)合煤礦工作面瓦斯涌出量實時監(jiān)測數(shù)據(jù),運用Monet Carlo 方法研究數(shù)據(jù)內(nèi)部蘊含規(guī)律,實現(xiàn)待采區(qū)域的瓦斯涌出量預(yù)測。薛鵬騫等[40]將小波分析和神經(jīng)網(wǎng)絡(luò)理論有機結(jié)合,利用非線性小波函數(shù)取代人工神經(jīng)網(wǎng)絡(luò)激發(fā)函數(shù),建立了小波神經(jīng)網(wǎng)絡(luò)模型,解決了影響瓦斯涌出量因素的復(fù)雜非線性問題,模型能夠輸入深度、厚度、瓦斯含量、煤層間距、日進(jìn)度、日產(chǎn)量等6 個變量節(jié)點。徐威等[41]有機結(jié)合灰色理論和遺傳神經(jīng)網(wǎng)絡(luò),利用遺傳算法輸入埋藏深度、厚度、瓦斯含量、地質(zhì)構(gòu)造、火成巖、頂?shù)装鍘r性等6 個變量節(jié)點,優(yōu)化了隱含層神經(jīng)元個數(shù)和網(wǎng)絡(luò)中的連接權(quán)值。楊智懿等[42]結(jié)合BP 神經(jīng)網(wǎng)絡(luò)原理,采用matlab 語言,建立了以埋藏深度、厚度、瓦斯含量、工作面平均日進(jìn)度、工作面平均日產(chǎn)量共5 個輸入層節(jié)點為基礎(chǔ)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。周革忠等[43]采用BP 人工神經(jīng)網(wǎng)絡(luò)模型和算法,成功引入采深、瓦斯含量、煤層間距、工作面日產(chǎn)量、煤層厚度、落煤方式、工作面推進(jìn)速度、循環(huán)方式、傾角等9 個變量節(jié)點,準(zhǔn)確求解了瓦斯涌出量與煤層賦存條件、開采條件的非線性模型函數(shù),實現(xiàn)不同開采條件下的瓦斯涌出量預(yù)測。魏引尚等[44]結(jié)合現(xiàn)場實際開采條件,構(gòu)建以BP 神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)理論的預(yù)測模型,把影響瓦斯涌出量的埋深、煤厚、瓦斯含量、煤層與鄰近煤層距離、推進(jìn)距離、工作面產(chǎn)量等6 個因素作為變量節(jié)點融入模型之中,提高了工作面瓦斯涌出量預(yù)測精度。王生全等[45]通過分析陳家山煤礦綜采工作面瓦斯涌出量影響因素,定量篩選埋藏深度、瓦斯含量、工作面推進(jìn)度、煤層頂板采動影響帶范圍含油氣砂巖厚度、煤層頂板采動影響帶范圍砂巖層含油強度等5 個主控因素,建立了BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型,有效消除了人為主觀分析帶來的誤差。劉玉靜等[46]將埋藏深度、日產(chǎn)量、瓦斯含量、厚度、煤層間距和日進(jìn)尺等6 個變量節(jié)點輸入人工神經(jīng)網(wǎng)絡(luò)預(yù)測瓦斯涌出量模型,采用Levenberg-Marquardt 近似算法進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,反映出模型收斂速度快和預(yù)測精度高的優(yōu)點。
從神經(jīng)網(wǎng)絡(luò)模型預(yù)測瓦斯涌出量發(fā)展現(xiàn)狀看出,神經(jīng)網(wǎng)絡(luò)預(yù)測模型能夠根據(jù)礦井實際開采情況,有效融合多種信息學(xué)科理論,靈活的選擇和輸入不同條件下瓦斯涌出量主控因素,且輸入變量層數(shù)無上限要求,收斂算法優(yōu)勢突出,建立的預(yù)測模型解決了瓦斯涌出量和影響因素非線性關(guān)系存在的算法難題,實現(xiàn)了礦井未采區(qū)域在不同開采時期和不同開采條件下的瓦斯涌出量預(yù)測。
為消除單一預(yù)測模型計算對象偶然性以及防止有效預(yù)測信息丟失,許多學(xué)者針對不同需求進(jìn)行了不同預(yù)測方法組合,形成了各類組合預(yù)測模型。劉軍等[47]吸收GM(1,N)模型和神經(jīng)網(wǎng)絡(luò)模型的雙重優(yōu)勢,構(gòu)建組合模型應(yīng)用于礦井瓦斯涌出量預(yù)測,較單一模型的預(yù)測精度,組合預(yù)測精度有大幅提高。魏春榮等[48]系統(tǒng)分析灰色理論模型和分源預(yù)測法預(yù)測瓦斯涌出量的優(yōu)缺點,將兩者優(yōu)勢結(jié)合,充分發(fā)揮了灰色理論預(yù)測的長期性和分源預(yù)測的準(zhǔn)確性,形成了灰色-分源預(yù)測的組合模型,實現(xiàn)礦井相對瓦斯涌出量預(yù)測。田水承等[49]從穩(wěn)定性、數(shù)據(jù)利用和適用時間3 個方面,加權(quán)組合指數(shù)預(yù)測、雙曲線預(yù)測和灰色預(yù)測3 種傳統(tǒng)預(yù)測方法,形成了一種基于改進(jìn)層次分析法的組合預(yù)測方法,并在現(xiàn)場進(jìn)行了預(yù)測及效果檢驗,取得了較好的應(yīng)用效果。黃為勇等[50]引用支持向量機(SVM)的應(yīng)用結(jié)構(gòu)化風(fēng)險最小化準(zhǔn)則和全局逼近任意非線性函數(shù)特性,通過樣本學(xué)習(xí)和平均絕對百分比誤差最小原則,確定預(yù)測模型輸入?yún)?shù),采用非線性組合處理雙曲線回歸、指數(shù)回歸和灰色預(yù)測方法獲得的3 種不同單項預(yù)測數(shù)據(jù),建立了一種多輸入單輸出的瓦斯涌出量預(yù)測非線性組合模型,預(yù)測結(jié)果的平均絕對誤差僅為6.92%,均方根誤差為0.93 m3/t,預(yù)測精度明顯高于單一模型預(yù)測精度。施式亮等[51]將灰色預(yù)測模型GM(1,1)和線性回歸耦合應(yīng)用,建立了瓦斯涌出量組合預(yù)測新方法,具有模型簡單、原始數(shù)據(jù)少、預(yù)測精度高等優(yōu)點,預(yù)測精度能夠滿足礦井生產(chǎn)需求。羅景峰等[52]基于粗糙集理論,分析確定了煤層埋深、厚度、瓦斯含量、平均日進(jìn)度和日產(chǎn)量等瓦斯涌出量影響因素的權(quán)重初值和重要性,將可變模糊聚類和可變模糊模式識別2 種模型組合,并求解最優(yōu)模糊分類中心矩陣和最優(yōu)權(quán)重,最終利用模式識別模型對待預(yù)測樣本進(jìn)行預(yù)測。題正義等[53]建立了模糊-灰色系統(tǒng)瓦斯涌出量預(yù)測模型,將時間序列和開采量、開采深度、推進(jìn)速度、周期來壓、地質(zhì)構(gòu)造、溫度、大氣壓一并納入瓦斯涌出量影響因素,豐富了組合模型的基本參數(shù)。龍祖根[54]、張兆瑞等[55]兼具灰色預(yù)測和馬爾柯夫轉(zhuǎn)移概率矩陣預(yù)測的2 大優(yōu)點,均提出建立了灰色馬爾柯夫預(yù)測模型。孫建華等[56]充分吸收主成分分析和逐步回歸分析方法的優(yōu)點,建立了兩者分析方法相結(jié)合的瓦斯涌出量回歸預(yù)測模型,預(yù)測精度明顯高于一元或多元回歸預(yù)測結(jié)果。李超群[57]等基于支持向量機和模型樹在回歸分析方面的優(yōu)越性能,建立了支持向量機和模型樹組合回歸的瓦斯涌出量預(yù)測模型。付華等[58]針對訓(xùn)練樣本有限和樣本點分散的問題,經(jīng)先聚類、再分類建模和預(yù)測處理,形成了自組織特征映射神經(jīng)網(wǎng)絡(luò)(SOM)與多變量的徑向基函數(shù)(RBF)組合的人工神經(jīng)網(wǎng)絡(luò)動態(tài)預(yù)測模型。
組合模型搭配方式多種多樣,形成了灰色預(yù)測-統(tǒng)計回歸模型、灰色預(yù)測-神經(jīng)網(wǎng)絡(luò)模型、灰色預(yù)測-分源預(yù)測模型、灰色預(yù)測模型-馬爾柯夫預(yù)測模型等組合,其組合本質(zhì)兼具了單一模型的優(yōu)點,并克服了單一模型預(yù)測存在的不足,提高了單一模型預(yù)測精度。
經(jīng)調(diào)研可知,當(dāng)前常用的瓦斯涌出量預(yù)測技術(shù)表現(xiàn)出明顯的局限性和不適用性,經(jīng)系統(tǒng)調(diào)研和分析,指出以下不足之處。
中國安全生產(chǎn)行業(yè)標(biāo)準(zhǔn)AQ 1018—2006《礦井瓦斯涌出量預(yù)測方法》[21],因引用文獻(xiàn)及排版錯誤,文中存在3 處明顯錯誤:
1)瓦斯涌出量梯度α 是指相對瓦斯涌出量與開采深度的變化關(guān)系,行業(yè)標(biāo)準(zhǔn)中(5.2.3)列出的計算公式(式(2))錯誤,多個文獻(xiàn)均指出并進(jìn)行了推導(dǎo)[59],更正后見式(3)。
式中:α 為相對瓦斯涌出量梯度,m/(m3·t-1);Hi為第i 個水平的開采深度,m;qi為第i 個水平的相對瓦斯涌出量,m3/t;n 為統(tǒng)計的開采水平數(shù)。
2)附錄B 中B.2 煤壁初始瓦斯涌出強度計算公式(式(4))排版錯誤,更正后見式(5):
式中:q0為巷道煤壁瓦斯涌出初速度,m3/(m2·min);Vdaf為煤中揮發(fā)分含量,%;W0為煤層原始瓦斯含量,m3/t。
3)附錄C 中C.1 中煤的殘存瓦斯含量公式(式(6))排版錯誤,更正后見式(7):
式中:Wc為煤層殘存瓦斯含量,m3/t。
分源預(yù)測法以煤層瓦斯含量作為瓦斯涌出量預(yù)測的基礎(chǔ)數(shù)據(jù),無需借用鄰近礦井瓦斯涌出數(shù)據(jù)就能夠預(yù)測本礦井的瓦斯涌出量,該優(yōu)點是其他方法無法比擬的。由于分源預(yù)測法中的計算參數(shù)取值是統(tǒng)計規(guī)律得到的結(jié)果,不能完全適應(yīng)所有開采環(huán)境,對一些特殊條件可能因取值不準(zhǔn)確造成預(yù)測結(jié)果誤差較大[6]?;夭晒ぷ髅嫱咚褂砍隽款A(yù)測未考慮回采工作面巷道布置及通風(fēng)方式,煤層瓦斯含量取值沒有考慮煤層瓦斯抽采量與風(fēng)排瓦斯量之間的關(guān)系、瓦斯抽采前預(yù)測和預(yù)抽后預(yù)測之間的關(guān)系[60]。
礦山統(tǒng)計法預(yù)測的礦井垂直深度范圍為100~200 m,走向范圍不超過600 m,只能適用于同一煤層自然賦存條件和相近開采技術(shù)水平,預(yù)測精度取決于礦井原始統(tǒng)計數(shù)據(jù)精度和預(yù)測區(qū)的地質(zhì)、采礦條件[61]?,F(xiàn)場應(yīng)用需要2 個及以上開采水平的瓦斯涌出數(shù)據(jù),要求未采區(qū)和已采取具有相同或類似的開采順序、采煤方法、瓦斯地質(zhì)等開采條件。
分源預(yù)測法、礦山統(tǒng)計法和瓦斯地質(zhì)數(shù)學(xué)模型法僅能實現(xiàn)靜態(tài)預(yù)測,預(yù)測對象存在以點代面、以偏概全的問題,預(yù)測結(jié)果僅能反映回采期間瓦斯涌出量的平均值,不能呈現(xiàn)瓦斯動態(tài)涌出規(guī)律,預(yù)測方式和結(jié)果的針對性、時效性、可靠性較差。瓦斯地質(zhì)數(shù)學(xué)模型法雖然作為行業(yè)標(biāo)準(zhǔn)推薦的涌出量預(yù)測方法之一,但由于影響指標(biāo)和參數(shù)都需要依據(jù)每一個煤礦的實際情況來確定,不利于煤礦現(xiàn)場推廣應(yīng)用。
灰色預(yù)測法、神經(jīng)網(wǎng)絡(luò)預(yù)測法以及組合預(yù)測法均具備短期或中長期動態(tài)預(yù)測能力,預(yù)測精度較高,而目前研究僅停留在學(xué)術(shù)方面,沒有運用到實際生產(chǎn)中。另外,基于多影響因素構(gòu)建的預(yù)測模型,存在建模與求解的困難。
在5G 技術(shù)快速發(fā)展的新時代背景下,礦山機械化、智能化水平正朝著無人化開采目標(biāo)加速前進(jìn),礦井瓦斯涌出量預(yù)測技術(shù)作為礦山安全生采技術(shù)體系的重要組成部分,其研究現(xiàn)狀和應(yīng)用發(fā)展逐漸暴露諸多不足,為了適應(yīng)大型機械化和高端智能化的開采條件,瓦斯涌出量預(yù)測技術(shù)研究可從以下3 個方面進(jìn)一步開展技術(shù)攻關(guān):
1)完善分源預(yù)測參數(shù)科學(xué)選值。針對部分參數(shù)的取值具有隨意性,預(yù)測結(jié)果具有不確定性的問題,在加大研究各種參數(shù)科學(xué)合理取值同時,可以建立自適應(yīng)分源預(yù)測模型,利用人工智能及機器自學(xué)習(xí)能力,通過不斷修正分源預(yù)測模型法中的各種參數(shù),最終確定各個礦井的科學(xué)合理的參數(shù)取值,從而提高預(yù)測精度。
2)推進(jìn)瓦斯地質(zhì)模型預(yù)測技術(shù)模塊化、集成化。瓦斯地質(zhì)模型預(yù)測最大的優(yōu)勢是充分考慮了影響瓦斯涌出量變化的主要地質(zhì)因素,尤其在編制礦井瓦斯地質(zhì)圖時更能直觀反映出瓦斯地質(zhì)對瓦斯涌出量的影響,只有開發(fā)出礦井瓦斯地質(zhì)圖自動編制系統(tǒng),并將瓦斯地質(zhì)數(shù)學(xué)預(yù)測模型模塊化、集成化、可視化,實現(xiàn)人機交互,解決煤礦技術(shù)人員自己建模的難題,才能達(dá)到實用目的。
3)組建信息化高端融合模型。將灰色預(yù)測模型、神經(jīng)網(wǎng)絡(luò)預(yù)測模型和組合預(yù)測模型與人工智能、云計算、大數(shù)據(jù)、機器人等技術(shù)深度融合,進(jìn)一步挖掘礦井監(jiān)控、瓦斯抽采、防突預(yù)警等系統(tǒng)采集的數(shù)據(jù),建立全面感知、實時互聯(lián)、分析決策、自主學(xué)習(xí)、動態(tài)預(yù)測、提前預(yù)警的智能預(yù)測系統(tǒng),將動態(tài)預(yù)測和日常的采掘活動結(jié)合起來,使預(yù)測更具有針對性、時效性、可靠性,以適應(yīng)現(xiàn)代煤礦開采智能化、無人化的需求。