您好, 访客   登录/注册

煤矿瓦斯爆炸灾害风险评价与预测

来源:用户上传      作者:

  摘   要:煤矿瓦斯爆炸灾害的发生,对人员安全及工程进度造成了严重的影响。基于煤矿瓦斯爆炸风险评价的重要性,根据文献调查和专家评价方法建立了煤矿瓦斯爆炸灾害风险评价体系,采用了物元分析法和层次分析法(AHP)进行合成确定指标权重。以BP神经网络作为评价工具,构建瓦斯爆炸灾害综合评价预测模型。以某煤矿为例,基于物元分析和AHP的BP神经网络评价模型预测误差最大不到4%,评价结果符合专家思维。结果表明:煤矿瓦斯爆炸灾害风险评价模型准确性高实用性强,具有重要的参考价值和借鉴意义。
  关键词:瓦斯爆炸  物元分析法  层次分析法  BP网络  风险评价
  中图分类号:X936                                   文献标识码:A                       文章编号:1674-098X(2019)02(c)-0242-06
  在煤矿安全生产中,瓦斯是最重要的危害因素之一。我国现存大量瓦斯矿井,伴随着开采深度的增加,高强度机械化作业以及集约化的生产方式,瓦斯涌出量急剧增加,煤矿爆炸灾害风险也随之加剧,瓦斯防治异常困难[1]。煤矿瓦斯不仅在施工中会危及煤矿施工的安全,影响进度,而且一旦采取的措施不当,还会出现一系列的问题,给人们的日常生活造成极大的损失。因此,有必要對煤矿瓦斯爆炸灾害风险进行评估。
  目前用于评价煤矿瓦斯安全常用的传统方法有灰色评价法、模糊综合评价法、层次分析法等,但这些方法在实际应用中常受认识上的模糊性、评价人员的主观性、评价过程随机性等多种因素的影响,而且使用单一的评价方法,难以反映煤矿瓦斯爆炸灾害风险评价结果的准确性和客观性。因此,需要引用更加准确客观的评价方法,如组合式的评价方法,安永林等将可拓学理论与简单关联函数结合,进行了瓦斯爆炸易发性评估[2],屈娟等运用模糊数学与AHP法进行危险性评估[3],施式亮等运用灰色聚类与AHP法进行了事故演化危险性风险评估[4]等。还有一些采用了较为新颖的方法,如李润求等建立了IAHP-ECM和PSO-SVM风险评估模型[5-6],谢国民建立了FOA-SVM风险识别模式[7]等,这些都丰富了煤矿瓦斯防治技术研究。但是采用这些评价方法进行评价时数据的初期采集和整理仍然具有较强的主观性。因此,本文以物元分析法与AHP进行有机结合确定指标权重,利用BP神经网络[8-9]建立煤矿瓦斯爆炸灾害风险评估模型,该模型能够从理论上解决AHP权重确定的主观性和片面性,使评价方法更为科学,为煤矿瓦斯爆炸灾害预测与治理提供了依据。
  1  综合评价方法
  1.1 构造层次分析结构
  本文参照国内有关煤矿瓦斯灾害分析的相关成果,结合煤矿瓦斯具体工程实践,建立了煤矿瓦斯爆炸灾害评价指标模型。模型评价总目标为煤矿瓦斯爆炸灾害风险,其准则层由固有危险源、诱发危险源、人的因素构成。为了便于分析,量化各指标,易于操作,根据实际情况依次选择了对应三大准则层的对应指标。共计16个指标作为煤矿瓦斯爆炸灾害风险评估的基础[10-12],具体见图1。
  1.2 物元分析法
  2  应用实例
  根据前面确定的煤矿瓦斯爆炸风险层次结构,本文结合前人研究结果,通过咨询国内6位相关资深专家,建立判断矩阵。首先对准则层建立如下判断矩阵:
  经过一致性检验后计算得出各指标权重构造复合物元R。
  根据式(2)-(4)确定的经典域物元、节域物元及待测物元,关联函数复合物元RO及专家效度物元,根据式(5)得指标权重物元
  同理可得各指标层权重,如表1。
  根据表1中得出的各影响因素的指标权重,可知其中煤层瓦斯含量(X1)、煤层厚度(X2)、煤层埋藏深度(X3)、通风系统(X7)、瓦斯抽风率(X8)、设备安全可靠性(X11)、措施规范执行水平(X12)、管理人员安全技术水平(X14)及安全投入(X15)对瓦斯爆炸的影响最为显著,本文将基于这九个因素与瓦斯爆炸之间的关系为基础建立BP神经网络模型。
  选取某矿的统计数据作为样本[12,16],其中定量指标数值直接获取,定性指标数值由专家打分获取。通过分析可知X1、X3为极小型指标,其余为极大型指标。根据瓦斯涌出量越小越安全原则,通过公式(6)变换将极大型指标转化为极小型指标后,将原始数据根据公式(8)进行标准化处理,计算综合风险评价结果,见表2。
  根据煤矿瓦斯爆炸灾害评价指标,确定9个神经网络输入层节点,1个输出层节点,即可得到评价结果。隐含层函数和输出层函数选取Sigmoid变换函数,并反复试验,选取19个隐含层节点。表2中的前14组数据为学习样本,用以训练神经元连接权值,学习精度,势态因子α=0.8,学习速率为0.1,后4组数据作为检验样本。经过1211次学习后,其学习结果见表3。
  训练结束后,校验数据分别输入练好的BP网络,得出风险等级排序结果见表4。
  从表3看出本次训练的BP神经网络收敛,稳定性较好,模拟精度较高。从表4中可以看出,利用模型的输出值与期望值之间的误差可控制在4%以内,煤矿瓦斯风险性与专家排序一致,表明运用BP神经网络预测评价煤矿瓦斯爆炸安全性,误差可控、方法可行。将训练好的网络保存后,今后对其他煤矿瓦斯安全性进行跟踪评价,只需要输入待评价指标值,就可获得动态综合评价结果。
  3  结语   (1)考虑到煤矿瓦斯环境的特殊性及煤矿瓦斯爆炸灾害各种影响因素,本文将物元分析法,层次分析法,BP神经网络三种方法进行集成,构建了基于物元分析和AHP的BP神经网络的煤矿瓦斯风险评价模型,利用AHP与物元分析确定权重方面的优势来确定煤矿瓦斯安全评价指标的权重,修正了单一AHP法确定权重地片面性,确保了风险模型评价的科学性与正确性。
  (2)该模型能够系统评价煤矿瓦斯爆炸风险高低,根据模型评价结果,对评价风险较高的,可以提前做好措施,改进施工工艺,减小瓦斯爆炸灾害造成的损失。
  (3)文中将AHP与物元分析和BP神经网络纵向结合,构建集成模型应用于煤矿瓦斯爆炸预测与评价中,该集成模型能够准确预测各指标因素对煤矿瓦斯爆炸的影响程度,具有广泛的应用推广价值。
  参考文献
  [1] 李润求,施式亮,念其锋,等.近10年我国煤矿瓦斯灾害事故规律研究[J].中国安全科学学报,2011,21(9):143-151.
  [2] 安永林,彭立敏,張运良,等.可拓法评估煤矿瓦斯爆炸易发性[J].灾害学,2007,22(4):21-24.
  [3] 屈娟,田水承,从常奎,等.基于AHP的煤矿瓦斯爆炸事故危险性分析与评价[J].矿业安全与环保,2008,3(4):77-79.
  [4] 施式亮,李润求.煤矿瓦斯爆炸事故演化危险性评价的AHP-GT模型及应用[J].煤炭学报,2010(7):16.
  [5] 李润求,施式亮,念其锋,等.基于IAHP-ECM的瓦斯爆炸灾害风险评估[J].中国安全科学学报,2013(3):62-67.
  [6] 李润求,施式亮,念其锋,等.基于PSO-SVM的煤矿瓦斯爆炸灾害风险模式识别[J].中国安全科学学报,2013, 23(5):38-43.
  [7] 谢国民,单敏柱,付华.基于FOA-SVM的煤矿瓦斯爆炸风险模式识别[J].控制工程,2018,25(10):1859-1864.
  [8] 江时雨,陈建宏,李涛,等.水下隧道涌水灾害风险评价与预测[J].中国安全科学学报,2013,23(12):101-106.
  [9] 邱冠豪,吴超,江时雨,等.金属矿井热害评价体系与评价方法[J].中国安全生产科学技术,2014,10(12):46-50.
  [10]黄冬梅.基于危险源理论的煤矿瓦斯预警管理系统研究[D].山东科技大学,2008.
  [11]曹树刚,王艳平,刘延保,等.基于危险源理论的煤矿瓦斯爆炸风险评价模型[J].煤炭学报,2006,31(4):470-474.
  [12]陈连军,粟才全.矿井瓦斯涌出量的径向基函数网络预测模型[J].山东科技大学学报:自然科学版,2009(4):22.
  [13]夏小刚.AHP法在确定地表变形因素权重中的应用[J]. 西安科技大学学报,2008,28(2):244-248.
  [14]马荣国,杨申琳.基于物元分析的AHP确定指标权重方法[J].长安大学学报:自然科学版,2003,23(5):117-119.
  [15]杨郑.基于AHP和BP神经网络的煤矿安全评价方法研究[J].中州煤炭,2012(10):5-7.
  [16]彭程,潘玉民.粒子群优化的RBF瓦斯涌出量预测[J].中国安全生产科学技术,2011,7(11):77-81.
转载注明来源:https://www.xzbu.com/1/view-14805474.htm