Research on water inrush risk of mine floor based on PCA-Logistic regression model
-
摘要:
为解决煤层底板突水预测难题，提出了基于主成分分析与Logistic回归方法的底板突水预测模型。通过对底板突水危险因素进行分析，选取隔水层厚度、承压水水压、断层落差、断层距工作面距离、煤层采高、煤层倾角6个变量作为研究矿井底板突水的初始影响指标；首先利用主成分分析法对原始指标数据进行降维处理，然后利用建立的Logistic回归模型对数据进行分析预测，最后利用5组待测样本数据对模型进行验证。结果表明：该模型对突水样本的综合预判正确率为90%，利用待测数据进行回判时预测准确率达到80%，说明该预测模型具有一定可靠性，可作为煤矿底板突水预测的一种新方法。
Abstract:In order to solve the prediction problem of water inrush from coal seam floor, a prediction model of water inrush from coal seam floor based on principal component analysis and Logistic regression method was proposed. Through the analysis of the risk factors of floor water inrush, six variables, including the thickness of the aquifers, the pressure of confined water, the fall of the fault, the distance between the fault and the working face, the mining height of the coal seam, and the dip angle of the coal seam, are selected as the initial impact indicators to study the floor water inrush. First, the principal component analysis method is used to reduce the dimensions of the original index data, and the established Logistic regression model is used to analyze and predict the data. Then, five groups of sample data to be tested are used to verify the model. The results show that the comprehensive prediction accuracy of the model for water inrush samples reaches 90% at the highest, and the prediction accuracy reaches 80% when the data to be measured is used for back judgment, which shows that the prediction model has certain reliability and can be used as a new method for predicting water inrush from coal mine floor.
-
煤炭是我国的主要能源供应，在满足能源需求方面起着主导作用[1]。瓦斯爆炸具有危险源分布广、潜伏性、突发性等诸多因素的特点[2]。当瓦斯浓度达到爆炸极限时，一旦遇到氧气和火源就会发生瓦斯爆炸，对人员和矿井造成严重危害。因此有必要对瓦斯爆炸事故进行风险识别，并对瓦斯爆炸事故的风险进行定量评估，从而预防瓦斯爆炸事故的发生。
目前，已有部分学者对煤矿瓦斯爆炸事故进行了分析研究。郭慧敏等[3]对瓦斯爆炸事故致因进行分析，运用DEMATEL方法定量分析各致因之间相互影响关系，并结合ISM-MICMAC方法，探求导致事故发生的原因以及各要素的属性特征，并提出相应的对策措施；解镕嘉等[4]在基于熵权物元可拓理论的基础上结合可拓学原理，评价出煤矿瓦斯爆炸危险性等级；景国勋等[5]采用三类危险源理论、事故致因理论、层次分析法、集对分析−可变模糊集耦合方法，建立了煤矿瓦斯爆炸风险评价模型，并通过实例验证了模型的可行性；李红霞等[6]提出了一种基于LSTM的综采工作面瓦斯涌出预测及风险评估方法，对瓦斯爆炸风险等级进行了评估；汪圣伟等[7]利用事故树（FTA）、层次分析法（AHP）和集对分析法（SPA），建立了瓦斯爆炸风险评价模型，并通过实际案例验证该模型的精度；鲁锦涛等[8]分析了以往典型瓦斯爆炸案例，通过集成灰色系统理论和物元可拓模型，构建了灰色−物元评估模型，评估出瓦斯爆炸风险等级；李红霞等[9]利用模糊Bow-tie模型对煤矿瓦斯爆炸事故进行了定性和定量分析，运用风险矩阵进行了瓦斯爆炸事故风险评价；皮子坤等[10]结合前景理论与模糊综合评价理论，建立了基于区间数的煤矿瓦斯爆炸风险模糊综合评价模型，并运用模型对某地煤矿进行了风险评估，其评价结果与煤矿的生产实际情况一致；张津嘉等[11]构建了瓦斯爆炸事故风险耦合层次网络模型，并利用N-K模型分析了风险因素之间的耦合关系。
由于煤矿瓦斯爆炸是动态变化的过程，上述研究局限于静态控制管理，同时缺乏对不确定性的推理。作为不确定性推理和数据分析的工具，贝叶斯网络（BN）被广泛用于实现不确定性知识的表示和推理[12-13]。目前，已有部分学者利用贝叶斯网络对煤矿事故进行分析研究。李金蓉等[14]为了评估煤矿通风系统风险，引入DS理论−贝叶斯网络模型，以实际调研数据为例进行风险推理和敏感性分析，得到其通风系统风险等级和敏感指标；袁奇等[15]为了全面评估地下工程火灾的风险，提出了一种基于能量和屏障理论、预先危险性分析、领结图和模糊贝叶斯网络的地下工程火灾风险评估方法；洪伟斌等[16]基于DEMATEL-ISM-BN模型，结合煤矿透水事故真实案例样本数据构建了BN模型，得出了诱发透水事故的直接因素；成连华等[17]利用扎根理论对瓦斯爆炸事故案例进行编码，通过解释结构模型建立贝叶斯网络结构，引入云模型计算贝叶斯网络节点的先验概率和条件概率，对煤矿瓦斯爆炸可能性进行评价，其结果与实际情况相符；李敏等[18]基于贝叶斯网络及模糊集理论，根据专家经验确定影响瓦斯爆炸的主要风险因素，利用三角模糊数评估风险因素的先验和条件概率，最后基于贝叶斯重要度分析完成敏感性分析，找出影响瓦斯爆炸关键风险因素。
综上，通过风险识别提取诱发煤矿瓦斯爆炸事故的关键因素，通过BN参数学习为预防煤矿瓦斯爆炸事故提供参考，提出了一种基于熵权法改进模糊贝叶斯网络瓦斯爆炸危险性评估方法。
1. 评估模型概述
故障树分析[19]（FTA）用于确定顶事件的潜在原因，在故障树中事件之间的关系通过门来表示，建立完成后，可以进行定性和定量分析，是一种非常流行和普及的技术，用于大型安全关键系统的可靠性建模和评估。
1.1 模糊贝叶斯网络模型概述
1.1.1 模糊理论
模糊理论[20]（FST）可以表达人类判断的模糊性、模糊性和主观性。采用三角模糊数来表示事件的发生概率。隶属度函数${\mu }({x}) $计算如下；
$$ {\mu }({x})=\left\{\begin{array}{ll}0& x<a\\ \dfrac{{x}-{a}}{{r}-{a}}& a\leqslant x\leqslant r\\ \dfrac{{b}-{x}}{{b}-{r}}& r\leqslant x\leqslant b\\ 0& x>b\end{array}\right. $$ (1) 式中：a、r、b分别为最小可能值、最可能的值、最大可能值。
三角模糊数m1=(a1,r1,b1)、m2=(a2,r2,b2)有如下运算法则：
$$ \left\{\begin{array}{c}{{m}}_{1}\oplus {{m}}_{2}=({{a}}_{1}+{{a}}_{2},{{r}}_{1}+{{r}}_{2},{{b}}_{1}+{{b}}_{2})\\ {{m}}_{1}\ominus {{m}}_{2}=({{a}}_{1}-{{a}}_{2},{{r}}_{1}-{{r}}_{2},{{b}}_{1}-{{b}}_{2})\\ {{m}}_{1}\otimes {m}_{2}=({{a}}_{1}{{a}}_{2},{{r}}_{1}r,{{b}}_{1}{{b}}_{2})\\ {{m}}_{1}\oslash {m}_{2}=({{a}}_{1}/{{a}}_{2},{{r}}_{1}/{{r}}_{2},{{b}}_{1}/{{b}}_{2})\end{array}\right. $$ (2) 1.1.2 贝叶斯网络模型
通过结合领域知识和实际观测数据，贝叶斯网络可以提供更准确的概率推断结果[21]。贝叶斯网络是1个概率图模型[16]，由2个重要部分组成，分别是贝叶斯网络拓扑图和节点之间的条件概率表。贝叶斯理论的主要计算公式如下：
$$ {P}\left({Y}|{X}\right){P}\left({X}\right)={P}({X}\cap {Y} ) $$ (3) $$ {P}\left({X}|{Y}\right)={P}\left({Y}|{X}\right){P}\left({X}\right){P}\left({Y}\right) $$ (4) 式中：P(Y|X)为事件X已经发生的条件下事件Y发生的概率；P(X)为事件X的先验概率；P(X|Y)为事件Y已经发生的条件下事件X发生的概率。
$$ {P}\left({Y}\right)=\sum _{{i}=1}^{{n}}{P}\left({{X}}_{{i}}\right){P}\left({Y}\right|{{X}}_{{i}}) $$ (5) $$ {P}\left({{X}}_{1},{{X}}_{2},\cdots, {{X}}_{{n}}\right)=\prod _{{i}=1}^{{n}}{P}\left({{X}}_{{i}}|{\pi }\left({{X}}_{{i}}\right)\right) $$ (6) 式中：P(Xi)为Xi的根节点集合；$ P({X}_{1},{X}_{2},\cdots , {X}_{n}) $为Xi中间节点的条件概率分布。
1.1.3 故障树与贝叶斯的映射
贝叶斯网络相比于传统故障树等可靠度模型，具有更加直观、清晰、更好的建模与分析功能[13]。但贝叶斯网络难以直接用于复杂系统的建模，然而基于故障树的贝叶斯网络模型可以有效地减少该问题的求解。因此，首先构建煤矿瓦斯爆炸的故障树模型，然后将其映射到瓦斯爆炸贝叶斯网络中。故障树和贝叶斯的映射如图1所示，图1中：Pr为概率值。
1.2 模糊综合评价
由于煤矿瓦斯爆炸因素受环境变化影响很大，很难用确定的数学公式进行量化表示。因此，将模糊理论引入到煤矿瓦斯爆炸贝叶斯网络中[13]。由于专家专业领域不同，因此提出以专家主观信度来衡量专家的判断信度。模糊概率区间的划分见表1，专家组的权重标准见表2。
表 1 模糊概率区间的划分Table 1. Division of fuzzy probability interval评语等级 三角模糊函数 评语等级 S1 （0.0，0.0，0.1） 非常低 S2 （0.0，0.1，0.3） 低 S3 （0.1，0.3，0.5） 较低 S4 （0.3，0.5，0.7） 中等 S5 （0.5，0.7，0.9） 较高 S6 （0.7，0.9，1.0） 高 S7 （0.9，1.0，1.0） 非常高 表 2 专家组的权重标准Table 2. Weight standard of expert group属性 描述 权重 专家职位 高级工程师 1.0 中级工程师 0.8 初级工程师 0.6 技术人员 0.4 工人 0.2 教育程度 博士 1.0 硕士 0.8 学士 0.6 大专 0.4 中专 0.2 工作年限 ≥20 年 1.0 15~<20 年 0.8 10~<15年 0.6 5~<10 年 0.4 <5 年 0.2 专业相关 非常相关 1.0 比较相关 0.8 一般相关 0.6 基本相关 0.4 不太相关 0.2 根据式（7）、式（8）可以将多位专家对底事件索引节点Xi的评价意见转化为三角模糊数。
$$ {P}_{i}^{k}=({A}_{i}^{k},{B}_{i}^{k},{C}_{i}^{k}) $$ (7) $$ {P}_{ij}^{k}={P}_{i}^{k} {\omega }_{j}=({A}_{ij}^{k},{B}_{ij}^{k},{C}_{ij}^{k}) $$ (8) 式中：$ {P}_{i}^{k} $为根节点发生的概率；$ {A}_{i}^{k}\mathrm{、}{B}_{i}^{k}\mathrm{、}{C}_{i}^{k} $分别为三角模糊数；i为根节点数；j为根节点判断状态；k为专家人数；ωj为专家综合主客观权重。
将每位专家给出的评价结果根据式（9）进行平均化处理，得到模糊均值概率。然后根据式（10）采用面积均值法将模糊均值概率转化成代表此模糊集合的概率值：
$$ P_{ij}^*=\frac{P_{ij}^1+\cdots+P_{ij}^n+\cdots P_{ij}^m}{k}=(A_{ij}^*,B_{ij}^*,C_{ij}^*) $$ (9) $$ {P}_{ij}^{**}=\frac{{A}_{ij}^{*}+{2B}_{ij}^{*}+{C}_{ij}^{*}}{4} $$ (10) 式中：$ A_{ij}^*、B_{ij}^*、C_{ij}^* $分别为平均化处理后的三角模糊数；$ {P}_{ij}^{*} $为模糊均值概率值；$ {P}_{ij}^{**} $为模糊集合的概率值。
1.3 基于熵权法修正指标权重
熵权法可用来度量不确定性系统的特征[22]。利用信息熵来修正指标的差异大小，可以得到有效的评价结果，步骤如下：
1）建立矩阵。通过收集原始数据，得到指标矩阵A。
$$ \boldsymbol{A}=\boldsymbol{A}\left(P_{ij}\right)mn $$ (11) 式中：A$ \left({P}_{ij}\right) $为评价矩阵；m为评价指标；n为评价方案。
2）指标标准化。在评价指标时一些指标的计量度并不一致，应把它们的绝对值转化为相对值。
$$ {X}_{ij}'=\frac{{X}_{ij}-{\mathrm{min}}\left\{{X}_{1j},\cdots ,{X}_{nj}\right\}}{{\mathrm{max}}\left\{{X}_{1j},\cdots, {X}_{nj}\right\}-{\mathrm{min}}\left\{{X}_{1j},\cdots, {X}_{nj}\right\}} $$ (12) $$ {X}_{ij}''=\frac{{\mathrm{max}}\left\{{X}_{1j},\cdots ,{X}_{nj}\right\}-{X}_{ij}}{{\mathrm{max}}\left\{{X}_{1j},\cdots, {X}_{nj}\right\}-{\mathrm{min}}\left\{{X}_{1j},\cdots, {X}_{nj}\right\}} $$ (13) 式中：$ {X}_{ij}' $为正向指标，其数值越大越好；$ {X}_{ij}'' $为负向指标，其数值越小越好。
3）计算第j项指标下的第i个取样值与指数的比例$ {P}_{ij} $。
$$ {P}_{ij}=\frac{{X}_{ij}}{\displaystyle\sum _{i=1}^{n}{x}_{ij}} $$ (14) 4）计算第j项指标熵值${E}_{j} $。
$$ {E}_{j}=-k\sum _{i=1}^{n}{P}_{ij} \mathrm{ln}{(P}_{ij}) $$ (15) 式中：$ k=1/\mathrm{ln}\;m $。
5）计算信息熵冗余度${D}_{j} $。
$$ {D}_{j}=1-{E}_{j} $$ (16) 6）计算各项指标的权重${W}_{j} $。
$$ {W}_{j}=\frac{{D}_{j}}{\displaystyle\sum _{j=1}^{m}{D}_{j}} $$ (17) 7）计算各样本的综合得分${S}_{i} $。
$$ {S}_{i}=\sum _{j=1}^{m}{W}_{j}{X}_{ij} $$ (18) 8）综合权重U。
$$ U=\sum _{i=1}^{m}{S}_{i}{W}_{j} $$ (19) 2. 案例研究
2.1 煤矿瓦斯爆炸风险评估
基于文献[18]和相关瓦斯爆炸事故的案例以及事故调查报告等，进行分析总结。其中，提出的18个主要因素是根据瓦斯爆炸风险因素的2个前提条件：点火源和可燃物（由于井下需要进行通风，所以没有考虑将氧气作为风险因素），并构建出煤矿瓦斯爆炸的FTA模型，其次通过映射转换为BN模型，最后结合熵权法与模糊理论，组合赋权得出各指标的概率，评估得出煤矿瓦斯爆炸的风险。煤矿瓦斯爆炸风险评估流程图如图2所示，煤矿瓦斯爆炸因素见表3。
表 3 煤矿瓦斯爆炸因素Table 3. Coal mine gas explosion factors叶节点 根节点 事件描述 瓦斯措施C1 钻孔数量D1 钻孔的数量不够 密封质量D2 封孔质量差，导致密闭性不够 瓦斯抽采D3 没有进行瓦斯抽采；瓦斯抽采不达标 通风缺陷C2 通风不足D4 风量不足，不能满足矿井通风要求 通风阻力D5 巷道变形、巷道设计缺陷等 风机故障D6 没有通风设备；风机停止运行 浓度上升C3 瓦斯积聚D7 上隅角、盲巷、采空区出现瓦斯积聚 瓦斯涌出D8 瓦斯涌出量异常 瓦斯突出D9 瞬间释放大量瓦斯和煤 产生火花C4 摩擦火花D10 岩石，设备等摩擦产生火花 撞击火花D11 物体碰撞产生撞击火花 静电火花D12 物体接触产生静电火花 电气故障C5 电器故障D13 电气设备短路及故障等产生火花 防爆故障D14 防爆设备失效或没有防爆设备 设施故障D15 电缆老化、断裂产生火花 出现明火C6 违规爆破D16 爆破作业没有按照规范制度进行 煤炭自燃D17 煤体升温到着火点，与氧气反应燃烧 使用明火D18 人员吸烟，明火照明，焊接等 2.2 实例验证
煤矿位于贵州盘州市松河乡，设计生产能力30万t/a，属于煤与瓦斯突出矿井。矿井采用斜井、平硐联合开拓，并列抽出式通风，矿井主井进风
2252 m3/min，副井进风893 m3/min，总回风量为3465 m3/min。通过对煤矿瓦斯爆炸主要因素进行分析后，构建出松林煤矿瓦斯爆炸的FTA模型，煤矿瓦斯爆炸的FTA模型如图3所示。2.3 综合评价
在矿山生产过程中，由于氧浓度条件易于满足[23]。因此，只考虑瓦斯超限（B1）和点火源（B2）2个主要因素。若风险换成其他因素，则概率会有所不同，但通过模糊理论和熵权法对数据进行处理后，得出的结果可以降低主观性，提高评价的客观性。因此，邀请了对该领域的专家对所有节点的概率进行判断，专家信息见表4，专家打分情况见表5，节点的概率见表6。
表 4 专家信息Table 4. Expert information序号 专家职位 工作年限/年 学历 专业相关 1 高级工程师 22 博士 非常相关 2 中级工程师 18 硕士 比较相关 3 初级工程师 12 本科 比较相关 4 技术人员 8 硕士 非常相关 表 5 专家打分表Table 5. Expert scoring table指标 专家 权重
均分信息熵 模糊
权重综合
权重1 2 3 4 D1 8 8 7 8 6.037 5 0.7809 0.2185 0.1706 D2 7 6 6 7 5.062 5 0.7044 0.1743 0.1228 D3 6 5 5 4 3.962 5 0.5980 0.6072 0.3631 D4 7 7 6 6 5.100 0 0.7076 0.2958 0.2093 D5 6 6 5 6 4.487 5 0.6520 0.3386 0.2208 D6 8 7 7 7 5.675 0 0.7540 0.3656 0.2757 D7 7 6 6 7 5.062 5 0.7044 0.3711 0.2614 D8 6 5 4 5 3.962 5 0.5980 0.2347 0.1404 D9 6 5 5 5 4.125 0 0.6154 0.3942 0.2426 D10 4 4 3 3 2.775 0 0.4433 0.3172 0.1406 D11 4 3 3 4 2.737 5 0.4374 0.4655 0.2036 D12 3 2 3 2 1.962 5 0.2928 0.2173 0.0636 D13 6 6 5 5 4.325 0 0.6360 0.2914 0.1853 D14 7 6 7 7 5.225 0 0.7181 0.3833 0.2752 D15 6 5 6 7 4.612 5 0.6639 0.3253 0.2160 D16 9 8 7 8 6.287 5 0.7985 0.4483 0.3580 D17 7 8 8 8 5.950 0 0.7745 0.4541 0.3517 D18 7 6 7 7 5.225 0 0.7181 0.0976 0.0701 表 6 节点的概率Table 6. Probability of nodes指标 概率 指标 概率 指标 概率 D1 0.171 D7 0.261 D13 0.185 D2 0.123 D8 0.140 D14 0.275 D3 0.363 D9 0.243 D15 0.216 D4 0.209 D10 0.141 D16 0.358 D5 0.221 D11 0.204 D17 0.352 D6 0.276 D12 0.065 D18 0.070 A 0.252 C1 0.190 C4 0.157 B1 0.215 C2 0.229 C5 0.251 B2 0.287 C3 0.216 C6 0.326 3. 结果与讨论
将各指标参数导入GENIE软件中，煤矿瓦斯爆炸贝叶斯网络如图4所示。
由图4分析评估可以得出，瓦斯爆炸的风险概率为25%。瓦斯爆炸风险评价结果等级为一般风险。在煤矿瓦斯爆炸基本事件中，瓦斯抽采不足的风险最高，发生的概率为36.3%；其次是煤炭自燃的风险，发生概率为35.8%。
具体来看：①在瓦斯控制措施方面，说明该矿的瓦斯抽采不达标，因此需要加强瓦斯抽采，降低瓦斯含量。在通风故障方面，风机故障发生概率为27.6%，通风阻力发生概率为22.1%，风量不足发生概率为20.9%，主要是该矿风机设备出现过几次停机的现象，而且在风机运行过程中，由于风机阻力较大，因此导致通风量不足；②在瓦斯浓度上升方面，瓦斯积聚的概率为26.1%，瓦斯突出的概率为24.3%，瓦斯涌出异常的概率为14%，通过检测装置发现，在上隅角、盲巷及采空区等都有一定量的瓦斯积聚，且该矿属于突出矿井；③在产生电火花方面，摩擦火花发生概率为14.1%，撞击火花发生概率为20.4%，静电火花发生概率为6.4%，主要是因为在生产过程中，设备之间存在着摩擦，岩石发生碰撞都会产生火花；④在电气故障方面，电器设施故障发生概率为18.5%，电器设备故障发生概率为27.5%，防爆设备发生故障概率为21.6%，由于电线的老化和设备超负荷运转，出现线缆断裂和设备短路等，以及防爆设备老化长期没有进行维护；⑤在出现明火方面，煤自燃发生的概率为35.8%，违规爆破发生的概率为35.8%，使用明火发生的概率为7%。说明该煤层有一定的自燃倾向性，由于煤易与空气接触发生氧化，使煤的温度升高，同时又使煤的燃点降低，因此容易引起煤的自燃，此外，由于地质构造变动或因采掘而破碎，以及通风不良等，也是引起自燃的因素；⑥在违规爆破方面，说明管理人员的监管没有到位，技术人员的安全意识薄弱等，因此需要重点加强对煤自燃的控制和规范爆破流程，同时要加强监管力度，开展安全教育培训，提高管理者的管理水平和人员的安全防范意识。
3.1 逆向推理和致因链分析
在数据相当有限的情况下，可以利用逆向推理和致因链分析分别对煤矿瓦斯爆炸的安全状况做初步判断。在GENIE软件中，将顶上事件A发生的概率设置为1，从而进行逆向推理。贝叶斯网络的逆向推理图如图5所示，三级指标概率变化如图6所示，一级和二级指标概率变化如图7所示，贝叶斯网络的致因链如图8所示。图8中箭头越粗代表着上一级因素对下一级因素的致因影响就越大。
1）一级指标。瓦斯超限（B1）的概率从22%增加到55%，增加了33%；点火源（B2）的概率，从29%增加到70%，增加了41%；变化大小排序为：B2>B1。
2）二级指标。瓦斯控制（C1）的概率从19%增加到25%，增加了6%；通风缺陷（C2）的概率从23%增加到35%，增加了12%；瓦斯浓度上升（C3）的概率从21.57%增加到36.69%，增加了15.12%；电火花（C4）的概率从16%增加到17%，增加了1%；电气故障（C5）的概率从25.11%增加到40.05%，增加了14.94%；出现明火（C6）的概率从33%增加到57%，增加了24%；变化大小排序为：C6>C3>C5>C2>C1>C4，其中出现明火、瓦斯浓度上升、电气故障及通风缺陷4个指标均增加了12%及以上。
3）三级指标。三级指标变化较大的包括：通风阻力、瓦斯突出、防爆设备故障、违规爆破、煤炭自燃，这5个指标均增加了7%及以上。
由图8通过可以得出：通风阻力对通风故障的影响较大；瓦斯突出对瓦斯浓度上升的影响较大；撞击火花更容易产生电火花；电气故障中的防爆设备故障发生的风险更大；违规爆破和煤炭自燃更可能导致明火出现。因此，应加强对风机进行检修和维护，以保证足量的风量。加大对煤层瓦斯的抽采，减少瓦斯突出的风险。及时更换防爆设备，防止设备起火。规范爆破规章制度，严格审批流程，加大监管力度。注重煤炭自燃的防治，减少煤自燃发生的风险。
综上分析，防止煤矿瓦斯爆炸需要减少通风阻力，加强通风，维护通风设备；加强瓦斯抽采，防止瓦斯突出；及时更换防爆设备，加强监管力度和严格规范爆破流程，重点对煤自燃的防治加大技术研究投入。
3.2 动态评估
由于煤矿内部环境是动态变化的，因此有必要对其因素进行动态评估，实现对煤矿的动态管理，从而更好地预防煤矿瓦斯爆炸风险。将5种状态的根节点先验概率导入到软件中，分别计算得出瓦斯爆炸风险和中间节点的风险概率。一级和二级指标不同状态的概率变化如图9所示。
![]()
图 9 一级和二级指标不同状态的概率变化Figure 9. Probability changes of different states of 1st and 2nd indicators由图9可以明显看出：随着矿井内部因素状态的变化，瓦斯爆炸的风险也随之发生变化；状态1的瓦斯爆炸发生风险为54 %，状态2的瓦斯爆炸发生风险为40%，状态3的斯爆炸发生风险为35%，状态4的瓦斯爆炸发生风险为59%，状态5的瓦斯爆炸发生风险为63%；状态1、状态4、状态5的瓦斯爆炸风险较高，其中状态5的风险因素概率值；状态2、状态3的瓦斯爆炸风险较低，其中状态3的瓦斯爆炸风险最低。瓦斯爆炸风险概率大小排序为状态5>状态4>状态1>状态2>状态3。
从图9还可以看出，状态5的瓦斯浓度上升的概率是最大的，需要对煤层瓦斯进行增透处理，提高瓦斯抽采效率，减少煤层瓦斯压力，以防止瓦斯积聚和瓦斯涌出异常，降低煤与瓦斯突出事故发生的风险；其次为出现明火的风险概率，需要对违规爆破进行规范化管理，提高防治煤自燃的技术手段，同时加强人员监督管理，降低点火源发生的风险；虽然最低的风险因素为瓦斯控制，但不能忽略对瓦斯控制的治理。对状态2而言，其产生电火花这个因素较高，需注意对矿井火花的抑制，减少产生火花的风险。
综上所述，煤矿应采用合理的开采技术和瓦斯抽放技术[24]，防止瓦斯突出；实时监测瓦斯体积分数，防止瓦斯异常涌出；加强维护通风设备，防止瓦斯积聚。要把火灾管理的重点放在防止煤炭自燃上和煤尘的抑制[25]，通过使用抑制剂防火、灌浆防火、风压调节防灭火等技术手段防止煤炭自燃[26]。此外，规范井下爆破和及时更换新的防爆设备，同时还要加强对企业员工的组织管理和安全教育培训，提高安全意识，减少事故发生的概率。
4. 结 语
1）探讨了煤矿瓦斯爆炸中风险评估的应用。由于在煤矿生产系统中，专家很难获得准确的信息，因此将故障树分析、模糊理论和贝叶斯网络方法相结合，从而解决煤矿瓦斯爆炸风险分析的不确定性问题。
2）构建了故障树和模糊贝叶斯网络模型，利用熵权法结合模糊理论组合赋权确定先验概率，并采用贝叶斯网络模型进行预测分析。通过利用GENIE软件，导入先验概率和条件概率，真实的计算出瓦斯爆炸发生的概率。
3）对贵州松林煤矿进行了瓦斯爆炸风险评估实例验证，论证了瓦斯爆炸发生的可能性。评估出该煤矿的瓦斯爆炸风险概率为25%；其瓦斯爆炸风险评价结果等级为一般风险。通过逆向推理、致因链分析和动态评估，对引起瓦斯爆炸的风险因素进行反复诊断，确定敏感风险因素，实现动态分析，验证了该风险评估方法的实用性。
-
表 1 矿井底板突水样本数据
Table 1 Mine floor water inrush samples data
水压/
MPa采高/
m隔水层
厚度/m断层落
差/m煤层倾
角/（°）断层距工作
面距离/m是否发
生事故1.82 0.80 26.39 4.00 12 16 是 1.65 1.60 25.85 50.00 17 90 是 1.00 0.90 25.85 2.00 13 16 是 2.88 1.00 17.68 1.30 20 0 是 2.01 8.00 28.00 0.60 18 10 是 1.91 8.00 43.00 1.50 11 2 是 1.33 0.85 36.38 0.80 7 62 否 0.95 1.45 26.89 1.00 6 55 否 0.92 1.40 33.61 0.50 8 0 否 0.34 0.90 32.65 22.00 6 6 否 1.06 2.00 27.79 0.46 7 21 否 2.80 2.55 66.11 16.00 12 29 否 1.30 1.70 30.00 4.90 5 21 是 
下载: 导出CSV
表 2 待测样本数据
Table 2 Samples data to be tested
工作面 水压/
MPa采高/
m隔水层
厚度/m断层
落差/m煤层倾
角/（°）断层距工作
面距离/m华泰31503 1.08 0.90 16.50 3.2 7 7 良庄51302 1.10 1.60 20.00 15.0 11 16 潘庄6194 4.06 2.75 65.86 10.0 10 11 白庄6902 3.11 2.61 44.30 3.5 11 12 华恒61106 2.70 2.55 66.97 16.0 12 31
下载: 导出CSV
表 3 相关矩阵表
Table 3 Correlation matrix table
影响因素 水压 采高 隔水层
厚度断层
落差煤层
倾角断层距工
作面距离水压 1.000 0.271 0.651 0.049 0.263 0.016 采高 0.271 1.000 0.195 −0.152 0.238 −0.219 隔水层厚度 0.651 0.195 1.000 0.158 −0.239 0.203 断层落差 0.049 −0.152 0.158 1.000 0.124 0.562 煤层倾角 0.263 0.238 −0.239 0.124 1.000 −0.118 断层距工作面距离 0.016 −0.219 0.203 0.562 −0.118 1.000
下载: 导出CSV
表 4 总方差解释表
Table 4 Total variance explained table
因素 初始特征值 提取平方和载入 合计 方差/% 累计/% 合计 方差/% 累计/% X1 1.847 30.791 30.791 1.847 30.791 30.791 X2 1.702 28.372 59.163 1.702 28.372 59.163 X3 1.202 20.034 79.197 1.202 20.034 79.197 X4 0.679 11.316 90.512 0.679 11.316 90.512 X5 0.403 6.709 97.222 X6 0.167 2.118 100.000
下载: 导出CSV
表 6 分类表
Table 6 Classification table
已预测 预测结果
未发生突水预测结果
发生突水百分百
矫正是否发生突水 实际未发生突水 8 1 88.9 实际发生突水 1 10 90.9 总计百分比 90.0
下载: 导出CSV
表 7 测试结果对比
Table 7 Comparison of test results
工作面名称 计算标签 计算结果 实际是否突水 是否符合实际 华泰31503 1 突水 突水 符合 良庄51302 1 突水 突水 符合 潘庄6194 0 未突水 未突水 符合 白庄6902 1 突水 未突水 不符合 华恒61106 0 未突水 未突水 符合
下载: 导出CSV
-
[1] 李强. 煤层底板隔水关键层失稳及突水危险性研究[D]. 青岛: 山东科技大学, 2019. [2] MATTHEW Brace. Predicting coalmine water[J]. Australian Mining, 2006, 98(9): 78.
[3] DUSAN Kuscer. Hydrological regime of the water inrush into the Kotredez Coal Mine(Slovenia, Yugoslavia)[J]. Mine Water & the Environment, 1991, 10(1): 93−101.
[4] 潘元伯. 关于斯列萨列夫安全水头公式的推导[J]. 合肥工业大学学报(自然科学版),1986(1):99−103. [5] 靳德武,王延福,马培智. 煤层底板突水的动力学分析[J]. 西安矿业学院学报,1997,17(4):354−356. JIN Dewu, WANG Yanfu, MA Peizhi. Dynamics analysis on water inrush through coal bottom layer[J]. Journal of Xi'an Mining Institute, 1997, 17(4): 354−356.
[6] 高延法, 施龙青, 娄华君. 底板突水规律与突水优势面[M]. 徐州: 中国矿业大学, 1999. [7] 尹会永,魏久传,李子林,等. 潘西煤矿断裂构造突水机制探讨[J]. 山东科技大学学报(自然科学版),2007,26(1):30−33. YIN Huiyong, WEI Jiuchuan, LI Zilin, et al. Analysis on water inrush mechanism in fracture tectonics of Panxi Coal Mine[J]. Journal of Shandong University of Science and Technology (Natural Science Edition), 2007, 26(1): 30−33.
[8] 刘伟韬,孙茜,徐百超. 基于GIS及主成分熵权法的底板突水危险性评价[J]. 矿业研究与开发,2020,40(11):83−88. LIU Weitao, SUN Qian, XU Baichao. Risk evaluation of water inrush from coal seam floor based on GIS and principal component analysis-entropy weight method[J]. Mining Research and Development, 2020, 40(11): 83−88.
[9] 王进尚,王俊. 基于底板破坏与递进导升协同的突水危险性预测[J]. 煤矿机械,2022,43(3):130−133. WANG Jinshang, WANG Jun. Water inrush risk prediction based on synergistic of floor failure and progressive uplift[J]. Coal Mine Machinery, 2022, 43(3): 130−133.
[10] 韦韬,李博,王中美,等. 基于尖点突变模型的煤层底板突水危险性评价[J]. 湖南科技大学学报(自然科学版),2020,35(1):23−29. WEI Tao, LI Bo, WANG Zhongmei, et al. Risk assessment of water inrush from coal floor based on cusp catastrophe model[J]. Journal of Hunan University of Science and Technology (Natural Science Edition), 2020, 35(1): 23−29.
[11] 廖志恒. 基于云模型和D-S理论的煤矿突水危险性综合评价模型[J]. 煤矿安全,2018,49(1):210−213. LIAO Zhiheng. Comprehensive evaluation model for coal mine water inrush risk based on cloud model and D-S theory[J]. Safety in Coal Mines, 2018, 49(1): 210−213.
[12] 王心义,姚孟杰,张建国,等. 基于改进AHP法与模糊可变集理论的煤层底板突水危险性评价[J]. 采矿与安全工程学报,2019,36(3):558−565. WANG Xinyi, YAO Mengjie, ZHANG Jianguo, et al. Evaluation of water bursting in coal seam floor based on improved AHP and fuzzy variable set theory[J]. Journal of Mining & Safety Engineering, 2019, 36(3): 558−565.
[13] 陈朝亮,张文君,钱静,等. 基于改进Logistic回归模型在地质灾害评价中的应用[J]. 环境科学与技术,2019,42(4):188−193. doi: 10.19672/j.cnki.1003-6504.2019.04.028 CHEN Chaoliang, ZHANG Wenjun, QIAN Jing, et al. Application of improved logistic regression model in geological hazard evaluation[J]. Environmental Science & Technology, 2019, 42(4): 188−193. doi: 10.19672/j.cnki.1003-6504.2019.04.028
[14] 施龙青. 底板突水机理研究综述[J]. 山东科技大学学报(自然科学版),2009,28(3):17−23. doi: 10.3969/j.issn.1672-3767.2009.03.004 SHI Longqing. Summary of research on mechanism of water-inrush from seam floor[J]. Journal of Shandong University of Science and Technology (Natural Science), 2009, 28(3): 17−23. doi: 10.3969/j.issn.1672-3767.2009.03.004
[15] KONG H L, MIAO X X, WANG L Z, et al. Analysis of the harmfulness of water-inrush from coal seam floor based on seepage instability theory[J]. International Journal of Mining Science and Technology, 2007, 17(4): 453−458.
[16] 邢鹏飞. 断层对煤层底板突水控制作用的研究[D]. 焦作: 河南理工大学, 2015. [17] 石秀伟,胡耀青,张和生. 基于GIS的煤层底板突水预测理论模型[J]. 太原理工大学学报,2008(S2):244−246. SHI Xiuwei, HU Yaoqing, ZHANG Hesheng. GIS-based forecasting model of floor water bursting in coal mines[J]. Journal of Taiyuan University of Technology, 2008(S2): 244−246.
[18] 施龙青,谭希鹏,王娟,等. 基于PCA_Fuzzy_PSO_SVC的底板突水危险性评价[J]. 煤炭学报,2015,40(1):167−171. SHI Longqing, TAN Xipeng, WANG Juan, et al. Risk assessment of water inrush based on PCA_Fuzzy_PSO_SVC[J]. Journal of China Coal Society, 2015, 40(1): 167−171.
[19] 姬保静. 底板突水主控因素的敏感度分析[D]. 青岛: 山东科技大学, 2008. [20] 张乐中. 煤矿深部开采底板突水机理研究[D]. 西安: 长安大学, 2013. -
期刊类型引用(4)
1. 唐维东，张九通，廖明亮，吴达科，蒋猛. 基于ZigBee的工厂化堆沤有机肥监控系统设计. 西南大学学报(自然科学版). 2024(05): 216-228 . 
百度学术
2. 袁建文. 基于TDOA/TOF混合技术的井下人员及车辆定位. 工矿自动化. 2024(S1): 39-42 . 百度学术
3. 郝永强. 无轨胶轮车在煤矿井下辅助运输中的应用分析. 能源与节能. 2024(11): 259-261 . 百度学术
4. 韩燕南，高文，贺耀宜. 基于精确定位技术的煤矿井下小型车避让预警方法. 煤矿安全. 2024(12): 243-249 . 本站查看
其他类型引用(0)
计量
- 文章访问数: 34
- HTML全文浏览量: 5
- PDF下载量: 12
- 被引次数: 4
