工程科学学报，第40卷，第11期：1309-1316,2018年11月 Chinese Joural of Engineering,Vol.40,No.11:1309-1316,November 2018 DOI:10.13374/j.issn2095-9389.2018.11.004;http://journals.ustb.edu.cn 煤与瓦斯突出多指标耦合预测模型研究及应用 张友谊12)，崔金雷)四，焦向东) 1)中国矿业大学（北京）资源与安全工程学院，北京100083.2)中国平煤神马能源化工集团有限责任公司，平顶山467000 ☒通信作者，E-mail:2638003562@q9.com 摘要针对煤与瓦斯突出预测准确率问题，在分析煤与瓦斯突出瓦斯地质因素的基础上，构建了包含瓦斯指标、煤体指标、 地应力指标3个一级指标和瓦斯压力、构造煤厚度等12个二级指标的预测指标体系，通过综合运用网络分析法和多类别距离 判别法对灰色关联模型中的输入端和输出端进行研究，建立了煤与瓦斯突出多指标耦合预测模型.该模型基于对煤与瓦斯突 出瓦斯地质因素的综合分析，计算预测指标权重，划分煤与瓦斯突出可能性等级，建立了对突出可能性进行判别的2个判别 式.以平煤八矿为例应用该模型对8组预测样本进行了煤与瓦斯突出可能性判断，预测结果与实际符合，为矿井煤与瓦斯突 出防治提供了技术支撑，证明了煤与瓦斯突出多指标耦合预测模型的准确性和适用性 关键词煤与瓦斯突出：瓦斯指标：地质指标：耦合模型：预测 分类号TG142.71 Study of the multi-index coupling forecasting model of coal and gas outburst and its application ZHANG You-yi),CUl Jin-lei,JIAO Xiang-dong) 1)College of Resources and Safety Engineering,China University of Mining and Technology (Beijing),Beijing 100083.China 2)China Pingmei Shenma Energy and Chemical Group Co.,Ltd.,Pingdingshan 467000,China Corresponding author,E-mail:2638003562@qq.com ABSTRACT Coal and gas outburst seriously threatens the safety of underground coal mining.With the increase in coal mining depth,the geological conditions of coal mines become complicated,which adversely affects the safety of coal mining production.Promi- nent prediction is an important link to reduce the damage caused by outburst accidents.This study investigated the prediction model of coal and gas outburst.On the basis of the analysis of the gas geological factors of coal and gas outburst,a prediction system including 3 major indices (i.e.,gas,coal,and crustal stress indices)and 12 minor indices (e.g.,gas pressure and tectonic coal thickness) was established.A multi-index coupling prediction model based on the improved input and output of the gray correlation model was pro- posed.Network analysis and multi-class distance discriminant method were also comprehensive applied to improve the accuracy of coal and gas outburst index prediction.On the basis of the comprehensive analysis of the gas geological factors of coal and gas outburst,the model calculates the weight of the prediction index,classifies the possible grade of the outburst,and derives the discriminant formulas to discriminate the possibility of outbursts.Taking the Pingdingshan No.8 coal mine as an example,the model estimated the probabili- ty of coal and gas outburst in eight sets of prediction samples.The predicted results are consistent with the actual conditions,provide technical support for coal mine and gas outburst prevention,and prove the accuracy and applicability of the multi-index coupling pre- diction model. KEY WORDS coal and gas outburst;gas index;geological index;coupling model;prediction 收稿日期：2018-05-28 基金项目：国家自然科学基金重点资助项目(41430640)：国家自然科学基金资助项目(41172144)
工程科学学报,第 40 卷,第 11 期:1309鄄鄄1316,2018 年 11 月 Chinese Journal of Engineering, Vol. 40, No. 11: 1309鄄鄄1316, November 2018 DOI: 10. 13374 / j. issn2095鄄鄄9389. 2018. 11. 004; http: / / journals. ustb. edu. cn 煤与瓦斯突出多指标耦合预测模型研究及应用 张友谊1,2) , 崔金雷1)苣 , 焦向东2) 1) 中国矿业大学(北京)资源与安全工程学院, 北京 100083 2) 中国平煤神马能源化工集团有限责任公司, 平顶山 467000 苣 通信作者, E鄄mail: 2638003562@ qq. com 摘 要 针对煤与瓦斯突出预测准确率问题,在分析煤与瓦斯突出瓦斯地质因素的基础上,构建了包含瓦斯指标、煤体指标、 地应力指标 3 个一级指标和瓦斯压力、构造煤厚度等 12 个二级指标的预测指标体系,通过综合运用网络分析法和多类别距离 判别法对灰色关联模型中的输入端和输出端进行研究,建立了煤与瓦斯突出多指标耦合预测模型. 该模型基于对煤与瓦斯突 出瓦斯地质因素的综合分析,计算预测指标权重,划分煤与瓦斯突出可能性等级,建立了对突出可能性进行判别的 2 个判别 式. 以平煤八矿为例应用该模型对 8 组预测样本进行了煤与瓦斯突出可能性判断,预测结果与实际符合,为矿井煤与瓦斯突 出防治提供了技术支撑,证明了煤与瓦斯突出多指标耦合预测模型的准确性和适用性. 关键词 煤与瓦斯突出; 瓦斯指标; 地质指标; 耦合模型; 预测 分类号 TG142郾 71 收稿日期: 2018鄄鄄05鄄鄄28 基金项目: 国家自然科学基金重点资助项目(41430640); 国家自然科学基金资助项目(41172144) Study of the multi鄄index coupling forecasting model of coal and gas outburst and its application ZHANG You鄄yi 1,2) , CUI Jin鄄lei 1)苣 , JIAO Xiang鄄dong 2) 1) College of Resources and Safety Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China 2) China Pingmei Shenma Energy and Chemical Group Co. , Ltd. , Pingdingshan 467000, China 苣 Corresponding author, E鄄mail: 2638003562@ qq. com ABSTRACT Coal and gas outburst seriously threatens the safety of underground coal mining. With the increase in coal mining depth, the geological conditions of coal mines become complicated, which adversely affects the safety of coal mining production. Promi鄄 nent prediction is an important link to reduce the damage caused by outburst accidents. This study investigated the prediction model of coal and gas outburst. On the basis of the analysis of the gas geological factors of coal and gas outburst, a prediction system including 3 major indices (i. e. , gas, coal, and crustal stress indices) and 12 minor indices (e. g. , gas pressure and tectonic coal thickness) was established. A multi鄄index coupling prediction model based on the improved input and output of the gray correlation model was pro鄄 posed. Network analysis and multi鄄class distance discriminant method were also comprehensive applied to improve the accuracy of coal and gas outburst index prediction. On the basis of the comprehensive analysis of the gas geological factors of coal and gas outburst, the model calculates the weight of the prediction index, classifies the possible grade of the outburst, and derives the discriminant formulas to discriminate the possibility of outbursts. Taking the Pingdingshan No. 8 coal mine as an example, the model estimated the probabili鄄 ty of coal and gas outburst in eight sets of prediction samples. The predicted results are consistent with the actual conditions, provide technical support for coal mine and gas outburst prevention, and prove the accuracy and applicability of the multi鄄index coupling pre鄄 diction model. KEY WORDS coal and gas outburst; gas index; geological index; coupling model; prediction
·1310 工程科学学报，第40卷，第11期 随着煤矿开采深度的增加，煤矿地质条件更为 测样品与各类总体之间的距离，依据计算出来的距 复杂，煤与瓦斯突出事故危险性增加，给煤矿安全生 离大小，对其归属进行判别.由于应用条件不同，分 产带来了巨大的危害.为了降低煤与瓦斯突出造成 析时具体的步骤也有所不同，包括所采用的距离类 的危害，突出预测是重要的一环.目前模糊评判 型.根据煤与瓦斯突出预测样本的特点，在对待测 法-、神经网络3-、贝叶斯判别法1、可拓评价 样品进行类别归属分析时采用马氏距离比较符合 法[6)、灰靶决策评价法[]、基于模糊聚类关联分析 在应用多类别距离判别法进行类别归属分析时可分 法[8】、基于改进BP神经网络的预测方法[9-O]、遗传 为以下2步： 算法[山等分析方法在煤与瓦斯突出预测中得到广 (1)构造判别准则. 泛的应用，取得了重要成果，对煤矿安全开采给予了 选取训练样本，用某种方法从已选取的各个训 指导.突出预测结果含有不确定性的原因，大多是 练样本中提取各类别的总体信息，并对其进行类别 指标及其测定的误差2】.在单纯应用某种数学模 划分，为判别分析构造准则 型对煤与瓦斯突出进行预测时，可能由于方法本身 (2)依据构造的准则，对预测新样本进行计算 未对输入因素的优劣性进行选取分析，采用过多的 对其归属进行判别 指标，而导致预测结果受个别指标测定误差和主观 其基本思想是：依据构造出的准则，计算预测样 因素的影响. 品和上述各类别总体的距离，比较其各个距离大小， 多指标耦合预测模型通过综合运用网络分析法 对其类别归属进行确定 (ANP))、多类别距离判别法4]对灰色关联模 灰色关联分析法是对系统中事件发展态势的量 型5]中的输入端和输出端进行改良，从影响煤与瓦 化比较分析，在研究过程中可以通过对杂乱无章、有 斯突出的主要因素出发，构建煤与瓦斯突出预测指 限、离散的数据进行内在规律的挖掘，确定事件间曲 标体系，进行预测指标选取，划分煤与瓦斯突出可能 线几何形态的相似度，即灰色关联度.灰色关联理 性等级，对煤与瓦斯突出的可能性进行判定.模型 论作为一种系统分析方法，基本思想是：通过分析研 考虑了预测过程系统性，并对突出预测过程中指标 究对象的适用条件，确定研究的最优样本，从而对试 的复杂性、数据的灰性等做了定量化研究，筛选出对 验样本与最优样本之间的灰色关联度进行分析.目 事故敏感度高的指标进行煤与瓦斯突出预测研究. 前，灰色关联分析法在针对矿产资源开发利用的优 本文应用多指标耦合预测模型在矿井瓦斯地质区域 先顺序方面有了重要发展]，在煤与瓦斯突出预测 预测基础上开展区域消突措施，对平顶山天安煤业 研究方面灰色理论也得到了一定的应用】 股份有限公司八矿（以下简称：平煤八矿）的8组预 1.2多指标耦合预测模型的建立 测样本进行了预测检验 煤与瓦斯突出预测可以分为对突出影响因子分 析、突出可能性等级建立、突出可能性等级判定三个 1多指标耦合预测模型的构建 阶段.这三个阶段的输出端与输入端之间的紧密配 1.1理论与算法 合与相互影响具有典型的耦合特征.基于此，根据 煤与瓦斯突出多指标耦合预测模型是通过对煤 对各个阶段进行分析的实际情况，应用网络分析法 与瓦斯突出因素的分析，利用网络分析法(ANP)、 (ANP)对灰色关联模型的输入端进行优化，从繁多 多类别距离判别法对灰色关联模型的输入端和输出 的具有灰性的预测指标体系中筛选出对煤与瓦斯突 端进行改进，从而对煤与瓦斯突出进行预测的方法. 出影响大的指标，将指标的敏感度进行量化处理，并 网络分析法简称ANP,其基本思想是：在构建 用多类别距离判别法对灰色关联模型的输出端进行 元素集及其元素间具有相互影响的网络结构预测指 改进，导出各突出可能性的判别式，建立煤与瓦斯突 标体系的基础上，通过给出一个准则，将两个元素在 出多指标耦合预测模型.如图1所示 该准则下对第三个元素（称为次准则）的影响程度 2突出可能性判别模型的建立 进行比较，得出判断矩阵，计算基础权重形成超矩 阵，通过对超矩阵的求解可以得出各元素的综合权 2.1预测指标敏感度的计算 重，从而对预测指标权重进行确定[6) 根据煤与瓦斯突出机理及对平煤八矿矿井瓦斯 多类距离判别法是在两类距离判别法上的延 地质资料的整理和分析可知，煤与瓦斯突出的影响 伸，是一种多元统计分析方法，能够很好的对评价对 因素可归纳为地应力因素、煤体因素和瓦斯因素 象和影响因素进行描述.其基本原理是根据计算待 其中地质构造是地应力的应变形迹，而地质构造对
工程科学学报,第 40 卷,第 11 期 随着煤矿开采深度的增加,煤矿地质条件更为 复杂,煤与瓦斯突出事故危险性增加,给煤矿安全生 产带来了巨大的危害. 为了降低煤与瓦斯突出造成 的危害,突出预测是重要的一环. 目前模糊评判 法[1鄄鄄2] 、神经网络[3鄄鄄4] 、贝叶斯判别法[5] 、可拓评价 法[6] 、灰靶决策评价法[7] 、基于模糊聚类关联分析 法[8] 、基于改进 BP 神经网络的预测方法[9鄄鄄10] 、遗传 算法[11]等分析方法在煤与瓦斯突出预测中得到广 泛的应用,取得了重要成果,对煤矿安全开采给予了 指导. 突出预测结果含有不确定性的原因,大多是 指标及其测定的误差[12] . 在单纯应用某种数学模 型对煤与瓦斯突出进行预测时,可能由于方法本身 未对输入因素的优劣性进行选取分析,采用过多的 指标,而导致预测结果受个别指标测定误差和主观 因素的影响. 多指标耦合预测模型通过综合运用网络分析法 (ANP) [13] 、多类别距离判别法[14] 对灰色关联模 型[15]中的输入端和输出端进行改良,从影响煤与瓦 斯突出的主要因素出发,构建煤与瓦斯突出预测指 标体系,进行预测指标选取,划分煤与瓦斯突出可能 性等级,对煤与瓦斯突出的可能性进行判定. 模型 考虑了预测过程系统性,并对突出预测过程中指标 的复杂性、数据的灰性等做了定量化研究,筛选出对 事故敏感度高的指标进行煤与瓦斯突出预测研究. 本文应用多指标耦合预测模型在矿井瓦斯地质区域 预测基础上开展区域消突措施,对平顶山天安煤业 股份有限公司八矿(以下简称:平煤八矿)的 8 组预 测样本进行了预测检验. 1 多指标耦合预测模型的构建 1郾 1 理论与算法 煤与瓦斯突出多指标耦合预测模型是通过对煤 与瓦斯突出因素的分析,利用网络分析法(ANP)、 多类别距离判别法对灰色关联模型的输入端和输出 端进行改进,从而对煤与瓦斯突出进行预测的方法. 网络分析法简称 ANP,其基本思想是:在构建 元素集及其元素间具有相互影响的网络结构预测指 标体系的基础上,通过给出一个准则,将两个元素在 该准则下对第三个元素(称为次准则)的影响程度 进行比较,得出判断矩阵,计算基础权重形成超矩 阵,通过对超矩阵的求解可以得出各元素的综合权 重,从而对预测指标权重进行确定[16] . 多类距离判别法是在两类距离判别法上的延 伸,是一种多元统计分析方法,能够很好的对评价对 象和影响因素进行描述. 其基本原理是根据计算待 测样品与各类总体之间的距离,依据计算出来的距 离大小,对其归属进行判别. 由于应用条件不同,分 析时具体的步骤也有所不同,包括所采用的距离类 型. 根据煤与瓦斯突出预测样本的特点,在对待测 样品进行类别归属分析时采用马氏距离比较符合. 在应用多类别距离判别法进行类别归属分析时可分 为以下 2 步: (1)构造判别准则. 选取训练样本,用某种方法从已选取的各个训 练样本中提取各类别的总体信息,并对其进行类别 划分,为判别分析构造准则. (2)依据构造的准则,对预测新样本进行计算 对其归属进行判别. 其基本思想是:依据构造出的准则,计算预测样 品和上述各类别总体的距离,比较其各个距离大小, 对其类别归属进行确定. 灰色关联分析法是对系统中事件发展态势的量 化比较分析,在研究过程中可以通过对杂乱无章、有 限、离散的数据进行内在规律的挖掘,确定事件间曲 线几何形态的相似度,即灰色关联度. 灰色关联理 论作为一种系统分析方法,基本思想是:通过分析研 究对象的适用条件,确定研究的最优样本,从而对试 验样本与最优样本之间的灰色关联度进行分析. 目 前,灰色关联分析法在针对矿产资源开发利用的优 先顺序方面有了重要发展[17] ,在煤与瓦斯突出预测 研究方面灰色理论也得到了一定的应用[18] . 1郾 2 多指标耦合预测模型的建立 煤与瓦斯突出预测可以分为对突出影响因子分 析、突出可能性等级建立、突出可能性等级判定三个 阶段. 这三个阶段的输出端与输入端之间的紧密配 合与相互影响具有典型的耦合特征. 基于此,根据 对各个阶段进行分析的实际情况,应用网络分析法 (ANP)对灰色关联模型的输入端进行优化,从繁多 的具有灰性的预测指标体系中筛选出对煤与瓦斯突 出影响大的指标,将指标的敏感度进行量化处理,并 用多类别距离判别法对灰色关联模型的输出端进行 改进,导出各突出可能性的判别式,建立煤与瓦斯突 出多指标耦合预测模型. 如图 1 所示. 2 突出可能性判别模型的建立 2郾 1 预测指标敏感度的计算 根据煤与瓦斯突出机理及对平煤八矿矿井瓦斯 地质资料的整理和分析可知,煤与瓦斯突出的影响 因素可归纳为地应力因素、煤体因素和瓦斯因素. 其中地质构造是地应力的应变形迹,而地质构造对 ·1310·
张友谊等：煤与瓦斯突出多指标耦合预测模型研究及应用 ·1311· 煤与瓦斯突出 表瓦斯因素组中的瓦斯压力、瓦斯涌出初速度、瓦斯 瓦斯地质因素 放散初速度、瓦斯含量四个因素：T,是根据表2所示 的各元素，以元素Y为准则，B,中元素两两比较得 瓦斯指标 煤体指标 地应力指标 出的一个矩阵，其中Y代表煤体因素组B,中的构造 Y 煤厚度 煤与瓦斯突出 预测指标体系 通过计算可知12个二级指标中瓦斯涌出初速 度、瓦斯压力、瓦斯放散初速度、煤体的坚固性系数、 预测指标筛选及敏感度 构造煤厚度、断层构造复杂度的敏感度较高，其敏感 度大小依次为：0.2933,0.2209,0.1383,0.1361， 指标灰色关联度分析 指标 0.1109,0.0993,上述6个二级指标分别用量符号q、 7 P、△pf、h、g表示.考虑到现场的操作性、预测准确 鑫 预测指标矢量 性，选取上述6个指标为突出预测敏感指标，作为预 突出可能性类别 程 测模型的输人. 7 可能性类别判别式 表1以元素Y,为准则B,中两两元素的比较值权重 Table 1 Criteria for Y,elements,comparison value and weight of two 多指标耦合预测模型 elements in B 图1煤与瓦斯突出多指标耦合预测模型 两两元素比较值 元素 权重 Fig.I Coal and gas outburst multi-index coupling prediction model Y Y2 Y 7 0.5782 煤与瓦斯突出的分布具有控制作用，绝大多数煤与 3 9 Y2 瓦斯突出发生在地质构造破坏带[].不同的煤体 13 1 7 5 0.2946 结构类型发生煤与瓦斯突出的可能性不同20].瓦 19 1/7 1 3 0.0770 17 1/5 1 斯因素为煤与瓦斯突出提供了能量和物质来源，同 1/3 0.0501 时对煤的物理力学性质产生作用，且在煤与瓦斯突 1 3 9 出时瓦斯和煤的运动状态对突出有直接影响[21-22】. 1/3 5 据此建立了包含瓦斯指标、煤体指标、地应力指标3 T,= (1) 1/91/7 个一级指标，瓦斯压力、瓦斯涌出初速度、瓦斯放散 1/71/51/3 初速度、瓦斯含量、钻屑量、煤的坚固性系数、断层构 表2以B2组中元素Y,为准则B,中两两元素的比较值和权重 造复杂度、构造煤厚度、断距、煤层倾角变化度、埋 Table 2 Criteria for Ys elements in B2,comparison value and weight of 深、煤层厚度12个二级指标的煤与瓦斯突出预测指 two elements in B 标体系 两两元素比较值 由于在煤与瓦斯突出预测指标体系中，指标之 元素 y 权重 Y Y2 Y3 间呈网络状分布，大多数影响因素在元素组间以及 1/9 3 1/7 0.0662 元素组内部因素之间存在着一定的相互作用.在进 Y2 9 1 7 13 0.5577 行理论分析时，一般的分析方法是假设所分析的因 Y3 1/3 1/7 1/9 0.0544 素是独立的，忽略它们之间存在的互相影响，以免给 1 3 9 1 0.3217 决策结果带来较大的偏差.而用网络分析法来分析 评价元素组之间以及组内因素存在相互关系的问题 1 1/931/7 时，避免了假设性独立，其结果会更加准确.通过专 171/3 (2) 家以及现场技术人员给出的各指标的比较值，得出 T,二 1/3 1/71 1/9 组内比较的12个比较矩阵，及组间比较的24个矩 7 39 1 阵.受文章篇幅限制此处列举组内比较矩阵和组间 2.2突出可能性等级的划分 比较矩阵各一个.T是根据表1所示的各元素，以 在工程应用中进行灰色关联分析时，都是将 元素Y,为准则，B,中元素两两比较得出的一个比较 各个因素与临界值进行关联，当样本数据越接近 矩阵，其中B,表示瓦斯因素组，Y、Y2、Y,、Y,分别代 临界样本时发生危险的可能性越大，远大于或远
张友谊等: 煤与瓦斯突出多指标耦合预测模型研究及应用 图 1 煤与瓦斯突出多指标耦合预测模型 Fig. 1 Coal and gas outburst multi鄄index coupling prediction model 煤与瓦斯突出的分布具有控制作用,绝大多数煤与 瓦斯突出发生在地质构造破坏带[19] . 不同的煤体 结构类型发生煤与瓦斯突出的可能性不同[20] . 瓦 斯因素为煤与瓦斯突出提供了能量和物质来源,同 时对煤的物理力学性质产生作用,且在煤与瓦斯突 出时瓦斯和煤的运动状态对突出有直接影响[21鄄鄄22] . 据此建立了包含瓦斯指标、煤体指标、地应力指标 3 个一级指标,瓦斯压力、瓦斯涌出初速度、瓦斯放散 初速度、瓦斯含量、钻屑量、煤的坚固性系数、断层构 造复杂度、构造煤厚度、断距、煤层倾角变化度、埋 深、煤层厚度 12 个二级指标的煤与瓦斯突出预测指 标体系. 由于在煤与瓦斯突出预测指标体系中,指标之 间呈网络状分布,大多数影响因素在元素组间以及 元素组内部因素之间存在着一定的相互作用. 在进 行理论分析时,一般的分析方法是假设所分析的因 素是独立的,忽略它们之间存在的互相影响,以免给 决策结果带来较大的偏差. 而用网络分析法来分析 评价元素组之间以及组内因素存在相互关系的问题 时,避免了假设性独立,其结果会更加准确. 通过专 家以及现场技术人员给出的各指标的比较值,得出 组内比较的 12 个比较矩阵,及组间比较的 24 个矩 阵. 受文章篇幅限制此处列举组内比较矩阵和组间 比较矩阵各一个. T1是根据表 1 所示的各元素,以 元素 Y1为准则,B1中元素两两比较得出的一个比较 矩阵,其中 B1表示瓦斯因素组,Y1 、Y2 、Y3 、Y4分别代 表瓦斯因素组中的瓦斯压力、瓦斯涌出初速度、瓦斯 放散初速度、瓦斯含量四个因素;T2是根据表 2 所示 的各元素,以元素 Y5为准则,B1中元素两两比较得 出的一个矩阵,其中 Y5代表煤体因素组 B2中的构造 煤厚度. 通过计算可知 12 个二级指标中瓦斯涌出初速 度、瓦斯压力、瓦斯放散初速度、煤体的坚固性系数、 构造煤厚度、断层构造复杂度的敏感度较高,其敏感 度大 小 依 次 为: 0郾 2933, 0郾 2209, 0郾 1383, 0郾 1361, 0郾 1109,0郾 0993,上述 6 个二级指标分别用量符号 q、 p、驻p、f、h、g 表示. 考虑到现场的操作性、预测准确 性,选取上述 6 个指标为突出预测敏感指标,作为预 测模型的输入. 表 1 以元素 Y1为准则 B1中两两元素的比较值权重 Table 1 Criteria for Y1 elements, comparison value and weight of two elements in B1 元素 两两元素比较值 Y1 Y2 Y3 Y4 权重 Y1 1 3 9 7 0郾 5782 Y2 1 / 3 1 7 5 0郾 2946 Y3 1 / 9 1 / 7 1 3 0郾 0770 Y4 1 / 7 1 / 5 1 / 3 1 0郾 0501 T1 = 1 3 9 7 1 / 3 1 7 5 1 / 9 1 / 7 1 3 1 / 7 1 / 5 1 / æ è ç ç ç ç ö ø ÷ ÷ ÷ ÷ 3 1 (1) 表 2 以 B2组中元素 Y5为准则 B1中两两元素的比较值和权重 Table 2 Criteria for Y5 elements in B2 , comparison value and weight of two elements in B1 元素 两两元素比较值 Y1 Y2 Y3 Y4 权重 Y1 1 1 / 9 3 1 / 7 0郾 0662 Y2 9 1 7 1 / 3 0郾 5577 Y3 1 / 3 1 / 7 1 1 / 9 0郾 0544 Y4 7 3 9 1 0郾 3217 T2 = 1 1 / 9 3 1 / 7 9 1 7 1 / 3 1 / 3 1 / 7 1 1 / 9 æ è ç ç ç ç ö ø ÷ ÷ ÷ ÷ 7 3 9 1 (2) 2郾 2 突出可能性等级的划分 在工程应用中进行灰色关联分析时,都是将 各个因素与临界值进行关联,当样本数据越接近 临界样本时发生危险的可能性越大,远大于或远 ·1311·
·1312· 工程科学学报，第40卷，第11期 小于临界样本时发生危险的可能性小.煤与瓦斯 出初速度、瓦斯压力、瓦斯放散初速度、煤体的坚固 突出预测指标之间具有灰色的特性，但和一般的 性系数、构造煤厚度、断层构造复杂度6个评价指标 工程数据分析不同的是，只有当预测样本等于或 的权重向量为：w=(0.2933,0.2209,0.1383, 大于临界值时，才有发生突出的可能性，故在此用 0.1361,0.1109,0.0993)' 灰色关联分析时，对各个预测指标的极大值进行 计算得知，加权关联度矢量为R=w=(R, 灰色关联度分析.在已掘进完成的工作面中，根据 R2,R3,R4,R5,R6,R7,Rg,Rg,R0,R11,R2,R3,R4, 瓦斯地质条件、指标异常情况及实际发生的动力 R15,R16,R17,R18,R19,R20,R21,R2,R23,R24,Rx)'= 现象挑选了25组有代表性的数据，作为训练样 (0.5538,0.4999,0.7074,0.6663,0.4550,0.5320 本，对突出危险性进行划分，并对25组样本依次 0.6205,0.3907,0.3959,0.3915,0.5311,0.5150, 编号为1~25.利用基于网络分析法(ANP)改进 0.509,0.4890,0.5909,0.5925,0.5432,0.5686, 后的灰色关联分析把样本集分成若干类，即建立 0.5650,0.6098,0.5365,0.3956,0.3834,0.3852, 突出危险性类别识别库. 0.3661)'根据计算出来的结果对上述25组试验数 在实际问题中，由于不同指标具有不同的量 据样本进行突出极大值加权关联度R,分析，将突出 纲，这会对分析计算产生较大的影响，为了消除此 可能性等级划分为：有突出倾向性>0.50、无突出倾 缺点，在分析之前需要根据不同类指标应用不同 向性<0.50.25组数据样本根据加权关联度的大小 的规范化方法，把其化为隶属于[0,1]区间的极大 依次排列至表格，具体如表3所示 型指标： 2.3突出可能性类别的判定 根据各突出类别的数据特征，利用多类别距离 F-Fo maxF (3) 判别法对灰色关联分析法的输出端进行改进，得出 突出危险性类别判别式，对待预测样本进行突出类 式中，F:表示指标F经过规范后的值，F,泛指未经 型判别. 处理过的指标，i取值范围为1~25的正整数，j取值 由上述计算可以知道指标个数为6，两类总体 范围为1~6的正整数；F表示分析同类指标中的 的样本总数为Q=25,有无突出倾向性两个类别样 最大值；maxF表示取最大值，k取值范围为1~25 本个数分别为Q,=15、Q2=10,其中第i组样本向 的正整数. 量为X=(q,P:,△p,f,h,g:)',9,P,p,f, 根据灰色关联分析理论，以试验样本与最优样 h:,g:分别对应第i组的相应指标 本之间的关联度作为评价指标的准则.设相对最优 计算有突出倾向性样本均值向量为b:,无突出 指标为o=(Fo1,Fm,…,Fon),n为1~6的正整 倾向性样本均值向量为b2 数，在经过规范化后有o=(1,1,…,1),评价样 b1=(1.0327,9.1907,13.8360, 本，的评价指标和最优样本案，的评价指标之间 0.5327,0.5700.1.3400)' 的灰色关联度为r,即： b2=(0.4250,3.0930,9.8560, o maxmaxIF;-11 0.3080.0.2900.0.7940)' o=TFy-11+maxmaxIF-11 (4) 计算样本的协方差 其中，p表示分辨系数，此处取值为0.5. 1 (7) 根据上述计算可以得到评价样本构成的m×n 三=0-25，+s,) 灰色关联度矩阵r: 其中，S,= 龙x-A-x-Ars=Σ(x- ru b2)(X-b2)' r= 5 计算得： 2= n为1~6的正整数，m为1~25的正整数 0.16 0.17 -0.17 -0.04 -0.030.01 n个评价指标之间的权重向量为w=（01,02, 0.17 8.70 -0.53 -0.05 0.22 0.06 …,wn)',则评价样本u:与最优样本。加权关联度 -0.17 -0.5314.15 0.07 0.18 0.45 的关联矢量为R -0.04 -0.05 0.07 0.04 0.01 0.01 R=w=(R1,R2,…,Rm)' (6) -0.030.220.18 0.01 0.04 0.02 根据网络分析法得出指标敏感度，得到瓦斯涌 0.01 0.06 0.45 0.01 0.020.16
工程科学学报,第 40 卷,第 11 期 小于临界样本时发生危险的可能性小. 煤与瓦斯 突出预测指标之间具有灰色的特性,但和一般的 工程数据分析不同的是,只有当预测样本等于或 大于临界值时,才有发生突出的可能性,故在此用 灰色关联分析时,对各个预测指标的极大值进行 灰色关联度分析. 在已掘进完成的工作面中,根据 瓦斯地质条件、指标异常情况及实际发生的动力 现象挑选了 25 组有代表性的数据,作为训练样 本,对突出危险性进行划分,并对 25 组样本依次 编号为 1 ~ 25. 利用基于网络分析法( ANP) 改进 后的灰色关联分析把样本集分成若干类,即建立 突出危险性类别识别库. 在实际问题中,由于不同指标具有不同的量 纲,这会对分析计算产生较大的影响,为了消除此 缺点,在分析之前需要根据不同类指标应用不同 的规范化方法,把其化为隶属于[0,1]区间的极大 型指标: F忆ij = Fij F0j = Fij max k Fkj (3) 式中,F忆ij表示指标 Fij经过规范后的值,Fij泛指未经 处理过的指标,i 取值范围为 1 ~ 25 的正整数,j 取值 范围为 1 ~ 6 的正整数;F0j表示分析同类指标中的 最大值;max k Fkj表示取最大值,k 取值范围为 1 ~ 25 的正整数. 根据灰色关联分析理论,以试验样本与最优样 本之间的关联度作为评价指标的准则. 设相对最优 指标为 u0 = (F01 , F02 ,… , F0n ),n 为 1 ~ 6 的正整 数,在经过规范化后有 u0 = (1, 1,…, 1),评价样 本 ui的评价指标和最优样本案 u0 的评价指标之间 的灰色关联度为 rij,即: rij = 渍 max i max j | Fij - 1 | | Fij - 1 | + 渍 max i max j | Fij - 1 | (4) 其中,渍 表示分辨系数,此处取值为 0郾 5. 根据上述计算可以得到评价样本构成的 m 伊 n 灰色关联度矩阵 r: r = r11 … r1n 左 埙 左 rm1 … r æ è ç ç ç ö ø ÷ ÷ ÷ mn = (rij) m 伊 n (5) n 为 1 ~ 6 的正整数,m 为 1 ~ 25 的正整数. n 个评价指标之间的权重向量为 w = (w1 , w2 , … ,wn )忆,则评价样本 ui与最优样本 u0加权关联度 的关联矢量为 R R = rw = (R1 , R2 , …, Rm )忆 (6) 根据网络分析法得出指标敏感度,得到瓦斯涌 出初速度、瓦斯压力、瓦斯放散初速度、煤体的坚固 性系数、构造煤厚度、断层构造复杂度 6 个评价指标 的 权 重 向 量 为: w = ( 0郾 2933, 0郾 2209, 0郾 1383, 0郾 1361,0郾 1109,0郾 0993)忆 计算得知,加权关联度矢量为 R = rw = ( R1 , R2 ,R3 ,R4 ,R5 ,R6 ,R7 ,R8 ,R9 ,R10 ,R11 ,R12 ,R13 ,R14 , R15 ,R16 ,R17 ,R18 ,R19 ,R20 ,R21 ,R22 ,R23 ,R24 ,R25 )忆 = (0郾 5538,0郾 4999,0郾 7074,0郾 6663,0郾 4550,0郾 5320, 0郾 6205, 0郾 3907, 0郾 3959, 0郾 3915, 0郾 5311, 0郾 5150, 0郾 509, 0郾 4890, 0郾 5909, 0郾 5925, 0郾 5432, 0郾 5686, 0郾 5650, 0郾 6098, 0郾 5365, 0郾 3956, 0郾 3834, 0郾 3852, 0郾 3661)忆根据计算出来的结果对上述 25 组试验数 据样本进行突出极大值加权关联度 Ri分析,将突出 可能性等级划分为:有突出倾向性 > 0郾 50、无突出倾 向性 < 0郾 50. 25 组数据样本根据加权关联度的大小 依次排列至表格,具体如表 3 所示. 2郾 3 突出可能性类别的判定 根据各突出类别的数据特征,利用多类别距离 判别法对灰色关联分析法的输出端进行改进,得出 突出危险性类别判别式,对待预测样本进行突出类 型判别. 由上述计算可以知道指标个数为 6,两类总体 的样本总数为 Q = 25,有无突出倾向性两个类别样 本个数分别为 Q1 = 15、Q2 = 10,其中第 i 组样本向 量为 Xi = (qi, pi, 驻pi, f i, hi, gi)忆,qi, pi, 驻pi, f i, hi, gi分别对应第 i 组的相应指标. 计算有突出倾向性样本均值向量为 b1 ,无突出 倾向性样本均值向量为 b2 . b1 = (1郾 0327,9郾 1907,13郾 8360, 0郾 5327,0郾 5700,1郾 3400)忆 b2 = (0郾 4250,3郾 0930,9郾 8560, 0郾 3080,0郾 2900,0郾 7940)忆 计算样本的协方差 ^撞 = 1 Q - 2 (S1 + S2 ) (7) 其中,S1 = 移 15 1 (Xi - b1 )·(Xi - b1 )忆,S2 = 移 10 1 (Xi - b2 )·(Xi - b2 )忆. 计算得: ^撞 = 0郾 16 0郾 17 - 0郾 17 - 0郾 04 - 0郾 03 0郾 01 0郾 17 8郾 70 - 0郾 53 - 0郾 05 0郾 22 0郾 06 - 0郾 17 - 0郾 53 14郾 15 0郾 07 0郾 18 0郾 45 - 0郾 04 - 0郾 05 0郾 07 0郾 04 0郾 01 0郾 01 - 0郾 03 0郾 22 0郾 18 0郾 01 0郾 04 0郾 02 æ è ç ç ç ç ç ç ç ö ø ÷ ÷ ÷ ÷ ÷ ÷ ÷ 0郾 01 0郾 06 0郾 45 0郾 01 0郾 02 0郾 16 ·1312·
张友谊等：煤与瓦斯突出多指标耦合预测模型研究及应用 ·1313· 表3平煤八矿煤与瓦斯突出预测训练样本梯度 Table 3 Sample gradient of coal and gas outburst prediction of Pingdingshan No.8 coal mine 序号 9 p h Ri 突出可能性等级 3 1.81 15.73 9.20 0.43 0.60 1.0 0.7074 4 2.00 8.15 9.00 0.13 0.42 2.0 0.6663 7 2.00 5.39 15.70 0.34 0.12 1.1 0.6205 20 0.65 13.78 12.72 0.64 0.87 1.2 0.6098 16 0.89 8.54 16.54 0.53 0.93 1.6 0.5925 5 0.67 6.97 13.77 0.88 0.81 1.5 0.5909 18 0.76 9.78 13.44 0.82 0.56 1.4 0.5686 19 0.98 9.55 12.51 0.61 0.81 1.3 0.5650 有突出倾向性 1 0.70 8.63 23.9 0.19 0.7 1.0 0.5538 17 0.65 8.60 15.37 0.61 0.54 1.8 0.5432 21 0.66 12.31 10.31 0.55 0.51 1.4 0.5365 6 1.13 13.18 10.10 0.27 0.39 0.6 0.5320 11 0.80 5.42 15.60 0.65 0.44 1.8 0.5311 12 0.85 5.86 14.88 0.73 0.31 1.3 0.5150 13 0.94 5.97 14.50 0.61 0.54 1.1 0.5094 2 0.64 7.06 17.10 0.29 0.30 1.8 0.4999 14 0.73 6.86 13.66 0.51 0.51 1.2 0.4890 5 0.70 5.20 13.70 0.29 0.55 0.8 0.4550 9 0.43 0.37 7.70 0.36 0.40 0.5 0.3959 22 0.31 3.21 8.70 0.31 0.16 0.8 0.3956 10 0.28 1.39 9.90 0.45 0.16 0.3 0.3915 无突出倾向性 8 0.54 1.14 8.40 0.37 0.05 0.4 0.3907 24 0.34 1.64 6.50 0.13 0.31 0.9 0.3852 23 0.26 2.17 8.40 0.21 0.21 0.7 0.3834 0.12 1.89 4.5 0.16 0.25 0.54 0.3661 通过方程(8)，可以得系数矩阵a,其中x=1时 0.94g-18.4445,M21(X)=-6.37g-0.55p- y=2,x=2时y=1; 0.24△p-11.65f-3.68h-0.94g+18.4445.将表3 an=(b.-b,) (8) 的样本回代上述判别式，对已知样品的回判结果如 6.37 -6.37 表4所示. 0.55 -0.55 从表4可知原类号（根据灰色关联度进行的突 0.24 -0.24 出可能性类别划分，1代表有突出倾向性，2代表无 a=(a12 a21）= (9) 11.65 -11.65 突出倾向性)，判别归类（通过样本回代判别式得出 3.68 -3.68 的结果，1代表有突出倾向性，2代表无突出倾向 0.94 -0.94J 性)预测模型对训练样本的判对率为100% 分析计算判别函数M(X): 可知用上述方法在对数据样本进行判别时，可 以对样本类别进行准确的分析. M.(X=ae[K-2(b,-a,)] (10) 3多指标耦合预测模型的应用 M(X)=a[X-2(b,-b)] (11) 3.1试验工作面瓦斯地质条件 而X=(g,p,p,f,h,g)',得判别函数为： 平煤八矿戊，。为突出煤层，煤层瓦斯含量为 M12(X)=6.37g+0.55p+0.24△p+11.65f+3.68h+ 10.66m3t.戊g.o-21050位于戊一采区东翼，西至
张友谊等: 煤与瓦斯突出多指标耦合预测模型研究及应用 表 3 平煤八矿煤与瓦斯突出预测训练样本梯度 Table 3 Sample gradient of coal and gas outburst prediction of Pingdingshan No. 8 coal mine 序号 q p 驻p f h g Ri 突出可能性等级 3 1郾 81 15郾 73 9郾 20 0郾 43 0郾 60 1郾 0 0郾 7074 有突出倾向性 4 2郾 00 8郾 15 9郾 00 0郾 13 0郾 42 2郾 0 0郾 6663 7 2郾 00 5郾 39 15郾 70 0郾 34 0郾 12 1郾 1 0郾 6205 20 0郾 65 13郾 78 12郾 72 0郾 64 0郾 87 1郾 2 0郾 6098 16 0郾 89 8郾 54 16郾 54 0郾 53 0郾 93 1郾 6 0郾 5925 15 0郾 67 6郾 97 13郾 77 0郾 88 0郾 81 1郾 5 0郾 5909 18 0郾 76 9郾 78 13郾 44 0郾 82 0郾 56 1郾 4 0郾 5686 19 0郾 98 9郾 55 12郾 51 0郾 61 0郾 81 1郾 3 0郾 5650 1 0郾 70 8郾 63 23郾 9 0郾 19 0郾 7 1郾 0 0郾 5538 17 0郾 65 8郾 60 15郾 37 0郾 61 0郾 54 1郾 8 0郾 5432 21 0郾 66 12郾 31 10郾 31 0郾 55 0郾 51 1郾 4 0郾 5365 6 1郾 13 13郾 18 10郾 10 0郾 27 0郾 39 0郾 6 0郾 5320 11 0郾 80 5郾 42 15郾 60 0郾 65 0郾 44 1郾 8 0郾 5311 12 0郾 85 5郾 86 14郾 88 0郾 73 0郾 31 1郾 3 0郾 5150 13 0郾 94 5郾 97 14郾 50 0郾 61 0郾 54 1郾 1 0郾 5094 2 0郾 64 7郾 06 17郾 10 0郾 29 0郾 30 1郾 8 0郾 4999 14 0郾 73 6郾 86 13郾 66 0郾 51 0郾 51 1郾 2 0郾 4890 无突出倾向性 5 0郾 70 5郾 20 13郾 70 0郾 29 0郾 55 0郾 8 0郾 4550 9 0郾 43 0郾 37 7郾 70 0郾 36 0郾 40 0郾 5 0郾 3959 22 0郾 31 3郾 21 8郾 70 0郾 31 0郾 16 0郾 8 0郾 3956 10 0郾 28 1郾 39 9郾 90 0郾 45 0郾 16 0郾 3 0郾 3915 8 0郾 54 1郾 14 8郾 40 0郾 37 0郾 05 0郾 4 0郾 3907 24 0郾 34 1郾 64 6郾 50 0郾 13 0郾 31 0郾 9 0郾 3852 23 0郾 26 2郾 17 8郾 40 0郾 21 0郾 21 0郾 7 0郾 3834 25 0郾 12 1郾 89 4郾 5 0郾 16 0郾 25 0郾 54 0郾 3661 通过方程(8),可以得系数矩阵 a,其中 x = 1 时 y = 2,x = 2 时 y = 1; ^撞axy = (bx - by) (8) a = (a12 a21 ) = 6郾 37 - 6郾 37 0郾 55 - 0郾 55 0郾 24 - 0郾 24 11郾 65 - 11郾 65 3郾 68 - 3郾 68 æ è ç ç ç ç ç ç ç ö ø ÷ ÷ ÷ ÷ ÷ ÷ ÷ 0郾 94 - 0郾 94 (9) 分析计算判别函数 M(X): M12 (X) = a12 [ X - 1 2 (b1 - b2 ) ] (10) M21 (X) = a21 [ X - 1 2 (b2 - b1 ) ] (11) 而 X = ( q, p, 驻p, f, h, g )忆, 得 判 别 函 数 为: M12 (X) =6郾 37q +0郾 55p + 0郾 24驻p + 11郾 65f + 3郾 68h + 0郾 94g - 18郾 4445, M21 ( X) = - 6郾 37q - 0郾 55p - 0郾 24驻p - 11郾 65f - 3郾 68h - 0郾 94g + 18郾 4445. 将表 3 的样本回代上述判别式,对已知样品的回判结果如 表 4 所示. 从表 4 可知原类号(根据灰色关联度进行的突 出可能性类别划分,1 代表有突出倾向性,2 代表无 突出倾向性),判别归类(通过样本回代判别式得出 的结果,1 代表有突出倾向性,2 代表无突出倾向 性)预测模型对训练样本的判对率为 100% . 可知用上述方法在对数据样本进行判别时,可 以对样本类别进行准确的分析. 3 多指标耦合预测模型的应用 3郾 1 试验工作面瓦斯地质条件 平煤八矿戊9,10 为突出煤层,煤层瓦斯含量为 10郾 66 m 3·t - 1 . 戊9,10 鄄21050 位于戊一采区东翼,西至 ·1313·
·1314. 工程科学学报，第40卷，第11期 表4平煤八矿煤与瓦斯突出预测训练样本回判结果 与瓦斯突出可能性判别.预测样本如表5所示.将 Table 4 Results of forecasting training samples of coal and gas outburst 预测样本代入上述判别式对煤与瓦斯突出可能性大 of Pingdingshan No.8 coal mine 小进行判别，结果如表6所示 序号 R 原类号 判别归类 表5平煤八矿21050工作面待测样本 3 0.7074 1 1 Table 5 Samples to be measured at the 21050 working face of Pingding- 0.6663 1 shan No.8 coal mine > 0.6205 1 样本 P △p f h g 0 0.6098 11.9513.5611.450.820.551.60 16 0.5925 1.84 10.36 9.88 0.73 0.60 1.30 为 0.5909 3 1.13 11.36 9.84 0.50 0.53 1.40 母 0.5686 4 1.21 9.78 10.01 0.52 0.45 1.20 19 0.5650 0.73 5.45 8.21 0.45 0.32 1.10 1 0.5538 6 0.82 4.32 9.81 0.52 0.40 0.80 公 0.5432 7 0.45 3.76 7.56 0.32 0.41 0.45 之 0.5365 8 0.32 2.60 5.75 0.45 0.44 1.10 6 0.5320 11 表6平煤八矿21050工作面待测样本判别结果 0.5311 Table 6 Discriminant results of samples to be measured at the 21050 12 0.5150 1 working face of Pingdingshan No.8 coal mine 13 0.5094 判别归类 采取防突措施后的 2 0.4999 2 样本 2 Mn M21 结果 实际情况 14 0.4890 2 2 13.350 -13.350 1 响煤炮 5 0.4550 2 2 2 17.750 -17.750 1 喷孔 9 0.3959 2 2 3 6.530 -6.530 1 卡钻 22 0.3956 2 2 5.950 -5.950 1 片帮（大面积） 10 0.3915 2 2 5 -1.324 1.324 3 无 0.3907 2 2 6 -0.156 0.156 2 卡钻 34 0.3852 2 2 > -5.922 5.922 无 23 0.3834 2 2 -5.671 5.671 无 25 0.3661 2 2 通过上述可以看出训练样本1组、2组、3组、4 戊一皮带上山，东到戊一采区边界，南邻己s煤层露 组为有突出倾向：5组、6组、7组、8组为无可能突出 头及风氧化带，北部尚未开采.该采面煤层比较稳 倾向.将预测结果与采取防突措施后的实际情况对 定，煤层厚度一般为1.5~4.2m之间，平均3.3m, 比可知，1组、2组、3组、4组预测有突出倾向的位置 局部区段受地质构造影响略有变化.根据地质编录 相关指标异常达到了突出临界值，且在采取了相关 情况可知该采面构造煤以Ⅱ类、Ⅲ类煤为主，呈现出 消突措施后，发生了比较严重的动力现象.在7组 两硬夹一软的组合特征]，其中Ⅱ类煤多发育于煤 预测无可能突出倾向的位置发生了卡钻，预测结果 层中上部和底部，厚度一般在0.3~0.5m,Ⅲ类煤多 与实际情况稍有偏差.根据分析可知其预测突出准 发育于煤层中部的位置，厚度大约在0.8~2.0m之 确率超85%，预测不突出准确率为100%，采掘工作 间，局部2.0m以上，V类煤大多分布在特殊的地质 进一步检验了该模型预测的准确性，对煤矿安全生 构造处，厚度大约在0.5~1.0m之间.为了该采面 产发挥了指导作用. 机巷、风巷在掘进过程中制定有针对性的防突措施， 3.3预测模型可行性对比 需要对煤与瓦斯突出危险性进行预测. 单纯用灰色关联理论对煤与瓦斯突出进行预 3.2预测样本突出可能性等级判别 测，对含有12个指标的8组训练样本进行分析 根据建立的多指标耦合预测模型，对戊。，0 将训练样本代入式(3)、(4)求出预测样本与最 21050工作面采掘前采集的8组预测样本进行了煤 优样本之间的灰色关联度为「，代入式(5)得到评
工程科学学报,第 40 卷,第 11 期 表 4 平煤八矿煤与瓦斯突出预测训练样本回判结果 Table 4 Results of forecasting training samples of coal and gas outburst of Pingdingshan No. 8 coal mine 序号 Ri 原类号 判别归类 3 0郾 7074 1 1 4 0郾 6663 1 1 7 0郾 6205 1 1 20 0郾 6098 1 1 16 0郾 5925 1 1 15 0郾 5909 1 1 18 0郾 5686 1 1 19 0郾 5650 1 1 1 0郾 5538 1 1 17 0郾 5432 1 1 21 0郾 5365 1 1 6 0郾 5320 1 1 11 0郾 5311 1 1 12 0郾 5150 1 1 13 0郾 5094 1 1 2 0郾 4999 2 2 14 0郾 4890 2 2 5 0郾 4550 2 2 9 0郾 3959 2 2 22 0郾 3956 2 2 10 0郾 3915 2 2 8 0郾 3907 2 2 24 0郾 3852 2 2 23 0郾 3834 2 2 25 0郾 3661 2 2 戊一皮带上山,东到戊一采区边界,南邻己15煤层露 头及风氧化带,北部尚未开采. 该采面煤层比较稳 定,煤层厚度一般为 1郾 5 ~ 4郾 2 m 之间,平均 3郾 3 m, 局部区段受地质构造影响略有变化. 根据地质编录 情况可知该采面构造煤以域类、芋类煤为主,呈现出 两硬夹一软的组合特征[23] ,其中域类煤多发育于煤 层中上部和底部,厚度一般在 0郾 3 ~ 0郾 5 m,芋类煤多 发育于煤层中部的位置,厚度大约在 0郾 8 ~ 2郾 0 m 之 间,局部 2郾 0 m 以上,郁类煤大多分布在特殊的地质 构造处,厚度大约在 0郾 5 ~ 1郾 0 m 之间. 为了该采面 机巷、风巷在掘进过程中制定有针对性的防突措施, 需要对煤与瓦斯突出危险性进行预测. 3郾 2 预测样本突出可能性等级判别 根据建立的多指标耦合预测模型, 对戊9,10 鄄 21050 工作面采掘前采集的 8 组预测样本进行了煤 与瓦斯突出可能性判别. 预测样本如表 5 所示. 将 预测样本代入上述判别式对煤与瓦斯突出可能性大 小进行判别,结果如表 6 所示. 表 5 平煤八矿 21050 工作面待测样本 Table 5 Samples to be measured at the 21050 working face of Pingding鄄 shan No. 8 coal mine 样本 q p 驻p f h g 1 1郾 95 13郾 56 11郾 45 0郾 82 0郾 55 1郾 60 2 1郾 84 10郾 36 9郾 88 0郾 73 0郾 60 1郾 30 3 1郾 13 11郾 36 9郾 84 0郾 50 0郾 53 1郾 40 4 1郾 21 9郾 78 10郾 01 0郾 52 0郾 45 1郾 20 5 0郾 73 5郾 45 8郾 21 0郾 45 0郾 32 1郾 10 6 0郾 82 4郾 32 9郾 81 0郾 52 0郾 40 0郾 80 7 0郾 45 3郾 76 7郾 56 0郾 32 0郾 41 0郾 45 8 0郾 32 2郾 60 5郾 75 0郾 45 0郾 44 1郾 10 表 6 平煤八矿 21050 工作面待测样本判别结果 Table 6 Discriminant results of samples to be measured at the 21050 working face of Pingdingshan No. 8 coal mine 样本 M12 M21 判别归类 结果 采取防突措施后的 实际情况 1 13郾 350 - 13郾 350 1 响煤炮 2 17郾 750 - 17郾 750 1 喷孔 3 6郾 530 - 6郾 530 1 卡钻 4 5郾 950 - 5郾 950 1 片帮(大面积) 5 - 1郾 324 1郾 324 2 无 6 - 0郾 156 0郾 156 2 卡钻 7 - 5郾 922 5郾 922 2 无 8 - 5郾 671 5郾 671 2 无 通过上述可以看出训练样本 1 组、2 组、3 组、4 组为有突出倾向;5 组、6 组、7 组、8 组为无可能突出 倾向. 将预测结果与采取防突措施后的实际情况对 比可知,1 组、2 组、3 组、4 组预测有突出倾向的位置 相关指标异常达到了突出临界值,且在采取了相关 消突措施后,发生了比较严重的动力现象. 在 7 组 预测无可能突出倾向的位置发生了卡钻,预测结果 与实际情况稍有偏差. 根据分析可知其预测突出准 确率超 85% ,预测不突出准确率为 100% ,采掘工作 进一步检验了该模型预测的准确性,对煤矿安全生 产发挥了指导作用. 3郾 3 预测模型可行性对比 单纯用灰色关联理论对煤与瓦斯突出进行预 测,对含有 12 个指标的 8 组训练样本进行分析. 将训练样本代入式(3)、(4)求出预测样本与最 优样本之间的灰色关联度为 rij, ,代入式(5)得到评 ·1314·
张友谊等：煤与瓦斯突出多指标耦合预测模型研究及应用 ·1315· 价样本构成8×12的灰色关联度矩阵，2： 别法对灰色关联模型的输入端和输出端进行优化， T112 提出了对煤与瓦斯突出可能性进行预测的多指标耦 r2= (12) 合预测模型. (2)多指标耦合预测模型充分考虑了煤与瓦斯 假设12个评价指标之间的权重向量为w单= 突出瓦斯地质因素的内部网络结构、数据样本的灰 （01,02,…,02)'=(1,1,…,1)',则评价样本与 性以及突出预测过程的系统性、完整性的特征，得出 最优样本加权关联度的关联矢量R单 突出指标的敏感程度和突出可能性等级 R单=r2w单=r2（01,W2, …,1012）'= (3)平煤八矿的实际应用结果表明，预测指标 T1+r12+…+T12 和多指标耦合预测模型具有科学性和适用性，利用 多指标耦合预测模型对煤与瓦斯突出预测可以为煤 T21+T2+…+T212 矿安全开采提供指导，具有重要的理论意义与应用 T31+T32+…+r32 价值. T41+T42+…+T412 (13) r31+T32+…+T512 参考文献 T61+T62+…+T612 T1+T2+…+T2 [1]Zhang Z X,Liu G F,Li RS,et al.Regional forecast of coal and gas burst based on fuzzy pattem recognition.J China Coal Soc, Tg1+T2+…+Tg2 2007,32(6):592 根据关联矢量R得出训练样本的排序如表7. (张子戌，刘高峰，吕闰生，等.基于模糊模式识别的煤与瓦 表7灰色关联分析法对预测样本的预测结果 斯突出区域预测.煤炭学报，2007,32(6)：592) [2] Guo D Y,Fan J Z,Ma S Z,et al.Prediction method of coal and Table 7 Prediction results of forecasting samples by gray relational anal- gas outburst by analytic hierarchy process and fuzzy comprehensive ysis evaluation.J Unir Sci Technol Beijing,2007,29(7):660 样本组别 灰色关联度 判别归类 实际类别 (郭德勇，范金志，马世志，等.煤与瓦斯突出预测层次分析- 2 0.8002 1 1 模糊综合评判方法.北京科技大学学报，2007,29(7)：660) 1 0.7356 1 [3] You W,Liu YX,Li Y,et al.Predicting the coal and gas out- 6 0.7003 1 2 burst using artificial neural network.J China Coal Soc,2007,32 (3):285 4 0.5469 1 (由伟，刘亚秀，李永，等.用人工神经网络预测煤与瓦斯突 7 0.4753 出.煤炭学报，2007,32(3)：285) 3 0.4552 2 1 [4]Guo D Y,Wang Y B.Wei X J,et al.Early waring of coal and 8 0.3245 2 2 gas outburst by GIS and neural network.J Unig Sci Technol Bei- 5 0.3229 2 mg,2009,31(1):15 (郭德勇，王仪斌，卫修君，等.基于地理信息系统和神经网 预测结果与实际情况对比可知，1组、2组、4 络的煤与瓦斯突出预警.北京科技大学学报，2009,31(1)： 15) 组、5组、7组、8组预测准确，3组、6组预测结果与 [5]Wang C,Wang E Y,Xu J K,et al.Bayesian discriminant analy- 实际不符.其预测突出准确率为75%，预测不突出 sis for prediction of coal and gas outbursts and application.Min Sci 准确率为75%，预测结果与实际情况偏差较大 Technol,2010,20(4):520 单纯用灰色关联理论进行突出预测时，分析过 [6]Yang Y Z,Wu L Y,Gao Y C.Extensible method of risk assess- 程中需要用到12个预测指标，指标繁多不易现场操 ment of coal and gas outburst.China Coal Soc,2010,35(Suppl 1):100 作，且易受个别指标测量的影响.预测结果与实际 (杨玉中，吴立云，高永才.煤与瓦斯突出危险性评价的可拓 情况偏差较大.因此多指标耦合预测模型比单个预 方法.煤炭学报，2010.35（增刊1）：100) 测模型对煤与瓦斯突出预测具有明显的优势. [7]Liang B,Qin B,Sun W J.et al.The application of intelligent weighting grey target decision model in the assessment of coal-gas 4结论 outburst.J China Coal Soc,2013,38(9):1611 (梁冰，秦冰，孙维吉，等.智能加权灰靶决策模型在煤与瓦 (1)通过分析煤与瓦斯突出规律、特征及其机 斯突出危险评价中的应用.煤炭学报，2013,38(9)：1611) 理、影响煤与瓦斯突出的主要因素、突出预测的必要 [8]Gui X Y,Yu Z M.Analog classification analysis on coal and gas 程序，综合运用网络分析法(ANP)、多类别距离判 booming by means of fuzzy gathering.J Saf Environ,2006,6
张友谊等: 煤与瓦斯突出多指标耦合预测模型研究及应用 价样本构成 8 伊 12 的灰色关联度矩阵 r2 : r2 = r11 … r112 左 埙 左 r81 … r æ è ç ç ç ö ø ÷ ÷ ÷ 812 (12) 假设 12 个评价指标之间的权重向量为 w单 = (w1 , w2 ,…,w12 )忆 = (1, 1,…, 1)忆,则评价样本与 最优样本加权关联度的关联矢量 R单 R单 = r2w单 = r2 (w1 , w2 , …, w12 )忆 = r11 + r12 + …… + r112 r21 + r22 + …… + r212 r31 + r32 + …… + r312 r41 + r42 + …… + r412 r51 + r52 + …… + r512 r61 + r62 + …… + r612 r71 + r72 + …… + r712 r81 + r82 + …… + r æ è ç ç ç ç ç ç ç ç ç ç çç ö ø ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷÷ 812 (13) 根据关联矢量 R单得出训练样本的排序如表 7. 表 7 灰色关联分析法对预测样本的预测结果 Table 7 Prediction results of forecasting samples by gray relational anal鄄 ysis 样本组别 灰色关联度 判别归类 实际类别 2 0郾 8002 1 1 1 0郾 7356 1 1 6 0郾 7003 1 2 4 0郾 5469 1 1 7 0郾 4753 2 2 3 0郾 4552 2 1 8 0郾 3245 2 2 5 0郾 3229 2 2 预测结果与实际情况对比可知,1 组、2 组、4 组、5 组、7 组、8 组预测准确,3 组、6 组预测结果与 实际不符. 其预测突出准确率为 75% ,预测不突出 准确率为 75% ,预测结果与实际情况偏差较大. 单纯用灰色关联理论进行突出预测时,分析过 程中需要用到 12 个预测指标,指标繁多不易现场操 作,且易受个别指标测量的影响. 预测结果与实际 情况偏差较大. 因此多指标耦合预测模型比单个预 测模型对煤与瓦斯突出预测具有明显的优势. 4 结论 (1)通过分析煤与瓦斯突出规律、特征及其机 理、影响煤与瓦斯突出的主要因素、突出预测的必要 程序,综合运用网络分析法(ANP)、多类别距离判 别法对灰色关联模型的输入端和输出端进行优化, 提出了对煤与瓦斯突出可能性进行预测的多指标耦 合预测模型. (2)多指标耦合预测模型充分考虑了煤与瓦斯 突出瓦斯地质因素的内部网络结构、数据样本的灰 性以及突出预测过程的系统性、完整性的特征,得出 突出指标的敏感程度和突出可能性等级. (3)平煤八矿的实际应用结果表明,预测指标 和多指标耦合预测模型具有科学性和适用性,利用 多指标耦合预测模型对煤与瓦斯突出预测可以为煤 矿安全开采提供指导,具有重要的理论意义与应用 价值. 参 考 文 献 [1] Zhang Z X, Liu G F, L俟 R S, et al. Regional forecast of coal and gas burst based on fuzzy pattern recognition. J China Coal Soc, 2007, 32(6): 592 (张子戌, 刘高峰, 吕闰生, 等. 基于模糊模式识别的煤与瓦 斯突出区域预测. 煤炭学报, 2007, 32(6): 592) [2] Guo D Y, Fan J Z, Ma S Z, et al. Prediction method of coal and gas outburst by analytic hierarchy process and fuzzy comprehensive evaluation. 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鄄鄄 模糊综合评判方法. 北京科技大学学报, 2007, 29(7): 660) [3] You W, Liu Y X, Li Y, et al. Predicting the coal and gas out鄄 burst using artificial neural network. J China Coal Soc, 2007, 32 (3): 285 (由伟, 刘亚秀, 李永, 等. 用人工神经网络预测煤与瓦斯突 出. 煤炭学报, 2007, 32(3): 285) [4] Guo D Y, Wang Y B, Wei X J, et al. Early warning of coal and gas outburst by GIS and neural network. J Univ Sci Technol Bei鄄 jing, 2009, 31(1): 15 (郭德勇, 王仪斌, 卫修君, 等. 基于地理信息系统和神经网 络的煤与瓦斯突出预警. 北京科技大学学报, 2009, 31 (1): 15) [5] Wang C, Wang E Y, Xu J K, et al. Bayesian discriminant analy鄄 sis for prediction of coal and gas outbursts and application. Min Sci Technol, 2010, 20(4): 520 [6] Yang Y Z, Wu L Y, Gao Y C. Extensible method of risk assess鄄 ment of coal and gas outburst. J China Coal Soc, 2010, 35(Suppl 1): 100 (杨玉中, 吴立云, 高永才. 煤与瓦斯突出危险性评价的可拓 方法. 煤炭学报, 2010, 35(增刊 1): 100) [7] Liang B, Qin B, Sun W J, et al. The application of intelligent weighting grey target decision model in the assessment of coal鄄gas outburst. J China Coal Soc, 2013, 38(9): 1611 (梁冰, 秦冰, 孙维吉,等. 智能加权灰靶决策模型在煤与瓦 斯突出危险评价中的应用. 煤炭学报, 2013, 38(9): 1611) [8] Gui X Y, Yu Z M. Analog classification analysis on coal and gas booming by means of fuzzy gathering. J Saf Environ, 2006, 6 ·1315·
·1316· 工程科学学报，第40卷，第11期 (4):85 中的应用.煤炭学报，2007,32(10)：1023) (桂祥友，郁钟铭。基于模糊聚类关联分析法的煤与瓦斯突出 [16]Morteza Z,Reza F M,Seddig MM,et al.Selection of the opti- 程度分析.安全与环境学报，2006,6(4)：85) mal tourism site using the ANP and fuzzy TOPSIS in the frame- [9]Yin CZ,Li M H,Li W P,et al.Model of coal gas permeability work of integrated coastal zone management;a case of qeshm is- prediction based on improved BP neural network.China Coal land.Ocean Coastal Manage,2016,130:179 Soc,2013,38(7):1179 [17]Wang Y,Zhang C,Jiang G P.Priority-sequence of mineral (尹光志，李铭辉，李文璞，等.基于改进BP神经网络的煤体 resources'development and utilization based on grey relational a- 瓦斯渗透率预测模型.煤炭学报，2013,38(7)：1179) nalysis method.Int J Min Sci Technol,2016,26(3):395 [10]Shi S L,Wu A Y.Study on area forecast of coal and gas outburst [18]Guo D Y,Li N Y,Pei D W,et al.Prediction method of coal based on coupling of neural network and genetic algorithm.Eng and gas outburst using the grey theory and neural network./Unir Sci,2009,11(9):91 Sci Technol Beijing.2007,29(4):354 (施式亮，伍爱友.基于神经网络与遗传算法耦合的煤与瓦 (郭德勇，李念友，裴大文，等.煤与瓦斯突出预测灰色理 斯突出区域预测研究.中国工程科学，2009,11(9)：91) 论-神经网络方法.北京科技大学学报，2007,29(4)：354) [11]Zhu Y,Zhang H.Su C.Coal and gas outburst forecasting based [19] Zhang T G.Prediction and control of coal and gas outburst in on immune genetic algorithm.China Unie Min Technol,2009, Pingdingshan mining area.J China Coal Soc,2001,26(2): 38(1):125 172 (朱玉，张虹，苏成.基于免疫遗传算法的煤与瓦斯突出预 (张铁岗.平顶山矿区煤与瓦斯突出的预测及防治.煤炭学 测研究.中国矿业大学学报，2009,38(1)：125) 报，2001,26(2)：172) [12]Sun D L,Dong G F.Liang Y P.Influence of the determination [20]Jiang W P,Song X Z,Zhong L W.Research on the pore proper- of the critical value of coal and gas outburst prediction index on ties of different coal body structure coals and the effects on gas the accuracy rate of the prediction.J China Coal Soc,2001,26 outburst based on the low-temperature nitrogen adsorption meth- (1):71 od.J China Coal Soc,2011,36(4):609 (孙东玲，董钢峰，梁运培.煤与瓦斯突出预测指标临界值 (降文萍，宋孝忠，钟玲文.基于低温液氮实验的不同煤体 的选取对预测准确率的影响.煤炭学报，2001,26(1)：71) 结构煤的孔隙特征及其对瓦斯突出影响.煤炭学报，2011， 13]Wang L F.The theory and algorithm of analytic network process. 36(4):609) Syst Eng Theory Pract,2001,21(3):44 [21]Sun D L,Hu Q T,Miao FT.Motion state of coal-gas flow in the (王莲芬.网络分析法(ANP)的理论与算法.系统工程理论 process of outburst.J China Coal Soc,2012,37(3):452 与实践，2001,21(3)：44) (孙东玲，胡千庭，苗法田.煤与瓦斯突出过程中煤-瓦斯两 [14]Wang C,Song D Z,Du X S,et al.Prediction of coal and gas 相流的运动状态.煤炭学报，2012,37(3)：452) outburst based on distance discriminant analysis method and its [22]Xu L H,Jiang C L.Initial desorption characterization of methane application.J Min Saf Eng,2009,26(4):470 and carbon dioxide in coal and its influence on coal and gas out- (王超，宋大钊，杜学胜，等。煤与瓦斯突出预测的距离判别 burst risk.Fuel,2017,203:700 分析法及应用.采矿与安全工程学报，2009,26(4)：470) [23]Guo D Y,Guo D X,Zhang J G.Research on the occurrence and [15]Zhang F Y,Han Y.Application of grey relevancy analysis meth- distribution of structural coal in Pingdingshan coal district.Chi- od in index optimization of outburst forecast when a cross-cut is na Coal Soc,2002,27(3):249 uncovered.J China Coal Soc,2007,32(10):1023 (郭德勇，韩德馨，张建国.平顶山矿区构造煤分布规律及 (张飞燕，韩颖.灰关联方法在石门揭煤突出预测指标优选 成因研究.煤炭学报，2002,27(3)：249)
工程科学学报,第 40 卷,第 11 期 (4): 85 (桂祥友, 郁钟铭. 基于模糊聚类关联分析法的煤与瓦斯突出 程度分析. 安全与环境学报, 2006, 6(4): 85) [9] Yin G Z, Li M H, Li W P, et al. Model of coal gas permeability prediction based on improved BP neural network. J China Coal Soc, 2013, 38(7): 1179 (尹光志, 李铭辉, 李文璞, 等. 基于改进 BP 神经网络的煤体 瓦斯渗透率预测模型. 煤炭学报, 2013, 38(7): 1179) [10] Shi S L, Wu A Y. Study on area forecast of coal and gas outburst based on coupling of neural network and genetic algorithm. Eng Sci, 2009, 11(9): 91 (施式亮, 伍爱友. 基于神经网络与遗传算法耦合的煤与瓦 斯突出区域预测研究. 中国工程科学, 2009, 11(9): 91) [11] Zhu Y, Zhang H, Su C. Coal and gas outburst forecasting based on immune genetic algorithm. J China Univ Min Technol, 2009, 38(1): 125 (朱玉, 张虹, 苏成. 基于免疫遗传算法的煤与瓦斯突出预 测研究. 中国矿业大学学报, 2009, 38(1): 125) [12] Sun D L, Dong G F, Liang Y P. Influence of the determination of the critical value of coal and gas outburst prediction index on the accuracy rate of the prediction. J China Coal Soc, 2001, 26 (1): 71 (孙东玲, 董钢峰, 梁运培. 煤与瓦斯突出预测指标临界值 的选取对预测准确率的影响. 煤炭学报, 2001, 26(1): 71) [13] Wang L F. The theory and algorithm of analytic network process. Syst Eng Theory Pract, 2001, 21(3): 44 (王莲芬. 网络分析法(ANP)的理论与算法. 系统工程理论 与实践, 2001, 21(3): 44) [14] Wang C, Song D Z, Du X S, et al. Prediction of coal and gas outburst based on distance discriminant analysis method and its application. J Min Saf Eng, 2009, 26(4): 470 (王超, 宋大钊, 杜学胜, 等. 煤与瓦斯突出预测的距离判别 分析法及应用. 采矿与安全工程学报, 2009, 26(4): 470) [15] Zhang F Y, Han Y. Application of grey relevancy analysis meth鄄 od in index optimization of outburst forecast when a cross鄄cut is uncovered. J China Coal Soc, 2007, 32(10): 1023 (张飞燕, 韩颖. 灰关联方法在石门揭煤突出预测指标优选 中的应用. 煤炭学报, 2007, 32(10): 1023) [16] Morteza Z, Reza F M, Seddiq M M, et al. Selection of the opti鄄 mal tourism site using the ANP and fuzzy TOPSIS in the frame鄄 work of integrated coastal zone management: a case of qeshm is鄄 land. Ocean Coastal Manage, 2016, 130: 179 [17] Wang Y, Zhang C, Jiang G P. Priority鄄sequence of mineral resources蒺 development and utilization based on grey relational a鄄 nalysis method. Int J Min Sci Technol, 2016, 26(3): 395 [18] Guo D Y, Li N Y, Pei D W, et al. Prediction method of coal and gas outburst using the grey theory and neural network. J Univ Sci Technol 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 论鄄鄄神经网络方法. 北京科技大学学报, 2007, 29(4): 354) [19] Zhang T G. Prediction and control of coal and gas outburst in Pingdingshan mining area. J China Coal Soc, 2001, 26 ( 2 ): 172 (张铁岗. 平顶山矿区煤与瓦斯突出的预测及防治. 煤炭学 报, 2001, 26(2): 172) [20] Jiang W P, Song X Z, Zhong L W. Research on the pore proper鄄 ties of different coal body structure coals and the effects on gas outburst based on the low鄄temperature nitrogen adsorption meth鄄 od. J China Coal Soc, 2011, 36(4): 609 (降文萍, 宋孝忠, 钟玲文. 基于低温液氮实验的不同煤体 结构煤的孔隙特征及其对瓦斯突出影响. 煤炭学报, 2011, 36(4): 609) [21] Sun D L, Hu Q T, Miao F T. Motion state of coal鄄gas flow in the process of outburst. J China Coal Soc, 2012, 37(3): 452 (孙东玲, 胡千庭, 苗法田. 煤与瓦斯突出过程中煤鄄鄄瓦斯两 相流的运动状态. 煤炭学报, 2012, 37(3): 452) [22] Xu L H, Jiang C L. Initial desorption characterization of methane and carbon dioxide in coal and its influence on coal and gas out鄄 burst risk. Fuel, 2017, 203: 700 [23] Guo D Y, Guo D X, Zhang J G. Research on the occurrence and distribution of structural coal in Pingdingshan coal district. J Chi鄄 na Coal Soc, 2002, 27(3): 249 (郭德勇, 韩德馨, 张建国. 平顶山矿区构造煤分布规律及 成因研究. 煤炭学报, 2002, 27(3): 249) ·1316·