D0L:10.13374/.issn1001-053x.2012.03.007 第34卷第3期 北京科技大学学报 Vol.34 No.3 2012年3月 Journal of University of Science and Technology Beijing Mar.2012 唐山矿瓦斯涌出量动态预测模型 梁晓珍回宋存义王 依 北京科技大学土木与环境工程学院，北京100083 ☒通信作者，E-mail:liangxiaozhen7313163.com 摘要为了提高瓦斯涌出预测的准确性，采用BP型神经网络，利用BP型神经网络自学习、自组织和自适应等特性，在 MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析，对瓦斯动态预测模型进行训练和测 试。结果表明，该模型的预测速度快、精度高，可以实现对工作面瓦斯涌出的动态预测，并能综合判断工作面所处地点的安全 状况以及前方的潜在的危险性. 关键词煤矿；瓦斯涌出：动态模型：神经网络 分类号TD712*.5 Dynamic prediction model of gas emission in Tangshang Mine LIANG Xiao-zhen,SONG Cun-vi,WANG Yi School of Civil and Environmental Engineering,University of Science and Technology Beijing,Beijing 100038,China Corresponding author,E-mail:liangxiaozen7313163.com ABSTRACT To improve the prediction accuracy of gas emission,a BP neural network was applied to establish a dynamic prediction model of gas emission under the MATLAB environment by using BP neural networks'characteristics of self-learning,self-organizing and self-adapting.The model was trained and tested by analyzing the real-time monitoring data of gas signals from Tangshan Mine.Test results show that the model has higher prediction speed and accuracy.By using the model the dynamic prediction of gas emission in the working face can be realized,the safety state and the potential hazard can be synthetically estimated to provide security for safety production. KEY WORDS coal mines:gas emission:dynamic models:neural networks 瓦斯预测工作是矿井防止瓦斯事故的重要基础 振动对煤体和瓦斯产生的综合作用下，煤与瓦斯突 技术工作，对矿井通风、瓦斯抽放设计有重要的指导 出的危险性大大增加同.由于瓦斯涌出的不均衡或 作用.计算机技术的发展为实现煤层瓦斯的非接触 者说瓦斯的异常涌出，可能引发重大瓦斯事故.瓦 式预测提供了方便.通过对唐山矿瓦斯信号实时监 斯的异常涌出是有预兆性的，往往在瓦斯突出前3d 测数据的分析，利用BP型神经网络自学习、自组织 内瓦斯涌出量与正常状态相比就出现异常，出现 和自适应等特性，建立预测模型，并对网络进行训练 “忽大忽小”的现象，这种异常经常被忽视回，因 和测试，可以实现瓦斯涌出的精确预测 此，研究瓦斯的涌出规律，进行瓦斯动态涌出的预 工作面瓦斯涌出具有不均衡性Ⅲ.瓦斯涌出的 测，区别正常涌出和非正常涌出具有重要的理论价 不均衡性从另一个角度阐明了煤系地层、煤层的不 值和实用价值. 稳定性，这些不稳定性可能是由于成煤期沉积环境 预测偏差值是指生产地点的瓦斯实际涌出量与 造成的原生厚度和结构的不稳定，也可能是煤层受 预测量之间的差值.该差值可能由两部分构成，第 后期构造影响造成结构不稳定回：煤层开采过程中 一部分是由于预测方法的不当和选取参数的不准确 的振动使煤体内的裂隙增加并扩展，当振动强度达 造成的计算错误，第二部分是由于地质条件的异常 到一定值时煤体内形成较大范围的连通裂隙网；在 变化和生产工艺、生产作业的不正常变动及其他因 收稿日期：201104-21第 34 卷 第 3 期 2012 年 3 月 北京科技大学学报 Journal of University of Science and Technology Beijing Vol． 34 No． 3 Mar． 2012 唐山矿瓦斯涌出量动态预测模型 梁晓珍 宋存义 王 依 北京科技大学土木与环境工程学院，北京 100083 通信作者，E-mail: liangxiaozhen7313163． com 摘 要 为了提高瓦斯涌出预测的准确性，采用 BP 型神经网络，利用 BP 型神经网络自学习、自组织和自适应等特性，在 MATLAB 环境下构建瓦斯动态预测模型． 通过对唐山矿瓦斯信号实时监测数据的分析，对瓦斯动态预测模型进行训练和测 试． 结果表明，该模型的预测速度快、精度高，可以实现对工作面瓦斯涌出的动态预测，并能综合判断工作面所处地点的安全 状况以及前方的潜在的危险性． 关键词 煤矿; 瓦斯涌出; 动态模型; 神经网络 分类号 TD712 + . 5 Dynamic prediction model of gas emission in Tangshang Mine LIANG Xiao-zhen ，SONG Cun-yi，WANG Yi School of Civil and Environmental Engineering，University of Science and Technology Beijing，Beijing 100038，China Corresponding author，E-mail: liangxiaozen7313163． com ABSTRACT To improve the prediction accuracy of gas emission，a BP neural network was applied to establish a dynamic prediction model of gas emission under the MATLAB environment by using BP neural networks’characteristics of self-learning，self-organizing and self-adapting． The model was trained and tested by analyzing the real-time monitoring data of gas signals from Tangshan Mine． Test results show that the model has higher prediction speed and accuracy． By using the model the dynamic prediction of gas emission in the working face can be realized，the safety state and the potential hazard can be synthetically estimated to provide security for safety production． KEY WORDS coal mines; gas emission; dynamic models; neural networks 收稿日期: 2011--04--21 瓦斯预测工作是矿井防止瓦斯事故的重要基础 技术工作，对矿井通风、瓦斯抽放设计有重要的指导 作用． 计算机技术的发展为实现煤层瓦斯的非接触 式预测提供了方便． 通过对唐山矿瓦斯信号实时监 测数据的分析，利用 BP 型神经网络自学习、自组织 和自适应等特性，建立预测模型，并对网络进行训练 和测试，可以实现瓦斯涌出的精确预测． 工作面瓦斯涌出具有不均衡性［1］． 瓦斯涌出的 不均衡性从另一个角度阐明了煤系地层、煤层的不 稳定性，这些不稳定性可能是由于成煤期沉积环境 造成的原生厚度和结构的不稳定，也可能是煤层受 后期构造影响造成结构不稳定［2］; 煤层开采过程中 的振动使煤体内的裂隙增加并扩展，当振动强度达 到一定值时煤体内形成较大范围的连通裂隙网; 在 振动对煤体和瓦斯产生的综合作用下，煤与瓦斯突 出的危险性大大增加［3］． 由于瓦斯涌出的不均衡或 者说瓦斯的异常涌出，可能引发重大瓦斯事故． 瓦 斯的异常涌出是有预兆性的，往往在瓦斯突出前 3 d 内瓦斯涌出量与正常状态相比就出现异常，出现 “忽大忽小”的现象，这种异常经常被忽视［4］． 因 此，研究瓦斯的涌出规律，进行瓦斯动态涌出的预 测，区别正常涌出和非正常涌出具有重要的理论价 值和实用价值． 预测偏差值是指生产地点的瓦斯实际涌出量与 预测量之间的差值． 该差值可能由两部分构成，第 一部分是由于预测方法的不当和选取参数的不准确 造成的计算错误，第二部分是由于地质条件的异常 变化和生产工艺、生产作业的不正常变动及其他因 DOI:10.13374/j.issn1001-053x.2012.03.007