李海涛

（山西西山煤电股份有限公司马兰矿， 山西 古交 030205）

我国煤矿企业在发展的过程中，随着开采规模不断扩展，并且强度有效增加，开采煤层赋存条件逐渐复杂化，这在较大程度上使瓦斯突出的危险性逐渐升高[1-3]。目前，在煤与瓦斯突出预测方法一般情况下有综合指标法、单项指标法以及瓦斯地质单元方法等，在此过程中所采用的数学方法主要有模式识别、神经网络以回归分析等，具有较好的应用效果，并且在此基础上能够对一些静态区域到达较好的预测，在此期间会对相关活动产生不同程度的影响，对于产生的问题很少公开。因此，需要在瓦斯抽采理论的基础上采用有效的方法全面计算动态因素，同时根据神经网络与相关方法建立与完善智能识别系统，以此实施有效的动态预测。

1 工程实例

本文以我国某地矿区为例进行分析，十矿和十二矿发生煤与瓦斯突出100 多次，具有较高的突出危险性。其中，十二矿工作面煤层赋存深度约为750 m，工作面设计倾向225 m，煤厚2.2～3.7 m，原始瓦斯含量15.3 m3/t，原始瓦斯压力1.5 MPa，绝对瓦斯涌出量4.47～8.8 m3/min。

2 煤与瓦斯突出影响因素分析

2.1 静态影响因素

静态影响因素主要表现在以下几个方面：

1）原始地应力。地应力会对煤与瓦斯突出产生不同程度的影响，不但是不同板块间的作用，而且还能够为其提供主要的动力。地应力在增加的过程中，极易导致突出危险性很难有效降低。

2）煤层赋存深度。煤层赋存深度与上覆岩层自重应力有较大关系，如果煤层赋存深度加深，会使上覆岩层自重应力有不同程度的增大，在煤体中性能也会逐渐增大，这在较大程度上会增加煤层突出危险性。

3）地质构造。地质构造会在一定程度上对区域应力产生影响，在此期间易使应力集中，这在较大程度上会提高煤与瓦斯突出危险性不断上升。

4）煤体物理性质。在一些情况下会缩短煤体动态破坏时间，会增加其突出危险性；如果媒阶升高，变质程度也有不同程度的增大，内生节理越发达，瓦斯含量越高，其突出危险性也较高。如果煤体结构受到较大的破坏，其突出危险性也越高。

2.2 动态影响

首先，采动应力。在对煤矿进行采掘期间，采动应力相对较为集中，围岩中有大量变形能，并且在此基础上采动应力受到工作面动态变化而改变。采动应力在集中的过程中，极易导致应力上升到最大力，这在较大程度上会产生煤与瓦斯突出情况的发生，这在较大程度上这也是存在突出问题的主要原因。其次，瓦斯参数。在采掘的过程中，由于一些因素的影响，易出现煤与瓦斯突出,之所以产生此种原因，主要基础便是瓦斯，在此过程中瓦斯压力是突出较为主要的来源。此外，突出在发展的过程中，其物质主要的来源便是瓦斯含量。煤层瓦斯解吸与运移规律中，外放散初速度能够对其进行直观的反映。由于受到瓦斯抽采以及保护层开采等活动的影响，这在一定程度上会使媒体瓦斯含量与压力大等相关参数会出现不同程度的改变，这会对煤与瓦斯突出危险性产生较大影响。

3 工程活动影响的突出因素动态计算

3.1 采动应力动态计算

在工作面回采过程尤为重要，需要对最大应力进行有效地平衡，以此使应力状态全面平衡，在此基础上平衡方程如下公式：

式中：m 是煤层采高；σx是水平应力；σy是垂直应力；f 是煤层与岩层之间的摩擦因子，d 是摩擦图。

在工作面前方根据应力大小能够将其分为增压区、极限平衡区以及稳压区等，在支承压力应力与极限平衡条件之间的关系能够得出垂直应力：

式中：x 是工作面煤壁距离；N0是煤帮的支撑能力；φ是内摩擦角；γ 岩石容重；σmax是工作面前方最大支承压力；D 是极限平衡区域。

3.2 瓦斯参数动态计算

在对瓦斯抽采影响实施分析的过程中，则有以下公式：

式中：Q 是钻孔瓦斯抽采总量；n 是抽采钻孔数量；qi0是瓦斯流量；qi是瓦斯流量衰减系数；t 是抽采时间；q 是相对瓦斯含量；q0是原始瓦斯含量；A0是原煤储量。

在对瓦斯压力参数进行动态计算的过程中，需要通过与瓦斯含量之间的关系曲线，也可以通过瓦斯含量计算公式得到有效的计算结果，在此过程中选择公式法：

式中：P 是瓦斯压力；α，β是关系系数。

4 煤与瓦斯突出智能判识模型

4.1 特征选择与提取

由于煤与瓦斯突出的影响因素相对比较多，并且不同影响因素具有较大的差异性，在此过程中形成了不同模式，一些模式自身有分类功能，对样本具有较高的分类效果，同时还需要对分类效率与质量有效判断，这就需要采用可分离性判据达到全面衡量的目的。此外，可分离判据应用期间，非负性与单调性在其中扮演着较为重要的角色，从而确保突出样本与非突出样本两者距离最大，在此期间能够保证分类错误率最小。

式中：J12（x）是突出样本与非突出样本的可分离判据；xi是特征参数；Pp与Pq是两种样本先验概率。在未知环境的基础上如果能够根据Pp=np/ns以及Pq=nq/ns进行计算；ns是样本和；np与nq是样本数量；X1k是样本特征向量；X2l是非突出样本特征向量；d（X1k，X2l）是两者间的距离测度；J（X*）是最优特征向量。

4.2 智能判识模型构建

智能判识一般情况下是进行模式分类器的有效构建，在此期间人工神经网智能算法具有较好的优势，比如学习力强、适应能力强以及容错力相对较强等，在应用的过程中对煤与瓦斯突出危险性预测的特殊非线性变换较为适用。在对煤与瓦斯突出样本实施有效训练学习的过程中，主要是将输入空间在隐含层的基础上变换到输出空间，能够对分类模型参数进行有效的确定。

在进行智能判识模型构建的过程中，需要对煤与瓦斯突出危险性实施全面预测，这就需要进行分类器的有效选择，在此过程中如果X 是神经网络输入，那么输出公式由下面等式表示：

式中：Ri2（X）是神经网络隐层节点的传递函数，需要巨具备较高的对称性，在此期间该对称性应当是具有顺着某径向的对称性，其高斯函数由以下公式表示，其中X 是输入向量：

在对其进行判识的过程中，其判识结果分为突出与无突出，一般情况下需要在输出层设置有效的节点。此外，在对输出层进行构建的过程中尤为重要，这就需要完善竞争学习机制，并且在此基础上还应对其进行反馈，同时调整隐含层，这对最优权向量的确定尤为重要，在此过程中可对输入向量进行分类。

在对煤与瓦斯突出危险性进行智能判识的过程中，需要通过有效的方法对识别对象实施全面分类与识别，以此获得判别函数，在此期间一般情况下需要对函数实施优化，其中函数判别如下，其中，b 是函数偏置项。

在进行识别的过程中，能够在输出的判别函数值判别的基础上对是否有突出危险性实施有效的决策。在对突出危险性程度实施全面描述与区别期间，需要对危险性程度进行有效的明确，这就能够在预测值大小的基础上对预测样本危险性实施分级管理。

5 结语

在对煤与瓦斯突出危险性进行智能识别的过程中，工作面煤与瓦斯突出的影响因素相对较多，而且还需要考虑一些重要的动态变化因素，比如瓦斯压力、含量以及采动应力等。此外，还应以支承应力分区关系、瓦斯抽采钻孔参数等为基础，能够通过分析相关参数，使用有效的动态方法对工程实施全面计算。此外，智能识别方法一般情况下有多因素模式与人工神经网络，并且在此基础上对智能判识模型进行了构建，在此过程中开发了智能判识系统，以此能够确保动态预测与分级管理。