王 良

(晉能控股煤業(yè)集團(tuán)朔州煤電有限公司,山西 朔州 036900)

自燃是采煤過(guò)程中遇到的最大障礙,因此需要一個(gè)更準(zhǔn)確的解決方案,能可靠地預(yù)測(cè)其發(fā)生的概率。在這個(gè)過(guò)程中,當(dāng)煤暴露在大氣中時(shí),它會(huì)在環(huán)境溫度下或接近環(huán)境溫度下氧化,從而產(chǎn)生水蒸氣、氧化煤和熱量形式的能量。這一過(guò)程在本質(zhì)上是危險(xiǎn)的,破壞動(dòng)植物、采礦設(shè)備和煤層,并消耗寶貴的不可再生資源。由于其放熱性質(zhì),一直是一個(gè)長(zhǎng)期存在的問(wèn)題,當(dāng)釋放的熱能散失到周圍環(huán)境時(shí),會(huì)在煤和相關(guān)的碳質(zhì)材料中積累。當(dāng)這些熱量沒有以要求的速率釋放時(shí),它會(huì)提高煤的激活溫度,點(diǎn)燃火花,最終變成火災(zāi)。影響煤炭開采的外在因素有:采礦方法、大氣條件等;影響煤炭開采的內(nèi)在因素有:地質(zhì)因素、煤層因素等。因此,應(yīng)進(jìn)一步研究?jī)?nèi)部因素對(duì)煤自燃的影響[1-3]。

通過(guò)分析,有幾種相關(guān)關(guān)系被用于預(yù)測(cè)煤的自燃傾向。這些相關(guān)性為預(yù)測(cè)提供了變化的平均絕對(duì)誤差和平均偏差誤差。盡管如此,這些用于評(píng)價(jià)煤自燃傾向的廣義關(guān)聯(lián),大多數(shù)都存在著需要最終分析和巖相組成作為輸入數(shù)據(jù)的缺點(diǎn),這需要昂貴的設(shè)備和熟練的分析人員進(jìn)行操作。然而,很少有研究將人工智能和回歸分析的結(jié)果進(jìn)行比較,來(lái)解釋近似分析對(duì)自燃傾向指標(biāo)的影響。本研究試圖從煤的近似分析中建立預(yù)測(cè)煤自燃傾向的模型,該模型非常容易執(zhí)行,只需要標(biāo)準(zhǔn)設(shè)備和經(jīng)過(guò)適度訓(xùn)練的分析人員進(jìn)行操作。建立了由神經(jīng)網(wǎng)絡(luò)和MLR分析的預(yù)測(cè)模型之間的比較分析。此外,利用實(shí)驗(yàn)數(shù)據(jù)和公布的數(shù)據(jù)點(diǎn),解釋了近似分析與自燃傾向指數(shù)之間的相互關(guān)系。

1 材料和方法

本研究采用了來(lái)自南陽(yáng)坡礦的近似分析和自燃試驗(yàn)數(shù)據(jù)。采用分層抽樣法共收集13份樣本。每個(gè)樣品都保存在塑料袋中(由鋁涂層聚酯制成),并標(biāo)有選定的編號(hào)。使用破碎機(jī)將樣品塊縮小到合適的尺寸(10 mm)。將樣品粉碎到250 μm用于近似分析與自燃試驗(yàn)。從實(shí)驗(yàn)測(cè)試出近似分析和自燃試驗(yàn)結(jié)果數(shù)據(jù)庫(kù)如表1、表2所示。

表1 煤樣自燃傾向指數(shù)計(jì)算結(jié)果

為了使所提出的模型能夠普遍應(yīng)用,使用神經(jīng)網(wǎng)絡(luò)和MLR對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證,并相互比較。

采用國(guó)際上常用的XPT法、Wits-Ehac指數(shù)法和FCC指數(shù)法確定了煤樣的自燃傾向指數(shù)。自燃試驗(yàn)實(shí)驗(yàn)裝置由3個(gè)煤樣品和3個(gè)惰性標(biāo)準(zhǔn)物質(zhì)(煅燒氧化鋁)樣品組成的樣品池保存在由傳熱油組成的絕緣浴中。油從壓縮機(jī)加熱到該裝置?？諝夤?yīng)是由流量計(jì)控制的。通過(guò)每個(gè)含煤?jiǎn)卧臍饬饔脷馀萦?jì)監(jiān)測(cè),并通過(guò)附在流量計(jì)上的閥門保持在200 mL/min不變。每個(gè)電池配備1個(gè)鉑電阻溫度計(jì),允許樣品(煤或煅燒氧化鋁)在電池內(nèi)的溫度每30 s記錄一次。在使用該裝置時(shí),檢查了三個(gè)階段。在第一階段,惰性材料樣品的溫度大于煤樣品的溫度,這是由于煤樣品的水分蒸發(fā)產(chǎn)生的冷卻沖擊造成的。在第二階段,煤的水分蒸發(fā)過(guò)程中,煤樣的升溫速率高于惰性物質(zhì)的升溫速率。這是由于煤的易自加熱,因此試圖達(dá)到周圍的溫度(油浴溫度)。高放熱率到達(dá)線與零基線相交的區(qū)域,被定義為XPT。第二階段被認(rèn)為是自燃傾向的指標(biāo)。在第三階段,煤開始燃燒。

表2 煤樣wt.%的近緣成分和元素組成結(jié)果

由XPT和II階段斜率組成的修正FCC指數(shù)被用來(lái)預(yù)測(cè)煤自燃的可能性,FCC值小于5的煤為低風(fēng)險(xiǎn),5～10為中等風(fēng)險(xiǎn),負(fù)債值大于10的煤為高風(fēng)險(xiǎn)。XPT大于160 ℃的煤被認(rèn)為是低風(fēng)險(xiǎn),140～160 ℃被認(rèn)為是中等風(fēng)險(xiǎn),XPT在120～140 ℃之間被認(rèn)為是高風(fēng)險(xiǎn)等級(jí)。

2 結(jié)果和討論

2.1 煤特性分析與自燃試驗(yàn)

通過(guò)13個(gè)煤樣的自燃試驗(yàn)結(jié)果Wits-Ehac、FCC和XPT自燃試驗(yàn)方法進(jìn)行了比較。煤炭H的M含量最低為1.22%,煤炭D的M含量最高為5.5%,見表2.煤炭H 的VM含量最低為13.12%,煤炭K的VM含量最高為26.71%.煤炭I的A值最小為16.18%,煤炭H的A含量最大為52.66%.煤炭L的FC含量最低為23.90%,煤炭I的FC含量最高為58.59%.在FCC和Wits-Ehac試驗(yàn)中,H炭煤的M最小為1.22%,VM為13.12%,A含量最高為52.66%,符合中等自燃傾向指數(shù)。I炭煤的A含量最低為16.18%,FC含量最高為58.59%,在FCC和Wits-Ehac試驗(yàn)中屬于中等燃燒傾向。

如表1所示,所有樣品都有一個(gè)低自燃傾向,因?yàn)樗袠悠范加蠿PT材料價(jià)值高于160 ℃.煤樣品B、C、D、F、I、J、K自燃較溫和,因?yàn)橛蠿PT材料值140 ℃和160 ℃ .煤樣品E、G、H、L自燃和SN低負(fù)債,因?yàn)橛幸粋€(gè)XPT材料的價(jià)值大于160 ℃之間XPT材料價(jià)值從140 ℃到150 ℃.

從表1可以看出,沒有煤樣的FCC指數(shù)低于5,因此沒有煤樣的自燃傾向較低。A、B、C、D、E、F、G、H、I、M煤FCC指數(shù)為5～10時(shí),煤的自燃傾向中等;J、K、L煤FCC指數(shù)大于10時(shí),煤的自燃傾向較高。實(shí)驗(yàn)研究表明,不同樣品的煤性質(zhì)不同。使用XPTs測(cè)試被歸類為具有中等和高風(fēng)險(xiǎn)的一些樣本與Wits-Ehac和FCC測(cè)試對(duì)實(shí)驗(yàn)數(shù)據(jù)和公布數(shù)據(jù)的測(cè)試不一致。結(jié)果表明,煤的性質(zhì)與自燃傾向指數(shù)之間沒有直接的關(guān)系。因此,有必要利用軟計(jì)算技術(shù)(ANN)開發(fā)可以考慮輸入和輸出變量之間非線性的模型,并將結(jié)果與MLR進(jìn)行比較。

2.2 煤自燃傾向預(yù)測(cè)模型的建立

人工神經(jīng)網(wǎng)絡(luò)是人工智能的一個(gè)子集,它模擬人腦在學(xué)習(xí)和處理提供給它的信息時(shí)的活動(dòng)。ANN的結(jié)構(gòu)是分層的,即輸入層、隱藏層和輸出層。ANN的第一步是用一組輸入數(shù)據(jù)和目標(biāo)輸出層來(lái)訓(xùn)練網(wǎng)絡(luò)。因此,有各種各樣的算法被開發(fā)出來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)架構(gòu),但其中最受歡迎的是反向傳播算法。人工神經(jīng)網(wǎng)絡(luò)方法已被用于各種科學(xué)和工程領(lǐng)域的復(fù)雜非線性系統(tǒng)建模。本文利用該模型建立了XPT、Wits-Ehac和FCC煤和煤頁(yè)巖自燃傾向預(yù)測(cè)模型。模型中,M、VM、A和FC含量為輸入?yún)?shù),目標(biāo)輸出參數(shù)分別為XPT、Wits-Ehac 指數(shù)和FCC 指數(shù)。使用13個(gè)數(shù)據(jù)集作為輸入數(shù)據(jù),數(shù)據(jù)集被隨機(jī)分為訓(xùn)練(70%)、測(cè)試(15%)和驗(yàn)證(15%)。輸入和輸出數(shù)據(jù)集被歸一化到-1和1的范圍內(nèi),以避免過(guò)擬合并確保高效的ANN架構(gòu)。使用MATLAB對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行幾次運(yùn)行,使用決定系數(shù)(R2)、平均絕對(duì)百分比誤差(MAPE)和方差占比(VAF)測(cè)量每一次運(yùn)行的性能。

利用ANN模擬得到的權(quán)重和偏差,將ANN模擬得到的結(jié)果轉(zhuǎn)化為簡(jiǎn)單數(shù)學(xué)形式。對(duì)于XPT和Wits-Ehac指數(shù),使用在輸入和輸出兩層都具有乙狀竇傳遞函數(shù)的ANN網(wǎng)絡(luò)和乙狀竇傳遞函數(shù)和檁條傳遞函數(shù)來(lái)建立其數(shù)學(xué)模型,目的是保持方程的簡(jiǎn)單和用戶的可訪問(wèn)性。此外,該數(shù)學(xué)模型所采用的網(wǎng)絡(luò)R2均在90%以上,表明該網(wǎng)絡(luò)可以較好地預(yù)測(cè)XPT、Wits-Ehac指數(shù)和FCC指數(shù),且具有較高的精度。

將數(shù)學(xué)模型與模擬ANN網(wǎng)絡(luò)輸出的直接值進(jìn)行直接比較,如圖1所示。從圖中可以看出,所提出的數(shù)學(xué)模型與人工神經(jīng)網(wǎng)絡(luò)仿真的直接輸出數(shù)據(jù)是相同的。

圖1 根據(jù)人工神經(jīng)網(wǎng)絡(luò)仿真輸出驗(yàn)證所提出的方程的預(yù)測(cè)

2.3 人工智能與MLR預(yù)測(cè)的比較

本文所述的統(tǒng)計(jì)指標(biāo)對(duì)所提出的基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型和MLR模型的性能進(jìn)行了檢驗(yàn)?？梢钥吹?所有的人工神經(jīng)網(wǎng)絡(luò)模擬的R2都在80%以上,相關(guān)的MAPE小于5%.ANN模型的VAF也大于80%.而在MLR情況下,誤差大于5%,而在XPT情況下,R2小于50%.而Wits-Ehac指數(shù)和FCC指數(shù)的R2約為80%.同樣,使用MLR模型得到的XPT、VAF小于50%,WitsEhac指數(shù)和FCC指數(shù)均約為80%.VAF和R2的物理意義幾乎是相同的,它們的值越接近100%,這些模型的預(yù)測(cè)能力越好。為了進(jìn)一步評(píng)價(jià)所提模型的預(yù)測(cè)能力,本文將表2中樣本A～M修改后的實(shí)驗(yàn)結(jié)果與ANN模型和MLR模型的預(yù)測(cè)結(jié)果進(jìn)行比較。ANN模型預(yù)測(cè)的XPT對(duì)于所有數(shù)據(jù)集都非常接近實(shí)驗(yàn)值,而ANN模型預(yù)測(cè)的Wits-Ehac 指數(shù)在煤炭A中表現(xiàn)更好;FCC指數(shù)的預(yù)測(cè)提出ANN模型方程更接近實(shí)驗(yàn)結(jié)果(樣本 B、C、E、F、G、H、I、K、L、M)。因此,人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果與實(shí)驗(yàn)結(jié)果基本一致,而MLR不能較好地預(yù)測(cè)XPT.MLR模型性能不佳的原因可能是它不能處理巖土材料的內(nèi)在變異性或非線性。

2.4 輸入變量對(duì)輸出結(jié)果的影響

為了檢驗(yàn)所采用的神經(jīng)網(wǎng)絡(luò)方法的解釋能力,通過(guò)敏感性分析,量化輸入?yún)?shù)對(duì)預(yù)測(cè)煤炭?jī)A向性指標(biāo)的影響。對(duì)Wits-Ehac指數(shù)進(jìn)行了演示,展示使用神經(jīng)網(wǎng)絡(luò)模型的一種方法,采用局部放電法來(lái)分析輸入變量的微小變化對(duì)輸出響應(yīng)的影響。對(duì)于第一個(gè)結(jié)果,使用輸出變量對(duì)每個(gè)輸入變量的偏導(dǎo)數(shù)。例如,有n個(gè)輸入神經(jīng)元的網(wǎng)絡(luò)的PD,采用PD法得到的結(jié)果如圖2(a)～(d)所示。

圖2 輸出變量對(duì)每個(gè)輸入變量的偏導(dǎo)數(shù)的影響的剖面

圖2顯示的偏導(dǎo)數(shù)責(zé)任指數(shù)對(duì)M都積極和M的值非常高,內(nèi)容雖小,責(zé)任指數(shù)增加而增加的偏導(dǎo)數(shù)的M和逐步增加落在恒定值最高價(jià)值的M(圖2)。負(fù)債指數(shù)對(duì)VM的偏導(dǎo)數(shù)均為正,說(shuō)明VM的增加會(huì)導(dǎo)致負(fù)債指數(shù)的增加。但是,當(dāng)這種趨勢(shì)達(dá)到峰值時(shí),增量的方向就會(huì)向虛擬機(jī)的較低值反轉(zhuǎn)圖2(b)。負(fù)債指數(shù)對(duì)A的偏導(dǎo)數(shù)均為負(fù),說(shuō)明隨著A值的減小,負(fù)債指數(shù)會(huì)增大,如圖2(c)、(d)所示。而對(duì)于A,負(fù)債指數(shù)的峰值出現(xiàn)在A的最大值。

3 結(jié) 語(yǔ)

本文對(duì)南陽(yáng)坡礦不同煤種自燃試驗(yàn)結(jié)果進(jìn)行了研究,并利用人工智能和回歸分析的方法進(jìn)行了近似分析,建立了預(yù)測(cè)煤種自燃傾向的模型。結(jié)果表明,煤的性質(zhì)與自燃傾向指數(shù)之間沒有直接的關(guān)系。此外,XPT指數(shù)、WitsEhac指數(shù)和FCC指數(shù)之間也存在一些相互矛盾的結(jié)果。FCC和Wits-Ehac指數(shù)的結(jié)果相似,而XPT試驗(yàn)的結(jié)果與其他自燃試驗(yàn)結(jié)果在大多數(shù)情況下不一致。將XPT模型、Wits-Ehac模型和FCC模型的結(jié)果與MLR模型進(jìn)行了統(tǒng)計(jì)比較,ANN模型比MLR模型與負(fù)債指數(shù)的相關(guān)性更強(qiáng),總體百分比誤差小于5%,VAF在90%以上。MLR模型與XPT的相關(guān)性很差。因此,所建立的神經(jīng)網(wǎng)絡(luò)模型可以用于預(yù)測(cè)煤的自燃傾向。