煤矿瓦斯和煤尘的检测与控制第二组.docx
《煤矿瓦斯和煤尘的检测与控制第二组.docx》由会员分享，可在线阅读，更多相关《煤矿瓦斯和煤尘的检测与控制第二组.docx（24页珍藏版）》请在冰豆网上搜索。
煤矿瓦斯和煤尘的检测与控制第二组
煤矿瓦斯和煤尘的检测与控制
摘要
通过对各监测点数据的分析，可以判断出该煤矿属于高瓦斯矿井，通过神经网络模型的计算分析可以预测出该煤矿的不安全程度，利用风速和井巷的有效面积成比例的关系可以求得最佳的需风量、两个煤矿工作面所需风量以及局部通风机的额定风量。
针对问题
（1）根据所提供的各监测点的数据进行分析和计算，参照《煤矿安全规程》第一百三十三条的规定，可判断出该矿井属于高瓦斯矿井。
针对问题
（2）要判断该煤矿的不安全程度，应先考虑影响其不安全的因素，经过分析只需考虑瓦斯的浓度、风速和煤尘的浓度这3个主要因素。
在解题过程中，介绍了有关神经网络的方法及用途，建立BP神经网络模型进行求解、判断该矿井的不安全程度，论述了BP神经网络学习预测的思想和算法。
给出了在计算机上实现这种模拟的MATLAB程序，并通过多次级别的模拟实验，准确地模拟了该矿井存在的不安全程度，该值小于（《煤矿安全规程》第一百六十八条附表1）1%CH4的报警浓度，由此我们可判断此煤矿在一定条件下是安全的。
针对问题（3）需风量主要受到风速和井巷的有效面积的影响，利用能量守恒定理，可以得出需风量和风速，井巷的有效面积成正比关系，有此关系可建模求解。
关键词：
监测和控制瓦斯浓度 煤尘浓度神经网络归一化
1．问题重述
随着现代煤矿业的不断发展，煤矿安全生产是我国目前亟待解决的问题之一，做好井下瓦斯和煤尘的监测与控制是实现安全生产的关键环节。
瓦斯是一种无毒、无色、无味的可燃气体，其主要成分是甲烷，瓦斯爆炸需要三个条件：
空气中瓦斯达到一定的浓度；足够的氧气；一定温度的引火源。
为预防瓦斯爆炸，可对矿井采取一定的安全措施，当井下的瓦斯浓度超标时给予工作人员提示，对其做出相应的防范措施。
煤尘是在煤炭开采过程中产生的可燃性粉尘。
煤尘爆炸必须具备三个条件:
煤尘本身具有爆炸性；煤尘悬浮于空气中并达到一定的浓度；存在引爆的高温热源。
试验表明，一般情况下煤尘的爆炸浓度是30～2000g/m3，而当矿井空气中瓦斯浓度增加时，会使煤尘爆炸下限降低。
根据已有的两个采煤工作面和一个掘进工作面的矿井通风系统示意图，请你结合给出的监测数据，按照煤矿开采的实际情况研究下列问题：
（1）根据《煤矿安全规程》第一百三十三条的分类标准，鉴别该矿是属于“低瓦斯矿井”还是“高瓦斯矿井”。
（2）根据《煤矿安全规程》第一百六十八条的规定，并参照附表1，判断该煤矿不安全的程度（即发生爆炸事故的可能性）有多大？
（3）为了保障安全生产，利用两个可控风门调节各采煤工作面的风量，通过一个局部通风机和风筒实现掘进巷的通风（见下面的注）。
根据附图1所示各井巷风量的分流情况、对各井巷中风速的要求（见《煤矿安全规程》第一百零一条），以及瓦斯和煤尘等因素的影响，确定该煤矿所需要的最佳（总）通风量，以及两个采煤工作面所需要的风量和局部通风机的额定风量（实际中，井巷可能会出现漏风现象）。
注掘进巷需要安装局部通风机，其额定风量一般为150~400m3/min。
局部通风机所在的巷道中至少需要有15%的余裕风量（新鲜风）才能保证风在巷道中的正常流动，否则可能会出现负压导致乏风逆流，即局部通风机将乏风吸入并送至掘进工作面。
2．问题分析
煤矿安全的生产是目前社会重点关注的热点问题之一，要做好煤矿的安全生产其关键所在就是要先做好煤矿井下瓦斯和煤尘的监测和控制。
2.1降低井下瓦斯浓度的唯一方法就通过通风系统将瓦斯排出井外，从而降低瓦斯浓度的角度，故风速越大越好。
如果井下风速过大，将会增加巷道空气中的煤尘浓度，一方面影响工人的正常工作和健康，另一方面煤尘浓度过高遇火也会引起爆炸。
由以上两方面的因素可知：
风速也是影响井下瓦斯爆炸与否的一个重要因素，风速的大小也直接影响着井下是否安全。
2.2当局部通风机所在的巷道中少于需要有15%的余裕风量（新鲜风）时，将不能保证风在巷道中的正常流动，可能会出现负压导致乏风逆流；即局部通风机将乏风吸入并送至掘进工作面，乏风是指含有一定浓度的瓦斯和煤尘等有害物质的风流，这样将会增加掘进工作面的瓦斯和煤尘等有害物质的含量，增大了不安全的程度，但是这个方面可以通过人为的因素得到改善，并降低其发生的可能性，在一定条件下对不安全程度造成的影响很小。
所以，只要人能够提高警觉意识，这就不再是问题，在这里我们把它作为次要的因素不予考虑。
2.3引起瓦斯爆炸的三个条件是主要的因素，瓦斯的浓度和矿井内的温度直接影响着瓦斯的爆炸，但是，还要有引火源条件的满足，由于明火、煤炭自燃、电气火花、赤热的金属表面、吸烟，甚至矿石或金属之间的撞击或摩擦产生的火花等都足能引燃瓦斯造成瓦斯爆炸。
由以上引火的条件我们可以知道，造成瓦斯爆炸的引火源因素是客观存在的，故可假设在井下引起瓦斯爆炸的火源条件是满足的，也就是说只要前两个条件具备随时都可能引起瓦斯爆炸。
因此，我们可以只考虑引起瓦斯爆炸的浓度和温度这两个因素。
由题意所给出的信息：
实践证明，瓦斯爆炸界限随着混合气体中氧气浓度的降低而缩小。
即当氧气浓度降低时，瓦斯爆炸下限值缓慢地增高，而爆炸上限值则迅速下降；当氧气浓度降低到12％时，瓦斯混合气体即失去爆炸性，遇火也不会爆炸。
对于实际矿井中，为了保证煤矿工人的正常工作，必须向井下输送新鲜的空气。
为此，井下空气中的含氧量（一般在30%左右）是充足的。
另一方面，由于矿井下采煤的机械化作业的环境，产生火花是不可避免的，因此引起瓦斯爆炸的引火温度和氧气浓度条件是客观满足的，于是预防煤矿瓦斯爆炸的方法只有是监测和控制井下瓦斯的浓度。
在客观的条件下不仅是引火温度满足瓦斯爆炸的条件，而且氧气浓度条件也是客观满足的,一般在30%左右，大于12％是在另外两个条件满足的情况下一定可以引起爆炸的因素，可将它们当成必然因素去处理，即引起在另外两个条件满足的情况下它们是必然发生的事件，即是1。
所以我们在这里只需考虑引起瓦斯爆炸的瓦斯浓度以及对煤尘爆炸下限浓度即可，也就是说当瓦斯的浓度满足的情况下爆炸是不可避免的，除非安装了自动检测与控制系统，及时切断了电源。
2.4影响井下不安全的因素出了瓦斯以外，还有煤尘的爆炸更是可怕，它的爆炸过程中如遇障碍物，压力将进一步增加，尤其是连续爆炸时，后一欠爆炸的理论压力将是前一次的5～7倍。
煤尘爆炸产生的火焰速度可达1120m/s，冲击波速度为2340m/s。
因此，我们可以知道，煤尘的也是影响井下不安全的一个重要因素，但是煤尘的爆炸也必须满足三个条件，第一是煤尘必须具有爆炸性，煤尘具有爆炸性是煤尘爆炸的必要条件，也就是说如果煤尘不具有爆炸性，那煤尘将不会发生爆炸。
第二是悬浮煤尘的浓度，井下空气中只有悬浮的煤尘达到一定浓度时，才可能引起爆炸，单位体积中能够发生煤尘爆炸的最低或最高煤尘量称为下限和上限浓度。
低于下限浓度或高于上限浓度的煤尘都不会发生爆炸，一般说来，煤尘爆炸的下限浓度为30～50g/m3，上限浓度为1000～2000g/m3。
其中爆炸力最强的浓度范围300~500g/m3。
第三是引燃煤尘爆炸的高温热源，煤尘的引燃温度变化范围较大，它随着煤尘性质、浓度及试验条件的不同而变化。
我国煤尘爆炸的引燃温度在610～1050℃之间，一般为700～800℃。
煤尘爆炸的最小点火能为4.5～40mJ。
这样的温度条件，几乎一切火源均可达到，如爆破火焰、电气火花、机械摩擦火花、瓦斯燃烧或爆炸、井下火灾等。
根据20世纪80年代的统计资料，由于放炮和机电火花引起的煤尘爆炸事故分别占总数的45%和35%，由以上的资料我们可以了解到：
煤尘爆炸的引燃温度在610～1050℃之间，一般为700～800℃。
故引燃尘爆炸的高温热源因素是客观满足的，即也是必然发生的事件，是必然的事件我们可以假设它是1，煤尘爆炸的危险性必须经过试验确定，也是一个复杂性的条件，同样在这里把假设它是必然发生的。
如果假设煤尘具有不可爆炸性，那么就会造成井下不安全程度的下降，所以我们从造成最大危险度的方面去考虑问题。
即便没有发生这种情况也可以在预测出的不安全程度数据的指导下做到防患予未然。
正所谓"害人之心不可有，而防人之心不可无"，只有很好地做到预防才可以降低不安全的因素的产生，所以可排除以上两个必然因素。
我们所考虑引起煤尘爆炸的因素只有煤尘的浓度了，即在煤尘浓度条件满足下，煤尘的爆炸是一定会发生，反之亦然。
由以上分析，我们可以知道，引起井下不安全因素主要有风速，煤尘的浓度，瓦斯的浓度三个因素。
3．模型假设
（1）在同一天内空气的相对浓度是不变化
（2）早班、中班和晚班3班工作时间相等，并且总的工作时间为24小时（一天）
（3）气流由进入到排出都是单行流动的，中间不产生逆流
（4）风筒中排出的风量和进入的风量是相等的
（5）进入和排出的风量是守恒的，并且在回风巷中不存在能量的损失
4.符号说明
符号
表示的意义
矿井中所含空气的总体积
矿井中瓦斯的体积
井巷中的风速
通入矿井的最大风速
矿井中通风的时间（单位：
秒）
巷道横截面的有效面积
空气中瓦斯所占的百分比
矿井相对瓦斯的涌出量
矿井绝对瓦斯的涌出量
矿井中煤的日产量
矿井的需风量
工作面Ⅰ、Ⅱ,掘进工作面、回风巷Ⅰ、Ⅱ和总回风巷的风速
工作面Ⅰ、Ⅱ,掘进工作面、回风巷Ⅰ、Ⅱ和总回风巷的瓦斯含量
5．模型的建立及求解
5.1问题
（1）的模型建立及求解
为考虑该矿井的安全，根据《煤矿安全规程》第一百三十三条的分类标准，以及所给出的各监测点的风速，瓦斯和煤尘的监测数据表来判别该煤矿是属于“低瓦斯矿井”还是“高瓦斯矿井”。
由于煤矿中的采煤工作面Ⅰ、采煤工作面Ⅱ和掘进巷道为煤矿的主要工作区，因此我们选择的这三个地方的进风巷来考虑，先计算出这三个地方通入空气的总体积，三个工作区的深度由矿井中的通风量来决定，
........................
（1）
由上面我们所计算出的矿井中通入的空气的总体积
，可得到计算矿井中瓦斯的体积
的公式如下：
........................
（2）
根据上面我们所得到的矿井中空气的总体积和瓦斯的体积,可求出
（矿井相对瓦斯的涌出量（代码见附录一）和
（矿井绝对瓦斯的涌出量）（代码见附录二）
........................（3）
........................（4）
由此可计算出一个月之内的矿井相对瓦斯涌出量和矿井绝对瓦斯涌出量的值（见表1-1）
表1-1该月矿井相对瓦斯涌出量和矿井绝对瓦斯涌出量
天数（单位：
天）
相对瓦斯涌出量（单位：
m3/t）
绝对瓦斯涌出量（单位：
m3/min）
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
16.51
19.44
19.22
18.88
19.16
21.63
20.47
19.12
19.97
18.90
18.62
18.19
20.04
19.82
19.29
19.04
20.90
20.58
18.79
18.73
20.19
19.39
21.45
18.86
20.39
18.58
19.56
19.66
19.85
19.11
26.58
26.33
27.40
25.84
25.83
27.85
26.25
25.58
25.88
26.15
25.64
24.50
27.45
26.64
25.36
26.00
28.09
26.59
25.61
25.78
26.63
26.48
28.09
26.03
26.61
25.67
26.70
26.09
25.60
26.54
由上面所得结果和矿井瓦斯等级的判定，可画出低瓦斯和高瓦斯的判定图形（见图1-1），其Matlab代码（见附录三）
图1-1低瓦斯矿井和高瓦斯矿井的对照图
图形分析：
由上图我们可以知道，矿井相对瓦斯涌出量都大于10m3/t，而矿井绝对瓦斯涌出量都小于40m3/min，由<<煤矿安全规程>>第一百三十三条的分类标准<二>我们可判断该矿井属于高瓦斯矿井。
5.2问题
（2）的模型建立及求解
影响井下不安全的因素有瓦斯、煤尘、风量和矿井五大自然灾害程度情况等，风速也是影响井下瓦斯爆炸与否的一个重要因素，风速的大小直接影响着井下是否安全，现在我们只需考虑那些影响矿井不安全的主要因素，在问题分析中我们已经做出了详细分析，故要考虑的不安全因素主要有风速，煤尘的浓度和瓦斯的浓度。
针对以上三个需考虑因素，可建立一个神经网络模型来解决。
BP网络的输入和输出层的神经元数目，是由输入和输出向量的维数确定的。
输入向量的维数也就是影响因素的个数，这里综合考虑了影响矿井不安全的各种因素，选取了风速、煤尘的浓度和瓦斯的浓度等3个因素，所以输入层的神经元个数为3。
为了细化矿井存在的安全程度等级，根据天气情况，晚上气温和压强的变化造成了大量的煤尘和其它的有害物质下降到地面之上，降低了影响爆炸的不安全程度，由此，我们可以将矿井的的不安全程度分为3个等级，其中相比较来说晚上是比较安全的我们规定它为１级，其它的等级以次类推可以得到目标输出模式为（001）、（010）和（100），分别对应1级、2级和3级，级数越大不安全程度越大。
因此，输出层神经元的个数也为3。
由于输出向量的元素为0-1值，因此，输出层神经元的传递函数为可选用S型对数函数logsig。
实践表明，隐含层数目的增加可以提高BP网络的非线性映射能力，但是隐含层数目超过一定值，网络性能反而会降低。
而单隐层的BP网络可以逼近一个任意的连续非线性函数。
因此，这里采用单隐层的BP网络。
隐含层的神经元个数直接影响着网络的非线性预测性能。
这里根据Kolmogorov定理，设定网络的隐含层神经元个数为10。
按照一般的随机原则，隐含层神经元的传递函数为S型正切函数tansig。
网络结构确定后，根据所给出的数据可对其进行归一化。
归一化：
指使用输入向量减去向量中最小的输入量，然后，除以最大输入向量和最小输入向量的差，就可以得到归一化后的数据都在[01]之间。
得到归一化后的结果（见表1-2），可写出其计算的Matlab代码（见附录四）
表1-2归一化后的样本数据
日期
班次
风速
瓦斯浓度
煤尘浓度
不安全程度
1
早班
0.3617
0.84906
0.57919
001
中班
1
0.018868
1
010
晚班
0.55319
0.30189
0.054299
100
2
早班
0.18085
0
0.32127
001
中班
0.94681
0.45283
0.84615
010
晚班
0.76596
0.30189
0.63348
100
3
早班
0.29787
1
0.41629
001
中班
0.40426
0.75472
0.25339
010
晚班
0
0.45283
0
100
4
早班
0.36082
0.88571
0.14035
001
中班
0.34021
0
0.14035
010
晚班
0.89691
0.17143
0.7193
100
5
早班
0.50515
0.25714
0.61988
001
中班
1
0.085714
1
010
晚班
0
0.87143
0.12281
100
6
早班
0.13402
0.9
0.62573
001
中班
0.10309
0.77143
0.50292
010
晚班
0.15464
1
0
100
7
早班
0.56075
0.34884
0.33333
001
中班
0.52336
0.67442
0.40928
010
晚班
0.85981
1
1
100
8
早班
1
0.18605
0.8903
001
中班
0
0.72093
0
010
晚班
0.29907
0.97674
0.173
100
9
早班
0.49533
0.81395
0.29114
001
中班
0.71963
0.88372
0.32068
010
晚班
0.43925
0
0.016878
100
10
早班
0.58824
1
0.66667
001
中班
0.82353
0.8
0.7971
010
晚班
0.70588
0.58182
1
100
11
早班
0
0.8
0
001
中班
0.39216
0.50909
0.63768
010
晚班
0.098039
0.89091
0.69565
100
12
早班
0.039216
0.65455
0
001
中班
0.37255
0.4
0.63768
010
晚班
1
0
0.76812
100
13
早班
0.25926
0.7449
0.16901
001
中班
0.91358
0.4898
0.32394
010
晚班
0
0.59184
0
100
14
早班
0.33333
0
0.23944
001
中班
0.46914
1
0.76761
010
晚班
0.28395
0.45918
0.042254
100
15
早班
1
0
1
001
中班
0.074074
0.43878
0.12676
010
晚班
0.75309
0.28571
0.69718
100
16
早班
0.51515
0.23636
0.51613
001
中班
0
0.45455
0.21935
010
晚班
0.12121
0
0
100
17
早班
0.32323
0.74545
0.67742
001
中班
0.030303
1
0.54194
010
晚班
0.64646
0.58182
0.77419
100
18
早班
1
0.072727
1
001
中班
0.57576
0.090909
0.89032
010
晚班
0.73737
0.32727
0.40645
100
19
早班
0.68254
1
0.41525
001
中班
0.44444
0
0.98305
010
晚班
0.60317
0.14063
1
100
20
早班
1
0.76562
0.13559
001
中班
0.66667
0.10937
0.033898
010
晚班
0
0.48437
0.09322
100
21
早班
0.42857
0.48437
0
001
中班
0.15873
0.9375
0.11864
010
晚班
0.5873
0.54688
0.042373
100
22
早班
0.32967
0.60938
0.11348
001
中班
0.49451
0.29688
0.34043
010
晚班
0.3956
0.32812
0.46809
100
23
早班
1
0.14062
1
001
中班
0.38462
1
0.25532
010
晚班
0.73626
0.92187
0.056738
100
24
早班
0.15385
0.67188
0.11348
001
中班
0
0.32812
0
010
晚班
0.52747
0
0.042553
100
25
早班
0.57471
0
0.11486
001
中班
0.22989
0.82222
0.35135
010
晚班
1
0.86667
1
100
26
早班
0.50575
0.13333
0.53378
001
中班
0.91954
0.42222
0.31757
010
晚班
0.57471
0.13333
0
100
27
早班
0.17241
0.33333
0.61486
001
中班
0.6092
1
0.39865
010
晚班
0
0.84444
0.58108
100
28
早班
0.22105
0.63462
0.53398
001
中班
0.2
0.60577
0.51942
010
晚班
0
0.47115
0
100
29
早班
0.14737
1
0.31068
001
中班
1
0
1
010
晚班
0.2
0.56731
0.019417
100
30
早班
0.38947
0.70192
0.26214
001
中班
0.43158
0.38462
0.25728
010
晚班
0.22105
0.69231
0.44175
100
根据以上所归一化后的样本数据，我们可确定网络结构，建立完整的神经网络模型（附录五）
我们建立神经网络可以求解出连续6天的累计不安全程度，以及通过求和求出本月的累计不安全程度，进而求出平均每天的不安全程度数值。
通过使用创建的BP神经网络经过100次训练后达到误差要求0.001，所使用的学习函数是trainlm，输出神经元的传递函数为S型对数函数logsig，隐含神经元所使用的传递函数是S型的正切函数tansig。
所创建的网络是前馈BP神经网络，所使用的函数是newff,通过网络的不断训练和学习，可以得到如下结果：
下面是连续6天的累计不安全程度（%）：
1～6天：
5.911
7～12天:
5.564
8～18天:
4.260
19～24天:
5.567
25～30天:
5.999
一个月的累计不安全程度为（%）:
27.301
在一个月中平均每天的不安全程度为（%）：
0.91
由以上数据分析和<<煤矿
升级会员 