CN110243860B - 一种煤炭自燃预测方法 - Google Patents
一种煤炭自燃预测方法 Download PDFInfo
- Publication number
- CN110243860B CN110243860B CN201910435016.8A CN201910435016A CN110243860B CN 110243860 B CN110243860 B CN 110243860B CN 201910435016 A CN201910435016 A CN 201910435016A CN 110243860 B CN110243860 B CN 110243860B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- gas
- index
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000003245 coal Substances 0.000 title claims abstract description 132
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000002269 spontaneous effect Effects 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000003647 oxidation Effects 0.000 claims abstract description 7
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 7
- 239000007789 gas Substances 0.000 claims description 98
- 238000012545 processing Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000011002 quantification Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000003795 desorption Methods 0.000 claims description 3
- 230000004992 fission Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000001590 oxidative effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 4
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
- G01N25/22—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity on combustion or catalytic oxidation, e.g. of components of gas mixtures
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及煤炭自燃火灾预测领域,具体涉及一种煤炭自燃预测方法,主要解决现有方法都是从单一角度出发采用同一方法对煤自然参数进行预测,使得测量结果不准确的问题。该方法包括以下步:步骤一、安装传感器并采集数据;对现场煤样安装气体传感器和温度传感器,采集不同时间点现场煤样氧化解析时的气体浓度值以及该时间点煤样的温度值;步骤二、将步骤一的采集数据输出,进行预警。
Description
技术领域
本发明涉及煤炭自燃火灾预测领域,具体涉及一种煤炭自燃预测方法。
背景技术
煤炭自燃火灾一直是中国煤矿的重大灾害之一,煤矿自燃火灾占火灾总数的90%以上,给国家和煤矿企业带来了极大的危害和经济损失。因此,对煤炭自燃发生条件的研究,以实现对煤层自燃发火早期的预测预报是一个非常重要课题,就煤矿安全而言,及时准确的煤自燃预测预报是矿井煤自燃防控的前提。
煤炭自燃是极其复杂的物理、化学共同作用的结果。在实际中,一般是依据煤氧复合学说理论,通过煤层自燃模拟实验来寻找煤自燃规律。煤炭自燃的实质是:破碎煤体表面力场失去平衡,与空气中的氧发生一系列的物理吸附、化学吸附,以及小部分的化学反应从而放出热量,当产生的热量大于散发的热量时,煤体升温,如果再供氧充分,则会加快煤体对氧的化学吸附和反应,同时热量增加,这样又使煤升温速度加快,如此反复循环,最终导致煤体燃烧。
自17世纪开始,人们就开始了煤炭自燃起因和过程的研究。近年来,国内外许多学者对煤层自燃预测预报进行了研究,提出了许多方法,主要有:自燃倾向性预测法、BP神经网络、综合评判预测法、统计经验预测法、计算机模拟法等。
文献《煤炭技术》2004年第10期104页的文章“采空区煤炭自燃预测预报方法及探讨”介绍了目前几种常用的预测预报方法,分析了各自的优缺点,并在此基础上着重研究了利用测温和数值模拟进行综合预测的方法,此种方法在实际应用中没有考虑到各参数(指标气体)特点不同而采用同一种方法进行预测,导致对某些参数预测效果不准确。
文献《贵州工业大学学报(自然科学版)》2008年第2期10页的文章“煤炭自燃危险性评价与预测研究”基于神经网络对煤炭进行自燃预测预报,此种方法在实际应用中无法预测具体着火时刻以及动态温度变化情况。
文献《西安科技大学学报》2018年第2期175页的文章“煤自燃预测的支持向量回归方法”采用粒子群优化算法(PSO)优化支持向量回归(SVR)参数,建立了煤自燃温度预测的PSO-SVR模型;同时,在保证训练和测试样本不变的前提下,建立了标准SVR模型、BP神经网络(BPNN)模型和多元线性回归(MLR)模型,此种方法仅考虑煤自燃温度单一因素,没有考虑在自燃过程中各指标气体呈现不同变化趋势的特点,使得测量结构不准确且计算复杂。
发明内容
本发明的目的是解决现有方法都是从单一角度出发采用同一方法对煤自然参数进行预测,使得测量结果不准确的问题,提供一种煤炭自燃预测方法。
本发明的技术解决方案如下:
一种煤炭自燃预测方法,包括以下步骤:
步骤一、安装传感器并采集数据;
对现场煤样安装气体传感器和温度传感器,采集不同时间点现场煤样氧化解析时的气体浓度值以及该时间点煤样的温度值Tm;
步骤二、将步骤一的采集数据输出,进行预警:
若Tm≤T1,
或{[CO2]<A1ppm∪[CO]<B1ppm∪[O2]>C1%}∩{[CO2/CO]>D1},则为蓝色预警:
若Tm∈(T1~T2),
或{[CO2]∈(A1,A2)ppm∪[CO]∈(B1,B2)ppm∪[O2]∈(C2%,C1%)},则为黄色预警:
若Tm∈(T2~T3),
或{[CO2]∈(A2,A3)ppm∪[CO]∈(B2,B3)ppm∪}∩{[C2H4]>0},则为橙色预警:
若Tm>T4,
或{[CO2]>A3ppm∪[CO]>B3ppm∪[CO2/CO]<D2}∩{[C2H4]>0∪[O2]<C4%},则为红色预警;
其中,T1、T2、T3、T4为温度预警量化值;
CO2、CO、O2、CO2/CO、C2H4为气体预警指标;
A1、A2、A3为CO2气体浓度量化值;
B1、B2、B3为CO气体浓度量化值;
C1、C2、C3为O2气体浓度量化值;
D1、D2为CO2/CO浓度比值的量化值。
进一步地,步骤二中的温度预警量化值、气体预警指标以及气体预警指标的气体浓度量化值通过以下试验方法获取;
1)数据采集
采集试验煤样在不同采样时间点氧化解析产生的指标气体浓度以及该时间点的煤样温度,并计算在同一时间点不同指标气体浓度之间的比值;
2)数据分类
按照随时间的变化规律,将步骤1)获取的指标气体浓度、煤样温度以及不同指标气体浓度之间的比值数据分为三类:
若该数据随时间近似单调增或者单调减,则归为第一类数据;
若该数据随时间上下波动,则归为第二类数据;
若该数据随时间变化不大,则归为第三类数据;
3)数据处理
对第一类数据采用基于三次样条插值进行处理,对第二类数据使用基于一阶累加生成的灰色预测进行处理,对第三类数据不进行处理;
3.1)基于三次样条插值进行处理
3.1.1)以数据曲线斜率突变点为界,将第一类数据分为前期数值和后期数值,分别对前期数值和后期数值进行三次样条插值法处理,后期数值的插值间隔时间小于前期数值插值间隔时间;
3.1.2)分别对插值后的前期数值和后期数值进行线性拟合,得到两个随时间变化的拟合函数y0(t);
3.1.3)对两个拟合函数y0(t)分别进行修正为光滑曲线,并找到两个光滑曲线的连接点,得到光滑变化的拟合函数y(t);
3.1.4)根据拟合函数y(t)得到煤样的第一类数据与时间的关系;
3.2)基于一阶累加生成的灰色预测进行处理
3.2.1)对第二类数据进行一阶累加生成运算;
3.2.2)对步骤3.2.1)运算后的数据进行灰色预测处理,得到第二类数据随温度的变化函数;
4)筛选气体预警指标;
4.1)将步骤1)中的指标气体浓度数据进行筛选,筛选出大于设定阈值的数据;再将筛选后的数据进行多元线性回归分析处理,得到影响煤样温度最大的多个预警指标气体;
4.2)将步骤1)中的指标气体浓度数据以及不同指标气体浓度之间的比值进行因子分析方法处理,得到影响煤样温度的预警指标气体以及不同指标气体之间的比值;
4.3)将步骤4.1)和步骤4.2)得到的预警指标气体和不同指标气体之间的比值作为气体预警指标;
5)获取温度预警量化值及气体预警指标的量化值;
5.1)根据煤样自燃发火过程中的瓦斯脱附温度、临界温度、干裂温度、裂变温度的范围,设定多个温度指标量化值T1、T2、T3、T4;
5.2)将步骤5.1)的温度指标量化值输入步骤3.1)中煤样温度随时间的拟合函数中,得到不同的时间区间,将该时间区间输入步骤3.1)预警指标气体浓度随时间的变化函数,得到步骤4)中部分预警指标气体的浓度量化值;
将步骤5.1)的温度指标量化值输入步骤3.2)中预警指标气体浓度随煤样温度的变化函数中,得到步骤4)中剩余预警指标气体的浓度量化值。
进一步地,步骤1)中,将采集得到数据通过k-最近邻法对缺失或异常数据进行处理。
进一步地,步骤3.1.1)中,前期插值间隔取0.5天,后期插值间隔为0.001天。
进一步地,步骤二)具体为:
若Tm≤60℃,
或{[CO2]<2000ppm∪[CO]<200ppm∪[O2]>18%}∩{[CO2/CO]>10},则为蓝色预警;
若Tm∈(60℃~100℃),
或{[CO2]∈(2000,6000)ppm∪[CO]∈(200,1000)ppm∪[O2]∈(15%,18%)},则为黄色预警;
若Tm∈(100℃~160℃),
或{[CO2]∈(6000,10000)ppm∪[CO]∈(1000,2000)ppm∪}∩{[C2H4]>0},则为橙色预警:
若Tm>160℃,
或{[CO2]>10000ppm∪[CO]>2000ppm∪[CO2/CO]<6}∩{[C2H4]>0∪[O2]<17%},则为红色预警。
本发明与现有技术相比,有益效果是:
本发明能较好对各种气体指标及其比值,以及煤炭温度随时间的发展变化情况进行预测,提出了能够表征煤温的(CO、O2、C2H6、C2H4)易自燃煤层发火分级预警指标,确定了易自燃煤层发火隐患分级预警的量化临界值,实现了煤自燃隐患的四级预警,具体预测精度高、方法实现简单的特点。
附图说明
图1a为本发明方法煤样温度随时间变化关系示意图;
图1b为图1a中接近自燃温度区间的局部放大图;
图2a为本发明方法煤样温度与CO2散点图;图中,横坐标为温度,单位℃;纵坐标为CO2浓度,单位ppm;
图2b为本发明方法煤样温度与CO散点图;
图3为本发明方法CH4浓度原始值序列与经过一次累加处理后的CH4浓度值曲线对照示意图;
图4为本发明方法一次累加处理后的CH4浓度拟合示意图。
具体实施方式
判断煤炭自燃发展程度和范围时,温度是最直接准确的指标,通过确定某处煤炭的温度及其分布,确定其最早着火点位置、并预测煤样温度变化情况,就能够分析给定煤炭的自燃程度和范围,它既可作为煤炭自燃预报,也可用于火源探测。本发明提供了不同环境、参数情况下,预测自燃隐患发展到着火所需要的时间,从而为煤炭自燃预警提供参考。
本发明提供的一种煤炭自燃预测方法,包括以下步骤:
步骤一、安装传感器并采集数据;
对现场煤样安装气体传感器和温度传感器,采集不同时间点现场煤样氧化解析时的气体浓度值以及该时间点煤样的温度值Tm;
步骤二、将步骤一的采集数据输出,进行预警:
若Tm≤T1,
或{[CO2]<A1ppm∪[CO]<B1ppm∪[O2]>C1%}∩{[CO2/CO]>D1},则为蓝色预警:
若Tm∈(T1~T2),
或{[CO2]∈(A1,A2)ppm∪[CO]∈(B1,B2)ppm∪[O2]∈(C2%,C1%)},则为黄色预警:
若Tm∈(T2~T3),
或{[CO2]∈(A2,A3)ppm∪[CO]∈(B2,B3)ppm∪}∩{[C2H4]>0},则为橙色预警:
若Tm>T4,
或{[CO2]>A3ppm∪[CO]>B3ppm∪[CO2/CO]<D2}∩{[C2H4]>0∪[O2]<C4%},则为红色预警;
其中,T1、T2、T3、T4为温度预警量化值;
CO2、CO、O2、CO2/CO、C2H4为气体预警指标;
A1、A2、A3为CO2气体浓度量化值;
B1、B2、B3为CO气体浓度量化值;
C1、C2、C3为O2气体浓度量化值;
D1、D2为CO2/CO比值的量化值。
步骤二中的温度预警量化值、气体预警指标以及气体预警指标的气体浓度量化值通过以下试验方法获取;
1)数据采集
采集试验煤样在不同采样时间点氧化解析产生的O2、CO、CO2、CH4、C2H6、C2H4、N2等(这些气体也被称为指标气体)气体浓度参数值以及该采样时间点的煤样温度(煤样不同部位的温度不同,此处的煤样温度为煤样各部分的最高温度),并计算出C2H4/C2H6、CH4/C2H6、CO2/CO比值,采集时间数据统一以天为单位处理,并对采集得到的数据通过k-最近邻法对缺失或异常数据进行处理;
2)数据分类
按照随时间的变化规律,将指标气体浓度、煤样温度以及计算获得的C2H4/C2H6、CH4/C2H6、CO2/CO比值分为三类,第一类参数数据有较强的规律性,随时间近似单调增或者单调减,如煤样温度、CO等参数数据;第二类参数的数据值随时间上下波动,规律性较差,如CH4/C2H6、CH4等;第三类参数的数据随时间变化不大,如N2;
3)数据处理;
对据有较强规律性的第一类数采用基于三次样条插值的数据拟合,对第二类数据使用一阶累加生成的灰色预测进行处理,对第三类数据不进行处理;
3.1)基于三次样条插值的处理
以下以煤样温度为例,对煤样温度数据进行处理;
3.1.1)分两阶段使用三次样条插值法,中前期插值间隔取0.5天,后期插值间隔为0.001天(1.44分钟),考虑到实验中前期煤样温度等参数变化缓慢、后期变化迅速,故考虑分两阶段使用三次样条插值法(将数据曲线斜率突变点之前数据成为前期数据,突变点后的数据成为后期数据),前期插值间隔取0.5天,后期插值间隔为0.001天(1.44分钟),其中将时间点从45个插值到810个。
设ti为第i个时间点,yi为第i个时间点对应的煤样温度,考虑时间区间[1,35.75]的一个节点划分,35.75是着火时间点;
1=t0<t1<…<tn-1<tn=35.75
寻找在[1,35.75]上的满足如下三个条件的分段函数S(t),即三次样条函数:
S(ti)=yi,(i=0,1,2,…n),其中(ti,yi)为样本数据点;
S(t)∈D2(1,35.75);
S(t)在每个小区间[ti,ti+1]上是次数不大于3的多项式,边界条件采用Ⅱ型三次样条插值函数,其边界条件为:
S″(t0)=f″0,S″(tn)=f″n,,其特殊情况为S″(t0)=S″(tn)=0;
其一般表达式为:
根据其边界条件得到如下的方程组:
时间点从45个插值到810个,将初始采集值进行插值处理;
3.1.2)对插值后得到的数据采用两阶段线性拟合,得到煤样温度随时间变化的拟合函数y0(t),并考虑到拟合后曲线的光滑性,对y0(t)修正(将此分段函数在分界点呈现光滑状态,找到连接点)后得到煤样温度随时间变化的拟合函数y(t);
3.1.3)计算修正后拟合函数预测结果的平均绝对百分比误差(MAPE),对修正前后预测精度进行比较。
其平均绝对百分比误差(MAPE)为2.63%,预测精度较理想。如图1a和图1b所示,在自燃的初始阶段,化学反应速率较低,各参数的变化也较为平缓,随着煤温的逐渐升高,化学反应加剧,产生的热量增多,升温过程也加快;煤温超过106.02℃(t=34.987)后,煤体升温速度加快,超过2.1℃/h;煤温超过167℃后,根据煤自燃规律研究,煤体升温速度将进一步急剧增加,在供风充足的情况下,不超过1天时间,煤温即可超过燃点。
CO等参数数据均可以采用同样的方法进行处理;
3.2)基于灰色预测的数据处理
在煤自燃实验中,存在部分参数的数据规律性较差,如CH4等,若直接使用这些数据建模,将导致模型误差较大以及模型不稳健;为此,对这些参数使用灰色预测理论来预测分析;
3.2.1)对数据进行一阶累加生成运算;
煤自燃实验中,设参数CH4的浓度值为:
X0={X(0)(1),X(0)(2),X(0)(3),…X(0)(n)},
分析可知其随机性较强,规律性较差,不适合直接用来建模;
进行一阶累加生成运算(1-AGO)后得到的数据记为X1={X(1)(1),X(1)(2),X(1)(3),…X(1)(n)},
其中,
通过一阶累加生成运算消除了原始数据值的上下波动情况,增强其规律性,消除了CH4原始数据的本身规律性较差的弱点;
3.2.2))对步骤3.2.1)运算进行灰色预测处理;
GM(1,1)模型如下:
其中,a为灰色发展系数(待辨识参数),b为待辨识的内生参数,X(1)为灰色模块;
对上述方程式两边取拉氏变换之后,再取拉氏逆变换得到GM(1,1)模型的时间序列为:
煤炭氧化自燃过程中,CH4预测值计算公式为:
记
采用最小乘法求解得:
其中:
对于预测公式确定的数学模型所计算出的数据列,使用后验差检验进行精度检验;
根据柴家沟煤样的自燃发火实验和测算结果可以得出:
对其经过一阶累加生成的数据采用指数函数逼近,得到CH4浓度随温度变化函数为:
y=347.4e0.007443x
如图3和图4所示,拟合的标准差RMSE为141.1,R-square为0.9695,说明有较好的拟合效果。平均绝对百分比误差(MAPE)为3.52%,低于使用线性回归模型和一般非线性回归模型的百分比误差值。实际中要预测不同温度时CH4浓度值,还需要对拟合得到值进行1阶累减生成(1-IAGO)。
X(0)*(k)=X(1)*(k)-X(1)*(k-1)
式中,X(1)*(k)——由拟合函数计算得到的CH4浓度值。
对于其他随机性大,规律性不强的参数如:CH4/C2H6均可采用灰色预测方法进行类似的处理。
4)筛选气体预警指标;
本步骤主要对各参数对煤样温度的综合影响进行分析,筛选不同时间点温度影响最重要的气体预警指标;
4.1)将步骤1)中的指标气体浓度数据进行筛选,得到大于设定阈值的数据;再将筛选后的数据进行多元线性回归分析处理,得到影响该时间点煤样温度最大的多个指标气体;
煤层自燃是一个复杂过程,仅考虑了单因素之间相互关系显然是不全面的,先通过散点图和相关性分析选出相关性绝对值大于设定阈值的参数。考虑气体浓度变化与煤样温度关系,记y为煤样温度,xi(i=1,2,…6)分别表示O2,N2,CO,CO2,CH4,C2H6的气体浓度,使用SPSS软件计算得到其多元线性回归方程为:
y=6.858x1-5.070x2-0.025x3+0.015x4+0.079x5-0.870x6+307.021
为减少因单位不同而造成的误差,采用标准化回归系数为
y=0.235x1-0.117x2-0.920x3+2.339x4+0.406x5-0.604x6
拟合度指标(决定系数)R2=0.965表明拟合优度很高,sig=0<0.05表明回归系数显著。
由标准化回归系数可知,对煤样温度影响最大的前两个参数依此为:CO2、CO,其显著性最强。
4.2)将步骤1)中的指标气体浓度数据以及不同指标气体浓度之间的比值进行因子分析方法处理,得到该时间点影响煤样温度的指标气体以及不同指标气体之间的比值;
基于因子分析方法,得到影响煤层温度的具体参数;
再考虑O2,N2,CO,CO2,CH4,C2H6,气体浓度以及C2H4/C2H6,CH4/C2H6,CO2/CO的比值对温度的影响;
实际中,如果将检测得到的O2,N2,CO,CO2,CH4,C2H6气体浓度以及C2H4/C2H6,CH4/C2H6,CO2/CO比值全部考虑,则会由于考虑指标太多,给分析增加了难度,并且降低模型的可解释性,煤样自燃影响因素中部分指标存在一定的相关性,所以可以用较少的指标代替原来较多的指标,但依然能反映原来所有的信息,这将给煤层自燃预警指标的建立带来便利。
解释的总方差
由SPSS软件计算得到的解释的总方差表得知,只有前两个因子的特征值大于1,且累积占96.4%,因此提取前两个因子作为主因子。
成份矩阵a
见上表,在第一因子CO2、CO、C2H4、C2H6、CO2/CO与煤样温度有较高载荷,O2,N2,CH4气体浓度以及C2H4/C2H6,CH4/C2H6在第二个的载荷高。观察其因子协方差矩阵,两个因子的线性相关性几乎没有,符合因子分析的效果。
4.3)将步骤4.1)和步骤4.2)得到的预警指标气体和不同指标气体之间的比值作为气体预警指标;
5)获取温度预警量化值及气体预警指标的量化值;
5.1)根据煤氧化自燃机理和过程,通过多元回归分析和主成分分析,从O2,N2,CO,CO2,CH4,C2H6,气体浓度以及C2H4/C2H6,CH4/C2H6,CO2/CO筛选出对温度影响最重要的CO、O2、C2H6、C2H4、CO2/CO五个预警指标。根据煤样自燃发火过程中瓦斯脱附温度、临界温度、干裂温度、裂变四个特征温度的温度范围,以及每个阶段持续时间,并结合现场自然发火监测实际,设定多个温度指标量化值T1、T2、T3、T4;
5.2)将步骤5.1)的温度指标量化值输入值步骤3.1)中煤样温度随时间的拟合函数中,得到不同的时间区间,将该时间区间输入步骤3.1)预警指标气体浓度随时间的变化函数,得到步骤4)中部分预警指标气体的体浓度量化值;
将步骤5.1)的温度指标量化值输入步骤3.2)中预警指标气体浓度随温度的变化函数中,得到步骤4)中剩余预警指标气体的体浓度量化值。
该步骤确定了煤自然发火分级预警的温度指标及其量化值,提出了能够表征煤温的CO、O2、C2H6、C2H4、CO2/CO等易自燃煤层发火分级预警指标。通过煤自然发火实验和现场观测数据的对接,确定了易自燃煤层发火隐患分级预警的量化临界值,实现了煤自燃隐患的四级预警。
蓝色、黄色、橙色、红色,各级量化临界值如下:
蓝色预警:
1、Tm≤60℃
2、{[CO2]<2000ppm∪[CO]<200ppm∪[O2]>18%}∩{[CO2/CO]>10}
黄色预警:
1、Tm∈(60℃~100℃)
2、{[CO2]∈(2000,6000)ppm∪[CO]∈(200,1000)ppm∪[O2]∈(15%,18%)}
橙色预警:
1、Tm∈(100℃~160℃)
2、{[CO2]∈(6000,10000)ppm∪[CO]∈(1000,2000)ppm∪}∩{[C2H4]>0}
红色预警:
1、Tm>160℃
2、{[CO2]>10000ppm∪[CO]>2000ppm∪[CO2/CO]<6}∩{[C2H4]>0∪[O2]<17%}
其中,[]表示浓度,每种预警模式都有两种触发模式,一种由煤样的温度触发,另一种根据气体浓度或浓度比值的阈值触发。
Claims (4)
1.一种煤炭自燃预测方法,其特征在于,包括以下步骤:
步骤一、安装传感器并采集数据;
对现场煤样安装气体传感器和温度传感器,采集不同时间点现场煤样氧化解析时的气体浓度值以及该时间点煤样的温度值Tm;
步骤二、将步骤一的采集数据输出,进行预警:
若Tm≤T1,
或{[CO2]<A1ppm∪[CO]<B1ppm∪[O2]>C1%}∩{[CO2/CO]>D1},则为蓝色预警:
若Tm∈(T1~T2),
或{[CO2]∈(A1,A2)ppm∪[CO]∈(B1,B2)ppm∪[O2]∈(C2%,C1%)},则为黄色预警:
若Tm∈(T2~T3),
或{[CO2]∈(A2,A3)ppm∪[CO]∈(B2,B3)ppm∪}∩{[C2H4]>0},则为橙色预警:
若Tm>T4,
或{[CO2]>A3ppm∪[CO]>B3ppm∪[CO2/CO]<D2}∩{[C2H4]>0∪[O2]<C4%},则为红色预警;
其中,T1、T2、T3、T4为温度预警量化值;
CO2、CO、O2、CO2/CO、C2H4为气体预警指标;
A1、A2、A3为CO2气体浓度量化值;
B1、B2、B3为CO气体浓度量化值;
C1、C2、C3为O2气体浓度量化值;
D1、D2为CO2/CO浓度比值的量化值;
步骤二中的温度预警量化值、气体预警指标以及气体预警指标的气体浓度量化值通过以下试验方法获取;
1)数据采集
采集试验煤样在不同采样时间点氧化解析产生的指标气体浓度以及该时间点的煤样温度,并计算在同一时间点不同指标气体浓度之间的比值;
2)数据分类
按照随时间的变化规律,将步骤1)获取的指标气体浓度、煤样温度以及不同指标气体浓度之间的比值数据分为三类:
若该数据随时间近似单调增或者单调减,则归为第一类数据;
若该数据随时间上下波动,则归为第二类数据;
若该数据随时间变化不大,则归为第三类数据;
3)数据处理
对第一类数据采用基于三次样条插值进行处理,对第二类数据使用基于一阶累加生成的灰色预测进行处理,对第三类数据不进行处理;
3.1)基于三次样条插值进行处理
3.1.1)以数据曲线斜率突变点为界,将第一类数据分为前期数值和后期数值,分别对前期数值和后期数值进行三次样条插值法处理,后期数值的插值间隔时间小于前期数值插值间隔时间;
3.1.2)分别对插值后的前期数值和后期数值进行线性拟合,得到两个随时间变化的拟合函数y0(t);
3.1.3)对两个拟合函数y0(t)分别进行修正为光滑曲线,并找到两个光滑曲线的连接点,得到光滑变化的拟合函数y(t);
3.1.4)根据拟合函数y(t)得到煤样的第一类数据与时间的关系;
3.2)基于一阶累加生成的灰色预测进行处理
3.2.1)对第二类数据进行一阶累加生成运算;
3.2.2)对步骤3.2.1)运算后的数据进行灰色预测处理,得到第二类数据随温度的变化函数;
4)筛选气体预警指标;
4.1)将步骤1)中的指标气体浓度数据进行筛选,筛选出大于设定阈值的数据;再将筛选后的数据进行多元线性回归分析处理,得到影响煤样温度最大的多个预警指标气体;
4.2)将步骤1)中的指标气体浓度数据以及不同指标气体浓度之间的比值进行因子分析方法处理,得到影响煤样温度的预警指标气体以及不同指标气体之间的比值;
4.3)将步骤4.1)和步骤4.2)得到的预警指标气体和不同指标气体之间的比值作为气体预警指标;
5)获取温度预警量化值及气体预警指标的量化值;
5.1)根据煤样自燃发火过程中的瓦斯脱附温度、临界温度、干裂温度、裂变温度的范围,设定多个温度指标量化值T1、T2、T3、T4;
5.2)将步骤5.1)的温度指标量化值输入步骤3.1)中煤样温度随时间的拟合函数中,得到不同的时间区间,将该时间区间输入步骤3.1)预警指标气体浓度随时间的变化函数,得到步骤4)中部分预警指标气体的浓度量化值;
将步骤5.1)的温度指标量化值输入步骤3.2)中预警指标气体浓度随煤样温度的变化函数中,得到步骤4)中剩余预警指标气体的浓度量化值。
2.根据权利要求1所述的煤炭自燃预测方法,其特征在于:步骤1)中,将采集得到数据通过k-最近邻法对缺失或异常数据进行处理。
3.根据权利要求2所述的煤炭自燃预测方法,其特征在于:步骤3.1.1)中,前期插值间隔取0.5天,后期插值间隔为0.001天。
4.根据权利要求1至3任一所述的煤炭自燃预测方法,其特征在于,步骤二)具体为:
若Tm≤60℃,
或{[CO2]<2000ppm∪[CO]<200ppm∪[O2]>18%}∩{[CO2/CO]>10},则为蓝色预警;
若Tm∈(60℃~100℃),
或{[CO2]∈(2000,6000)ppm∪[CO]∈(200,1000)ppm∪[O2]∈(15%,18%)},则为黄色预警;
若Tm∈(100℃~160℃),
或{[CO2]∈(6000,10000)ppm∪[CO]∈(1000,2000)ppm∪}∩{[C2H4]>0},则为橙色预警:
若Tm>160℃,
或{[CO2]>10000ppm∪[CO]>2000ppm∪[CO2/CO]<6}∩{[C2H4]>0∪[O2]<17%},则为红色预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435016.8A CN110243860B (zh) | 2019-05-23 | 2019-05-23 | 一种煤炭自燃预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435016.8A CN110243860B (zh) | 2019-05-23 | 2019-05-23 | 一种煤炭自燃预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110243860A CN110243860A (zh) | 2019-09-17 |
CN110243860B true CN110243860B (zh) | 2021-07-20 |
Family
ID=67884897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910435016.8A Expired - Fee Related CN110243860B (zh) | 2019-05-23 | 2019-05-23 | 一种煤炭自燃预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110243860B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927213A (zh) * | 2019-10-31 | 2020-03-27 | 天地(常州)自动化股份有限公司 | 基于采空区温度和指标气体的遗煤自燃危险分级预警方法 |
CN111899815B (zh) * | 2020-07-15 | 2021-12-28 | 中国矿业大学 | 一种利用指标气体浓度反演采空区煤温的方法 |
CN112036100B (zh) * | 2020-09-24 | 2023-01-31 | 哈尔滨锅炉厂有限责任公司 | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 |
CN112345708A (zh) * | 2020-11-16 | 2021-02-09 | 河南省科学院应用物理研究所有限公司 | 一种煤矿快速检测控制系统 |
CN112963205B (zh) * | 2021-03-15 | 2022-10-04 | 太原理工大学 | 一种煤矿采空区瓦斯燃烧应急处理系统及方法 |
CN113125675A (zh) * | 2021-04-19 | 2021-07-16 | 北京物资学院 | 边缘计算架构的堆场煤炭自燃预警装置和预警方法 |
CN113605957B (zh) * | 2021-08-04 | 2022-06-10 | 煤炭科学研究总院有限公司 | 煤层瓦斯抽采诱发煤体自燃的预测方法及装置 |
CN114949665A (zh) * | 2022-05-20 | 2022-08-30 | 国能包头能源有限责任公司 | 煤场的防自燃处理方法及其装置、计算机可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3565616B2 (ja) * | 1995-06-14 | 2004-09-15 | 電源開発株式会社 | 微粉炭燃焼ボイラ用ミルの制御方法および装置 |
CN102313760B (zh) * | 2011-07-12 | 2014-09-24 | 黄翰文 | 一种综合评价与鉴定煤炭自燃危险性的绝热自燃三角形法 |
CN103711523B (zh) * | 2013-12-24 | 2015-12-02 | 华北科技学院 | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 |
CN104700151A (zh) * | 2014-05-26 | 2015-06-10 | 国网辽宁省电力有限公司 | 一种基于三次样条插值曲线拟合的风电功率考核方法 |
CN106706852B (zh) * | 2016-12-27 | 2019-09-27 | 清华-伯克利深圳学院筹备办公室 | 一种气体浓度传感器的标定方法和系统 |
CN108049916B (zh) * | 2017-12-09 | 2019-06-04 | 西安科技大学 | 一种矿井煤自燃分级预警与主动分级防控方法 |
CN109184800B (zh) * | 2018-10-15 | 2020-05-29 | 西安科技大学 | 一种煤自燃预警分级方法及预警方法 |
-
2019
- 2019-05-23 CN CN201910435016.8A patent/CN110243860B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN110243860A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110243860B (zh) | 一种煤炭自燃预测方法 | |
CN110782067B (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
CN108897354B (zh) | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 | |
CN113011796A (zh) | 一种基于“层次分析-神经网络”的食用油安全预警方法 | |
CN111899815B (zh) | 一种利用指标气体浓度反演采空区煤温的方法 | |
CN108830253B (zh) | 筛选模型建立方法、光谱筛选装置及方法 | |
CN111752147A (zh) | 一种具有持续学习能力改进pca的多工况过程监测方法 | |
Son et al. | Slag foaming estimation in the electric arc furnace using machine learning based long short-term memory networks | |
CN117521912A (zh) | 一种碳排放测算模型及对比评价方法及其应用 | |
CN117517596B (zh) | 基于物联网的可燃及有毒有害气体实时监测方法及系统 | |
CN111639722A (zh) | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 | |
CN114119986A (zh) | 用于转炉炼钢终点预测的光谱特征信息提取方法 | |
CN113704201A (zh) | 一种日志异常检测方法、装置及服务器 | |
CN116990437A (zh) | 一种用于原煤灰分的入洗量前馈自动调节系统 | |
Zhao et al. | Modeling mercury speciation in combustion flue gases using support vector machine: Prediction and evaluation | |
Jin et al. | Machine learning-aided optimization of coal decoupling combustion for lowering NO and CO emissions simultaneously | |
CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
Hamami et al. | Classification of air pollution levels using artificial neural network | |
CN115017980A (zh) | 基于随机森林算法的垃圾焚烧过程重金属迁移的预测方法 | |
Zhang et al. | Early risk warning method for fluidized beds using generalized extremum distribution of pressure fluctuation | |
CN113190535A (zh) | 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 | |
Pan et al. | Nonlinear characteristics of induced spontaneous combustion process of sulfide ores | |
Avvari et al. | Air Quality Index Prediction | |
Zhang et al. | Enhanced Performance Assessment of Subspace Model‐Based Predictive Controller with Parameters Tuning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210720 |