一种矿井火灾致灾因子最大值的预测方法

摘要

本发明涉及矿山安全技术领域，提供一种矿井火灾致灾因子最大值的预测方法，包括：步骤1：确定矿井火灾致灾因子与致灾因子影响因素；步骤2：建立矿井火灾数值模拟模型；步骤3：采用数值模拟方法，获取致灾因子影响因素的N种取值组合下各致灾因子最大值的数据，得到矿井火灾样本集；步骤4：以各致灾因子影响因素为输入、各致灾因子的最大值为输出，构建基于MLP的矿井火灾致灾因子最大值预测模型；步骤5：训练并验证矿井火灾致灾因子最大值预测模型，得到最优预测模型；步骤6：对最优预测模型进行测试；步骤7：对待预测矿井的火灾致灾因子最大值进行预测。本发明能够实现矿井火灾致灾因子最大值的快速预测，并提高预测准确性、安全性。

说明书

技术领域

本发明涉及矿山安全技术领域，特别是涉及一种矿井火灾致灾因子最大值的预测方法。

背景技术

将矿井火灾的温度、CO生成量、CO

矿井火灾致灾因子影响因素主要包括：巷道断面积、巷道长度、巷道倾角、巷道入口风速、温度、相对湿度、大气压强及火灾燃烧速度。巷道环境错综复杂，研究不同条件下矿井火灾致灾因子的值对判断火灾险情、预计火势影响范围、应急救援、快速制定紧急救灾避灾方案具有重要意义，可在很大程度上降低矿井火灾所导致的伤害和损失。

目前，矿井火灾理论及仿真研究已经比较成熟，以实验和数值模拟为主要研究手段。矿井火灾数值模拟涉及到建模、网格划分、运算等步骤，对于一次火灾的模拟需要耗费的时间周期较长，一次完整的数值模拟需要耗时以天计，而矿井火灾实验的设计操作具有特殊危险性。在矿井火灾发生时，使用数值模拟和实验手段难以快速获取火灾将会到达的最高温度、有毒有害气体的最大生成量以及无法及时量化火灾对通风系统造成的影响，对于应急救援决策方案的确定具有延时性，无法满足应急救援的要求。

发明内容

针对现有技术存在的问题，本发明提供一种矿井火灾致灾因子最大值的预测方法，能够实现矿井火灾致灾因子最大值的快速预测，并提高预测准确性、安全性。

本发明的技术方案为：

一种矿井火灾致灾因子最大值的预测方法，其特征在于：包括下述步骤：

步骤1：确定矿井火灾致灾因子与致灾因子影响因素

确定矿井火灾的五种致灾因子a

步骤2：建立矿井火灾数值模拟模型

选取实际井下巷道作为原型，建立固定火源位置的矿井火灾数值模拟模型；所述矿井火灾数值模拟模型用于对不同巷道断面积、巷道长度、巷道倾角、巷道入口风速、温度、相对湿度、大气压强、火灾燃烧速度条件下的矿井火灾进行数值模拟；

步骤3：获取矿井火灾样本集

采用数值模拟方法，运行矿井火灾数值模拟模型，获取致灾因子影响因素的N种取值组合下各致灾因子最大值的数据，得到矿井火灾样本集C＝{c

步骤4：建立矿井火灾致灾因子最大值预测模型

以各致灾因子影响因素为输入、各致灾因子的最大值为输出，构建基于MLP的矿井火灾致灾因子最大值预测模型；所述基于MLP的矿井火灾致灾因子最大值预测模型的输入端集成有归一化处理模块、输出端集成有反归一化处理模块；

步骤5：训练矿井火灾致灾因子最大值预测模型

步骤5.1：从矿井火灾样本集C中随机选取N

步骤5.2：利用训练集对所述矿井火灾致灾因子最大值预测模型进行训练，并利用验证集对训练后的矿井火灾致灾因子最大值预测模型进行验证，计算验证集的相对误差ε

步骤5.3：判断验证集的相对误差ε

步骤6：对最优预测模型进行测试

步骤6.1：选取矿井火灾样本集C中剩下的N-N

步骤6.2：利用测试集对所述最优预测模型进行测试，计算测试集的相对误差ε

步骤6.3：判断测试集的相对误差ε

步骤7：对待预测矿井的致灾因子最大值进行预测

步骤7.1：获取待预测矿井的各致灾因子影响因素的数据；

步骤7.2：将待预测矿井的各致灾因子影响因素的数据输入所述最优预测模型中，输出待预测矿井的各致灾因子最大值的预测值。

进一步的，所述矿井火灾数值模拟模型为井下无轨运输火灾数值模拟模型，通过FDS火灾动力模拟软件建立。

进一步的，所述步骤5.3中，调整矿井火灾致灾因子最大值预测模型的参数，具体包括：调整训练集中随机选取的样本数N

本发明的有益效果为：

本发明利用数值模拟方法获取矿井火灾致灾因子影响因素的多种取值组合下各致灾因子最大值的数据，得到矿井火灾样本集，并基于多层感知器MLP构建矿井火灾致灾因子最大值预测模型，实现了矿井火灾致灾因子最大值的快速预测，并提高了预测准确性、安全性，有效解决了现有技术中数值模拟方法耗时大、实验方法危险性高的技术问题，能够为矿井火灾应急救援方案的制定提供有力的技术支撑以满足应急救援的要求，并达到普适性的效果。

附图说明

图1为本发明的矿井火灾致灾因子最大值的预测方法的流程图。

图2为具体实施方式中某一斜巷巷道的矿井火灾数值模拟模型的示意图。

图3为具体实施方式中某一斜巷巷道在矿井发生火灾时内部火源燃烧和烟气扩散的示意图。

图4为具体实施方式中某一斜巷巷道在矿井发生火灾时内部烟气质量分数云图。

图5为具体实施方式中某一斜巷巷道在矿井发生火灾时内部温度云图。

图6为具体实施方式中某一斜巷巷道在矿井发生火灾时内部CO扩散云图。

图7为具体实施方式中某一斜巷巷道在矿井发生火灾时内部CO

图8为具体实施方式中某一斜巷巷道在矿井发生火灾时内部最大火风压的沿程变化示意图。

图9为具体实施方式中本发明的矿井火灾致灾因子最大值的预测方法中基于MLP的矿井火灾致灾因子最大值预测模型的结构示意图。

图10为具体实施方式中验证集的各致灾因子最大值预测值与模拟值的相对误差散点图。

图11为具体实施方式中测试集的各致灾因子最大值预测值与模拟值的相对误差散点图。

图12为具体实施方式中测试集的各致灾因子最大值预测值与模拟值的对比图。

图13为具体实施方式中预测集的各致灾因子最大值预测值与模拟值的对比图。

具体实施方式

下面将结合附图和具体实施方式，对本发明作进一步描述。

如图1所示，本发明的矿井火灾致灾因子最大值的预测方法，包括下述步骤：

步骤1：确定矿井火灾致灾因子与致灾因子影响因素

确定矿井火灾的五种致灾因子a

步骤2：建立矿井火灾数值模拟模型

选取实际井下巷道作为原型，建立固定火源位置的矿井火灾数值模拟模型；所述矿井火灾数值模拟模型用于对不同巷道断面积、巷道长度、巷道倾角、巷道入口风速、温度、相对湿度、大气压强、火灾燃烧速度条件下的矿井火灾进行数值模拟。

步骤3：获取矿井火灾样本集

采用数值模拟方法，运行矿井火灾数值模拟模型，获取致灾因子影响因素的N种取值组合下各致灾因子最大值的数据，得到矿井火灾样本集C＝{c

本实施例中，所述矿井火灾数值模拟模型为井下无轨运输火灾数值模拟模型，通过FDS火灾动力模拟软件建立。巷道断面积及长度的变化由7条不同巷道的实际参数进行体现；巷道倾角变化区间为下行风14°至上行风14°，步长为2°；巷道入口风速设置为在区间1.5m/s至10m/s内随机选取；环境温度区间为0-50℃，步长为5℃；环境相对湿度区间为10-100％，步长为10％；大气压强以海拔高度区间-1500-4000m体现为，在海拔为-500-1000m之间步长为300m，其余区间步长为500m；火灾燃烧速度根据所设火源达到最大程度的时间不同，分为三档，依次为慢速火、快速火及超快速火，并在神经网络中分别以1，2，3无量纲数字代替。在巷道内部距离底板0.4m、2m、3.6m处放置三层测点，分别监测巷道内底板附近、巷道中部及顶板附近巷道内的温度、CO、CO

选取上述7条不同巷道进行数值模拟以获取火灾致灾因子大数据。如图2所示，为其中一上行风斜巷巷道的矿井火灾数值模拟模型的示意图。其中，巷道全长280m，宽5m，高4m，倾角为14°，巷道左端为风流入口，风速为4.85m/s，火源位置位于距进风口140m处。巷道预通风50s使巷道内环境达到稳定后火源开始燃烧，不同时刻巷道内火源燃烧和烟气扩散情况如图3所示。具体地，火源从50s时开始燃烧，60s时为火灾初始阶段，至200s时火灾发展至最大并直至模拟结束。依次选取60s、80s、130s、200s、300s、500s、650s作为观测时刻对烟气的蔓延情况、巷道内温度分布情况、CO质量分数、CO

本实施例中，根据建立好的矿井火灾数值模拟模型，利用FDS数值模拟方式通过改变巷道断面积、巷道长度、巷道倾角、巷道入口风速、温度、相对湿度、大气压强、火灾燃烧速度等影响矿井火灾致灾因子的因素，其中改变巷道断面积、长度通过改变模拟具体巷道来实现，得到N＝257组矿井火灾致灾因子影响因素-致灾因子最大值的样本数据。

步骤4：建立矿井火灾致灾因子最大值预测模型

以各致灾因子影响因素为输入、各致灾因子的最大值为输出，构建基于MLP的矿井火灾致灾因子最大值预测模型；所述基于MLP的矿井火灾致灾因子最大值预测模型的输入端集成有归一化处理模块、输出端集成有反归一化处理模块。其中，对样本大数据进行归一化处理就是为了取消训练样本大数据中各维数据间数量级差别，提高训练过程中迭代求解的收敛速度和精度。

如图9所示，以每个样本中巷道断面积、巷道长度、巷道倾角、巷道入口风速、温度、相对湿度、大气压强、火灾燃烧速度作为基于MLP的矿井火灾致灾因子最大值预测模型的输入节点，将火灾达到的最高温度、CO最大生成量、CO

步骤5：训练矿井火灾致灾因子最大值预测模型

步骤5.1：从矿井火灾样本集C中随机选取N

步骤5.2：利用训练集对所述矿井火灾致灾因子最大值预测模型进行训练，并利用验证集对训练后的矿井火灾致灾因子最大值预测模型进行验证，计算验证集的相对误差ε

步骤5.3：判断验证集的相对误差ε

所述步骤5.3中，调整矿井火灾致灾因子最大值预测模型的参数，具体包括：调整训练集中随机选取的样本数N

本实施例中，在构建矿井火灾致灾因子最大值预测模型的过程中，得到的最优MLP预测模型的验证集的各致灾因子最大值预测值与模拟值的相对误差散点图如图10所示。最优MLP预测模型对应的参数分别为：权重优化器为quasi-Newton方法的优化器，激活函数为线性激活函数，正则化项参数为1e-6，隐含层层数为2、隐含层神经元个数为12，最大迭代次数为25000。训练样本：验证样本：测试样本数量为249：4：4。

步骤6：对最优预测模型进行测试

步骤6.1：选取矿井火灾样本集C中剩下的N-N

步骤6.2：利用测试集对所述最优预测模型进行测试，计算测试集的相对误差ε

步骤6.3：判断测试集的相对误差ε

本实施例中，4个测试样本分别为样本①(15.83，1400，-8，2.305，45，81.9，86223.26，2)，样本②(17.32，280，14，1.265，20，90.4，93247.94，3)，样本③(17.32，280，8，4.85，20，90.4，93247.94，3)，样本④(15.83，1400，-8，1.8068，20.2，81.9，86223.26，2)，样本内数据依次为巷道断面积、巷道长度、巷道倾角(上行风为正，下行风为负)、巷道入口风速、温度、相对湿度、大气压强、火灾燃烧速度。测试集的测试结果如表1所示。表1中给出了4组测试样本大数据通过最优MLP预测模型输出的矿井火灾致灾因子最大值的预测值，以及4组测试样本大数据通过FDS软件模拟获得的矿井火灾致灾因子最大值的模拟值。从表1中可以看出最大相对误差为-26.57％，各样本平均相对误差为(13.42％，6.02％，7.23％，6.3％)，五项致灾因子最大值预测的平均相对误差为(2.34％，3.65％，17.77％，8.647％，8.81％)，总平均相对误差为8.24％。测试集的各致灾因子最大值预测值与模拟值的相对误差散点图如图11所示，预测值与模拟值的对比见图12。

表1

步骤7：对待预测矿井的致灾因子最大值进行预测

步骤7.1：获取待预测矿井的各致灾因子影响因素的数据；

步骤7.2：将待预测矿井的各致灾因子影响因素的数据输入所述最优预测模型中，输出待预测矿井的各致灾因子最大值的预测值。

本实施例中，将通过验证集验证的最优MLP预测模型用于矿井火灾致灾因子最大值的预测，获取3个预测样本(17.32，280，14，4.85，15，90.4，93247.94，4；17.32，280，14，4.85，20，100，93247.94，3；17.32，280，14，4.85，50，90.4，93247.94，3)构成预测集。预测集的各致灾因子最大值预测值与模拟值的对比图如图13所示。从对预测集的预测结果来看，通过最优MLP预测模型输出的预测值与通过FDS模拟模型获得的模拟值非常接近，总平均相对误差为9.76％，可以较好地预测矿井火灾相关致灾因子的最大值，从而达到应急救援的要求。

可见，本发明利用数值模拟方法通过FDS软件能够获得不同通风参数和巷道条件下矿井火灾发生时将会达到的最高温度、CO、CO

显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。