[发明专利]用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法

说明书

本发明提供一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法。利用数值模拟或爆炸实验获得瓦斯爆炸冲击波及火焰传播的压力、温度、有毒有害气体等致灾因子在典型爆源附近、典型均直巷道、以及典型巷道交叉点的传播状态大数据，并将影响瓦斯爆炸冲击波及火焰传播的因素作为人工神经网络的输入节点，将压力、温度、有毒有害气体等致灾因子作为输出节点，建立瓦斯爆炸冲击波传播状态快速预测模型，有效解决了数值模拟建模、计算及数据分析处理等过程时耗大等问题，本发明在假设已知爆源位置及参与爆炸的瓦斯含量情况下，对爆炸冲击波及火焰的全风网传播状态预测可以控制在60秒之内完成，极大满足了应急救援的需求。

技术领域

本发明涉及矿井瓦斯爆炸领域，尤其涉及一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法。

背景技术

将瓦斯爆炸冲击波的压力、火焰温度及生成的有毒有害气体称为造成通风系统失效的致灾因子。矿井瓦斯爆炸发生后，快速确定瓦斯爆炸冲击波及火焰在矿井全风网的传播状况，对快速判识矿井通风系统失效模式、制定决策救灾方案具有极其重要的意义。

目前，瓦斯爆炸冲击波传播理论的研究已经比较成熟，以实验和数值模拟为主要研究手段，瓦斯爆炸数值模拟涉及到建模、网格划分、运算等步骤，对于一次爆炸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消耗24h甚至更长的时间，瓦斯爆炸实验的设计操作具有特殊危险性。在瓦斯爆炸事故发生时，使用数值模拟和实验手段难以快速获取瓦斯爆炸冲击波的压力、温度、有毒有害气体等致灾因子的传播状态，对于应急救援决策方案的确定具有延时性，是没有办法满足应急救援需求的。

通过CFD软件或者瓦斯爆炸物理实验可以获得关于瓦斯爆炸冲击波全风网传播规律大数据，通过人工神经网络(简称ANN)方法构建关于瓦斯爆炸冲击波全风网传播状态预测模型。在给定假设爆源位置及爆炸当量的情况下，瓦斯爆炸冲击波全风网传播预测耗时能够控制在60s之内，满足应急决策之需。

矿井瓦斯爆炸冲击波传播状态影响因素主要包括：巷道断面形状、巷道截面大小、爆炸物体积量、爆炸物浓度、障碍物、支护方式以及巷道拐角、分岔等。巷道环境错综复杂，研究不同因素对瓦斯爆炸冲击波传播规律的影响，对判断爆炸险情，快速制定紧急救灾避灾方案可在很大程度上降低瓦斯爆炸所导致的伤害和损失。

发明内容

本发明基于现有的瓦斯爆炸数值模拟、爆炸实验及ANN方法进行进一步研究，为瓦斯爆炸冲击波传播提供快速预测方法，为应急救援方案的制定提供决策性信息，并达到具有普适性的效果。

为实现上述技术效果，本发明提出了一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法，包括以下步骤：

步骤1：建立无加速补给条件下瓦斯爆炸冲击波全风网传播的数值模拟模型或爆炸实验模型；

步骤2：利用数值模拟或实验方式获得N组影响瓦斯爆炸冲击波的压力、温度、有毒气体三种致灾因子传播状态的样本大数据，每组样本大数据包括致灾因子影响因素值以及致灾因子值；

步骤3：根据瓦斯爆炸冲击波全风网传播模型建立瓦斯爆炸冲击波传播ANN预测模型，将每组样本大数据中的致灾因子影响因素值作为ANN预测模型的输入，致灾因子值作为ANN预测模型的输出，所述ANN预测模型的输入端集成有归一化处理模块，ANN预测模型的输出端集成有反归一化处理模块；

步骤4：将N组样本大数据输入给ANN预测模型进行ANN预测模型的构建，所述构建包括训练过程和验证过程，随机选取n组样本大数据作为训练过程中的训练样本大数据，选取剩下的N-n组样本大数据作为验证过程中的验证样本大数据，训练过程中不断调整ANN预测模型参数，绘制N-n组验证样本大数据的相对误差值ε₁散点图，当相对误差值ε₁到达波谷时，对应参数的模型称为最优ANN预测模型，所述N-n组验证样本大数据的相对误差值ε₁的计算如公式(1)所示；