Analysis of influencing factors of coal mine water inrush accidents based on DEMATEL-ISM-BN
-
摘要: 透水事故是继瓦斯事故和顶板事故之后的第三大煤矿事故，分析探究透水事故致因及各因素间的内在关联，可有效实现透水事故管控和遏制。现有煤矿透水事故研究大多针对某一地区或某一方面，缺少对影响因素之间复杂因果关系及各因素对事故影响程度的深入研究。针对该问题，采用决策试验和评价试验法(DEMATEL)和解释结构模型法(ISM)对煤矿透水事故影响因素进行分析，构建多级递阶结构模型，并将其映射到贝叶斯网络 (BN)模型中，得到DEMATEL−ISM−BN模型。基于数据驱动思想，对典型事故案例进行研究，确定了诱发煤矿透水事故的18个影响因素；结合专家打分结果进行DEMATEL分析，计算各因素的影响度、被影响度、原因度和中心度；根据DEMATEL分析结果计算得出ISM的可达矩阵，构建多级递阶结构模型；结合煤矿透水事故真实案例样本数据构建BN模型，利用BN模型的故障诊断功能进行致因链分析。DEMATEL分析结果表明，水害认识不足、水文地质探测不到位是煤矿透水事故发生的主要影响因素，其次是安全管理混乱和技术手段薄弱；ISM分析结果表明，三违行为和水源威胁在透水事件多级递阶结构模型中处于顶层，是诱发透水事故的直接因素；BN分析结果表明，水文地质探测不到位→水源威胁→透水事故是最可能的致因链。要有效遏制煤矿透水事故的发生，应提高员工水害意识，严格进行水文地质探测工作，从根本上杜绝生产人员的违法违规行为。Abstract: The water inrush accident is the third largest coal mine accident after the gas accident and the roof accident. The analysis and exploration of the causes of the water inrush accident and the intrinsic relationship between the various factors can effectively realize the control and containment of the water inrush accident. The existing coal mine water inrush accident research mostly aims at a certain area or a certain aspect. There is a lack of in-depth research on the complex causal relationship among the influence factors and the influence degree of each factor on the accident. In order to solve this problem, decision making trial and evaluation laboratory (DEMATEL) and interpretative structural modeling method (ISM) are used to analyze the influencing factors of coal mine water inrush accidents. The multi-level hierarchical structure model is constructed, which is mapped into the Bayesian network (BN) model. The DEMATEL-ISM-BN model is obtained. Based on the data-driven theory, typical accident cases are studied. There are 18 influencing factors inducing coal mine water inrush accidents determined. Based on expert scoring results, DEMATEL analysis is carried out. The influence degree, influenced degree, cause degree and centrality of each factor are calculated. The reachability matrix of ISM is calculated according to the DEMATEL analysis results. The multi-level hierarchical structure model is constructed. The BN model is constructed based on the real case data of coal mine water inrush accidents. The causal chain analysis is carried out by using the fault diagnosis function of the BN model. The results of the DEMATEL analysis show that the main factors affecting the occurrence of coal mine water inrush accidents are the lack of understanding of water disasters and inadequate hydrogeological detection. The other factors include confusion of safety management and weak technical means. ISM analysis results show that the "three violations" behavior and water source threat are at the top of the multi-level hierarchical structure model of water inrush accidents. These are the direct factors inducing water inrush accidents. The BN analysis results show that the most likely cause chain is inadequate hydrogeological detection → water source threat → water inrush accidents. To effectively curb the occurrence of coal mine water inrush accidents, it is suggested to improve the staff awareness of water disasters, strictly carry out hydrogeological exploration, and fundamentally eliminate the illegal behavior of production personnel.
-
0. 引言
随着智慧矿山建设和智能化开采的提出，矿井通风亟需向智能化、信息化方向转变升级[1-3]。研究矿井通风网络故障诊断对促进矿井通风智能化发展、提高通风系统安全保障能力具有重要意义[4-5]。
目前煤矿通风系统故障诊断方法主要是根据井下各类传感器监测数据进行分析判断，只能识别传感器所在巷道的故障。针对该问题，一些学者将机器学习算法[6-9]应用到煤矿通风系统故障诊断中，取得了一定成果。刘剑等[10-12]提出了基于支持向量机（Support Vector Machine, SVM）的矿井通风系统阻变型故障诊断方法，将风量−风压复合特征作为SVM的输入构建诊断模型，提高了故障诊断准确率。周启超等[13]提出采用改进遗传算法对SVM参数进行优化，并用于通风系统故障诊断。黄德等[14]将风量、风压、节点压能等7种特征作为观测特征进行组合试验，解决了故障诊断观测特征冗余无关的问题。刘彦青[15]提出了基于BP神经网络的矿井风量预测模型，对待掘巷道摩擦阻力系数进行了预测。
机器学习算法通过对已知数据的学习来预测未知数据，现有通风系统故障诊断方法大多针对1种机器学习算法进行研究，无法保证所选算法为最优。因此，本文对多种机器学习算法进行分析比较，选择SVM、随机森林和神经网络3种算法，通过网格搜索和交叉验证相结合的方法对基于SVM、随机森林、神经网络的通风网络故障诊断模型进行参数寻优，最后采用3种诊断模型进行实验和现场验证。
1. 机器学习算法选择及原理
1.1 算法选择
对最近邻、线性模型、朴素贝叶斯、决策树、随机森林、梯度提升决策树、SVM、神经网络等8种机器学习算法进行比较[16]，结果见表1。综合考虑各种算法的优缺点，选择SVM、随机森林和神经网络3种机器学习算法进行通风网络故障诊断研究。
表 1 8种机器学习算法比较Table 1. Comparison of eight machine learning algorithms机器学习算法 优点 缺点 最近邻 适用于小型低维空间数据集，容易解释 用于大型数据集时表现不佳 线性模型 训练和预测速度快 用于低维空间分类时受限 朴素贝叶斯 适用于不确定性问题 精度低于线性模型 决策树 速度快，不需要进行数据缩放 容易过拟合 随机森林 可降低过拟合，不需要进行数据缩放 用于高维稀疏数据时表现不佳 梯度提升决策树 不需要进行数据缩放 用于高维稀疏数据时表现不佳，且训练速度慢 SVM 用于中等数据集时性能强 需要进行数据缩放，对参数敏感 神经网络 可构建非常复杂的模型，预测能力强 对数据缩放和参数选取敏感 1.2 SVM原理
SVM主要思想是建立一个最优超平面作为决策曲面，使得正例与反例之间的间隔最大化。在样本空间中，超平面可描述为
$$ H:{{\boldsymbol{w}}^{\rm{T}}}x + b = 0 $$ (1) 式中：
${{\boldsymbol{w}}^{\rm{T}}}$ 为法向量，决定超平面的方向；$ x $ 为输入特征变量；$ b $ 为位移项，决定超平面与原点之间的距离。定义2个标准超平面H1 和H2，
$ {H_1}:{{\boldsymbol{w}}^{\rm{T}}}x + b = 1 $ ，$ {H_2}: $ $ {{\boldsymbol{w}}^{\rm{T}}}x + b = - 1 $ ，2个平面之间的距离就是分类间隔，可表示为$$ \ell = 2\frac{{|{{\boldsymbol{w}} ^{\rm{T}}}x + b|}}{{||{\boldsymbol{w}} ||}}{\text{ = }}\frac{2}{{{\text{||}}{\boldsymbol{w}} {\text{||}}}} $$ (2) 影响SVM分类准确率的参数主要是γ和C。γ是控制高斯核宽度的参数，决定点与点之间的距离，γ越小，则决策边界变化越慢，生成的模型复杂度越低。C是正则化参数，限制每个点的重要程度，C越大，则对应的模型越复杂。
1.3 随机森林原理
随机森林是一种集成算法，实现步骤如下：
（1） 从大小为N的样本数据集L中有放回地随机抽取N个训练样本，得到一个自助训练集Lk。
（2） 用自助训练集Lk训练1棵决策树，在决策树的每个节点需要分裂时，随机从每个样本的M个属性中选取M0个作为分裂属性，然后从这M0个属性中选择1个进行分裂。
（3） 每个节点按照步骤（2）进行分裂，直到不能够再分裂为止。
（4） 按照步骤（1）—步骤（3）建立大量决策树，构成随机森林。
影响随机森林分类准确率的参数主要是决策树个数p和限制分支时考虑的特征个数q。p值越大，则对应的随机森林越复杂。q值决定每棵树的随机性大小，q值越小，随机森林中的树越不相同，一般默认其值与样本属性个数M的关系为
$$ q=\sqrt{M} $$ (3) 1.4 神经网络原理
神经网络是一种模拟人脑思维的计算机模型。神经网络无需事先确定描述输入与输出之间映射关系的数学方程，而仅通过自身的训练学习某种规则，在给定输入值时得到最接近期望输出值的结果。
影响神经网络分类准确率的参数主要有隐含层层数、隐含层节点数、正则化参数、迭代次数及激活函数等。隐含层节点数t越大，正则化参数α越小，表示模型复杂度越高。确定隐含层节点数的经验公式为
$$ t=\sqrt{m+n}+a $$ (4) 式中：
$ m $ 为输入层节点数；$ n $ 为输出层节点数；$ a $ 为调节常数，取值范围一般为1~10。2. 基于机器学习的通风网络故障诊断方法
采用SVM、随机森林、神经网络3种机器学习算法建立通风网络故障诊断模型。采集通风系统数据并进行预处理，从处理后的数据中随机抽取75%作为训练集，25%作为测试集；通过网格搜索和交叉验证进行模型参数寻优，将测试集代入训练过的模型，根据测试集准确率进行最终评估。基于机器学习的通风网络故障诊断方法流程如图1所示。
![]()
图 1 基于机器学习的通风网络故障诊断方法流程Figure 1. Flow of fault diagnosis method of ventilation network based on machine learning3. 数据采集及预处理
3.1 数据采集
3.1.1 实验平台
根据矿井通风系统实际布局，按照几何相似、运动相似、动力相似准则构建通风网络管道模型，采用中央并列式通风方式和机械抽出式通风方法，主副斜井进风，回风立井回风，布置1台2.5 kW轴流式通风机作为通风动力装置，共布置2个水平、2个回采工作面、1个备用工作面、4个掘进工作面及3处硐室型用风地点。
实验平台由通风系统网络管道子系统、通风系统传感器与调控设施子系统组成，如图2所示，其中黄色部分表示自动蝶阀，蓝色部分表示风速传感器，红色部分表示温湿度传感器。通风系统网络管道子系统由直径为160 mm的透明亚克力管道组成，通风管道总长度为75 m，管道网络分支为62条，管道网络节点为38个；通风系统传感器与调控设施子系统主要由16台自动蝶阀、14台压差传感器、18台风速传感器、3台温湿度传感器组成。
![]()
图 2 通风网络故障诊断实验平台Figure 2. Experimental platform of fault diagnosis of ventilation network通风网络如图3所示，其中e1—e62为管道网络分支，
3.1.2 数据采集过程
根据矿井通风阻力定律，有
$$ {h_i} = {r_i}{Q_i}^2$$ (5) 式中：
$ {h_i} $ 为第$ i $ 条分支的阻力，${\rm{Pa}}$ ；$ {r_i} $ 为第$ i $ 条分支的风阻，${\rm{N}} \cdot {{\rm{s}}^2}/{{\rm{m}}^8}$ ；${Q_i}$ 为第$ i $ 条分支的风量，${{\rm{m}}^3}/{\rm{s}}$ 。由式（5）可知，当某条巷道分支风阻发生改变时，会引起整个通风网络的风量重新分配。在实验平台中，用蝶阀代替通风构筑物风门、风窗，保持通风机动力不变，则蝶阀开度变化会造成其所在分支的等效风阻发生变化，进而引起风量变化。实验时随机选取分支e8，e10，e15，e16，e55模拟故障情况，具体步骤如下：
（1） 将通风机频率调为50 Hz，记录各蝶阀初始状态下e1—e3，e7，e9—e12，e20，e24，e27，e29，e35，e37，e41，e44，e49，e60分支中18个风速传感器测得的风速。
（2） 调节分支e8中蝶阀开度，调节范围为0～100°，不包括初始角度50°，连续调节60次，记录每次调节后网络解算得到的风速。
（3） 按照步骤（2）依次调节分支e10，e15，e16，e55中蝶阀开度，并收集每次变化后18个风速传感器测得的风速。
（4） 测量管道网络的断面面积，将风速数据换算成风量。
18个风速传感器均为同一型号，测量精度为
$\pm 0.2\;{\rm{m/s}} + 2{\text{%}} {\rm{FS}}$ ，且在出厂前均已标校完成，确保了风量数据的准确性。实验共收集风量数据300组，部分数据见表2。将18个分支的风量作为故障诊断模型的输入变量，故障分支编号作为输出变量。
表 2 部分风量数据Table 2. Part of the air volume datam3/min 序号 故障分支 风量1 风量2 风量3 ··· 风量16 风量17 风量18 1 e8 639.54 634.95 288.16 ··· 259.48 257.34 1315.92 2 e10 672.61 667.72 557.35 ··· 166.60 165.23 1376.53 3 e15 660.15 655.44 229.89 ··· 207.10 205.30 1353.86 4 e16 666.42 661.72 208.44 ··· 187.69 186.16 1365.37 5 e55 655.63 650.81 244.23 ··· 219.92 218.11 1345.45 298 e10 652.34 647.71 226.33 ··· 228.46 226.58 1339.56 299 e15 658.53 653.84 235.05 ··· 211.65 209.91 1350.90 300 e55 660.93 655.31 228.81 ··· 206.05 204.35 1354.46 3.2 数据预处理
为使18个输入风量数据位于同一量级，采用标准化方法对数据进行预处理。标准化方法确保了每个特征的平均值为0，方差为1，计算公式为
$$ {y}_{{\rm{new}}}=\frac{{y}_{j}-\overline{y}}{\sigma } $$ (6) $$ \overline{y}=\frac{1}{K}\sum\limits_{j=1}^{K}{y}_{j} $$ (7) $$ \sigma =\frac{1}{K}\sum _{j=1}^{K}({y}_{j}-\overline{y}{)}^{2} $$ (8) 式中：ynew为标准化处理后的数据；yj为第j个输入数据；
$ \overline y $ 为yj的平均值；$ \sigma $ 为yj的方差；K为数据总数。各分支初始风量数据箱形图如图4所示，从上至下分别为上边缘、上四分位数、中位数、下四分位数和下边缘，其中上边缘、下边缘分别表示每个分支300个数的最大值和最小值，数据中75%低于上四分位数，数据中25%低于下四分位数，中位数则是按大小顺序排列后中间数的值。从图4可看出，初始数据中分支e18的风量最大，都在1 000 m3/min以上，分支e14的风量最小，最大值不超过200 m3/min，各分支风量数据差距较大。
预处理后各分支风量数据箱形图如图5所示。通过对比发现，标准化后风量数据之间的差距大大缩小。
4. 通风网络故障诊断模型训练和测试
4.1 交叉验证与网格搜索
通过交叉验证和网格搜索对基于SVM、随机森林、神经网络的通风网络故障诊断模型进行参数寻优。
交叉验证是一种评估泛化性能的统计学方法。在交叉验证过程中，数据被划分为k折，训练模型时依次使用每一折作为测试集，其他k−1折作为训练集，最后得到k个精度值。评价交叉验证精度的一种常用方法是计算平均值，通过k折划分使得所有类别的数据都能被训练，模型更稳定，数据更全面。
网格搜索是一种模型参数优化技术，其本质是对指定参数值的穷举搜索。对指定的不同参数作笛卡尔乘积，得到若干组参数组合，使用每组参数训练模型，挑选在交叉验证中表现最好的参数作为最优参数。
4.2 参数寻优
4.2.1 SVM模型参数寻优
在基于SVM的故障诊断模型中，设C={10，102，103，104，105，106}，γ={10−5，10−4，10−3，10−2，10−1，1}，经过网格搜索和5折交叉验证，得到不同参数组合下SVM模型交叉验证平均分数热力图，如图6所示。可以看出，C=10，γ=10−5时，交叉验证平均分数最低，只有0.5450；随着C和γ增大，交叉验证平均分数也不断增大，当C=104，γ=10−1时，交叉验证平均分数最高，达0.9050；继续增大参数值，交叉验证平均分数不再增大，说明最优参数为C=104，γ=10−1，该参数下SVM模型分类预测能力最优。该结果验证了参数值区间选取的合理性。
![]()
图 6 SVM模型交叉验证平均分数热力图Figure 6. The heat map of cross-validation average score of SVM model4.2.2 随机森林模型参数寻优
在基于随机森林的故障诊断模型中，设决策树个数p={5，10，15，20，25，30，35}，由于输入特征为18个分支的风量，即M=18。根据式（3），令q={1，2，3，4，5}。经过网格搜索和5折交叉验证，得到不同参数组合下随机森林模型交叉验证平均分数热力图，如图7所示。可以看出，p=5，q=1时，交叉验证平均分数最低，只有0.6580，此时模型相对简单；随着决策树个数增加和随机性参数增大，模型逐渐复杂化，交叉验证平均分数不断增大，当p=15，q=4时，交叉验证平均分数最高，达0.8550；继续增大决策树个数和随机性参数值，交叉验证平均分数不再增大。
![]()
图 7 随机森林模型交叉验证平均分数热力图Figure 7. The heat map of cross-validation average score of random forest model4.2.3 神经网络模型参数寻优
通过实验研究单隐层条件下隐含层节点数和正则化参数对分类准确率的影响。输入数据为18个风速传感器的风量，输出数据为5个巷道分支编号，即m=18，n=5，根据式（4），设隐含层节点数t= {6，7，8，9，10，11，12，13，14，15，16，17，18}，正则化参数α={10−6，10−5，10−4，10−3，10−2，10−1}。经过网格搜索和5折交叉验证，得到不同参数组合下神经网络模型交叉验证平均分数热力图，如图8所示。可以看出，t=6，α=10−5时，交叉验证平均分数最低，只有0.8280；随着隐含层节点数量增加，模型逐渐变得复杂，当t=14，α=10−5时，交叉验证平均分数最高，达0.9150，此时神经网络模型分类预测能力最好。
![]()
图 8 神经网络模型交叉验证平均分数热力图Figure 8. The heat map of cross-validation average score of neural network model4.3 结果对比分析
3种故障诊断模型在训练集和测试集上的准确率见表3。可看出基于神经网络的通风网络故障诊断模型效果最好，泛化能力最强。
表 3 故障诊断模型准确率比较Table 3. Comparison of accuracy of fault diagnosis models故障诊断模型 最优参数 准确率 训练集 测试集 SVM C=104
γ=10−10.99 0.89 随机
森林p=15
q=40.96 0.88 神经
网络t=14
α=10−50.96 0.95 3种故障诊断模型在测试集上对分支e8，e10，e15，e16，e55的预测准确率如图9所示。可以看出，神经网络对5个分支的预测准确率均为最高，进一步验证了神经网络模型优秀的泛化性能。
![]()
图 9 故障诊断模型在各分支上的预测准确率Figure 9. Prediction accuracy of fault diagnosis model on each branch5. 现场验证
为了进一步比较3种故障诊断模型的准确率，在陕煤集团神木张家峁煤矿进行现场验证。依次调节22201运输巷风窗FC−2−2−001、22202运输巷风窗FC−2−2−002、22203运输巷风窗FC−2−2−003过风面积，监测不同状态下2−2煤风窗附近8个测风站的风量，共获取160组数据。将其中的75%划分为训练集，25%划分为测试集，对3种故障诊断模型进行训练和测试，结果见表4。可以看出，神经网络模型在训练集和测试集上的准确率均为最高。
表 4 3种故障诊断模型准确率Table 4. Accuracy of three fault diagnosis models故障诊断
模型准确率 训练集 测试集 SVM 0.97 0.86 随机森林 0.93 0.90 神经网络 0.98 0.96 随机调节2−2煤运输巷3个风窗的过风面积，监测风窗附近8个测风站的风量，共收集120组新数据，输入神经网络模型进行预测，3个风窗故障位置诊断结果散点图如图10所示，其中风窗序号1，2，3分别表示FC−2−2−001，FC−2−2−002，FC−2−2−003。可以看出，风窗FC−2−2−002的40个故障样本全部预测正确；风窗FC−2−2−001的40个故障样本中，有1个样本被误判为风窗FC−2−2−002的样本，其余全部预测正确；风窗FC−2−2−003的40个故障样本中，有1个样本被误判为风窗FC−2−2−002的样本，其余全部预测正确。对3个风窗故障位置的诊断结果统计见表5，可见，基于神经网络的通风网络故障诊断模型准确率达0.98，进一步验证了其可靠性。
表 5 故障位置诊断结果统计Table 5. Statistics of fault location diagnosis results故障位置 样本
个数正确
个数错误
个数准确率 FC−2−2−001 40 39 1 0.98 FC−2−2−002 40 40 0 1.00 FC−2−2−003 40 39 1 0.98 6. 结论
（1） 在通风网络管道模型实验平台上收集通风数据，分别建立基于SVM、随机森林、神经网络的通风网络故障诊断模型，并运用网格搜索对参数进行遍历寻优，得出神经网络模型在隐含层节点数量为14、正则化参数为10−5时，故障诊断准确率最高，泛化能力最好。
（2） 将基于SVM、随机森林、神经网络的通风网络故障诊断模型应用到张家峁煤矿现场数据集，得出3种模型在测试集上的故障诊断准确率分别为0.86，0.90和0.96。收集120组新的通风数据并输入神经网络模型进行故障预测，准确率达0.98，进一步验证了神经网络模型的准确性和可靠性。
-
![]()
图 1 煤矿透水事故影响因素框架
Figure 1. Framework of influence factors of coal mine water inrush accidents
![]()
图 2 煤矿透水事故影响因素多级递阶结构模型
Figure 2. Multi-level hierarchical structure model of influence factors of coal mine water inrush accidents
![]()
图 3 煤矿透水事故影响因素BN模型
Figure 3. Bayesian network model of influence factors of coal mine water inrush accidents
![]()
图 4 煤矿透水事故影响因素BN节点后验概率分布
Figure 4. Posteriori probability distribution of BN nodes of influence factors of coal mine water inrush accidents
表 1 煤矿透水事故关键词及频次统计
Table 1 Keywords and frequency statistics of water inrush accidents in coal mines
关键词 频次 关键词 频次 关键词 频次 不到位 51 技术手段 16 越界开采 9 安全 42 巷道 14 教育 8 探放水 33 培训 14 安全意识 8 防治水 27 透水征兆 13 煤柱断层 7 积水 23 人员配备 13 图纸 6 管理不到位 22 管理混乱 10 非法 4 监管不落实 21 采空区 10 违章 4 违法布置
掘进工作面18 设备 9 地质 4 
下载: 导出CSV
表 2 煤矿透水事故综合影响矩阵
Table 2 Comprehensive influence matrix of coal mine water inrush accidents
Si Sj S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17 S18 S1 0.05 0.12 0.04 0.08 0.05 0.04 0.05 0.05 0.05 0.09 0.09 0.02 0.03 0.03 0.08 0.02 0.08 0.07 S2 0.15 0.08 0.08 0.09 0.11 0.05 0.09 0.08 0.08 0.09 0.07 0.03 0.04 0.08 0.07 0.05 0.09 0.09 S3 0.18 0.19 0.08 0.13 0.14 0.08 0.11 0.11 0.10 0.14 0.09 0.04 0.06 0.09 0.10 0.06 0.11 0.10 S4 0.15 0.17 0.16 0.08 0.21 0.13 0.18 0.18 0.18 0.20 0.15 0.06 0.12 0.08 0.11 0.07 0.12 0.11 S5 0.20 0.21 0.18 0.12 0.13 0.11 0.21 0.20 0.20 0.15 0.21 0.08 0.12 0.10 0.10 0.07 0.13 0.11 S6 0.13 0.19 0.13 0.12 0.18 0.10 0.20 0.21 0.18 0.21 0.20 0.13 0.18 0.08 0.11 0.07 0.13 0.08 S7 0.05 0.08 0.07 0.04 0.13 0.09 0.07 0.11 0.11 0.10 0.16 0.08 0.10 0.03 0.03 0.02 0.04 0.03 S8 0.05 0.08 0.06 0.03 0.13 0.09 0.11 0.06 0.10 0.10 0.15 0.06 0.07 0.02 0.03 0.02 0.04 0.02 S9 0.06 0.09 0.07 0.04 0.13 0.10 0.12 0.11 0.07 0.11 0.16 0.06 0.07 0.03 0.06 0.04 0.05 0.03 S10 0.15 0.19 0.10 0.08 0.14 0.13 0.20 0.19 0.18 0.11 0.19 0.12 0.16 0.05 0.10 0.06 0.10 0.05 S11 0.08 0.09 0.07 0.06 0.12 0.10 0.14 0.14 0.14 0.12 0.09 0.08 0.10 0.03 0.04 0.02 0.09 0.03 S12 0.10 0.12 0.07 0.06 0.17 0.16 0.15 0.12 0.12 0.16 0.20 0.06 0.16 0.06 0.08 0.03 0.15 0.05 S13 0.08 0.09 0.05 0.04 0.14 0.12 0.16 0.10 0.09 0.09 0.17 0.09 0.06 0.05 0.06 0.02 0.05 0.03 S14 0.19 0.21 0.19 0.14 0.22 0.13 0.17 0.17 0.16 0.19 0.15 0.06 0.08 0.07 0.15 0.12 0.14 0.14 S15 0.20 0.22 0.18 0.18 0.22 0.17 0.19 0.18 0.18 0.21 0.18 0.09 0.12 0.16 0.09 0.10 0.17 0.15 S16 0.21 0.22 0.19 0.19 0.22 0.15 0.19 0.18 0.18 0.21 0.19 0.09 0.12 0.16 0.14 0.06 0.19 0.17 S17 0.15 0.17 0.16 0.12 0.21 0.13 0.18 0.18 0.18 0.20 0.15 0.06 0.12 0.08 0.11 0.07 0.08 0.11 S18 0.19 0.20 0.17 0.12 0.13 0.07 0.12 0.11 0.11 0.15 0.09 0.04 0.06 0.12 0.13 0.11 0.12 0.07
下载: 导出CSV
表 3 煤矿透水事故影响因素的DEMATEL分析结果
Table 3 DEMEATEL analysis results of influence factors of coal mine water inrush accidents
影响因素 影响度 被影响度 中心度 中心度排序 原因度 因素属性 三违行为S1 1.044 0 2.365 4 3.409 5 16 −1.321 4 结果因素 生理心理因素S2 1.421 7 2.705 7 4.127 4 8 −1.284 1 结果因素 安全风险意识差S3 1.891 5 2.050 8 3.942 3 12 −0.159 4 结果因素 无证上岗S4 2.440 7 1.728 2 4.168 9 7 0.712 5 原因因素 水害认识不足S5 2.621 0 2.778 4 5.399 4 1 −0.157 4 结果因素 技术手段薄弱S6 2.622 4 1.943 0 4.565 4 4 0.679 5 原因因素 巷道设计不合理S7 1.346 2 2.638 8 3.985 0 11 −1.292 5 结果因素 探防排水设备不合理S8 1.228 9 2.476 6 3.705 4 14 −1.247 7 结果因素 探放水系统不合理S9 1.400 0 2.414 0 3.813 9 13 −1.014 0 结果因素 水文地质探测不到位S10 2.292 2 2.624 5 4.916 7 2 −0.332 3 结果因素 水源威胁S11 1.571 3 2.685 3 4.256 5 6 −1.114 0 结果因素 地质条件复杂S12 2.016 2 1.226 2 3.242 4 18 0.789 9 原因因素 围岩情况复杂S13 1.499 6 1.779 6 3.279 2 17 −0.279 9 结果因素 教育培训不到位S14 2.674 4 1.341 1 4.015 5 10 1.333 3 原因因素 安全管理混乱S15 2.989 8 1.587 8 4.577 6 3 1.402 0 原因因素 监督体系不健全S16 3.052 4 1.014 2 4.066 6 9 2.038 2 原因因素 人员配备不足S17 2.440 7 1.876 1 4.316 8 5 0.564 6 原因因素 违法组织开采S18 2.122 7 1.439 9 3.562 6 15 0.682 8 原因因素
下载: 导出CSV
-
[1] 张培森,李复兴,朱慧聪,等. 2008—2020年煤矿事故统计分析及防范对策[J]. 矿业安全与环保,2022,49(1):128-134. DOI: 10.19835/j.issn.1008-4495.2022.01.022 ZHANG Peisen,LI Fuxing,ZHU Huicong,et al. Statistical analysis and prevention countermeasures of coal mine accidents from 2008 to 2020[J]. Mining Safety & Environmental Protection,2022,49(1):128-134. DOI: 10.19835/j.issn.1008-4495.2022.01.022
[2] 张世龙,张民波,朱仁豪,等. 近5年我国煤矿事故特征分析及防治对策[J]. 煤炭与化工,2021,44(8):101-106,109. DOI: 10.19286/j.cnki.cci.2021.08.033 ZHANG Shilong,ZHANG Minbo,ZHU Renhao,et al. Analysis of the characteristics of China's mine accidents in the past five years and countermeasures for prevention and control[J]. Coal and Chemical Industry,2021,44(8):101-106,109. DOI: 10.19286/j.cnki.cci.2021.08.033
[3] 傅贵,郑志勇. 煤矿透水事故不安全动作原因分类研究[J]. 煤矿安全,2016,47(7):244-246,250. DOI: 10.13347/j.cnki.mkaq.2016.07.067 FU Gui,ZHENG Zhiyong. Research on reasons classification for unsafe acts in coal mine water accidents[J]. Safety in Coal Mines,2016,47(7):244-246,250. DOI: 10.13347/j.cnki.mkaq.2016.07.067
[4] 赵飞,许娜. 基于FAST法的透水事故救援产品模块化设计[J]. 包装工程,2020,41(16):141-146. DOI: 10.19554/j.cnki.1001-3563.2020.16.021 ZHAO Fei,XU Na. Modular design of water-permeable accident rescue products based on the FAST[J]. Packaging Engineering,2020,41(16):141-146. DOI: 10.19554/j.cnki.1001-3563.2020.16.021
[5] 周峰雷,李新春,裴丽莎. 基于遗传算法−BP神经网络的煤矿透水事故涌水量预测模型研究[J]. 煤炭技术,2015,34(11):169-170. DOI: 10.13301/j.cnki.ct.2015.11.063 ZHOU Fenglei,LI Xinchun,PEI Lisha. Prediction model of coal mine water inflow based on GA-BP neural network[J]. Coal Technology,2015,34(11):169-170. DOI: 10.13301/j.cnki.ct.2015.11.063
[6] 李满如. 事故树和层次分析法在煤矿透水事故分析与评价中的应用[J]. 煤炭与化工,2020,43(5):60-62,66. DOI: 10.19286/j.cnki.cci.2020.05.016 LI Manru. Application of incident tree and hierarchical analysis method in the analysis and evaluation of mine permeability accidents[J]. Coal and Chemical Industry,2020,43(5):60-62,66. DOI: 10.19286/j.cnki.cci.2020.05.016
[7] 张国琴. FTA和AHP综合分析在煤矿透水事故分析中的应用[J]. 现代矿业,2020,36(2):239-241. DOI: 10.3969/j.issn.1674-6082.2020.02.074 ZHANG Guoqin. Application of comprehensive analysis of FTA and AHP in coal mine permeability accident analysis[J]. Modern Mining,2020,36(2):239-241. DOI: 10.3969/j.issn.1674-6082.2020.02.074
[8] 陈伟,杨主张,熊威,等. 装配式建筑工程施工安全风险传导DEMATEL−BN模型[J]. 中国安全科学学报,2020,30(7):1-6. DOI: 10.16265/j.cnki.issn1003-3033.2020.07.001 CHEN Wei,YANG Zhuzhang,XIONG Wei,et al. Research on DEMATEL-BN model of construction risk transmission for prefabricated building[J]. China Safety Science Journal,2020,30(7):1-6. DOI: 10.16265/j.cnki.issn1003-3033.2020.07.001
[9] 王文和,朱正祥,米红甫,等. 基于DEMATEL−ISM的城市地下综合管廊火灾事故影响因素研究[J]. 安全与环境学报,2020,20(3):793-800. DOI: 10.13637/j.issn.1009-6094.2019.0092 WANG Wenhe,ZHU Zhengxiang,MI Hongfu,et al. Pursuit and determination of the influential factors of the urban underground integrated pipe gallery fire accidents based on the DEMATEL-ISM[J]. Journal of Safety and Environment,2020,20(3):793-800. DOI: 10.13637/j.issn.1009-6094.2019.0092
[10] 贾宝惠,史思杨,王玉鑫. 基于改进DEMATEL−ISM模型的机轮刹车系统风险因素分析[J]. 安全与环境学报,2021,21(2):506-512. DOI: 10.13637/j.issn.1009-6094.2019.0802 JIA Baohui,SHI Siyang,WANG Yuxin. Risk factors analysis of the wheel brake system based on the improved DEMATEL-ISM[J]. Journal of Safety and Environment,2021,21(2):506-512. DOI: 10.13637/j.issn.1009-6094.2019.0802
[11] 李广利,严一知,刘文琦,等. 基于DEMATEL−ISM的矿工不安全情绪形成因子研究[J]. 中国安全科学学报,2021,31(7):30-37. DOI: 10.16265/j.cnki.issn1003-3033.2021.07.005 LI Guangli,YAN Yizhi,LIU Wenqi,et al. Research on formation factors of miners' unsafe emotions based on DEMATEL-ISM[J]. China Safety Science Journal,2021,31(7):30-37. DOI: 10.16265/j.cnki.issn1003-3033.2021.07.005
[12] 申霞,夏越,杨校毅,等. 集成DEMATEL/ISM的煤矿工人违章行为影响因素研究[J]. 中国安全科学学报,2015,25(9):145-151. DOI: 10.16265/j.cnki.issn1003-3033.2015.09.024 SHEN Xia,XIA Yue,YANG Xiaoyi,et al. DEMATEL and ISM-based study on factors influencing miners' violation behavior[J]. China Safety Science Journal,2015,25(9):145-151. DOI: 10.16265/j.cnki.issn1003-3033.2015.09.024
[13] KASHYAP A,KUMAR C,KUMAR V,et al. A DEMATEL model for identifying the impediments to the implementation of circularity in the aluminum industry[J]. Decision Analytics Journal,2022:5. DOI: 10.1016/j.dajour.2022.100134.
[14] LIN Feng,WU Ping,XU Yidong. Investigation of factors influencing the construction safety of high-speed railway stations based on DEMATEL and ISM[J]. Advances in Civil Engineering,2021:2021. DOI: 10.1155/2021/9954018.
[15] MULHERN R,ROOSTAEI J,SCHWETSCHENAU S,et al. A new approach to a legacy concern:evaluating machine-learned Bayesian networks to predict childhood lead exposure risk from community water systems[J]. Environmental Research,2022:204. DOI: 10.1016/j.envres.2021.112146.
[16] 于秀珍,牟瑞芳. 集成DEMATEL与ISM的铁路行车事故影响因素分析[J]. 安全与环境学报,2022,22(5):2334-2341. DOI: 10.13637/j.issn.1009-6094.2021.0659 YU Xiuzhen,MOU Ruifang. Research on factors influencing railway accidents based on DEMATEL and ISM integrated method[J]. Journal of Safety and Environment,2022,22(5):2334-2341. DOI: 10.13637/j.issn.1009-6094.2021.0659
[17] 刘延威,温忠党. 煤矿透水事故采取的策略分析[J]. 山东工业技术,2015(6):81. DOI: 10.16640/j.cnki.37-1222/t.2015.06.049 LIU Yanwei,WEN Zhongdang. Analysis of the strategy adopted in coal mine flooding accident[J]. Shandong Industrial Technology,2015(6):81. DOI: 10.16640/j.cnki.37-1222/t.2015.06.049
[18] 李文平. 试析煤矿地质与防治水工作结合的必要性[J]. 内蒙古煤炭经济,2020(8):183-184. DOI: 10.13487/j.cnki.imce.017102 LI Wenping. Analysis on the necessity of combining coal mine geology with water control[J]. Inner Mongolia Coal Economy,2020(8):183-184. DOI: 10.13487/j.cnki.imce.017102
[19] 郭小兵. 浅谈老空水害事故原因及防范管理对策[J]. 能源与节能,2018(10):41-42. DOI: 10.3969/j.issn.2095-0802.2018.10.019 GUO Xiaobing. On the causes and countermeasures of the water damage accidents in old goaf[J]. Energy and Energy Conservation,2018(10):41-42. DOI: 10.3969/j.issn.2095-0802.2018.10.019
[20] 陈亚敏. 煤矿透水的原因及其防范对策研究[J]. 化工管理,2016(3):79. DOI: 10.3969/j.issn.1008-4800.2016.03.063 CHEN Yamin. Study on the causes of coal mine water permeability and its prevention countermeasures[J]. Chemical Enterprise Management,2016(3):79. DOI: 10.3969/j.issn.1008-4800.2016.03.063
[21] 张宁,盛武. 基于贝叶斯网络的煤矿瓦斯爆炸事故致因分析[J]. 工矿自动化,2019,45(7):53-58. DOI: 10.13272/j.issn.1671-251x.2019010049 ZHANG Ning,SHENG Wu. Causes analysis of coal mine gas explosion accidents based on Bayesian network[J]. Industry and Mine Automation,2019,45(7):53-58. DOI: 10.13272/j.issn.1671-251x.2019010049
-
期刊类型引用(3)
1. 贾娜娜. 甲烷传感器的检定与校准研究. 内蒙古石油化工. 2022(12): 47-50 . 
百度学术
2. 周德胜，梁光清，郭清华. 基于脉冲供电的便携式甲烷检测仪. 煤矿安全. 2020(03): 93-96 . 百度学术
3. 王海波，赵立厂. 矿山物联网的泛在特征分析与泛在能力建设. 煤炭科学技术. 2020(07): 127-133 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 257
- HTML全文浏览量: 54
- PDF下载量: 20
- 被引次数: 3
