摘要
煤层经济价值对于制定合理高效的资源开采计划具有重要指导意义，故提前准确评估煤层经济价值尤为重要。为了研究煤层经济价值的空间分布与煤质变化特征的相关性，本文以大海则煤矿2号煤层为研究对象，在大量煤质化验等资料基础上，首先选取了发热量、挥发分、灰分、硫分4个评价指标；然后将其评价指标模型块体化，尝试对评价指标建立试验变程内的试验半变异函数，当评价指标变异性较大时通过距离幂次反比法函数对其模型块体进行插值，并通过PSO算法确定最优幂次；最后优化后的IGA-BP神经网络模型与动力煤计价法相结合,建立了煤层经济价值等级模型。结果表明:大海则煤矿2号煤层经济价值等级变化规律符合正态分布，Ⅰ、Ⅱ、Ⅲ、Ⅳ各等级占比分别为0.5%、36.3%、47.6%、15.6%。煤质及煤层经济价值模型分析研究在煤炭资源利用方面具有广阔的应用前景，根据后续采矿作业中新获取的实测数据，修正更新预测模型，可进一步提高模型精度。
Abstract
The economic value of coal seams is of great significance for the development of rational and efficient resource mining plan, so it is especially important to accurately assess the economic value of coal seams in advance. In order to study the correlation between the spatial distribution of the economic value of coal seams and the characteristics of coal quality changes, taking the No. 2 coal seam of Dahaizhe Coal Mine as the research object, based on a large number of coal quality assays and other information, firstly, four evaluation indexes, namely, heat, volatile matter, ash, and sulfur, were selected; and then the model block of the evaluation indexes was blocked, and an attempt was made to establish a test half-variance function within the experimental variance range for the evaluation indexes, when the evaluation indexes had larger variability. When the variability of the evaluation indexes is large, the model block is interpolated by the distance power inverse method function, and the optimal power is determined by PSO algorithm; finally, the optimized IGA-BP neural network model is combined with the power coal pricing method, and the economic value rank model of the coal seam is established. The results show that the change rule of coal seam economic value of No. 2 coal seam in Dahaizhe Mine is in accordance with the positive and positive distribution, and the proportion of each rank of Ⅰ, Ⅱ, Ⅲ and Ⅳ is 0.5%, 36.3%, 47.6% and 15.6%, respectively. The model analysis of coal quality and economic value of coal seam has a broad application prospect in the utilization of coal resources, and the model accuracy can be further improved by correcting and updating the prediction model according to the newly acquired measured data in the subsequent mining operation.
0 引言
受成煤时期大地构造环境以及沉积环境影响，煤层煤质变化具有空间变异性，该种变异性与煤层经济价值具有密切联系（刘飞跃等，2023）。煤炭作为最重要的一次性能源，广泛地应用于民生、电力及重工业等各个领域，在未来很长一段时间内能源消费格局仍将以煤炭资源的消费为主导，该格局短期内将难以改变（谢和平等，2019）。煤炭资源是能源企业的核心产品，煤炭价格关乎着能源企业经济的健康运行，提前预测煤炭价格可以有效地指导相关能源企业的经济活动，实现企业的健康可持续发展（李大虎等，2020；焦发存等，2022）。因此提前预测煤层经济价值具有重要意义。
地质统计学的理论基础为区域化变量理论，凡是空间数据具有空间相关性和依赖性，皆可应用地质统计学的理论与方法（李增科等，2012）。同一煤层其煤层厚度与煤质变化是连续的、非均匀，符合区域化变量特征，故适用于地质统计学的分析研究 （谢和平等，2019）。李新旺等（2008）通过地质统计学环境评价软件（Geostatistical Environmental As‐ sessment Software）建立某露天煤矿 17# 煤层厚度半变异函数模型，并绘制了方差、克立格估值等值线图以及煤层厚度渲染图，最后在工程实践中通过该方法清楚的掌握了该露天矿煤层和煤质的赋存规律与可采性。Heriawan et al.（2020）对东加里曼丹 Kutai 盆地 Balikpapan 组某个煤层的厚度和总硫的几何参数和质量参数进行处理，证明煤层的特征是相对均匀的，它们的几何参数和质量参数具有平稳分布特征。郝伟和边萌春（2023）通过 Particle swarm optimization 和 Long Short-Term Memory 多步长及多参量预测模型对煤炭价格进行预测，并取得了良好的效果。张峰（2022）用改进后的加权聚类方法对煤炭价格区间型组合预测模型进行优化，大大提高了煤炭价格预测精度。李瑞霞（2006）通过 ArcGIS软件中 eostatisical Analys 模块对煤层厚度空间变异性进行分析研究，并选取了典型矿区煤层厚度预测的最优模型。刘晓宁等（2019）与邹进超等 （2021）利用3DMine软件对特定煤层进行三维建模，并分析了该煤层煤质分布情况，取得了良好的效果。从研究方向来看，以往研究对煤层煤质空间变异性研究较多，煤炭价格预测研究亦较多，但煤质空间变异性与煤炭价格预测相联系并进行建模研究的较少。
基于此，本文以大海则煤矿为例，选择2号主采煤层为研究对象，通过地质统计学理论与方法对 212个勘查钻孔煤质化验数据进行空间变异性分析研究，使用距离幂次反比法建立煤质块体模型，采用优化后的IGA-BP神经网络模型与动力煤计价方法相结合的方式建立煤层经济价值等级模型（郭强，1997）。研究结果可让能源企业提前掌握煤层经济价值的变化规律以及煤质变化特征，对矿井高效地建设生产以及煤炭资源的合理利用具有重要的现实意义（薛喜成等，2023）。
1 评价指标模型
1.1 矿区概况
大海则煤矿处于鄂尔多斯盆地中部次级构造单元陕北斜坡中部，地层总体上向西微倾，行政区划隶属榆林市榆阳区小纪汉乡、补浪河乡管辖。矿区面积 265.6312 km2，地理坐标为：东经 109° 00'54″～109°16'57″，北纬 38°22'01″～38°30'01″，由 34个拐点构成（图1）。矿区内含煤地层为中—下侏罗统延安组，可采煤层为 7层，主要可采煤层为 2、3 号煤层，其中 2 号煤层平均厚度 6.42 m，属特低灰分、中高挥发分、中硫、高发热量的不黏结煤（杨明和王二利，2022①）。
图1大海则煤矿工程布置图
1.2 模型建立
本文通过大量相对规则单元块体来模拟组成空间中相应的地质实体即为模型建立基本思想，将模型中每个单元块体赋值相应地质体的属性信息，根据这些信息通过空间插值推知未知空间的属性信息，并赋值到对应的块体单元中，因此，这些单元块体的属性变化规律直接反映出地质体的内部变化规律（郭强，2012）。模型块体的尺寸主要取决于矿体的类型、规模以及勘探线间距，尺寸过小占用内存过高，计算机难以运行，尺寸太大模型难以精确表现矿体信息，结合大海则煤矿 2 号煤层发育情况以及勘探线间距，论文将单元格设定为正方形，其尺寸为 500 m，大海则 2 号煤层估算边界内，共划分单元格1063个，部分评价单元格的指标统计值见表1。由图2a～d可知，煤质变异性较大，难以建立变程内实验半变异函数模型。故通过距离幂次反比法函数建立其模型。
表1部分评价单元格的指标统计值
距离幂次反比（IDW）法的基本原理为假设待估值的空间点其属性在一定的变程范围内具有关联性且通过已知点与待估值点之间的距离幂次成反比可进行定量表示。该方法原理的基础为区域化变量理论（李章林等，2008）。距离幂次反比法公式如下：
(1)
式（1）中：W （a）为空间待估值点的属性值； X（ xi）为空间已知点的属性值；λi为空间已知点的权重。
由距离幂次反比法的基本思想原理可知，其权重λi的公式如下：
(2)
式（2）中：hi为已知点与待估值点之间的距离 （m）；n为hi的幂次。
hi的幂次n对其权重λi影响较大，随着幂次n的增加权重 λi 不断减小。不同情况下空间已知点属性值对待估值点的属性估值影响不同，待估值点离已知点越近影响越大，反之影响越小，已知点的空间位置方向不同，其对待估值点的属性估值影响也不同（李章林等，2008）。距离幂次反比法中以往幂次的确定多为经验值，但幂次的不同其结果截然不同，经验值不一定是最优值。为快速且准确确定最优值，论文引入粒子群优化算法（PSO），该算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解，公式如下（张军等，2009）：
图2评价指标半变异函数
a—硫分；b—发热量；c—挥发分；d—灰分
(3)
(4)
式（3）～（4）中：为第 i个粒子的 d 维速度（m/ s）；为第 i个粒子的 d维位置；ω为惯量权重；c1、c2 为算法优化的学习因子；randd1、randd2 为迭代过程中在[ 0，1]内的随机取值。
首先选取部分空间已知点属性值，然后利用该已知点预测剩余已知点，最后预测已知点与真实已知点的误差值的平方和的最小值即为最优解。大海则煤矿2号煤层煤质评价指标模型，如图3a～d。
图3煤质评价指标块体模型
a—硫分；b—发热量；c—挥发分；d—灰分
2 基于 IGA-BP 神经网络的煤层经济价值等级模型
2.1 煤层经济价值等级评价指标建立
由于成煤时期成煤条件及地质环境的不同，煤层煤质在空间上的变异性与煤层经济价值密切相关。根据这一原则，再参考前人研究成果（崔恩书和张玉昌，1996；张军等，2009），并结合图3每个块体模型中煤质相关信息，建立了煤层经济价值等级模型的评价指标，计算公式详见张军等（2009）及刘飞跃等（2023）。
2.2 评价指标的量化分级
评价指标的量化分级是建立煤层经济价值等级模型的基础，利用各评价指标的统计值应用模糊聚类法截取 λ 值进行聚类分析，求出归属于每个类别的统计单元编号，进一步分为4组，划分出的各类别对应的取值范围见表2。动力煤发热量计价方式 （聂强，2015）与表2量化分级数据相结合，将大海则煤矿 2 号煤层经济价值分为 Ⅰ（＜765 元/t）、Ⅱ （765～840元/t）、Ⅲ（840～945元/t）、Ⅳ（大于945元/ t）4类。
表2煤层经济价值等级与指标值对应关系
2.3 BP神经网络模型训练样本
基于图3煤质评价指标块体模型，依照各评价指标的数学模型采用块体统计法，求出各块体的统计值，论文选择 80组训练样本，其中前 65组用于学习样本训练，后 15 组用于预测值与真实值对比，然后利用训练后的模型对剩余块体的煤层经济价值等级进行预测。部分块体模型训练样本见表3。
2.4 BP神经网络模型优化
BP 神经网络模型通过训练阶段给定的样本数据，通过选取合适的学习算法，计算机便会自动根据训练阶段样本的网络参数，对预测样本进行运算输出。然而，该评价模型收敛速度相对较慢且对预测样本的运算输出结果易陷入局部最小化（张军等，2009；姜宝良等，2018）。
表3部分煤层经济价值等级块体模型训练样本
IA 理论与 SGA 理论相结合即为 IGA（免疫遗传算法）理论，该理论保留了 SGA 算法的搜索特性又结合了 IA 算法的多机制求解多目标函数最优解的自适应特性。
利用IGA免疫记忆和自我调节功能以及抗体的多样性保持功能对 BP 神经网络模型的结构网络以及结构网络参数进行相应的优化，提高其全局、局部的搜索能力，避免“早熟”，收敛于局部极值，确保快速收敛于全局最优。
2.5 IGA-BP 神经网络煤层经济价值模型应用
大海则煤矿工程布置图如图1。根据钻探工程所获得的煤质分析数据资料，对煤炭价格等级进行预测。为了验证优化后IGA-BP神经网络模型预测的准确性、有效性以及与以往传统神经网络预测模型的不同之处，用训练样本对 BP神经网络、GA-BP 神经网络进行训练并对煤层经济价值等级进行预测（尹会永等，2021）如图4～图6。
利用学习样本训练后的各神经网络模型对测试样本数据进行训练，对训练后的图形数据进行整理分析，各模型数据及评价结果对比见图7。
图4各网络训练误差曲线
a—IGA-BP；b—GA-BP；c—BP
据图7可知，预测精度最高的为IGA-BP神经网络模型，均方根误差、平均相对误差最低亦为 IGA-BP 神经网络模型。由此可知，优化后的 IGA-BP 神经网络模型在训练次数较少的情况下克服了 GA-BP 神经网络模型和 BP 神经网络模型的缺点，在预测评价中具有更好的准确性。大海则煤矿2号煤层经济价值等级评价见表4，煤层经济价值等级模型图见图8。
图5各网络模型测试样本预测值与真实值对比图
a—IGA-BP；b—GA-BP；c—BP
表4大海则煤矿2号煤层经济价值等级评价
图6各模型煤炭价格等级预测图
a—IGA-BP；b—GA-BP；c—BP
图7各模型预测准确率、均方根误差及最大相对误差图
图8大海则煤矿2号煤层经济价值等级预测图
据图8可知：大海则煤矿 2 号煤层经济价值小于765元/t分布于北部区域，储量约201万 t，经济价值占比约 0.5%；765～840 元/t 主要分布于西部区域，储量约 14533 万 t，经济价值占比约 36.3%； 840～945 元/t 主要分布于中部区域，储量约 19057 万 t，经济价值占比约 047.6%；大于 945 元/t 主要分布于东部区域，储量约 6246 万 t，经济价值占比约 15.6%。2号煤层平均厚度、平均视密度与图8经济价值等级模型相结合，确定大海则煤矿 2 号煤层经济价值等级的概率分布如图9所示，整体上符合正态分布，煤层价格多分布在 840～945 元/t 的区间内，煤层经济价值等级占比见图10。
图9大海则煤矿2号煤层经济价值分布直方图
图10大海则煤矿2号煤层经济价值等级占比图
3 结论
（1）利用地质统计学的理论与方法充分挖掘煤层煤质信息空间分布相关性，进而对空间未知区域进行插值，结合动力煤计价方法与优化后的 IGA-BP神经网络模型，建立了煤层经济价值等级块体模型，成功地将煤层信息进行了精细化的建模。
（2）利用IGA优化后的BP神经网络模型对煤层经济价值等级进行预测分类，并与 GA 优化后的 BP 神经网络模型以及BP神经网络模型进行对比验证，结果显示 IGA 优化后的 BP 神经网络模型准确率最高，大海则煤矿2号煤层煤层经济价值Ⅰ、Ⅱ、Ⅲ、Ⅳ 各等级占比分别为0.5%、36.3%、47.6%、15.6%。
（3）实测煤质数据的丰度是影响煤质与经济价值等级模型精度的关键因素，通过充分利用采矿、勘探等过程新生数据以及结合相应的块体模型和地质统计学方法，可对煤层煤质、价值等信息进行实时更新和预测，这在指导有效开发利用煤炭资源上是至关重要的。
注释
① 杨明，王二利.2022. 中煤陕西榆林能源化工有限公司大海则煤矿 201、202 盘区地质补充勘探报告[R]. 榆林: 陕西省一八五煤田地质有限公司.