瓦斯涌出量计算-盘古文库

瓦斯涌出量计算（精选7篇）

瓦斯涌出量计算第1篇

阳泉煤业 (集团) 有限责任公司是山西省五大煤炭集团之一, 全国最大的无烟煤生产基地和中国三强煤化工企业集团。随着煤矿瓦斯治理水平的不断提高, 在通风瓦斯管理实践中, 对瓦斯涌出变化分析要求务必准确, 尽量做到与现场实际相符, 方能有利于及时查找分析引发原因, 为制定针对性措施提供支持。

1 问题提出

煤矿井下瓦斯经常变化, 特别是在煤与瓦斯突出或瓦斯喷出等异常情况下, 瓦斯涌出量短时间内突然增大, 同时巷道断面受突出煤体堵塞会引起过风量发生变化, 而瓦斯检查工常不能及时测量瓦斯浓度和风量, 瓦斯监控系统也只能记录突出时段内部分瞬时瓦斯浓度数据, 如利用算术平均计算误差较大, 给指导实际生产带来较大不便。但经过分析瓦斯监控系统实时数据生成的浓度曲线, 发现其所包含的风量信息, 结合生产地点实际, 可合理计算风量。同时利用定积分近似计算方法, 可得出瓦斯突出较为准确的瓦斯涌出量。计算时将瓦斯突出时间区域划分为以巡检周期为单位的较小时间段, 取每个巡检周期内的瓦斯平均浓度, 将所有单位时间内瓦斯涌出量为平均浓度与风量的乘积, 累加后可得出总的瓦斯量。现通过一实例分析, 说明如何应用该方法。

2 实例工作面突出前概况

2004年11月11日, 阳煤集团新景公司7303综采工作面零点班生产期间, 第77架至第86架处发生了煤与瓦斯突出, 为建井以来遇到的首次煤与瓦斯突出。突出的煤量约为70 t左右, 同时伴随大量瓦斯量涌出。该工作面通风系统采用“U+L”型布置, 即一条进风巷, 一条回风巷, 一条专用排瓦斯巷, 走向长度1 225m, 倾斜长度173.5 m, 煤层厚度2.44 m。该工作面共安设CH4传感器4个, 回风上隅角1个, 距回风巷口10m处1个, 机尾距工作面8 m处1个, 距专用排瓦斯巷口10 m处1个, 发生突出前后各个传感器工作状态均正常。工作面布置见图1。

3 实例工作面突出后风量确定

工作面于7:12分第77架至第86架处发生煤与瓦斯突出, 突出的煤量约为70 t左右, 大量煤体涌向工作面形成堆积, 造成通风断面狭小, 通风阻力增大, 过风量减小。同时大量瓦斯短时间涌出, 使空间气体体积增大, 故当时工作面实际风量与之前的测风量显然不同。

由于该工作面未安设风速传感器, 可以利用CH4传感器的实时数据间接确定当时风量。突出后监测系统显示机尾CH4传感器T1最大值在7:12, 回风巷CH4传感器T5最大值在7:23, 时间间隔△t=T5-T1=11 min, 两传感器之间的距离为1 201 m, 见图2。瓦斯浓度峰值流经两传感器间的时间, 反映了风流的流动速度。回风顺槽断面9 m2, 得出突出后回风风量:

式 (1) 中, Q1为回风风量, m3/min;l为两个CH4传感器间的距离, 1 201 m;T5、T1为回风巷、机尾CH4传感器达到峰值的时间, 11 min;S为回风巷断面积, 9 m2。经计算得出突出后回风风量Q1为983 m3/min。

瓦斯监控系统显示, 突出期间专用排瓦斯巷瓦斯浓度同时增大, 说明工作面突出瓦斯部分经采空区进入专用排瓦斯巷。突出后煤体堵塞部分工作面断面, 影响了工作面风量, 但未改变专用排瓦斯巷与回风巷间并联通风系统。故此按并联网络自然分配关系, 突出前后两巷道风阻未发生变化, 所以突出前后两巷道风量为线性关系, 即。突出前回风巷风量Q1前为1 230 m3/min, 专用排瓦斯巷风量Q2前为9 35 m3/min。突出后回风风量Q1按上述结果为983m3/min, 经计算专用排瓦斯巷风量为747 m3/min。

4 实例工作面突出后瓦斯涌出量计算

工作面突出的瓦斯量包括回风瓦斯量和尾巷瓦斯量两部分, 下面分别计算。

4.1 回风巷瓦斯涌出量

用定积分矩形近似计算突出后流经回风巷的瓦斯量。瓦斯涌出在机尾时混合仍不均匀, 风流流经回风瓦斯传感器时, 已经充分混合, 故采用回风瓦斯传感器的分钟瓦斯浓度数据及监测系统形成的瓦斯浓度历史曲线。

发生突出后监测系统显示, 回风巷瓦斯浓度在7:20 (t1) 突然增大, 上升最大值后逐渐回落, 直到7:37 (t2) 恢复至正常值1.0%以下。上述时间段内流进回风巷的瓦斯量计算公式如下:

式 (2) 中, V1为回风巷突出期间瓦斯涌出量, m3;t1为瓦斯浓度突然增大超过1%的起始时间点;t2为瓦斯浓度下降到1%的终止时间点;f (x) 为实时瓦斯浓度函数;Δx为瓦斯异常涌出时间区域内划分的最小计算单位时间, 取1 min;yi为最小单位时间 (1 min) 内瓦斯浓度的平均值, %;Q1为实时风量值, 考虑突出发生时间短暂, 近似取突出后风量983 m3/min;N为瓦斯异常涌出时间区域包含最小单位计算时间的个数, 共计17个。

通过瓦斯监控系统历史数据分析, 突出后瓦斯异常涌出时间共17 min, 系统记录的每分钟内平均瓦斯浓度, 分别是4.7%、15.65%、22.48%、21.61%、18.28%、14.57%、12.02%、10.47%、9.53%、8.53%、7.73%、7.05%、6.55%、6.05%、5.82%、5.47%、1.26%。代入上述公式, 得出:回风巷瓦斯涌出量V1为1 747.48 m3。

4.2 专用排瓦斯巷瓦斯涌出量

发生突出后监测系统显示, 尾巷瓦斯浓度在7:35 (t3) 突然增大, 上升最大值后逐渐回落, 直到8:00 (t4) 恢复至正常值2.5%以下。上述时间段内流经专用排瓦斯巷的瓦斯量, 比照回风巷采用的方法计算, 专用排瓦斯巷计算时风量取747 m3/min, 突出后瓦斯异常涌出时间22 min, 系统记录的每分钟内平均瓦斯浓度, 分别是2.52%、2.57%、2.7%、3.11%、3.31%、3.44%、3.53%、3.53%、3.49%、3.44%、3.37%、3.28%、3.22%、3.15%、3.08%、2.94%、2.74%、2.69%、2.64%、2.6%、2.57%、2.54%。代入上述公式, 得出:专用瓦斯排放巷瓦斯涌出量V2为496.46 m3。

4.3 工作面突出后涌出瓦斯量

工作面发生突出后, 异常涌出的瓦斯全部经回风巷和专用排瓦斯巷排出, 合计涌出瓦斯量V=V1+V2=1 747.48+496.46=2 243.94 m3。

5 误差分析

Δx越小误差越小, 即缩短监测系统采集数据的间隔时间, 缩短巡检周期可提高计算精度。采用定积分矩形法近似计算的中点法, 其理论相对误差可精确到0.003, 能够满足现场生产的需要。

6 结语

矿井瓦斯涌出总是在不断变化, 涌出过程中瓦斯量很难及时测定, 利用上述方法, 在瓦斯突出、喷出及放炮后等瓦斯异常涌出后, 可利用监测系统记录的实时浓度数据, 通过近似计算准确掌握上述过程中涌出的瓦斯量, 以指导生产实践。

摘要：对井下发生煤与突出后巷道断面变化及瓦斯涌出突然增大给瓦斯涌出量计算带来的影响进行了研究, 结合采煤工作面发生煤与瓦斯突出后现场情况的调查, 提出了利用瓦斯监控系统瓦斯浓度实时数据和峰值移动时间, 采用定积分近似计算对数据进行处理, 得出了准确定量分析井下煤与瓦斯突出后瓦斯涌出量变化的方法。

瓦斯涌出量预测研究第2篇

瓦斯灾害是煤矿开采中需要研究解决的最严重的灾害之一。瓦斯突出不仅能摧毁井巷设施、破坏矿井通风系统, 而且使井巷充满瓦斯和煤 (岩) 抛出物, 造成人员窒息、煤流埋人, 甚至可能引起瓦斯爆炸与火灾事故。控制瓦斯一直是世界各产煤国煤矿安全的主攻方向之一。瓦斯是地质产物, 受地质作用的控制。瓦斯作为气体, 除了它的生成条件, 更重要的是地质作用对它保存的影响及它的储集条件。运用瓦斯地质的方法, 搞清矿井瓦斯形成和保存的地质条件;搞清影响瓦斯赋存, 瓦斯涌出量, 瓦斯含量分布及发生瓦斯突出的主要地质因素, 找出瓦斯分布的客观规律, 并进行预测, 对于指导采区的安全生产是一种非常必要的科学的方法。

2 瓦斯涌出量预测研究

煤层瓦斯含量是一定量煤中所含有的瓦斯量它是煤层的基本瓦斯参数, 是计算瓦斯蕴藏量、预测瓦斯涌出量的重要依据。国外大量测定结果表明, 煤层原始瓦斯含量不超过20~30m3/t, 仅为成煤过程生成瓦斯量的1/5~1/10或更少。影响煤层瓦斯含量的主要因素如下:

a.煤层的埋藏深度;b.煤层与围岩的透气性;c.煤层倾角和露头;d.地质构造;e.煤的吸附性;f.煤层的地质史;g.水文地质条件。

我国目前所采用的几种煤层瓦斯含量方法主要有:a.直接法:利用特殊采样工具在地质勘探钻孔中取样测定煤层瓦斯含量的方法称为直接法。它可以分为密闭式岩芯采取器和集气式岩芯采取器测定法。b.间接法:它是通过测定瓦斯压力等参数并根据煤岩物理特性 (吸附与解吸特性等) 经过计算来确定煤层瓦斯含量的一种方法。c.解析法:严格来讲, 解析法属于直接法的一种。该方法利用煤样瓦斯解吸规律来计算采样过程中瓦斯损失量, 并结合煤样残存瓦斯量的实验室测定来确定煤层瓦斯含量。解析法主要是用于地堪中煤层瓦斯含量测定。上述各种煤层瓦斯含量测定方法, 由于原理的不同, 所得到的测定结果在反映客观值的程度往往不一样。

2.1 矿井瓦斯涌出量及其影响因素

2.1.1 矿井瓦斯涌出量。

矿井瓦斯涌出量是指矿井生产过程中涌入巷道的瓦斯量, 可用绝对瓦斯涌出量和相对瓦斯涌出量两个参数来表示。矿井绝对瓦斯涌出量是指矿井在单位时间内涌出瓦斯的体积, 通常所用的单位为m3/min或m3/d。

2.1.2 矿井瓦斯涌出量的因素。

矿井瓦斯涌出量对于整个矿井来说, 称为矿井瓦斯涌出量;对个别煤层、水平、采区或工作面而言。则分别称为煤层、水平或工作面的瓦斯涌出量。瓦斯涌出量的大小主要取决于下列自然因素和开采技术因素:a.围岩的瓦斯含量;b.开采规模;c.开采顺序与开采方法;d.地面大气压的变化。现行的矿井瓦斯涌出量预测方法主要有以下几种:矿山统计法, 分源计算法, 类比法, 瓦斯地质图法。

2.2 矿山统计法预测瓦斯涌出量

矿山统计法的基本原理是:根据生产矿井现有瓦斯涌出资料获得矿井瓦斯涌出量与开采深度的关系, 预测生产矿井深部水平和临近矿井的瓦斯涌出量.它以下列工作作为预测基础:

a.生产矿井瓦斯涌出量统计:b.分析影响矿井瓦斯涌出量的主要自然条件和开采条件;c.确定矿井瓦斯涌出量Q与煤层瓦斯含量和开采深度的函数关系;d.用确定的函数关系式预测深部水平或临近矿井瓦斯涌出量。统计预测法可用于生产矿井深部水平, 临近矿井瓦斯涌出量预测, 但必须注意:只有在设计矿井与生产矿井的开采技术条件 (煤层开采顺序, 采煤方法, 顶底板管理方法等) 和地质条件相同或类似时才能应用。在煤层瓦斯地质条件和开采技术条件有明显变化时, 即使在同一井田的同一煤层同一水平, 瓦斯涌出量增深率也会有较大差异, 这种情况下应采用分区段求出瓦斯涌出量增深率, 进行分区段预测。某些矿井瓦斯涌出量增深率随深度渐变, 即矿井的相对瓦斯涌出量与深度之间为线性关系。

2.3 分源计算法预测瓦斯涌出量

为了确定矿井瓦斯涌出量并为工作面瓦斯管理提供依据, 对矿区瓦斯涌出量进行了预测, 预测方法为分源预测法, 该法的实质是根据煤层瓦斯含量, 按矿井瓦斯主要涌出源-回采 (包括开采层, 围岩和临近层) , 掘进及采空区瓦斯涌出规律对矿井各回采工作面, 掘进工作面进行预测计算, 达到预测各采区, 全矿井瓦斯涌出量之目的。一个矿井的瓦斯涌出量的大小既取决于瓦斯源的多少, 又取决于瓦斯源涌出瓦斯量的多少。含瓦斯煤层被开采时, 受采掘影响的煤层及围岩中的瓦斯赋存平衡条件被破坏, 其中的瓦斯将涌入采掘工作面及采空区。通常以单位时间内面积煤壁涌出的瓦斯量表示煤壁瓦斯涌出强度, 或称之为煤壁瓦斯涌出系数。煤壁瓦斯涌出强度取决于煤层瓦斯含量、瓦斯压力、煤的透气性、空间条件及煤壁暴露时间。当其他条件固定时, 煤壁瓦斯涌出强度是暴露时间的函数。

2.4 类比法

2.4.1 基本原理。

瓦斯生成、赋存、排放条件是受地质构造因素控制的。在未开发的井田、未受采动影响处于自然状态的煤层瓦斯含量的分布规律与地质构造条件有密切的关系, 而矿井瓦斯涌出量的大小, 一方面受控于地质因素, 另一方面受开采方法的影响很大。因此, 在一个煤田或一个矿区范围内, 在地质条件相同或相似的情况下, 矿井瓦斯涌出量与钻孔煤层瓦斯含量之间存在一自然比值。对于新建矿井, 在地质勘探期间已经提供了钻孔煤层瓦斯含量数据, 而矿井瓦斯涌出量是未知数。若要求得到该参数, 可以通过临近生产矿井一直的矿井瓦斯涌出量资料和钻孔空煤层瓦斯含量资料的统计运算, 求得一个比值。然后将该比值与新建矿井淤滞的钻孔煤层瓦斯含量相乘, 即可得到新建矿井的瓦斯涌出量。

2.4.2 类比条件。

运用类比法预测新建矿井瓦斯涌出量是通过临近生产矿井的实际瓦斯资料统计来进行的。因此, 必须把相同或相似的地质、开采条件作为两个矿井的前提。例如, 平煤集团十三矿瓦斯涌出量投产前的预测, 选择了距一矿较近的向斜西南翼的八矿、四矿、六矿为类比矿井, 其类比条件具备:含煤地层均为石炭二叠系, 其沉积环境, 煤系地层厚度, 含煤系数基本相同。含煤层数, 主采煤层厚度、结构、各煤层层间间距基本相似;主采煤层的煤岩成分, 煤种牌号, 煤层特征基本相似;煤层顶、底板岩性, 对瓦斯的封闭条件基本相似:一矿与四矿、六矿、八矿同位于平顶山煤田的李口向斜这一主体构造单元之中, 井田内断层、褶皱发育程度对煤层、瓦斯的控制作用基本相似;开拓方式、设计能力与四矿相同;开采方法与六矿、四矿、六矿相同, 开采己组煤的深度略浅;通风方式基本一样。根据以上条件, 一矿瓦斯涌出量完全可用八矿、四矿、六矿的资料进行类比预测。

2.5 瓦斯地质图法预测瓦斯涌出量

在矿上统计法的基础上, 经过众多科学工作者的多年实践和努力, 试行出瓦斯地质图法预测瓦斯涌出, 瓦斯地质图无论是瓦斯研究, 安全生产管理, 还是普及瓦斯地质知识, 都是行之有效的方法。尤其是矿井瓦斯地质图, 回采、掘进中大量丰富的瓦斯涌出、突出资料, 地质资料, 瓦斯研究测试资料在图中得到了高度集中;瓦斯涌出规律和突出规律在图中的到了高度地概括, 一目了然。只要看到瓦斯地质图就可以清楚地了解瓦斯地质全貌;影响瓦斯涌出量大小和控制瓦斯突出的各种因素, 瓦斯分布的不均衡性, 瓦斯随深度增加发生的变化等, 在图上清晰可见。

摘要：瓦斯灾害是煤矿开采中需要研究解决的最严重的灾害之一, 煤层瓦斯含量是计算瓦斯储量和预测瓦斯涌出量的基础, 也是预测煤与瓦斯突出危险性的重要参数之一。本文详细讨论了瓦斯涌出量预测的方法。

关键词：瓦斯,预测,方法

参考文献

矿井瓦斯涌出量预测方法综述第3篇

瓦斯预测技术是瓦斯地质学研究的关键问题, 它是综合运用地质学、采煤学、数学地质等理论和技术, 对瓦斯含量或涌出量以及矿井瓦斯突出进行预测。矿井瓦斯涌出量预测是进行矿井设计、制定瓦斯防治措施必不可少的环节。目前国内外瓦斯涌出量预测方法可概括为以数理统计为基础的矿山统计法;以瓦斯含量为基础的瓦斯含量法, 分源计算法、类比法和综合指数法;应用神经网络、分形理论、灰色理论等方法建立数学模型的预测方法。

1 瓦斯涌出量预测方法

瓦斯预测方法是依据瓦斯地质基础理论以及其他学科理论方法对瓦斯涌出量和瓦斯突出危害程度进行预测。瓦斯预测方法可以根据不同的分类依据进行划分, 如表1所示。

实际上, 各种预测方法之间并没有明确的界限, 为增加预测精度, 各种方法往往相互渗透, 相互结合。总的来说, 各种瓦斯预测方法都是以矿井开采实践为基础, 总结经验, 数据积累, 结合分析测试结果, 总结规律, 并应用所获规律对未知区域瓦斯涌出量和瓦斯突出危害程度进行预测。

2 预测参数选择与方法对比

2.1 瓦斯涌出量预测参数选择

任何地质模型的建立, 必须以地质参数进行筛选, 并进行归类分析为基础。总结前人瓦斯涌出量预测的参数, 可以将参数分为影响矿井瓦斯分布的地质因素和矿井生产因素。

影响矿井瓦斯分布的地质因素包括煤层埋藏深度、煤层和围岩的透气性、煤层倾角、煤层露头、地质构造、成煤沉积环境、煤变质程度、水文地质条件等。影响矿井瓦斯分布的生产因素包括:与邻近层的开采关系、采煤技术条件和采煤工艺、通风风压和风量、工作面产量等。由于地质因素的多样性和复杂性, 瓦斯涌出规律也普遍具有区域差异性。预测过程中, 应该从区域地质和矿井范围内选取主要瓦斯涌出量影响因素并建立模型, 对瓦斯涌出规律进行预测研究。

2.2 瓦斯涌出量预测方法模型

2.2.1 传统的瓦斯预测方法

依据矿井瓦斯涌出量与开采深度等参数之间的统计规律, 外推到预测的新区的方法可归于此类, 其典型代表为矿山统计法、灰色预测法等。矿山统计法是目前我国应用较为广泛的预测方法。其实质是根据对本矿井或邻近矿井实际瓦斯涌出量资料的统计分析得出的矿井瓦斯涌出规律, 从而推测新区域的瓦斯涌出量。其最基本的公式为:q=q0+ (H-H0) /a, 式中, q为预测深度H瓦斯涌出量;q0为瓦斯风化下限深度H0瓦斯涌出量;a为瓦斯梯度。

矿山统计法适用于矿井与煤层在某一深度上的瓦斯涌出量, 在预测与时间相关度大的涌出量 (如年度涌出量) 时较可靠。但此法仅考虑涌出量于采深一个因素间的关系, 故适用范围受到一定限制。

2.2.2 分源法预测瓦斯涌出量

分源法的基本原理为:含瓦斯煤层在开采时, 受采动影响, 赋存在煤层及围岩中的瓦斯平衡状态遭到破坏, 破坏带内的瓦斯沿着裂隙、空隙通道涌入工作面, 井下涌出瓦斯的地点为瓦斯涌出源。以综采工作面为例, 其基本模型为:工作面瓦斯涌出量是煤壁瓦斯涌出量、采落煤瓦斯涌出量、为采空区残余瓦斯涌出量和邻近层瓦斯涌出量之和。应用分源法预测瓦斯涌出量, 以煤层瓦斯含量和煤层开采技术条件为基础, 根据各瓦斯涌出源的涌出规律, 计算工作面、采区及矿井瓦斯涌出量。该法可为新建矿井和老井改造的通风设计和瓦斯管理及煤层气资源评估提供依据。

2.2.3 数量化理论数学模型预测瓦斯涌出量

影响瓦斯因素中包含有定性变量, 如断层影响 (有、无) 、直接顶板岩性 (砂岩、泥岩) 等, 为对这些定性变量作为影响因素进行定量预测, 引入了数量化理论。数量化理论是多元统计的一个分支, 能同时处理定性和定量数据。结合数量化理论与回归分析建立了瓦斯地质数学模型, 可以起到很好的预测效果。假定因变量与各定量自变量及项目、类目的反应间遵从如下线性模型:

式中, bu (u=1, 2, h) , bjk (j=1, 2, , m, k=1, 2, , rj) 是未知系数, δi (j, k) (j=1, 2, , m;k=1, 2, , rj, i=1, 2, , n) 为第i个样品 (瓦斯统计原始数据) 中定性变量中第j个项目 (影响瓦斯分布的因素, 例如断层) 的rj个类目的反应度 (各个因素下的类型, 例如断层可分正、逆断层) ;εi (i=1, 2, , n) 是随机误差。类似仅有定性变量时的推导过程, 可以得到bu和bjk的最小二乘估计bu (u=1, 2, , h) 和bjk (j=1, 2, , m;k=1, 2, , rj) 。

然后根据求得的定性、定量变量系对瓦斯涌出量进行预测。

2.2.4 灰色系统理论预测瓦斯涌出量

利用灰色系统理论的主要优点是通过一系列数据生成方法 (直接累加法、移动平均法、加权累加法、遗传因子法、自适性累加法等) 将本没有规律的、杂乱无章的或规律性不强的一组原始数据序列变得具有明显的规律性, 解决了数学界一直认为不能解决的微积分方程建模问题。

微分方程模型GM (1, 1) 是灰色理论用于瓦斯预测最常用的模型, 一般分三个步骤, 即灰色生成、求参计算和精度检验。其基本模型构建是将离散的瓦斯涌出序列, x (0) ={x1 (0) , x2 (0) , , xN (0) ｝, 其中N为序列长度。对其进行依次累加生成处理数据列xk (1) 的表达式为:

成序列x (1) 为基础建立灰色的生成GM (1, 1) 模型为:dx (1) /dt+ax (1) =u

称该式为一阶灰色微分方程, 其中a、u为待求解参数。

利用灰色系统进行预测的最大优点是数学模型简单易于建立, 采用数据少, 预测精度高。

灰色模型的建立过程中应注意时间序列的连续性。如何为灰色模型中灰色参数赋予比较准确的地质意义, 还有待进一步研究。

2.2.5 利用神经网络方法预测瓦斯涌出量

人工神经网络 (ANN) 技术是现在的处理数据间模糊关系、非线性关系等人工智能高新技术的代表, 训练有素的网络模型相当于一个专家系统知识库, 它能够自动地在大量数据中识别、捕捉和提取隐藏规律。在这种情况下, 将瓦斯预测技术基础理论与神经网络分析方法有机地结合起来, 是具有现代理论基础研究方法, 能够满足瓦斯预测技术发展需要。在瓦斯涌出量预测中最为常见的网络为BP神经网络, 其简单模型如图1所示:为三层BP网络是一个典型的半线性前馈型层次网络, 它被分成输入层、中间层 (或隐含层、隐蔽层) 和输出层。根据需要选择地质变量, 作为输入层。将收集到的地质数据作为训练样本集。根据网络学习, 最终得到网络中蕴含的样本参数与涌出量相关规律, 最终根据此规律对涌出量进行预测。

应用人工神经网络模型预测瓦斯涌出量具有模型可靠, 方法可行, 计算精度高的特点。单一的神经网路模型容易引起选择网络结构的盲目性, 以及容易导致网络训练收敛慢, 结果局部最优解等缺点, 故应用中除要有侧重地筛选训练样本外, 将小波理论、遗传算法、灰色理论等与神经网络联合应用进行预测将起到很好效果。

2.2.6 分形理论与瓦斯涌出关系研究

分形运用于瓦斯涌出预测可以概括为两方面, 即从分形几何学角度对瓦斯涌出预测和运用时间序列的分维预测涌出量。

(1) 构造几何形态分形特征与瓦斯涌出关系。

构造导致瓦斯分布不均衡, 同时使煤层强度降低, 瓦斯涌出所需能量减少;另外, 地应力重新分布可能导致煤层和围岩应力集中, 为突出提供动力条件。矿井断裂构造的断距、延伸长度等均呈分形分布[1,2], 通过分形研究, 预测断裂构造和应力场特征, 进一步根据构造应力分布预测瓦斯涌出规律。

(2) 应用时间序列的分维预测瓦斯涌出量。

矿井生产中观测和测量到众多的瓦斯资料是随时间变换时间序列资料, 这些单变量的时间序列内部蕴含了系统理论中各种信息, 从序列中找出序列吸引因子的结构或求出其分维值, 将对瓦斯预测预报起到重要作用。应用该原理常用方法是R/S分析法, 可以较有效的预测矿井, 特别是工作面瓦斯涌出量, 用其来描述瓦斯涌出量的分形特征的宏观参数, 最终可以根据其评判指数-赫斯特指数, 对未来涌出量的增长趋势作出预测。矿井瓦斯涌出数据律性一般不明显, 这种预测方法利用非线性理论得出其随时间隐含规律, 其中分形维数刻画瓦斯涌出量参差不齐的程度, 运用此模型对未来瓦斯涌出超标提供一定的理论依据。

2.3 瓦斯涌出量预测方法对比

大多数情况下, 运用线性理论的方法较为容易, 在地质条件不太复杂得地区, 预测的结果也比较符合客观规律, 而非线性方法得到结果在样本训练中符合样本, 但推广往往不容易, 例如神经网络等方法。但非线性预测的方法, 例如神经网络方法, 可以一定程度上克服瓦斯地质不确定性引起的预测模型难以建立的困难, 特别是在较复杂区域, 运用非线性方法弥补瓦斯地质机理不清楚的不足。由于瓦斯地质本身的复杂性, 使得瓦斯预测方法本身的比较显得较为困难, 不能简单的从不同区域预测方法在同一地区的应用精度的差异就判别某一预测方法的优劣性。

3 发展趋势与展望

瓦斯预测的发展趋势可以概括为以下三方面:①瓦斯地质机理的进一步研究, 研究瓦斯生成、运移、赋存规律, 对预测起到至关重要的作用。基础理论的研究将推动瓦斯预测方法向着更确定、更符合自然实际的方向发展;②瓦斯地质的预测理论与其他领域相结合, 利用其他领域适用性好的理论, 寻求适合的结合点, 为瓦斯预测所用。例如, 瓦斯地质与地理信息系统结合更加充分利用地质信息资料, 神经网络思想与小波理论结合使网络训练收敛速度快, 结果更准确, 模糊理论与分形理论相结合组成跟可靠的预测模型;③瓦斯预测中地质资料计算机处理将成必然。随着煤炭开采力度不断加大和地质规律的进一步发现, 总结的数据和方法越来越多的方法, 只用人工方式处理已经不可行, 应用计算机处理矿井瓦斯及地质数据势在必行。计算机处理, 可以同时处理多类型数据、进行多种方法的瓦斯预测, 多方法结合的方法提高预测的可靠性的同时, 也可适当的避免了人为主观因素引起的不当决策。

瓦斯涌出量预测不仅从普通的物理参数输入, 还将加入时空条件限制的参数, 包括每天巷道掘进过程中记录的瓦斯涌出量。因此, 应当更充分地利用现场已有的数据, 为瓦斯预测服务。随着人类对瓦斯地质机理研究的进一步加深, 瓦斯预测方法不断发展, 寻求更切合实际的理论方法使瓦斯预测精度提高, 最终为矿山建设开采、煤层气开采提供有力的保障。

参考文献

[1]何俊, 潘结南, 聂百胜.瓦斯涌出严重程度分形预测研究[J].中国安全科学学报, 2006 (, 5) .

瓦斯涌出量计算第4篇

在煤矿安全事故中,煤矿瓦斯事故占到了80% 以上,造成的人员伤亡数量也将近占到了90%,所以说矿井瓦斯是影响煤矿安全生产最主要的隐患[1,2]。我国的矿井瓦斯灾害相对来说较为严重,许多重要矿区都存在瓦斯含量高的现象[3,4]。因此,针对煤矿瓦斯含量、贮存影响规律及瓦斯利用等一系列的研究,形成了矿业工程十分重要的研究领域[5]。在众多的研究方向中,矿井煤层瓦斯涌出量的预测研究具有十分重要的作用,通过准确地预测矿井瓦斯涌出量,可以有效地进行瓦斯抽放治理和矿井通风设计[6,7]。通过多年的研究改进,矿井瓦斯涌出量预测的方法有分源预测法、矿山统计法、煤层瓦斯含量法、瓦斯梯度法及瓦斯地质数学模型等[8]。

本文以竹林山煤矿主采3号煤层为主要研究对象,针对3号煤层以往开采情况,采用多种方法对其瓦斯涌出量进行预测。采用分源预测法,按照矿井瓦斯涌出与煤层瓦斯含量的源汇关系,结合煤层回采条件和赋存条件,分析煤层瓦斯含量分布规律,通过对回采工作面及掘进工作面和采空区瓦斯涌出量的汇总,计算并预测采区和矿井瓦斯涌出量。经回归法分析,可得煤层可燃质瓦斯含量与埋藏深度关系,从而可了解矿井瓦斯含量增长梯度。经统计法分析煤层瓦斯含量与埋藏深度的规律,编绘了竹林山煤矿3号煤层的瓦斯含量分布预测图,通过瓦斯涌出量预测和矿井通风能力的评估为1300采区1320和1321大采高工作面的瓦斯治理提供了前期的可行性研究。

1工程概况

竹林山煤矿位于阳城县,井田面积为9.3km2, 处于沁水盆地南部边缘。采用斜井式开拓,设主、副斜井和一回风立井,布置轨道、胶带、回风3条大巷。井田采区划分为4个采区,现采三采区,定义为1300采区。1300采区由胶带、轨道大巷进风,回风大巷回风。回采工作面采用“U+L”型通风系统,运输巷进风,轨道巷和瓦斯尾巷回风。

采区可采煤层有3号、4号、15号煤层,其中3号、15号煤层为全区稳定可采煤层,4号煤层为不稳定局部可采煤层,本次针对主采3号煤层瓦斯涌出量进行预测。3号煤层所处陆相含煤地层山西组中下部,煤层最厚达6.48 m,最薄为3.04 m,平均厚度为4.75m,可采系数为100%。煤层结构由简单至较复杂,含夹矸0~5层,总含矸系数为7.03%。 3号煤层伪顶为炭质泥岩,直接顶为泥岩或砂质泥岩,底板为泥岩或粉砂质泥岩。采用综合机械化采煤,瓦斯鉴定结果为高瓦斯矿井,绝对瓦斯涌出量为41.36m3/min,相对瓦斯涌出量为30.75 m3/t。 3号煤层性质工业分析结果见表1。

2矿井瓦斯涌出量综合预测

2.1统计法分析

首先收集了竹林山煤矿已采工作面的相对瓦斯涌出量及相邻矿井已采各水平的瓦斯涌出量等数据,采用统计法分析相对瓦斯涌出量与开采水平的变化规律。表2为矿井各年瓦斯等级鉴定结果。

计算矿井平均相对瓦斯涌出量,并通过加权平均计算开采深度,推算深部水平煤层的瓦斯涌出量。通过分析竹林山煤矿3号煤层瓦斯含量测定结果、邻近矿井3号煤层瓦斯含量及邻近煤层相关数据, 确定3号煤层瓦斯含量随开采深度的分布变化规律。煤层瓦斯含量可以通过煤层可燃质瓦斯含量体现,经描点分析可以得到3号煤层可燃质瓦斯含量与埋藏深度的散点关系,如图1所示。

2.2回归法分析

经线性回归分析,发现煤层的可燃质瓦斯含量与煤层埋藏深度成正比关系,两者有以下的线性统计规律:

式中:W为煤层可燃质瓦斯含量,m3/t·r;H为煤层埋藏深度,m。

将可燃质瓦斯含量转换成吨煤瓦斯含量,其中原煤水分含量Mad=1.64%,原煤灰分含量Ad= 18.52%,转换后可得3号煤层瓦斯含量(C)和煤层工作面煤与瓦斯突出危险性及瓦斯涌出特征值(H) 的线性统计规律:

从式 (2)可知,矿井瓦斯含量增长梯度为3.54m3/t/100m。

2.3分源预测法

由于大部分井田范围内进行过瓦斯抽放,仅在1308运输巷和回风巷、1300轨道巷和回风巷以及西回风巷未进行瓦斯抽放,因此,在该区域测试的瓦斯含量数据具有重要的参考意义。为此,在上述区域布置8个测点进行实测,其中测点A、B布置在1308掘进工作面附近,测点C、D、E布置在1300轨道大巷内,测点F布置在1300回风巷中,测点G、H布置在西回风巷内。瓦斯含量测定结果见表3。

由于3号煤层瓦斯含量中的CH4均高于80%, 可知3号煤层完全处于甲烷带。

根据测点所得的煤层瓦斯含量、以往抽放收集的数据和煤层瓦斯含量与埋藏深度的统计规律,编绘竹林山煤矿3号煤层的瓦斯含量分布预测图,如图2所示,图中所示的三采区为竹林山煤矿正在开采的1300采区。

从图2可以看出,除去个别地质构造带影响,矿井埋藏深度大于270m的区域,瓦斯含量在8m3/t以上,埋藏深度小于270 m的区域,瓦斯含量小于8m3/t。采掘接替计划前期主要集中在1302采煤工作面和1308采煤工作面区域,瓦斯含量为9~ 12m3/t,中期主要集中在1319采煤工作面和1321采煤工作面区域,瓦斯含量为11~13m3/t,后期主要集中在1320采煤工作面和1322采煤工作面区域,瓦斯含量为12~14m3/t。

3采区瓦斯涌出量分期预测

3.1采区开采时期划分

根据矿井设计并考虑到矿井技术通风设计和生产期间瓦斯防治的需要,重点预测1300采区不同生产时期的瓦斯涌出量最大值。对1300采区采用分期预测的方法测定其瓦斯涌出量,将开采时期分为前期、中期和后期3个时期。

开采前期,主要集中在1306和1308规划区域内,在1300采区内布置一个生产能力为0.90 Mt/a的综采工作面,采用综放顶煤开采法,煤层厚度为4.86m,采煤工作面长度为150m,回采率为93%, 产量为2 360t/d。为保证矿井开拓、准备及回采工作面的正常连续生产,在3号煤层中布置2个工作面掘进接替工作面巷道,掘进速度均为300 m/月, 断面积为12.60m2,工作面巷道长度均为955m,掘进工作面产量为366t/d。开采中期,主要集中在1319和1321规划区域内,后期集中在1320和1322规划区域内,除工作面巷道长度设计为1 000m外, 其余综采工作面及煤巷布置方式、采煤方法、回采率和工艺都与开采前期相同。

3.2预测结果及验证

通过检测得到了1300采区不同生产时期的回采工作面瓦斯涌出量和掘进工作面瓦斯涌出量,经过汇总得到了1300采区瓦斯涌出量预测结果,见表4。

通过采区中已经开采的工作面实际揭露瓦斯情况,对瓦斯含量预测结果的准确性进行验证。选取1320工作面3个月的平均相对瓦斯涌出量分别为27.65m3/t,29.47m3/t和30.05m3/t,取平均值为29.20m3/t,而1300采区生产中期1320工作面相对瓦斯涌出量预测结果为29.36m3/t,与实际值比较接近,说明预测结果的准确性较高。

4结语

通过井下实测及收集竹林山煤矿和邻近矿井的瓦斯含量的相关数据,分析获得了3号煤层可靠的瓦斯含量预测值,研究得出了3号煤层瓦斯含量与埋藏深度的关系,绘制了3号煤层的瓦斯含量分布预测图。

通过分期预测法得到了矿井生产前期、中期及后期的瓦斯涌出量,确定3个时期竹林山煤矿均属于高瓦斯矿井。预测结果显示,回采工作面瓦斯涌出量约占全矿井瓦斯涌出量的42.69%~43.02%, 掘进工作面瓦斯涌量约占全矿井瓦斯涌出量的11.82%~12.14%,采空区瓦斯涌出量约占全矿井瓦斯涌出量的45.16~45.17%。所以,矿井瓦斯涌出量以回采工作面和采空区瓦斯涌出为主。

瓦斯涌出量计算第5篇

瓦斯作为煤矿生产过程中的主要危险源,如何对其进行有效治理,成为预防事故发生,保障生产安全的关键环节[1,2]。瓦斯涌出量的预测作为煤矿瓦斯治理的重要内容,受到众多学者的广泛关注[3,4,5],已成为研究的热点问题。但以往研究大多以预测精确值为目标,对于区间范围预测研究很少,而提供预测区间更具现实意义。

陈守煜教授创建的可变模糊集理论[6,7],是对经典模糊集静态概念与理论的突破。它是研究具有模糊性、动态性、不确定性为特征的复杂系统的有力工具,该理论已在水文水资源科学等领域得到了成功应用和推广,且收到了良好的效果,已被证明[6,7,8,9]是一种科学可靠的理论方法体系。

笔者尝试利用可变模糊模集理论中的可变模糊聚类与可变模糊识别相结合的方法,对矿井工作面瓦斯涌出量进行区间预测研究,以期为煤矿瓦斯涌出量预测提供一种有效可靠的新途径。

2 可变模糊聚类循环迭代模型

设有待聚类的n个样本组成的集合,可用mn阶指标特征值矩阵对样本集进行聚类。

X=(xij) (1)

式中: xij为聚类样本j指标i的特征值,i=1,2,,m; j=1,2, , n。

矩阵X经规格化后变为指标特征值规格化矩阵

R=(rij) (2)

式中: rij为指标特征值规格化数。

设n各样本根据m个指标特征值规格化数按c个类别进行聚类,其模糊聚类矩阵为

U=(uhj) (3)

uhj为样本j隶属于类别h的相对隶属度,h=1,2,, c; j=1,2,, n。满足条件

$\sum_{h = 1}^{c} u_{h j} = 1, 0 u_{h j} 1, \sum_{j = 1}^{n} u_{h j} > 0 (4)$

类别h的m个指标特征值规格化数表示了h的类的聚类特征,在模糊聚类中称为聚类中心,则c个类别的聚类特征可用mc阶模糊聚类特征值矩阵(或称模糊聚类中心距阵)

S=(sih),0sih1 (5)

表示,sih为类别h指标i的聚类特征规格化数,i=1,2,,m; h=1,2,, c。

于是,可变模糊聚类循环迭代模型为

$u_{h j} = {\sum_{i = 1}^{c} [\frac{\sum_{i = 1}^{m} [w_{i} | r_{i j} - s_{i h} |]^{p}}{\sum_{i = 1}^{m} [w_{i} | r_{i j} - s_{i k} |]^{p}}]^{\frac{α}{p}}}^{- 1} (6)$

$s_{i h} = \frac{\sum_{j = 1}^{n} u_{h j}^{α / (p - 1)} r_{i j}}{\sum_{j = 1}^{n} u_{h j}^{α / (p - 1)}}, \frac{α}{p} = 1 (7)$

其中,α(优化准则参数)、p(距离参数),W=(wi)(权重参数,满足 $\sum_{i = 1}^{m} w_{i} = 1 ‚ 0 w_{i} 1)$ 为可变参数,通常有两种变化,即α=3、p=3,α=2、p=2。

模型(6)、(7)可用以迭代求解最优解模糊聚类矩阵(u*hj)与模糊特征值矩阵(s*ih)。

计算实践表明[6],当α=p=2时,模型(6)、(7)应用通常的梯度下降迭代算法,能收敛到全局极小值,可以得到合理的聚类结果。因此,参数α、p不宜变化,只权重参数w是可变化的。

3 可变模糊组合方法

3.1 可变模糊组合方法预测思路

给出一定数量已知其分类等级的样本,首先对样本进行规格化,得到其指标特征值相对隶属度矩阵R1; 然后用可变模糊聚类模型循环迭代求解满足要求的最优模糊分类矩阵u*和最优模糊分类中心矩阵s*; 最后根据待识别预测的样本的指标特征值相对隶属度矩阵R2,并结合s*、w*,利用最优模糊模式识别矩阵的计算公式

$u_{h j}^{*} = {\sum_{i = 1}^{c} \frac{\sum_{i = 1}^{m} [w_{i}^{*} (r_{i j} - s_{i h}^{*})]^{2}}{\sum_{i = 1}^{m} [w_{i}^{*} (r_{i j} - s_{i k}^{*})]^{2}}}^{- 1} (8)$

对样本进行识别预测。

3.2 可变模糊组合方法存在问题及改进

可变模糊组合方法中的权重为可变参数,通过调整其值,可使u*与事先确定的分类符合程度达到规定要求,从而实现识别预测。因此,权重初值的确定尤为重要。初值选取的好,可减少调整权重的工作量; 反之,增加工作量。另外,权重值的调整需要了解各因素的重要性。原有可变模糊组合方法仅凭经验确定权重重要性,进而确定权重的调整方向,缺乏科学性和客观性。而粗糙集理论[10,11]能够根据系统客观信息科学合理地确定因素的重要性和权重。鉴于此,文中采用粗糙集理论来确定各因素的重要性以及权重初值,使可变模糊组合方法更加客观合理。

4 应用实例

选取文献[3]中数据,考虑最主要的5个因素: 矿井工作面煤层埋藏深度(x1/m)、煤层厚度(21/m)、煤层瓦斯含量(x3/m3t-1)、工作面平均日进度(x4/md-1)和日产量(x5/td-1),如表1。实测瓦斯涌出量(x0/m3t-1)列于表1最后一列。利用可变模糊组合方法对矿井瓦斯涌出量进行预测。将表1中1-12号样本作为已知样本,用于建立预测模型; 将13-15号样本作为未知样本,用于预测检验。

首先,利用等距离法对原始数据进行离散化处理。此处,分为4级。如表2所示。

然后,利用粗糙集方法确定各指标因素的重要性顺序为x1=x2>x4=x5>x3,初始权重为w=(0.2344,0.2344,0.1562,0.1875,0.1875),令权重调整所要达到的目标为: 全体建模样本归属的平均相对隶属度 $\bar{u} \geq 0.95$ 。

其次,利用可变模糊聚类模型结合1-12号样本所构成的指标特征值相对隶属度矩阵,取

ε=0.0001,令c=3,并参考文献结果[3],有

$u^{0} = [\begin{matrix} 0 & 0 & 1 & 0 & 0 & 1 & 0 & 1 & 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 & 1 & 0 & 1 & 0 & 0 & 1 & 0 & 1 \\ 1 & 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 \end{matrix}]$

于是,得到第一个u*,经计算 $\bar{u} = 0.9446$ ,已经很接近0.95。因此,要对权重进行微调,微调的原则是根据指标因素的相对重要性进行,即增加重要性大的因素权重值,同时减小重要性小的因素权重值。经调整当权重为w′=(0.2744,0.2744,0.0762,0.1875,0.1875)时, $\bar{u} = 0.95$ ,已经满足 $\bar{u} \geq 0.95$ 的要求。此时,

$\begin{array}{l} u^{*} = [\begin{matrix} 0.0023 & 0.0055 & 0.9847 & 0.0104 \\ 0.0057 & 0.9922 & 0.0130 & 0.0240 \\ 0.9920 & 0.0023 & 0.0024 & 0.9656 \end{matrix} \\ \begin{matrix} 0.0625 & 0.9834 & 0.0741 & 0.9701 \\ 0.9077 & 0.0137 & 0.8986 & 0.0249 \\ 0.0298 & 0.0029 & 0.0273 & 0.0051 \end{matrix} \\ \begin{matrix} 0.8444 & 0.0313 & 0.0095 & 0.0332 \\ 0.1353 & 0.9421 & 0.0257 & 0.9545 \\ 0.0203 & 0.0266 & 0.9648 & 0.0123 \end{matrix}] \end{array}$

$s^{*} = [\begin{matrix} 0.0617 & 0.5700 & 0.8901 \\ 0.0401 & 0.2180 & 0.9354 \\ 0.0759 & 0.4908 & 0.8402 \\ 0.8818 & 0.5114 & 0.0863 \\ 0.1226 & 0.3469 & 0.8804 \end{matrix}]$

由u*知,样本3、6、8、9属于第一类,相应瓦斯涌出量分别为3.56、3.34、2.97、4.17; 样本2、5、7、10、12属于第二类,相应瓦斯涌出量分别为4.78、5.23、4.92、5.56、4.6; 样本1、4、11属于第三类,相应瓦斯涌出量分别为7.8、8.51、7.24。该分类结果与文献[3]完全一致。

经过分析,可得如下规律: 第一类瓦斯涌出量位于区间[2.97,4.17],第二类瓦斯涌出量位于区间[4.78,5.56],第三类瓦斯涌出量位于区间[7.24,8.51]。于是,可以根据这一规律对样本的瓦斯涌出量进行预测,从而确定矿井的瓦斯涌出量的大致范围。

最后,利用模糊识别模型对13-15号样本进行识别预测,得到其最优模糊识别矩阵

$u^{*} = [\begin{matrix} 0.0052 & 0.9258 & 0.0059 \\ 0.0134 & 0.0627 & 0.0141 \\ 0.9814 & 0.0115 & 0.9800 \end{matrix}]$

由u*知,样本13、15属于第三类,即13、15号样本的瓦斯涌出量在区间[7.24,8.51]内; 样本14属于第一类,即14号样本的瓦斯涌出量在区间[2.97,4.17]内。对照实测数据知,预测结果与实际相符,验证了可变模糊组合方法的有效性。

当用等权重作为初始权重时, $\bar{u} = 0.9177$ 。显然,粗糙集方法确定的权重效果更好。

4 结论

可变模糊组合方法很好地实现了对样本的分类与预测,通过对某矿井瓦斯涌出量的预测及其结果分析,得出如下结论:

(1)可变模糊组合方法是可变模糊聚类与可变模糊模式识别的有机融合。

(2)可变模糊组合方法的“可变”体现在权重向量的可调性上。

(3)粗糙集方法即为可变模糊组合方法提供了有效的权重,又为其权重调整指明了正确方向。

摘要：矿井工作面瓦斯涌出是一个动态不确定过程。在分析了影响瓦斯涌出因素基础上,将可变模糊聚类与可变模糊模式识别两种模型相结合,提出了一种瓦斯涌出量预测的可变模糊组合方法。该方法首先利用粗糙集理论确定权重初值及各因素的重要性,然后利用可变模糊聚类模型求解最优模糊分类中心矩阵和最优权重,最后利用模式识别模型对待预测样本进行预测。以某矿井瓦斯涌出量预测为例,给出了具体预测过程。结果表明:可变模糊组合方法可行、有效。

关键词：可变模糊集,聚类,模式识别,粗糙集,瓦斯涌出量,预测

参考文献

[1]王厚军,李治灵,张玉明.浅析低瓦斯煤矿瓦斯防治安全评价[J].中国安全生产科学技术,2009,5(5):130-133WANG Hou-jun,LI Zhi-ling,ZHANG Yu-ming.Analysisof safety assessment in the gas control of low-gas coalmine[J].Journal of Safety Science and Technolog,2009,5(5):130-133

[2]XUJia-lin,YUBei-jian,LOUJin-fu,et al.Characteristicsof gas emission at super-length fully-mechanized top coalcaving face[J].Journal of China University of Mining andTechnology,2007,17(4):447-452

[3]曾庆奎,任向阳,刘开第.矿井工作面瓦斯涌出量预测的未确知聚类研究[J].煤炭学报,2006,31(3):337-341ZENG Qing-kui,REN Xiang-yang,LIU Kai-di.Researchon unascertained clusters on the gas emission of the work-ing face[J].Journal of China Coal Society,2006,31(3):337-341

[4]何利文,施式亮,宋译,等.基于支持向量机(SVM)的回采工作面瓦斯涌出混沌预测方法研究[J].中国安全科学学报,2009,19(9):42-46HE Li-wen,SHI Shi-liang,SONG Yi,et al.Research onChaotic Forecasting method for gas emission from workingface based on SVM Theory[J].China Safety ScienceJourna,2009,19(9):42-46

[5]王晓路,刘健,卢建军.基于虚拟状态变量的卡尔曼滤波瓦斯涌出量预测[J].煤炭学报,2010,36(1):80-85WAMG Xiao-lu,LIU Jian,LU Jian-jun.Gas emissionquantity forecasting based on virtual state variables andKalman filter[J].Journal of China Coal Society,2010,36(1):80-85

[6]陈守煜.可变模糊集理论与模型及其应用[M].大连:大连理工大学出版社,2009

[7]陈守煜.基于可变模糊集的辩证法三大规律数学定理及其应用[J].大连理工大学学报,2010,50(5):838-844CHENShou-yu.Three mathematical theorems of dialecticsbased on variable fuzzy sets and their application[J].Journal of Dalian University of Technology,2010,50(5):838-844

[8]WANG Xu-hua,CHEN Shou-yu,TANG Lie-xian,et.al.Application of fuzzy optimal selection of similar slopes tothe evaluation of slope stability[J].Journal of HarbinInstitute of Technology(New Series),2007,14(3):415-418

[9]罗景峰,许开立.安全投资决策的可变模糊优选方法[J].中国安全生产科学技术,2010,6(5):87-91LUO Jing-feng,XU Kai-li.Variable Fuzzy OptimizationMethod for Safety Investment Decision-making[J].Jour-nal of Safety Science and Technolog,2010,6(5):87-91

[10]Pawlak Z.Rough sets and their applications[J].Micro-computer Applications,1994,13(2):71-75

粒子群优化的RBF瓦斯涌出量预测第6篇

准确预测工作面煤层瓦斯涌出量,对煤矿生产和人员安全至关重要。瓦斯涌出是煤矿生产过程中的最主要的不安全因素,直接影响矿井设计、建设、开采以及矿井安全和经济技术指标[1]。因此准确预测瓦斯涌出量,对于指导矿井设计和安全生产具有重要意义。

目前预测瓦斯涌出量的主要方法有矿山统计法、分源预测法、瓦斯地质数学模型法等[2],它们都是假设瓦斯涌出量与各种影响因素的线性关系来进行预测的。实际上,瓦斯涌出量本质是非线性、时变并且受多种因素影响的物理参量,而且决定瓦斯涌出量的各因素间的关系很难精确描述,具有明显的模糊性、随机性和信息不完全性[3],采用一般的方法很难准确预测。

神经网络具有良好的非线性函数逼近能力,即使在数学模型未知的情况下也能通过训练输出期望的结果[4]。本文采用RBF神经网络对煤矿瓦斯涌出量进行预测,但是在实验中发现每次预测结果具有不一致性,研究表明主要是网络初始值是以随机函数形式给出,因此采用粒子群优化方法对RBF神经网络的权值和RBF的中心及基宽矢量数值进行优化,将优化后的参数作为RBF神经网络的初值进行预测,即构建PSO-RBF预测模型,并和未经优化的RBF模型预测结果进行对比研究。

2 粒子群优化算法

2.1 算法简介

粒子群优化(particle swarm optimization, PSO)算法是Kennedy博士和Eberhart博士于1995年共同提出的,起源于对一个简化的社会模型的仿真。粒子群优化优化算法的基本思想是:通过群体中个体之间的协作和信息共享来寻找最优解。PSO具有概念简单、容易实现、搜索速度快、搜索范围大的突出优点[5]。由于PSO优化算法本质上是一种并行的全局性随机搜索算法,只需很少的代码和参数实现,因此在各种优化问题的应用中表现出良好的效果。

与遗传算法相比,PSO仅需要调整少数几个参数即可实现函数的优化,通用性极强,对多变量、高度非线性、不连续及不可微的情况更加具有其优势。在矿井灾害预测中引入粒子群算法,可以避免神经网络预测的不确定性,提高预测的准确性。瓦斯涌出量是一个随机变量,利用群体优化来寻求其规律性,具有实际应用意义。

2.2 算法原理

PSO应用了如下原理:群体中的每个个体都可以从邻近的个体的经验中受益,根据对环境的适应度,群体中的个体将向适应度好的区域移动,这里将每个粒子看成一个在N维搜索空间中没有体积的点,在空间中以一定的速度飞行,这个速度可以根据该粒子本身的状态和它同伴的状态改变。第j维(1jN)粒子按照如下公式变化:

undefined

其中v是粒子i在t时刻第j维上的速度,j=1,2,,N,x是粒子i在t时刻第j维上的位置,c1和c2是加速度常量,分别用来度量个体认知成分和社会成分对速度更新的贡献。r1和r2是[0,1]间的随机数,用于引入不确定因素。xi(t)代表第i个粒子在t时刻在搜索空间中的位置,粒子的位置变化由加入的速度项vi(t+1)引起。速度项是驱动整个优化进程的动力,反映了粒子本身的经验以及与邻居交互信息的能力。

2.3 PSO基本参数

(1)惯性权重ω:

ω控制着粒子的惯性,ω的取值对保证收敛和权衡粒子的探索与开发能力很重要。较大的ω有利于探索,并增加种群多样性,较小的ω提升局部开发能力,过小的ω将使种群丧失探索能力。

(2)加速度常量:

c1和c2代表将每个粒子推向个体最优和群体最优位置的统计加速项的权重。较低的加速度常量允许粒子在目标域外徘徊,较高的加速度常量可引起大的适应度波动。

(3)粒子维数:

N取决于要优化问题的参数的个数。

(4)种群规模M:

即种群中粒子的个数,个数越多,种群多样性越好,但是计算量也越大。经验表明种群规模在10-30间可以找到问题的最优解。

(5)迭代次数G:

应该依据具体情况而定,过多的次数将增加计算量。

2.4 算法流程

粒子群优化算法如下:

(1)初始化种群位置x和速度v;

(2)将种群个体位置作为初始个体极值pij,计算每个粒子的适应度,将适应度最好的个体作为初始群体极值pgj;

(3)根据速度更新公式(1)和位置更新公式(2)更新粒子的速度和位置;

(4)重新计算粒子的适应度。将粒子个体当前适应度pij(t+1)与前一次pij(t)比较,若当前适应度好,则将个体最优值替换为当前粒子xi(t+1)。将每个粒子当前适应度pij(t+1)与全局最优值pgj(t)比较,若当前适应度高,则将全局最优值替换为当前粒子;

(5)若不满足结束条件,则转至步骤(3)。

3 RBF神经网络

3.1 网络结构

RBF神经网络是一种具有单隐层的3层前馈神经网络,隐层采用高斯基函数,其输入到输出的映射是非线性的,但隐层到输出的映射是线性的。这种特性使它能够以任意精度逼近连续函数,并且学习速度较快,能够有效避免局部极小值。RBF神经网络结构如图1所示。

网络中X=[x1,x2,,xn]T为网络的输入向量。设RBF网络的径向基向量H=[h1,h2,,hm]T,其中hj为高斯基函数,即

undefined

式(3)中,RBF网络第j个节点的中心向量为Cj=[cj1,cj2,,cjm]T,j=1,2,n,‖‖为欧氏范数。

设网络的基宽向量为B=[b1,b2,,bm]T,bj为节点j的基宽参数,且为大于零的数。RBF网络输入层到隐层的权值为1,隐层到输出层权向量为W=[ω1,ω2,,ωm]T,则RBF网络输出为

undefined

RBF网络逼近的性能指标为

undefined

3.2 网络迭代算法

RBF神经网络采用梯度下降的学习算法,网络的输出权算法如下:

undefined

基宽向量迭代算法如下:

undefined

中心矢量迭代算法如下:

undefined

式(6)-(11)中,η为学习速率,α为动量因子,η∈[0,1],α∈[0,1][6]

由于高斯基函数的有效性与中心向量Cj和基宽bj取值有关,因此RBF初始参数与模型的预测准确性有较大关系[7]。

4 预测模型的建立及应用

4.1 参数选择

预测模型的建立依赖于要解决的实际问题,根据实际问题中输入量和输出量的个数,可以确定RBF神经网络的结构,进而确定粒子群算法的粒子维数。本文采用参考文献[3]的数据,采煤工作面瓦斯涌出量及相关因素如表1所示。

RBF神经网络的输入层节点,可以取影响采煤工作面瓦斯涌出量的主要因素:工作面煤层埋藏深度、煤层厚度、煤层瓦斯含量、工作面煤层与邻近煤层的层间距、工作面平均日进度、工作面平均日产量等6项指标;输出层节点取工作面绝对瓦斯涌出量。经过多次预测试验表明,在6个因素中有的因素如煤层间距加入后预测效果变差,说明该因素与绝对瓦斯涌出量的相关性小,因此应计算各因素之间的灰色关联度[8],对神经网络输入变量加以取舍。

根据表1,经计算,煤层间距与瓦斯涌出量灰色相关性最小(0.5793,计算过程从略),因此去掉该因素[9],选择其余5个因素作为RBF神经网络的输入变量。RBF网络结构确定为5-3-1,由此确定需要优化的参数有

undefined

B=[b1,b2,b3]T,W=[ω1,ω2,ω3]T共21个参数,所以取粒子维数n=21,取种群规模m=20,迭代次数G=250;ω=0.1,c1=c2=2,RBF神经网络学习速率η=0.8,动量因子α=0.15。

4.2 仿真预测结果

在MATLAB 7.5环境中编写程序进行测试。PSO-RBF模型实现程序包括3个模块:①粒子群算法;②最佳适应度计算;③RBF神经网络训练及预测。

神经网络的最佳适应度函数变化过程如图2所示,其中适应度函数采用下式:

undefined

式中,y,ym分别为实际输出与RBF网络输出。

将PSO算法优化的网络权值和RBF参数作为神经网络预测模型的初始参数,对RBF网络进行训练,达到规定的训练精度或次数后再进行预测。基于PSO的RBF神经网络预测结果如图3所示。

在图3中,(a)图表示训练过程中RBF网络误差与迭代次数的关系;(b)图表示训练过程中14组数据的实际数据和网络训练输出,“-”表示实际输出,“*”表示网络输出;(d)图表示(b)图中的产生的误差;(c)图中“o”为期望输出,“*”表示网络预测输出。

本文一并给出了未经优化的RBF神经网络预测结果如图4所示。对比图3和图4可知,PSO-RBF模型预测曲线几乎与期望输出曲线重合,而传统RBF网络预测结果存在较大误差。

PSO-RBF模型和传统RBF网络性能对比如表2所示。从表2中可以看出,无论从迭代次数、网络训练时间、预测误差及预测精度来看,PSO-RBF的性能均优于传统RBF模型。实际上,由于传统RBF的迭代次数已经达到规定最大值2000,这说明其在训练过程中没有达到要求的精度。

上述预测属于多因素预测方法,采用了其中的14组样本进行训练,各类参数的选取和确定主要依据是实验效果[10]。神经网络预测只有采用大量的训练样本才能保证网络知识学习的完备性[11],表2中PSO-RBF模型预测精度很理想,表明14组样本数据质量好。实际上,不同的数据样本预测结果分散性较大。通常,煤矿能进行表1类似数据记录的很少,大多数矿井主要记录瓦斯含量、风量及日产量等,因此,上述方法就不再适用,应采用时序预测法。

5 结论

本文对PSO优化的RBF瓦斯涌出量预测模型进行了研究,由于RBF神经网络预测结果受网络初始参数影响较大,因此本文利用PSO优化算法对RBF神经网络初始参数进行了优化。实验结果表明,虽然PSO优化的RBF神经网络算法比传统RBF网络算法复杂,但从预测结果和性能看,前者要远优于后者,达到要求精度所需迭代次数和时间明显减少,预测精度有较大的提高,证明了这种方法在瓦斯涌出量预测中的有效性。

参考文献

[1]梁华珍.工作面瓦斯涌出量预测的研究与应用[D].安徽:安徽理工大学硕士论文2,007

[2]刘辉,王海宁,吕志飞.模糊神经网络技术在矿山安全评价中的适应性研究[J].中国安全生产科学技术,2005,1(3):58LIU Hui,WANG Hai-ning,LU Zhi-fei.Study of adapta-bility on FNN in mine safety assessment[J].Journal ofSafety Science and Technology,2005,1(3):58

[3]朱川曲.采煤工作面瓦斯涌出量预测的神经网络模型[J].中国安全科学学报,1999(4)

[4]刘希玉,刘宏.人工神经网络与微粒群优化[M].北京:北京邮电大学出版社2,008:284-285

[5]梁艳春,吴春国,时小虎,葛宏伟.群智能优化算法理论与应用[M].北京:科学出版社,2009:75-76

[6]刘金琨.智能控制[M].北京:电子工业出版社2,009

[7]Hu X,Shi Y,EberhartR.RecentAdvances in Parti-cleSwarm Optimization[C].In:Proceedings of IEEECongress on Evolutionary Computation,2004(1):90-97

[8]孙燕,杨胜强,王彬,褚廷湘.用灰关联分析和神经网络方法预测煤与瓦斯突出[J].中国安全生产科学技术,2008,4(3):15-16SUN Yan,YANG Sheng-qiang,WANG Bin,CHU Ting-xiang.Coal and gas outburst forecast by ANN and greycorrelation[J].Journal of Safety Science and Technolo-gy2,0084,(3):15-16

[9]虞岳明,谢正文,曲方.灰色组合模型在钻孔瓦斯流量预测中的应用[J].中国安全生产科学技术,2007,3(4):41-42YU Yue-ming,XIE Zheng-wen,QU Fang.Grey forecas-ting method for the gas flow prediction from boreholes[J].Journal of Safety Science and Technology,2007,3(4):41-42

[10]唐亮,李春生,许虎,刘永嘉,高晓棠.基于BP和RBFNN的神经网络算法在瓦斯预测中的应用及比较[J].中国安全生产科学技术,2007,3(6):32-34TANG Liang,LI Chun-sheng,XU Hu,LIU Yong-jia,GAO Xiao-tang.The application and comparison of neu-ral network based on algorithm BP and RBFNN in meth-ane prediction[J].Journal of Safety Science and Tech-nology2,0073,(6):32-34

瓦斯涌出量计算第7篇

很多小煤矿由于技术和管理条件所限,瓦斯测试数据较少,井下瓦斯规律认识不清,经常出现瓦斯事故,造成不必要的经济损失和人员伤亡。因此,准确预测瓦斯涌出量,合理开采成了小煤矿减少灾害的必要手段。小煤矿数据缺乏,且不愿投入资金进行瓦斯涌出量的预测,提供一种简单可靠、花费少的预测方法可以促进小煤矿对涌出量的预测,有效地减少事故的发生。本文以贵州普琼煤矿为例,采用经验公式、类比法与瓦斯分源预测法相结合的方式,进行了瓦斯涌出量预测,与实测数据验证效果良好。

2 矿井地质背景

普琼煤矿大地构造单元属上扬子准地台黔北台隆六盘水断陷东部边缘区织纳煤田东南部,翁卡背斜的次级构造白果寨向斜北西翼。矿井范围内地层呈单斜构造,地层倾向130°~138°,倾角32°~38°,平均约为36°。矿井内未见明显断层,仅在矿井中偶见落差小于2米的断层,矿井地质构造相对较简单。

开采标高+1470m~+1050m,矿区面积0.4726km2,矿井采用走向长壁采煤法,全部陷落法管理顶板。可采及局部煤层有5层,即M9、M16、M21、M23、M24煤层。主采煤层煤层及煤质特征见表1、表2。

M9、M16、M21、M23、M28煤层煤质均为无烟煤,容重平均为1.5t/m3。

3 矿井煤层瓦斯含量预测

矿井煤层瓦斯含量可采用经验公式求得[1]。

式中:

W h-在温压(P、T)条件下的矿井煤层瓦斯含量,m3/t;

Wx-在P、T条件下的吸附瓦斯含量,m3/t;

Wy-在P、T条件下的游离瓦斯含量,m3/t;

Aad-煤中灰分,%;

Mad-煤中水分,%;

Vdaf煤中挥发分,%;

fn-煤的孔隙率,%;

-煤的视密度,t/m3;

P-煤层瓦斯压力,MPa;

en-温度系数;e-自然对数;

n-;a-;b-

T-温度,℃;

KY-在P、T条件下的瓦斯压缩系数。

普琼煤矿没有瓦斯压力实测值,根据附近矿井瓦斯压力得出矿井瓦斯压力与埋深关系式为:

P瓦斯压力,MPa;H垂深,m。

该区地温梯度介于1.3~2.3℃/100m之间,取最大地温梯度值2.3℃。根据矿井实测煤质资料,查表得fn=6%,KY=1.05。

由式1得M16煤层不同埋深条件下及邻近煤层对应点处的瓦斯含量(表3)。

4 矿井煤层瓦斯涌出量预测

瓦斯涌出量包括开采煤层瓦斯涌出量与邻近煤层瓦斯涌出量两部分[2]。受煤层瓦斯含量、瓦斯涌出系数、煤层厚度、采高等影响,其计算公式如下:

开采煤层(包括围岩)瓦斯涌出量

式中:q1开采煤层(包括围岩)相对瓦斯涌出量,m3/t;

k1围岩瓦斯涌出系数;

k2工作面丢煤瓦斯涌出系数,其值为工作面回采率的倒数;

k3顺槽掘进预排瓦斯对工作面煤体瓦斯涌出影响系数;

m煤层厚度,m;

M煤层采高,m;

Wh煤层瓦斯含量,m3/t;

Wc煤的残存瓦斯含量;

(2)邻近层瓦斯涌出量

式中:q2邻近层瓦斯涌出量,m3/t;

mi第i个邻近层厚度,m;

M开采层的开采厚度,m;

Whi第i邻近层原始瓦斯含量,m3/t;

Wci第i邻近层残存瓦斯含量,m3/t;

ηi取决于层间距离的第i邻近层瓦斯排放率。

根据矿井资料得到:K 1=1.3、K2=1.053、K3=0.797、WC=10 m3/t、m=1.4m、M=1.4m、m9=1.1m、m21=0.9m、m23=1.0m、m24=1.4m,=0、=0.63、=0.4、=0.04。由式3、4得到M16煤层不同埋深的瓦斯涌出量,如图1。

比图

从图1可以看出,瓦斯涌出量预测结果与实测数据吻合度较好,这表明本文采用的预测方式所得出的瓦斯涌出量结果接近矿井的真实数据,预测结果精度较高。由于预测过程中无法对围岩性质、水文地质条件、构造等因素进行定量分析,导致预测结果与实测数据有一定的偏差。普琼煤矿地质构造简单,矿井直接含水层为中等~弱含水层,而其顶板泥岩较薄且底板为粉砂岩,不利于瓦斯的赋存,因此造成实测数据小于预测结果。

5 结论

本文采用经验公式、瓦斯分源预测法、类比法等方法,给出了一种简单,快捷,经济的瓦斯涌出量的预测方法,通过验证表明:该方法预测结果与实际较吻合,具有可行性。此方法若在小煤矿的瓦斯涌出量预测中得到普及,可为矿井通风设计,瓦斯治理,安全开采提供指导。

摘要：确定矿井瓦斯涌出量对煤矿安全生产具有指导作用。本文利用经验公式、类比法与瓦斯分源预测法对没有瓦斯测定参数的贵州普琼煤矿煤层瓦斯涌出量进行了预测,并与实际测量的瓦斯涌出量进行了对比,结果表明,该方法使用简单,预测较准确,具有一定的可靠性。

关键词：瓦斯含量,涌出量,预测

参考文献

[1]张荣立,何国纬,李铎.采矿工程设计手册[M].北京:煤炭工业出版社,2004.

瓦斯涌出量计算

瓦斯涌出量计算第1篇

瓦斯涌出量预测研究第2篇

矿井瓦斯涌出量预测方法综述第3篇

瓦斯涌出量计算第4篇

瓦斯涌出量计算第5篇

粒子群优化的RBF瓦斯涌出量预测第6篇

瓦斯涌出量计算第7篇

瓦斯涌出量计算

猜你喜欢

栏目

最近更新

热门标签

瓦斯涌出量计算

瓦斯涌出量计算 第1篇

瓦斯涌出量预测研究 第2篇

矿井瓦斯涌出量预测方法综述 第3篇

瓦斯涌出量计算 第4篇

瓦斯涌出量计算 第5篇

粒子群优化的RBF瓦斯涌出量预测 第6篇

瓦斯涌出量计算 第7篇

瓦斯涌出量计算

猜你喜欢

栏目

最近更新

热门标签

瓦斯涌出量计算第1篇

瓦斯涌出量预测研究第2篇

矿井瓦斯涌出量预测方法综述第3篇

瓦斯涌出量计算第4篇

瓦斯涌出量计算第5篇

粒子群优化的RBF瓦斯涌出量预测第6篇

瓦斯涌出量计算第7篇