基于GIS的煤矿企业风险预测预警系统设计

为及时掌握煤矿风险信息并对风险进行有效预测预警,设计了一种基于GIS的煤矿企业风险预测预警系统。该系统利用GIS信息采集平台对危险源信息进行有效的采集处理;利用风险预警模型对采集的信息进行数据挖掘分析、算法运算分析等综合预测分析,并得出风险预警结论;利用GIS分析展现平台对预警结果进行综合可视化预警与展现,为矿井安全生产调度提供辅助决策支持。该系统可实现煤矿企业风险治理的精准管控。     

高瓦斯矿井水力压裂卸压增透技术研究与应用

为达到高瓦斯矿井厚煤层的增透、卸压、消突,结合鱼田堡煤矿5#突出厚煤层,采用水力压裂增透技术进行高压注水,解决了突出煤层掘进期间的瓦斯问题,实现安全快速掘进,提高劳动生产率。     

煤矿掘进巷道围岩压力在线监测预警系统

针对现有煤矿掘进工作面围岩压力监测技术难以实现有效监测、预警能力弱等问题,采用无线传感器技术,设计了一种煤矿掘进巷道围岩压力在线监测预警系统,详细介绍了系统组成、技术原理、数据传输方式、功能模块设计及预警流程。应用表明,该系统实现了对掘进巷道顶板离层、应力和声发射参数的实时监测,其多参量综合预警流程有效提高了预警的准确率。     

关于3#煤层巷道快速掘进的探讨

介绍了石泉煤矿3#煤层的瓦斯地质条件、当前掘进巷道施工工艺以及瓦斯治理措施。为提升矿井煤巷掘进速度,有效解决采掘衔接问题,结合矿井相关资料探讨了大断面掘进问题。     

复杂矿井通风网络可视化动态解算及预警技术

针对存在煤层倾角大、地质构造复杂、开采时间长等情况的复杂矿井,采用传统的通风网络人工分析方法或常见通风网络解算软件存在工作量大、效率低、错误率高、解算不全面等问题,从而不能实时、全面掌握井下各巷道的通风安全状况。以南桐煤矿通风系统为研究对象,根据其通风系统复杂特征,从通风网络动态解算模型及方法、矿井通风阻力参数测定、通风异常预警、通风系统可视化等方面研究了复杂矿井通风网络可视化动态解算及预警技术,并依据该技术开发了矿井通风网络可视化动态解算及预警系统。应用表明,该系统解算风量与实际风量的误差小于10%,解算结果可实时、动态显示,实现了矿井风速及风压参数全量程精准测定、全矿井通风网络动态解算、通风异常连续分析与预警。     

物联网感知技术在危险源预警系统中的应用

针对现有危险源预警系统存在数据来源单一、依赖人工经验判断等问题,将物联网感知技术应用到危险源预警系统设计中,构建了适应井下巷道分布的簇状树形无线传感网络,设计了传感节点和Sink节点的硬件结构;基于特征选择Relief算法和BP神经网络,研究了信息融合和处理的应用算法,并进行了仿真实验。实验结果表明,将物联网感知技术应用于危险源预警系统提高了环境监测的覆盖面和数据采集效率,降低了系统的虚警率和漏检率。     

煤矿井下掘进巷道瓦斯涌出R/S分析

为了掌握煤与瓦斯突出危险性变化情况,分析了煤层瓦斯涌出量影响因素,采用R/S分析方法对煤矿掘进巷道瓦斯涌出情况进行研究,得出结论:掘进巷道瓦斯涌出时间序列具有分形特性,当检测到瓦斯涌出时间序列的Hurst指数出现降低趋势并有较大波动时,说明将会出现瓦斯涌出异常,需要提前采取一定的安全防范措施。     

采区水窝无人值守自动排水装置

鲍店煤矿自1999年采区开拓巷道及回采准备巷道均布置在煤层底板中。沿煤层底板掘进,巷道底板起伏不平,而且多是下山采区,巷道易积水,需设临时水窝进行排水,由于巷道距离较长．需采用多级排水,开泵司机占用较多;也经常因值班人员责任心不强造成积水溢出和水泵吸空损坏情况,造成掘进工作面的水(涌水、淋水)不能及时排出。影响掘进工作面的进尺。     

贵州矿区煤与瓦斯突出特征及其防治对策

通过收集分析贵州矿区381对矿井、695层煤的突出指标和以往120对矿井发生的214起典型煤与瓦斯突出事故,对贵州矿区煤与瓦斯突出指标分布特点及突出特征进行了研究,提出了针对性的防突措施:加大煤层突出指标的测试工作,对黔北、织纳、六枝、盘江、水城等突出强度大和突出次数多的矿区制定严格的管理制度,加大煤巷掘进工作面的防突工作,并加强放炮管理、动力现象监测和地质构造探测,以此减少贵州矿区煤与瓦斯突出事故。     

巷道掘进过程中煤炮现象发生范围及机理研究

为了说明煤炮现象的发生范围和发生机理,采用RFPA2D数值计算软件对某煤矿巷道掘进过程中围岩的变形破坏过程和声发射现象进行了数值模拟研究。研究结果表明,矿井工作面回采巷道发生的煤炮现象是在巷道两帮15 m及顶板约10 m范围内在巷道变形破坏过程中积聚的大量弹性能量释放的过程,是一种能级相对较小的动力现象,不是冲击地压发生的前兆信息。     

主成分—费歇尔判别模型在煤与瓦斯突出等级预测中的应用

针对现有煤与瓦斯突出预测方法存在计算过程较复杂、预测主观性强、预测精度较低等问题,构建了主成分-费歇尔判别模型,并将其应用于某煤矿的煤与瓦斯突出等级预测。从瓦斯因素、煤体结构及地质构造方面分析得出了影响该矿煤与瓦斯突出的因素包括瓦斯压力、瓦斯含量及瓦斯放散初速度等指标。以影响该矿煤与瓦斯突出的23组实测数据为基础,首先利用主成分分析模型对影响该矿的煤与瓦斯突出因素进行降维,提取与指标相关度较高的5个主成分,然后将5个主成分输入费歇尔判别模型,并根据判别函数对样本进行煤与瓦斯突出等级预测。应用结果表明:主成分-费歇尔判别模型具有较高的可信性,能对煤与瓦斯突出等级进行准确预测,训练样本的正确率为100%,待测样本的预测结果也与该矿煤与瓦斯突出的实际情况相符,误判率为0,为准确预测煤与瓦斯突出提供了一种新方法。     

基于SuperMap的煤与瓦斯突出预测管理系统的设计

介绍了SuperMap地理信息软件的特点,提出了一种基于SuperMap的煤与瓦斯突出预测管理系统的设计方案,阐述了系统功能模块的设计和系统的开发流程。该系统将GIS信息技术应用到煤与瓦斯突出预测管理中,并采用SuperMap全组件式软件作为开发平台,为煤与瓦斯突出的预测开辟了新的途径,不但提高了煤与瓦斯突出预测的准确性和可靠性,而且实现了煤与瓦斯突出预测的动态化管理,并能为突出事故提供防治措施和应急预案。     

煤与瓦斯突出危险性预测的SαS-PNN模型及应用

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了实现对煤与瓦斯突出危险性快速、准确和动态预测,考虑煤与瓦斯突出多种影响因素.提出一种改进的概率神经网络(PNN)煤与瓦斯突出预测模型.首先,引进一种对称Alpha稳定分布(SαS),SαS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布.在SαS的基础上,建立煤与瓦斯突出危险性预测的SαS-PNN模型.将SαS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测.预测结果表明:在3种不同的训练和测试下SαS-PNN模型仍具有良好的预测效果,其误判率分别为7.69%、11.54%和15.38%.说明该模型可为煤矿开采中煤与瓦斯突出危险性预测提供了一种可能的思路.     

煤与瓦斯突出协同预测技术研究及应用

针对现有煤与瓦斯突出预测技术难以实现时间和空间领域的全方位连续预测、防突预测结果利用率低、预测信息发布滞后等问题,提出了一套适用于现代化高产高效矿井的多因素、全方位、时空连续型的煤与瓦斯突出协同预测技术体系.按照煤与瓦斯突出形成的时空维度,将煤与瓦斯突出危险性预测划分为以空间维度为主的区域突出危险性预测和以时间维度为主的局部突出危险性预测.通过对地质构造、煤层埋深、煤体煤质、软煤分布、钻屑指标、瓦斯涌出初速度等区域、局部防突预测数据的深度挖掘分析,得到区域、局部突出危险性预测结果,并按照一定规则进行有效融合,实现时间和空间范围内的连续监测预警.研发了配套的防突信息综合管控平台和WTC-1型瓦斯突出数据采集仪,为煤与瓦斯突出协同预测技术的实现提供了软硬件支撑.现场应用结果表明,该技术预测准确率超过90%,防突预测结果单次审批时间缩短为原来的22.5%,防突信息综合管控平台多次超前捕捉到了煤与瓦斯突出危险,提高了矿井防突信息利用效率.     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。     

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型*

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络（PNN）原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明：用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

基于bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法（LWCA）优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明：煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。     

基于PCA和PSO-ELM的煤与瓦斯突出软测量研究

针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO-ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输入权值和隐层阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。