共查询到19条相似文献,搜索用时 721 毫秒
1.
为了准确地预测矿井瓦斯涌出量,从而减小矿井瓦斯涌出量预测值与实际瓦斯涌出量值的误差,运用分源预测法对沁海煤矿在目前开采条件下的瓦斯涌出量进行预测。参照五采区的瓦斯涌出量统计结果,确定分源预测法中的预测参数,运用该参数对沁海煤矿已采采区进行预测,并与已采采区瓦斯涌出量统计值进行对比验证,得出在矿井开采方式不变的情况下,分源预测法中的预测参数基本保持不变;预测参数的选择不应凭经验来选择,而应参照矿井实际瓦斯涌出量来定量选择,结果证明此种预测参数的选择方法对矿井瓦斯涌出量的预测准确性较高。 相似文献
2.
孔庄煤矿-1020m水平首采区瓦斯涌出量预测 总被引:1,自引:1,他引:0
采用分源预测法对孔庄煤矿-1 020 m水平首采区瓦斯涌出量进行预测,得出了深部首采区工作面和采空区瓦斯涌出基础参数,为矿井深部首采区通风设计提供了科学依据,对担负矿井-1020m水平通风的南风井风机选型具有重大意义。 相似文献
3.
本文以山西榆次北山兴安煤矿为工程实例,通过分源预测模型对该矿井的回采工作面、掘进工作面、生产采区以及矿井瓦斯涌出量进行预测。通过理论计算及预测结果分析表明:15_下号煤层回采时,回采工作面瓦斯涌出量组分中,以开近层为主、邻近层为辅。第一时期、第二时期、第三时期开采时和第四时期开采时,开采层瓦斯涌出量平均占比93.77%,邻近层瓦斯涌出量平均占比6.23%。采区瓦斯涌出量组分中,第一至四时期开采时,采区瓦回采面、掘进面以及采空区斯涌出量平均占比分布为56.88%、19.99%和23.13%;矿井瓦斯涌出量组分中,第一至四时期开采时,生产采区瓦斯涌出量占比83.38%,已采采区瓦斯涌出量占比16.62%。预测结果可为兴安煤矿瓦斯抽采技术的应用与工程实践提供理论指导。 相似文献
4.
矿井瓦斯涌出量预测的任务是确定新矿井、新水平、新采区、新工作面投产前瓦斯涌出量的大小,为矿井、采区和工作面通风提供瓦斯涌出方面的基础数据,它是矿井通风设计、瓦斯抽放和瓦斯管理必不可少的基础参数。根据侯甲煤矿实际情况,选择了分源预测法预测3#煤层开采时的矿井瓦斯涌出量,得出矿井在开采3#煤层前期、中期和后期的瓦斯涌出量,确定侯甲煤矿在3#煤层开采时属于高瓦斯矿井,为矿井通风设计和瓦斯治理提供依据。 相似文献
5.
在含瓦斯煤层中采矿作业时,瓦斯涌出是威胁煤矿安全生产的最主要因素。因此,在新矿井、新水平和新采区投产前,都应进行矿井瓦斯涌出量预测,这是矿井通风设计、瓦斯抽放设计和瓦斯管理必不可少的基础工作。通过分源预测法预测五虎山煤矿1201工作面瓦斯涌出量,为煤矿瓦斯等级的确定和抽放瓦斯提供基础数据。 相似文献
6.
根据永天煤业矿井瓦斯赋存情况、矿井采掘部署与接替计划,对矿井瓦斯进行了分析,并采用分源预测法对不同时期分层开采的采煤工作面、掘进工作面、采区的矿井瓦斯涌出量进行了预测.分析预测结果得出,该矿上下分层开采期间均为高瓦斯矿井. 相似文献
7.
在含瓦斯煤层中采矿作业时,瓦斯涌出是威胁煤矿安全生产的最主要因素。因此,在新矿井、新水平和新采区投产前,都应进行矿井瓦斯涌出量预测,这是矿井通风设计、瓦斯抽放设计和瓦斯管理必不可少的基础工作。通过分源预测法预测五虎山煤矿1201工作面瓦斯涌出量,为煤矿瓦斯等级的确定和抽放瓦斯提供基础数据。 相似文献
8.
该文论述了分源法预测瓦斯含量原理,通过实例介绍了该方法在矿井深部采区瓦斯涌出量预测中的应用。预测出孔庄煤矿深部Ⅳ1采区工作面日产量为2333t时的绝对平均瓦斯涌出量为9.79m3/min。其中开采层瓦斯涌出占采煤工作面总涌出量的79.37%。首采区绝对瓦斯涌出量为18.71m3/min。 相似文献
9.
10.
提出基于多源信息融合的瓦斯涌出量动态预测是一种传统矿井涌出量预测与现代计算机编程相结合的新的矿井瓦斯涌出量预测方法。这种方法通过矿井实测煤层瓦斯含量、地勘瓦斯含量、K1-p或△h2-p关系曲线、煤巷掘进瓦斯涌出反演煤体瓦斯含量等多源信息融合,得出煤层瓦斯赋存规律和较为准确的瓦斯含量分布图,结合瓦斯含量分布和分源预测法构建同等开采工艺条件下煤层瓦斯含量与瓦斯涌出量数学模型,利用新工作面瓦斯涌出数据和矿山统计法不断跟踪及修正瓦斯涌出量数学模型,形成融合后数学模型,实现对已采区域的瓦斯涌出量目标跟踪和未采区域的瓦斯涌出量动态预测。 相似文献
11.
12.
13.
14.
15.
16.
17.
18.
针对瓦斯涌出量受其他因素的影响,并且存在着复杂的非线性关系,将核极端学习机与改进的万有引力算法相结合建立基于改进万有引力算法-KELM的瓦斯涌出量预测模型(IGSA-KELM瓦斯涌出量预测模型)。首先将输入样本作为KELM网络的输入量,然后采用改进的万有引力搜索算法对KELM网络的核参数和输出权值寻优,优化KELM网络的性能。测试结果表明,基于该方法预测的绝对瓦斯涌出量误差在0.1 m^3/min以内,提高了预测精度和预测效率。 相似文献
19.
为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明:改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。 相似文献