基于声发射特征提取和机器学习的煤破坏状态预测

同步采集了煤样单轴压缩破坏过程的声发射全波形数据和应力数据,提取了声发射梅尔倒谱系数作为样本特征,定义煤样当前受力与其峰值载荷的比值为煤样的应力状态并将其作为样本标签,利用机器学习方法构建了煤样破坏状态的预测模型。结果表明:梅尔倒谱系数可以很好地表征煤样的破坏状态,该参量在煤样达到受力峰值80%后表现出明显突增或突降或先增加然后突降的规律,机器学习能够利用该样本特征建立煤样破坏状态预测模型进而预测煤样的危险状态,利用五折交叉验证方法评价模型的预测准确度达到88.61%,模型预测效果和稳定性良好;进一步讨论了不同重要度的梅尔倒谱系数组合作为样本特征对于模型预测效果的影响,发现样本特征中含有重要度高的特征和关键特征是模型预测准确度高的关键。这可为进一步完善煤岩动力灾害预测预警提供借鉴。      

乌东煤矿冲击地压监测预警平台搭建与应用

为应对乌东煤矿越来越严峻的冲击地压预警与防治形势,提高冲击地压灾害预警准确性,保障煤矿安全高效生产,运用大数据分析方法和云计算技术,结合该煤矿特殊地质条件和复杂开采手段,搭建了集成微震、地音、矿山压力等多种监测手段的冲击地压预警平台,从“时间—空间—强度”三个维度建立多系统多参量监测预警指标体系,构建冲击地压危险综合预警模型。该平台实现了对监测矿井冲击危险的“全天候”、“全方位”的实时动态感知,主要功能包括:能够实时采集各监测系统的数据并完成前兆信息特征提取;展示各单系统预警指标及其临界值,并实现单系统单一指标预警到多系统融合预警的转变;可一键生成报表,实时查看设备状态,节省大量人力、物力。该平台已在乌东煤矿应用,实现矿井的分区分级预警,有效提高了冲击地压监测预警的准确性和可靠性,指导现场冲击地压防治工作,辅助科学决策。