突出危险性预测

突出危险性预测（共7篇）

突出危险性预测 篇1

煤与瓦斯突出是煤矿井下采煤过程中发生的一种极其复杂的动力现象, 并且随着开采深度的增加, 其突出次数和强度也在不断增加[1]。目前, 普遍认为煤与瓦斯突出是地应力、瓦斯、煤体物理力学性质等多种因素综合作用的结果[2,3,4]。在井下采掘过程中, 煤层瓦斯压力的突然变大伴随软煤层变厚等情况都有可能引发突出事故的发生。因此, 有必要进行工作面煤与瓦斯突出危险性预测, 并对防突措施效果进行检验。

根据《防治煤与瓦斯突出规定》, 工作面突出危险性预测常用的指标主要包括钻屑量S、钻屑瓦斯解吸指标K1或Δh2、钻孔瓦斯涌出初速度q及其衰减指标Cq、综合指标R等, 并且给出了参考临界值。然而, 每一单项指标都是侧重强调一或两个因素的影响, 但是诱发突出的原因有时是不确定的。如果选择的指标对突出危险敏感性不敏感, 即使所测数值低于突出临界值, 仍会发生低指标突出的现象, 给煤矿工人的生命安全带来极大的伤害。因此, 研究低指标突出、分析其发生的原因对煤矿安全生产及工人生命安全具有极大的现实意义。

1 预测方法

煤与瓦斯突出危险性预测根据预测的范围和时间分为区域预测和工作面预测。

1.1 区域预测

区域预测是对矿井、煤层及煤层区域的突出危险性进行判断, 又称长期预测, 目前采用的方法主要有指标法和瓦斯地质单元法。

1.1.1 指标预测法

(1) 单项指标法[5]。

该方法采用的指标主要有煤的破坏类型、实际测定的煤层最大瓦斯压力p、煤的瓦斯放散初速度Δp、煤的坚固性系数f等。各项指标临界值要根据实测资料确定, 如无实测资料可参考表1中数据。

(2) D、K综合指标法[5]。综合指标D、K的计算公式为:

D= (0.075H/f-3) (P-0.74) (1)

K=Δp/f (2)

式中, D、K均为工作面突出危险性的综合指标;H为煤层埋藏深度;P为煤层瓦斯压力, 取各个测压钻孔实测瓦斯压力的最大值;Δp为软分层煤的瓦斯放散初速度;f为软分层煤的坚固性系数。

D、K综合指标既可以用于区域性预测, 也可以用于工作面预测。

1.1.2 瓦斯地质单元法

这种方法认为瓦斯突出的分布具有条带性、分区分带的特点, 与地质条件有密切的关系, 地质因素控制着分区分带, 因而可以用地质因素的区域划分来预测突出区带, 实现突出的区域预测[6]。

1.2 工作面预测

工作面预测的目的是确定掘进工作面及回采工作面前方煤与瓦斯突出的危险性, 这种预测也称为日常预测[7,8]。

1.2.1 钻屑瓦斯解吸指标法

应用MD-2型解吸仪或ATY型突出预测仪测得工作面预测钻孔排出钻屑的瓦斯解吸指标Δh2或K1, 通过与现场实测数据得出的突出临界值进行比较, 预测工作面突出危险性。该方法在我国已得到了广泛的应用, 但由于受操作过程以及其他因素的影响, 所测数值与实际值具有一定误差, 极有可能会出现低指标突出的现象。

1.2.2 钻孔瓦斯涌出初速度法

钻孔瓦斯涌出初速法是煤矿井下工作面突出预测与防突措施检验的一项重要指标, 在我国应用十分广泛, 可以有效地反映煤体物理力学性质、煤层瓦斯和煤层应力状态, 其临界值在《防治煤与瓦斯突出规定》中已有说明。

1.2.3 钻屑量法

钻屑量被认为是反映地应力大小的一个有效指标, 也受煤层瓦斯压力、煤的结构破坏程度的影响。一般认为钻屑量比正常量超出较多, 如果瓦斯压力很大就会发生较大的突出。临界值已写入《防治煤与瓦斯突出规定》, 并得到广泛应用。

1.2.4 R值指标法

R值指标法是在钻孔瓦斯涌出初速度结合钻屑量基础上形成的新指标。计算公式为:

R= (Smax-1.8) (qmax-0.74) (3)

其中, Smax为每个钻孔沿孔长最大的钻屑量;qmax为每个钻孔沿孔长最大的瓦斯涌出初速度。

除了以上几种预测方法外, 还有钻屑温度法、煤体温度法、放炮后的瓦斯涌出量监测法、V30预测指标法等。近几年, 一些地球物理方法如声发射技术、微震监测技术、电磁辐射监测技术等, 也被应用到煤与瓦斯突出预测中来, 被认为是最有前途的预测预报方法。

2 低指标突出影响因素

低指标突出是指在突出危险性预测过程中或防突效果检验后, 所测得的指标值低于突出临界值, 而在采掘过程中发生突出事故的现象[9]。低指标突出现象对矿井安全生产影响严重:①一旦发生低指标突出, 轻则损坏巷道、采煤设备, 造成财产损失, 重则造成人员伤亡。②它会使防突工作者对之前的突出临界值产生怀疑, 降低他们对防突工作的信心, 盲目地降低突出临界值会加大防突工作量, 大大增加了采煤成本。因此, 应重视低指标突出现象, 找出原因并采取相应措施, 减少乃至消除这种现象。

通过研究煤与瓦斯突出预测方法, 结合相关资料, 笔者认为低指标突出现象发生的影响因素如下:

(1) 单项指标的局限性。人们普遍认为煤与瓦斯突出现象是地应力、瓦斯及煤的物理力学性质综合作用的结果, 在煤矿现场经常采用单项指标进行预测, 因为操作过程比较容易, 一般情况下不会失真, 但单项指标一般只反映突出过程中的某一个或两个因素。例如, 钻屑量指标能综合反映煤层地应力、瓦斯和煤物理力学性质, 但在这3个因素中, 地应力对钻屑量影响最大, 那么在地应力很大但瓦斯含量很低的煤层, 煤与瓦斯突出事故很难发生;钻屑瓦斯解吸指标能较好地反映煤的吸附瓦斯能力及解吸瓦斯含量大小, 也能反映煤的破坏程度, 但与地应力并无直接的联系, 反映出现了遗漏;通常煤层透气性系数大小并不能反映突出危险性的大小, 而钻孔瓦斯涌出初速度受煤层透气性等非突出因素的影响较大, 透气性差的煤层, 其值会很小, 很容易造成低指标突出。因此, 单项指标用于工作面预测有其局限性, 很有可能产生预测失误。

(2) 敏感指标及突出临界值选择失误。指标敏感性是指指标大小及其变化与突出危险的相关性。若指标大小及其变化与煤层突出危险性的相关性很差, 不能反映突出危险性, 则该指标不敏感, 相反则指标敏感。敏感指标选择失误, 不能反映本煤层突出危险性, 那么预测工作就是失败的。纵然现场实测数据远远低于突出危险临界值, 如果所选指标不能或很难反映突出危险性, 那么低指标突出现象在所难免。另外, 突出临界值的选取也至关重要, 《防治煤与瓦斯突出规定》中规定, 预测煤巷掘进工作面突出危险性的指标临界值应根据试验考察确定, 确定前, 可按其给出的临界值确定工作面突出危险性。但很多矿井由于某种原因没有进行考察工作而直接套用给出的临界值, 而该临界值在该矿未必适用, 由此造成低指标突出事故。

(3) 突出主导因素的转移。煤矿井下环境十分复杂, 当开采到一个新的区域, 煤层应力状态、瓦斯赋存量、煤的物理力学性质可能会有所改变, 以前反映突出影响因素中的一个或两个因素的指标可能对现有煤层已经不敏感了, 如果不及时采用新的指标预测方法, 很有可能发生低指标突出现象。例如, 原来反映瓦斯赋存量的指标在煤层瓦斯赋存量大、煤层结构利于瓦斯解吸、地应力一般的区域较为敏感, 一旦开采到瓦斯含量较低、地应力较大的区域, 该指标不能很好地反映煤层突出危险性, 此时地应力已变为诱发突出的主导因素。因此, 在较为复杂的区域, 有必要对预测指标及其临界值重新考察确定。

(4) 地质构造。地质构造主要影响钻孔施工过程中钻孔准确率, 在前方煤体应力状态发生改变的情况下, 控制钻孔位置可能达不到设计要求, 容易发生顶钻、吸钻、夹钻等钻孔异常现象, 使钻孔达不到预计深度或层位, 导致预测指标偏低, 可能发生低指标突出现象。

(5) 现场操作过程。在钻孔预测过程中, 钻孔位置的选择对测定结果有较大影响。研究表明, 一定厚度的软煤存在是瓦斯突出的必要条件, 在实际工作中, 识别和判断构造软煤的存在, 有助于煤与瓦斯突出的正确预测。因此, 突出预测点选择不准确、预测钻孔布置不合理、钻孔参数不符合要求、没有达到预定深度等均会造成预测指标偏低。另外, 利用钻屑瓦斯解吸指标预测突出危险时, 在不考虑测量仪器的情况下, 钻孔布置、采样、操作过程均会影响测量结果, 但煤样暴露时间影响最大。试验研究表明, 煤样暴露时间的长短会使K1值的测定产生误差, 时间越长, 测定值越小。因此, 钻孔取样不及时、钻粉粒度不符合要求、打钻与测定时间间隔太长等均会引起低指标突出现象。

(6) 管理方面。有些矿井对突出预测不重视, 有关突出预测的规定只是形式上的, 从整体上来看, 安全管理体系不完善、遇到问题没有统一解决思路, 缺乏科学指导, 对技术人员物质激励匮乏。例如, 没有对突出预测人员进行突出预测操作方面的培训或培训不严格;对有经验的技术人员不够重视, 频繁更换突出预测人员;为了赶进度、抓生产, 遇到突出指标超限的情况, 不按《防治煤与瓦斯突出规定》采取必要的防突措施及效果检验, 更有甚者要求减少预测钻孔深度来达到快速预测的目的。总之, 种种原因导致突出预测工作管理混乱, 造成低指标突出事故的发生。

(7) 预测仪器误差。预测仪器精度不高、稳定性差等, 使得预测结果偏离真实值, 导致低指标突出现象。

(8) 突出预测水平的局限性。目前, 没有一种突出预测方法可以非常准确地预测突出事故的发生, 预测准确率达不到百分之百, 所以难免会发生低指标突出现象。

3 减少低指标突出事故的对策

(1) 系统分析历史资料, 结合现场测定与实验室分析的方法, 确定预测工作面前方煤体突出危险性所采取的敏感指标及其临界值。在工作面前方煤体地质结构发生重大改变时, 应重新考察敏感指标及其临界值, 实事求是地预测突出危险。

(2) 要考察工作面实际情况, 合理布点, 使钻孔布置在较软煤层中。对钻孔参数要进行合理设计, 要严格按设计要求进行钻孔。采用钻孔瓦斯解吸指标方法预测时, 要尽量缩短钻屑暴露时间。这需要预测人员对预测操作过程十分娴熟。

(3) 定期对预测设备进行检查, 注意日常保养, 使其保持稳定性和预测精度。

(4) 对地质条件十分复杂的煤层, 单一指标已经不能很好反映突出危险性, 应根据现场实际情况采用多指标相结合的综合预测方法, 以提高预测准确率。

(5) 加强安全管理, 强化预测人员职业道德及责任心, 入岗前针对操作对其进行严格培训, 采取必要的物质奖励提高其工作积极性, 遇到可疑情况要严格按照操作规程办事。

(6) 针对工作面突出危险性预测方法的局限性 (不连续性) , 有必要研发新的连续性突出危险性预测方法, 如电磁辐射法、声发射法、微震技术等地球物理方法, 并结合不连续性预测方法一同进行预测。

(7) 切实加强防突措施效果检验这一环节, 对危险性大小进行严格检验, 是消除突出事故的关键。

4 结论

诱发低指标突出事故现象的原因很多, 既有主观的原因, 如敏感指标及临界值的选取失误、钻孔布置及选取的钻孔参数不合理、预测过程操作不当、工作人员粗心大意不按规程操作等;又有客观原因, 如单项指标本身的局限性、煤层地质条件复杂诱发突出主导因素转移、打钻困难以致不能按设计要求进行、目前的预测方法存在历史局限性等。为了最大限度地减少此类事故的发生, 在突出预测过程中要严格执行“四位一体”综合防突措施, 遇到低指标突出现象, 应对其原因进行深入细致的分析, 找出真正的原因, 严防发生类似的事故。

参考文献

[1]俞启香.矿井瓦斯防治[M].徐州:中国矿业大学出版社, 1992.

[2]B.B.霍多特.煤和瓦斯突出[M].宋士钊, 王佑安, 译.北京:中国工业出版社, 1966.

[3]于不凡.煤和瓦斯突出机理[M].北京:煤炭工业出版社, 1985.

[4]李中锋.煤与瓦斯突出机理及其发生条件评述[J].煤炭科学技术, 1997, 25 (11) :44-47.

[5]国家安全生产监督管理总局.防治煤与瓦斯突出规定[M].北京:煤炭工业出版社, 2009.

[6]张许良, 彭苏萍, 张子戌, 等.煤与瓦斯突出敏感地质指标研究[J].煤田地质与勘探, 2003, 31 (2) :7-10.

[7]聂百胜, 何学秋, 王恩元, 等.煤与瓦斯突出预测技术研究现状及发展趋势[J].中国安全科学学报, 2003, 13 (6) :40-43.

[8]胡千庭, 文光才, 徐三民.工作面突出预测敏感指标及临界值确定方法的研究[J].煤炭工程师, 1998 (增刊) :8-10.

[9]赵旭生.“低指标突出现象”原因分析及防范对策[J].煤矿安全, 2007 (5) :67-69.

新建矿井瓦斯突出危险性预测方法 篇2

新河矿井位于焦作煤田深部, 处于北东向区域大断裂九里山断层上升盘 (下盘) , 南部紧依近东西向大断裂凤凰岭断层, 本区基本构造形态为地层走向大致呈北20~40°, 倾向南东, 倾角7~14°的单斜构造, 伴有中小正断层多条。

2 本区瓦斯赋存特征

区内构造决定了该区瓦斯成分, 含量及其运移和分布规律:

2.1 瓦斯成分、含量及分带

(1) 瓦斯成分和含量。本区煤层瓦斯成分变化较大, 主要由CH4、N2、CO2组成。氮气 (N2) 成分较高者分布于F212断层附近, 35和37勘探线–450m以浅。煤层瓦斯含量则具有埋深增加而含量大致增大的趋势。

(2) 瓦斯分带。根据瓦斯分带原则:一般以成分80%为界线, 小于80%者为瓦斯风化带, 大于80%者为沼气带范围, 本区瓦斯风化带大致分布在3702孔周围, 其余地段均为沼气带范围。

2.2 瓦斯地质特征

(1) 煤层特征。本区煤层具有较高的瓦斯容量、雄厚的生气源岩、较高的生气量和较大的瓦斯吸附容量特征。

(2) 煤层埋藏深度对瓦斯赋存的影响。煤层的埋深不仅影响着煤的生气量, 而且影响着煤层气的储藏量。

(3) 顶底板对瓦斯的封闭。煤层顶底板岩性的差异对瓦斯封闭作用有所不同, 本区煤层顶、底板以泥岩、砂质泥岩为主, 透气性较差, 对瓦斯的扩散起封闭、阻隔作用, 不利于瓦斯的扩散。

(4) 煤与瓦斯突出指标。本区在地质勘探期和基建期间分别对煤与瓦斯含量、瓦斯放散初速度、煤的坚固性系数和煤层瓦斯压力进行了测试。据测定参数分析本区二1煤层应为临界突出危险和具突出危险煤层。

(5) 瓦斯含量分布及预测研究。根据测定样本参数分析, 本井田内二1煤层的瓦斯含量随其埋藏标高变化趋势见公式1。

由公式1预计, 在本井田内, 二1煤层 (-320~-800m) 的瓦斯含量预测在15.25~25.95m3/h之间。

(6) 瓦斯压力及预测研究。根据测定样本参数分析, 本井田内二1煤层的瓦斯压力随其埋藏标高变化趋势见公式2。

由公式2预计, 在本井田内, 二1煤层 (-320~-800m) 的瓦斯压力预测在0.9~2.0MPa之间。

3 煤与瓦斯突出危险性预测

3.1 煤与瓦斯突出危险性参数测定及统计

根据本矿井瓦斯含量的预测结果, 该矿井二1煤层瓦斯含量y1随其标高x1的变化规律为y1=-0.0223x1+8.1107, 瓦斯压力y2随其标高x2的变化规律为y2=-0.0022x2+0.2181, 在本井田内二1煤层 (-320~-800m) 的瓦斯含量预测在15.247~25.951m3/h之间;二1煤层 (-320~-800m) 的瓦斯压力预测在0.9~2.0Mpa之间。

3.2 煤与瓦斯区域突出危险性预测

根据所测得的瓦斯参数结果, 在本井田内二1煤层 (-320~-800m) 瓦斯压力为0.9~2.0MPa, 瓦斯含量为15.247~25.951m3/h, 超过了临界值。结合实际生产中在进行瓦斯区域治理时在第一揭煤钻场, 12091上、下顶抽巷瓦斯喷孔现象, 因此判断本井田全部为突出危险区。

4 结论及建议

4.1 主要结论

(1) 根据本井田地质构造特征分析, 煤层瓦斯与断层的性质、落差大小有密切关系, 落差大的开放性断层, 使煤层与含水性或透气性较好的太原组、奥陶系地层和上覆砂岩段对接, 从而有利于瓦斯的逸散而出现瓦斯含量低值带。

(2) 煤层顶底板岩性的差异对瓦斯封闭作用有所不同, 本区煤层顶、底板以泥岩、砂质泥岩为主, 透气性较差, 对瓦斯的扩散起封闭、阻隔作用, 不利于瓦斯的扩散。

(3) 根据已测定的瓦斯参数, 开采的二1煤层属于煤与瓦斯突出煤层。

4.2 主要建议

(1) 该矿井构造条件复杂, 均为临界突出危险和突出危险区, 故开采过程中应加强瓦斯地质工作, 掌握瓦斯规律、提前瓦斯抽放、加强通风管理和瓦斯浓度监测工作等, 以保证矿井安全生产。

(2) 矿井煤与瓦斯突出矿井, 在构造应力集中部位和松软煤地带, 加强瓦斯防治工作。

(3) 瓦斯赋存是不均衡的, 要首先掌握瓦斯的富集规律, 划定富集区, 把瓦斯富集区、构造应力集中部位、松软煤分层发育地带作为重点防治范围。

突出危险性预测 篇3

关键词：瓦斯突出,预测,敏感指标,地质构造带,“三率”分析法,模糊聚类分析法

淮南矿区各主采煤层瓦斯含量高, 透气性低, 地质构造复杂, 是我国瓦斯突出的重灾区。目前, 矿区平均采深达到约500m, 有3对矿井采深超过800m, 且每年以20～50m的速度下延[1]。随着开采深度的增加, 煤层原始瓦斯含量和地应力快速增大, 煤层突出危险性、突出频度和突出强度逐渐加大, 原来的非突出区域将升级为突出区域。矿井为防止煤层突出危险性突然升级, 在非突出区域也进行突出预测, 但由于对突出预测指标选取不够科学, 指标测值并不能真实反映煤体的突出危险性, 容易造成预测指标的错报、误报, 给矿井安全生产埋下隐患。若能在突出危险性升级之前就确定突出预测敏感指标, 对突出升级后的防突工作有重要指导作用, 真正做到有备无患。因此, 对有突出升级危险的非突出区域进行突出预测敏感指标的研究就显得尤为重要。

1 试验矿井及试验区域概况

顾桥煤矿位于安徽省淮南市凤台县西北部, 设计生产能力10Mt/a, 采用立井多水平开拓, 第1水平为-780m, 第2水平为-950m。井田总体为一南北走向、向东倾斜的单斜构造, 上覆巨厚 (平均厚度435m) 新生界松散层。煤系地层为石炭、二叠系, 其中二叠系山西组与上、下石盒子组为主要含煤层段目前矿井主采煤层和煤层采深为800m左右。建矿以来, 未发生瓦斯突出。

目前, 顾桥矿开采的13-1煤层为非突出煤层, 但根据周边矿井13-1煤层的情况, 随着开采深度的增加, 13-1煤层必然升级为突出煤层。为防止煤层突出危险性的突然升级, 在采掘过程中也进行突出危险性预测。为研究有突出升级危险的非突出区域瓦斯突出预测敏感指标, 选择顾桥矿北一采区13-1煤层回风下山掘进工作面作为试验工作面。该工作面位于中央采区的非突出危险区, 该区域内13-1煤层厚度3.63～4.55m, 平均厚度为4.03m, 倾角3～6°, 煤层原始瓦斯含量在6.0m 3/t左右。煤层直接顶为泥岩及砂质泥岩, 老顶为砂岩及砂质泥岩;直接底为泥岩或砂质泥岩。

2 现采用的突出预测指标及测值情况

试验工作面突出预测指标为钻屑量指标S和钻屑瓦斯解吸指标K1, 临界值分别为S=6.0kg/m和K1=0.5mL/ (g·min0.5) 。在2008年12月21日至2009年3月13日期间, 共对该工作面进行了57次突出危险性预测, S指标和K1指标均未出现超标现象。具体测值变化情况如图1所示, 可以看出, 随着试验工作面向深部延伸, S指标和K1指标测值均有增大的趋势, 且出现了S指标测值接近临界值的情况, 说明煤体的突出危险性正随采深的增加而增大, 煤体突出危险性具有进一步升级的危险。因此, 需要对有突出升级危险的非突出区域预测指标的敏感性进行研究对矿井防突工作起到未雨绸缪的作用。

3 突出预测敏感指标的确定方法

确定瓦斯突出预测敏感指标的方法较多, 主要有“三率”分析法、灰色关联法、模糊聚类法等。其中, “三率”分析法具有方法成熟、计算简单、可靠性高等特点, 在我国应用较为广泛。但预测过程中若没有瓦斯动力现象发生, 就无法进行“三率”计算, 这极大地限制了该方法的推广应用。

基于淮南矿区瓦斯突出均发生在地质构造带附近的事实, 假设在地质构造带附近突出预测时有动力现象发生, 然后进行“三率”计算;同时, 应用模糊聚类法计算各预测指标的敏感度, 并将计算结果与“三率”计算结果进行对比, 最终确定非突出区域的预测敏感指标。

3.1“三率”分析法

所谓“三率”, 是指预测突出率、预测突出准确率和预测不突出准确率。

1) 预测突出率

式中:η1为预测突出率;n为预测有突出危险次数;N为预测总次数。

2) 预测突出准确率

式中:η2为预测突出准确率;n1为预测有突出危险次数中有突出危险的次数 (其中包括发生了突出以及预测中喷孔、卡钻、顶钻、煤炮频繁等严重突出征兆) 。

3) 预测不突出准确率

式中:η3为预测不突出准确率;n2为预测不突出次数中确实不突出的次数;n3为预测不突出次数。

在保证预测准确的前提下, 若预测指标的η1较小、η2达到60%以上、η3达到100%, 即可认为该预测指标是预测敏感指标[2]。

由于试验工作面煤层埋深在800m左右, 地应力较大, 掘进工作面进入地质构造带附近, 地应力显现更为明显, 容易出现预测指标接近临界值 (主要是S指标) 的现象, 说明该处的突出危险性明显增大。基于地质构造带是突出的多发地带, 假设在地质构造带 (主要是断层) 20m范围内进行突出预测时有动力现象发生, 然后计算各预测指标的“三率”, 并在此基础上确定各预测指标的敏感性。利用该方法, 对试验工作面各预测指标379次突出预测进行了“三率”计算, 结果见表1。

由表1可以看出, S指标满足η1为1.58%, η2和η3均达到100%, 而K1指标则不满足η2大于60%的要求, 因此, 认定S指标为该区域突出预测敏感指标, K1指标为次敏感指标。

3.2 模糊聚类分析法

该方法是在跟踪考察数据的基础上, 建立预测敏感指标的数学模型, 把抽象的预测敏感指标的确定问题通过具体的数值表示出来[3]。其具体计算步骤可以简化为以下3步。

1) 预测结果的无量纲化

将单位不同的各项指标按下式进行无量纲化处理:

式中Xi′———预测结果的无量纲量;

Xi———原始数据;

X———原始数据的平均值;

C———原始数据的标准差,

2) 预测结果的标准化

无量纲标准化即是把无量纲数据压缩在区间[0, 1]内, 按公式 (5) 进行处理:

显然Xi′=X′max时Xi″=1, Xi′=X′min时Xi″=0, 这样就把标准化后的数据压缩在区间[0, 1]之内了。

3) 煤与瓦斯突出预测敏感指标的敏感度函数

预测指标的数学期望值用式 (6) 表示:

预测指标的灵敏度函数M (i) 用下式表示:

通过上述计算, 即可得到各突出预测指标的敏感度M (i) , 再通过比较M (i) 的大小, 即可得到各指标的敏感性。

将S指标和K1指标测值代入公式 (4) — (7) , 即可计算出各指标的敏感度。通过计算得到M (S) =0.62>M (K1) =0.29, 因此, 确定S指标较K1指标敏感, S指标为该区域预测敏感指标, K1指标为次敏感指标。模糊聚类计算结果与“三率”分析法结果一致, 说明基于地质构造带附近预测过程中有动力现象发生的假设是成立的, 并在此基础上进行“三率”计算是可行的

4 结语

随着矿井采掘工作面向深部延伸, 非突出区域将会升级为突出区域, 而在非突出区域的采掘活动容易让人们对瓦斯突出产生麻痹思想, 给矿井防突工作埋下隐患。在非突出区域内进行采掘作业时, 无动力现象发生, 无法采用“三率”分析法对突出预测指标进行敏感性研究。笔者假设地质构造带20m范围内进行突出预测时有动力现象发生, 然后计算各预测指标的“三率”, 并在此基础上确定各预测指标的敏感性;同时, 采用模糊聚类分析法, 对“三率”分析法得出的结论进行了验证。确定出顾桥矿13-1煤层非突出区域的瓦斯突出预测敏感指标为S指标, 次敏感指标为K1指标。研究结果表明, 该假设合理、方法可行、结论可靠, 对类似条件下预测敏感指标的确定有较好的借鉴意义

参考文献

[1]淮南矿业 (集团) 有限责任公司, 河南理工大学.采掘工作面 (井巷揭煤) 瓦斯突出预测预报敏感指标体系及临界值的确定[R].2009.

[2]李成武, 付京斌.煤与瓦斯突出敏感指标的确定方法[J].煤矿安全, 2003, 34 (9) :72-74.

突出危险性预测 篇4

煤与瓦斯突出事故是煤炭生产过程中的重大安全事故，危及矿工生命，所引起的爆炸还严重破坏煤炭生产现场[1]。煤与瓦斯突出的预测方法研究，尤其是提高预测的精度，为瓦斯突出防范措施提供有价值的依据，进而减少瓦斯突出事故的所造成的危害。因此，瓦斯突出危险的预测具有重要的研究价值。

近年来，智能算法建模与预测成为预测领域的重要研究内容之一，目前，人工神经网络、支持向量机、遗传算法、灰色理论等智能算法被应用于瓦斯突出预测[2,3]。但是这些算法也存在一些不可避免的问题：基于神经网络的分类预测方法虽然分类能力强，但是神经网络的自身结构导致在权值学习过程中存在会深陷于局部极小点、收敛过程慢、参数设置复杂等问题，传统的智能检测技术还存在着算法单一的缺点[4,5]。因此，如何低成本地提高预测的准确率也有待深入研究。支持向量机（SVM）擅长于模式分类，采用结构化风险原则，且具有小样本数据预测的优点，可有效避免神经网络样本数据较多，收敛速度慢，学习不足或过多和陷入局部最小等缺点，非常适合瓦斯突出危险程度的预测。但网格搜索法作为支持向量机模型中常见的参数选择方法，具有搜索时间长，搜索精度小等缺点[6,7]。粒子群（PSO）算法是启发式的智能搜索算法，采取改进措施后，更好地寻求全局最优解，用比网格搜索法更快的搜索速度求解更宽广参数空间内更好的解[8]。

为此，文章提出关于改进粒子群（IPSO）与支持向量机（SVM）相结合的瓦斯突出预测方法。支持向量机算法作为瓦斯突出预测的主模型，但分类和检测结果的好坏，取决于支持向量机模型中的参数选择，在最佳参数的求解环节引入改进粒子群算法，使用启发式的智能搜索方法更加快速地寻找全局最优解，可有效提升瓦斯突出预测的速度和精度。

1 IPSO-SVM瓦斯突出预测原理

1.1 瓦斯突出指标的选取

查阅相关的研究资料，大都选取5个反映突出的因素和指标，分别为：钻屑瓦斯解析指标、瓦斯放散初速度、煤的坚固性系数、煤层瓦斯含量和瓦斯压力。这些指标分别反映煤层遭受破坏的严重程度、煤的渗透性能、煤的坚固性等特性，是突出危险的重要因素[1]。

煤与瓦斯突出的危险程度与等级依次分为：无危险，突出威胁，突出危险。无危险表示不会发生瓦斯提出危险，突出威胁表示有发生瓦斯突出的征兆，突出危险表示时刻都有发生瓦斯突出的危险。

1.2 支持向量机与模式分类

支持向量机，主要思想在于建立分类超平面作为决策曲面，将正反例间的隔离边缘最大化来分类。其应用了结构风险最小化准则，较好地解决了小样本、非线性、高维数等实际问题。瓦斯突出预测，其本质是一个模式识别问题，首先判断有无瓦斯突出危险，有突出危险后，进而识别出危险程度。

设瓦斯突出样本数据为X，根据第1.1节指标的选取，每条样本数据将具有5个相关的属性。此外每条样本数据还有一个表示其危险程度的状态数据。瓦斯突出危险程度的状态的集合为Y,Y={1,2,3}（其中：1代表无危险状态；2代表突出威胁；3代表突出危险）。那么，创建预测模型就是根据支持向量机原理求解以下问题：

对于数据T={(x1,y1),(x2,y2),…,(xl,yl)}∈(X×Y)l，寻找一个实值函数y(x)在xi∈X=Rn,yi∈Y={0,1,2},i=1,2,…,l里面，判断任何模式下的x相对应的y值，可以方便使用决策参数f(x)=sgn(y(x))。为找到最优分类超平面，需求解下面问题：

式中：ω表示系数向量；ξi≥0表示松弛变量；C是惩罚因子，通过惩罚因子改变能够在分类器的误分类率和泛化力间折衷[3,4,5]。

最终，可求得决策函数：

式中：K(x⋅xi)是核函数。

核函数和它的参数主要决定样本数据分布在高维特征空间中的复杂程度。

由上述计算过程可以看出，惩罚因子C与核函数的选择及其参数的确定是影响支持向量机分类性能的主要因素。采用SVM来做分类，想要达到较满意的结果，需要调节惩罚因子参数和核函数参数，才能得到比较理想的预测分类准确率，然而支持向量机做不到这一点，下文利用改进粒子群算法来优化惩罚因子C和核函数参数的选取过程。

1.3 改进粒子群算法优化支持向量机参数

粒子群算法是一种启发式的智能优化算法，该算法具有搜索机制较为简单、收敛速度快、运算量小等优点，改进粒子群算法在进行大规模搜索时，能够避免陷入局部最优解的缺陷[9,10]。利用粒子群算法来优化支持向量机算法中惩罚因子C和核函数参数的优化选择，可以避免SVM算法传统的网格搜索方法计算量大，搜索区域不易精确定位等缺点，提高搜索速度，智能优化搜索区域与精度。

PSO算法数学理论基础为[10]：设在D维的搜索空间内有n个粒子。向量Li=(xi1,xi2，…，xiD）表示i粒子的位置空间，其“飞行”中最优历史位置（最优解）为Pi=(pi1,pi2，…，piD），设第g个粒子的历史最优位置pg为全部局部最优解pi(i=1,2，…，n）的最优；第i个粒子的速度用向量Vi=(vi1,vi2，…，viD）表示。按如下公式进行每个粒子的位置变化：

式中：速度的变化区间[-VMAXd,VMAXd]，第d(1≤d≤D）维的位置变化区间为[-XMAXd,XMAXd]，当迭代中如果位置或速度越界就取边界值；c1,c2为加速因子是正常数；rand（）是区间[0,1]的随机数；w是惯性因子。粒子群初始位置与速度均随机产生，后根据式（3），式（4）进行迭代，直至找到最优解。

在算法改进方面，为了减少陷入局部解，当粒子群收敛到一定程度采取变异措施，围绕粒子群的当前质心对粒子群重新初始化。在粒子群的迭代求解过程中获得新的搜索位置，增加了求得更优解的机会。

粒子群算法启发式寻优，速度快，参数简单的特点，加上全局寻优性能的改进，应用于优化SVM的最佳参数寻找，主要步骤如下：

(1）选择阈值与最大迭代次数maxgen;

(2）初始化粒子的随机位置和速度为：Li=(xi1,xi2，…，xiD),Vi=(vi1,vi2，…，viD);

(3）测量每个粒子的适应值；调研svmTrain;

(4）根据步骤（2）更新初始化粒子的位置和速度；

(5）把每个粒子相对应的适应值与其寻找过程中最好位置的适应值进行对比，发现较好的则将其作为自身当前最好位置；

(6）对比每个粒子相对应的适应值与全局所经历过最好位置的适应值取优，作为自身当前全局最好位置；

(7）通过以上步骤，若没有达到结束条件要求的适应值，返回步骤（2）；否则执行步骤（8);

(8）输出gbest。

2 IPSO-SVM瓦斯突出预测实现

2.1 实现的总体思路

要实现基于改进粒子群支持向量机的瓦斯突出预测功能，主要进行如下4步的工作：

(1）瓦斯突出数据样本准备，作为算法的训练数据和测试数据。样本数据[1]（部分）如表1所示。

(2）根据第1.3节改进粒子群算法的步骤，应用PSO粒子群算法求解SVM的最佳参数。

(3）使用步骤（2）求得的最佳参数，使用式（1）和式（2），结合训练样本数据，构建SVM算法预测分类模型。

(4）使用SVM算法预测分类模型，对测试数据进行瓦斯突出预测，并验证模型预测的准确性。

(5）分析实验结果，并从SVM不同核函数选择和PSO优化SVM等多方面对比多种不同预测方法的准确率。瓦斯突出预测模型整体流程如图1所示。

2.2 工具选择与基础数据设置

采用Matlab 2014a软件与支持向量机加强工具箱Libsvm，进行IPSO-SVM模型的瓦斯突出预测实验与仿真。

基于上文分析，试验中选取包含无危险、突出威胁、突出危险这三种情况下的共40个样本数据进行模型的训练。选取的每个样本数据共5个特征值。最后使用包含这三种情况的20个样本进行预测。下面仅列出瓦斯突出的部分数据如表1所示，其他数据不再赘述。

2.3 Matlab实验设计

使用Matlab实现IPSO＿SVM算法瓦斯突出预测功能的实验，主要步骤如下所示：

(1）数据文件设计

将瓦斯突出的样本数据（无危险、突出威胁、突出危险）等数据保存到Matlab的mat数据文件中，为后续的预测算法提供基础数据。复杂的地方在于需要把状态数据重新组织成适合SVM算法使用的数据结构，根据SVM算法状态数据、类别数量、类别标签的要求，瓦斯突出预测的数据文件设计如下：

wasi：存储瓦斯突出的样本数据：包含3种类别的共60条数据，每条状态数据包括该状态下的5个特征值。

wasi＿labels：存储危险类别的标签，1代表无危险状态、2代表突出威胁、3代表突出危险。

classNumber：分类个数，其数值为3。

(2）选定训练集和测试集

在第一步的数据文件中取出部分状态数据及其状态标签单独存放，为后续的SVM模型训练提供输入数据和测试数据，程序设计为取包含3种危险类别的前40条数据作为训练数据集，后20条数据作为测试数据集，具体如下：

%将包含3种危险类别的前40条数据做为训练集

%相应的训练集的标签也要分离出来

%将包含3种危险类别的后20条数据做为测试集

%相应的测试集的标签也要分离出来

(3）数据预处理

数据归一化处理后，可明显提高算法模型的精度，将训练集和测试集归一化到[0,1]区间，使用Matlab的归一化函数mapminmax:

%求出训练集和测试集的大小：行数和列数

%将训练集和测试集归并为数据集

%使用Matlab的归一化函数mapminmax归一化到[0,1]区间

%求得归一化后的训练集和测试集

(4）应用IPSO算法求解最佳的SVM参数c与g

根据IPSO粒子群算法自定义函数psoSVMcgForClass，求解SVM算法所需的最佳c值与g值，自定义函数的具体实现思路参考的1.3节IPSO算法实现步骤：

其中：参数train＿wasi＿labels和train＿wasi为测试集中的状态数据及其类别标签；bestacc为求解的最佳准确率，bestc为求解的最佳c值；bestg为求解的最佳g值。

(5）利用最佳的参数进行SVM网络训练

将上步求得的最佳值生成SVM训练模型的参数字符串，其中参数t的值确定核函数的类型：

使用svmLib工具箱svmtrain函数训练预测模型：

其中：参数train＿wasi＿labels,train＿wasi为测试集中的状态数据及其类别标签；model为训练所得的分类模型。

(6)SVM网络测试与检测

使用svmLib工具箱svmpredict函数训练预测模型

其中：参数model即上一步中训练所得的分类模型；predict＿label为预测所得的分类结果；accuracy为预测的准确率。

2.4 实验结果与分析

该部分主要讨论以下2种情形的实验结果及对比分析：

(1)IPSO优化SVM模型选用不同SVM核函数的预测效果及对比，因为SVM算法的预测精度与所选取的核函数密切相关，而支持向量机核函数的选取方面还没有严格的理论依据，需要对比找到最优的IPSO优化SVM预测模型。

(2）单纯的SVM模型的预测效果及其与IPSO优化SVM预测模型的对比，观察PSO优化后的SVM是否比单纯的SVM模型性能优越。

根据2.2节整理的数据和2.3节设计的实验进行瓦斯危险预测实例的分析和研究，首先进行数据归一化预处理，接着对样本中基础数据进行训练样本与测试样本的分类，输入训练样本数据后，然后利用粒子群IPSO算法对支持向量机的参数进行优化，设最大迭代步数为200，参数寻优结果如图2所示。

将最优参数c和g的值引入支持向量机预测识别，分别实验4种核函数下的瓦斯危险预测，经过模型训练，输入测试样本对模型进行准确性检验的结果如图3、图4所示。

从图中可以看出IPSO优化SVM的预测模型，使用线性核函数、RCF核函数、Sigmoid核函数3种核函数时的预测准确率均为90%(18/20），而使用多项式核函数时的预测准确率更高一点，达到了95%(19/20）。此外，还进行了单独使用SVM算法的预测实验，只使用SVM算法的预测模型求解到的预测结果如图5所示，其预测的准确率为90%(18/20），大幅度低于IPSO优化后的SVM预测模型，原因就在于单独的SVM算法中的参数c和g的是大概估算，并不是最优的，较大程度地影响了SVM预测的准确性。

从模型的瓦斯突出预测准确率来看IPSO-SVM模型明显优于单独的SVM模型，且多项式核函数模型优于其他三种核函数模型。经测试样本验证，参数c=0.1,g=304.947 9，选用多项式核函数的IPSO-SVM模型可用于瓦斯突出危险预测，预测准确率明显提高。

3 结语

本文提出改进PSO算法与SVM相结合的瓦斯突出预测模型，并进行实验验证模型预测的准确性。采用该方法进行瓦斯突出预测的准确率，比纯支持向量机算法提高了5%。通过分析和对比多种不同检测方法的实验，表明该方法提高了瓦斯突出预测的准确率和效率。

摘要：煤与瓦斯突出事故危及矿工生命,破坏生产现场。通过现场监测瓦斯突出的相关数据,对瓦斯突出的危险程度进行预测,提前做好防范措施,减少瓦斯突出事故的危害。为此,提出支持向量机算法与改进粒子群算法相结合的瓦斯突出危险程度预测模型:首先对容易陷入局部最优的粒子群进行改进;接着应用改进粒子群算法求解影响支持向量机分类预测性能的最佳参数;然后把最佳参数应用于擅长模式识别的支持向量机算法,进行瓦斯突出样本数据的训练,构建瓦斯预测模型;最后使用瓦斯预测模型对新的瓦斯突出数据进行预测。实验结果表明,采用该方法进行瓦斯突出预测的准确率,比纯支持向量机算法提高了5%。

关键词：改进粒子群,支持向量机,参数优化,瓦斯突出预测

参考文献

[1]王海柱.改进的蚁群聚类算法在煤与瓦斯突出预测中的应用研究[D].太原:太原理工大学,2012.

[2]朱志洁,张宏伟,韩军,等.基于PCA-BP神经网络的煤与瓦斯突出预测研究[J].中国安全科学学报,2013,23(4):45-50.

[3]任浩源.BP神经网络在煤与瓦斯突出危险性预测中的应用研究[D].西安:西安科技大学,2012.

[4]安文超.基于SVM的煤与瓦斯突出危险性区域预测及防突技术研究[D].北京:中国计量学院,2013.

[5]曲方,安文超,李迎业,等.基于GRA-SVM方法的煤与瓦斯突出预测模型研究[J].中国煤炭,2012,38(11):102-106.

[6]彭泓,高攀.粗神经网络在煤与瓦斯突出预测系统的应用[J].仪表技术与传感器,2011(11):100-103.

[7]张晓铭.基于PSO算法优化的自组织竞争神经网络在煤与瓦斯突出预测中的应用研究[J].中国煤炭,2013,39(1):106-109.

[8]周游.基于粒子群优化的动态优化研究[D].杭州:浙江大学,2014.

[9]董方.粒子群算法研究及其在动态优化中的应用[D].杭州:浙江大学,2014.

突出危险性预测 篇5

中煤集团大屯煤电公司孔庄煤矿地处江苏省沛县和山东省微山县境内, 位于沛县城北4 km处, 位于大屯矿区最南端。2011年矿井核定生产能力为150万t/a, 三期改扩建新增产能75万t, 7号、8号煤层为矿井主要可采煤层。矿井为低瓦斯矿井, 但该矿曾经在-785 m水平测得7煤瓦斯压力1.7 MPa, 超出了《防治煤与瓦斯突出规定》的临界值0.74 MPa。现孔庄煤矿正在实施三期改扩建工程, 设计延伸水平为-1 015 m。周边徐矿集团夹河矿和张集矿在进入深部开采后, 瓦斯分别升级到高瓦斯和突出矿井。为掌握深部水平煤层突出危险性, 指导矿井安全生产, 孔庄煤矿在改扩建深部开拓掘进过程中必须进行煤层深部突出危险性研究。

1 煤层基础参数测试

1.1 煤层瓦斯压力

煤层瓦斯压力是煤层发生突出的动力之一, 准确测定煤层瓦斯压力对于测试煤层的突出危险性十分重要[1]。

采用测压法, 通过施工穿岩钻孔来测试瓦斯压力。由底板巷道向煤层施工一钻孔, 穿过煤层, 在钻孔内布置一根瓦斯管, 按规范封孔后在煤层内形成测压室。上压力表后, 测压室周围空间煤体内的瓦斯不断向测压室运移, 保证封孔后凝固时期 (上表前) 逸散的瓦斯得以补充, 孔内瓦斯压力上升至一定数值后保持稳定, 该稳定数值可认为为煤层的原始瓦斯压力。

测压地点考虑选在不受断层影响和岩性完好的地方, 并且保证岩柱长度大于15 m, 确定测压点的位置位于Ⅳ1采区行人上山内。煤层瓦斯压力测定结果如表1所示。

由表1可以看出, 除6#钻孔外其它孔的测定结果瓦斯压力均较大。

通过对现场封孔和孔内瓦斯浓度测试, 发现封孔效果良好、附近无构造, 打开压力表后, 出现连续不断的流水, 而且孔内瓦斯浓度较低, 分析可能是测压钻孔穿过了含水层, 所测定的压力主要为承压水水压。考虑采用测定煤层瓦斯含量进行验证和推算煤层瓦斯压力。

1.2 工业分析与瓦斯吸附常数

煤的工业分析包括对水分、灰分、挥发分的测定和固定碳的计算4项内容。瓦斯吸附常数包括a、b两值, 其中a为瓦斯极限吸附量, 代表给定温度下单位质量固体的极限吸附量;b为与温度和被吸附气体有关的参数[2]。将深部采区煤样用粉碎机粉碎后, 用0.2 mm粒径的标准筛筛取1 g和50 g试样进行分析。

孔庄煤矿Ⅳ1采区7煤层和8煤层煤样工业分析及瓦斯吸附参数测定结果如表2所示。

1.3 煤样的破坏类型[3]

煤的破坏类型是指煤体结构受构造应力作用后的煤体破坏程度。通过深部煤层取样, 煤的条带明显, 不规则块状, 多棱角;次生节理面多, 而且不规则, 节理面有擦纹、滑皮, 节理平整, 中等硬度。经分析, 孔庄煤矿Ⅳ1采区7、8煤层正常区域的破坏类型为Ⅱ类, 在地质构造破坏带内煤体破坏类型达到Ⅲ类。

1.4 煤的坚固性系数

煤的硬度用坚固性系数来表达。采用常用的落锤破碎测定法, 所测结果采用一种假定指标称为f值[3]。煤的坚固性系数f值的测定结果如表3所示。

1.5 瓦斯放散初速度

煤的瓦斯放散初速度△p也是预测煤与瓦斯突出危险性的指标之一, 该指标反映了含瓦斯煤体放散瓦斯快慢的程度[3]。瓦斯放散初速度△p的大小与煤的瓦斯含量大小、孔隙结构和孔隙表面性质等有关。在煤与瓦斯突出的发展过程中, 瓦斯的运动和破坏力, 在很大程度上取决于含瓦斯煤体在破坏时瓦斯的解吸与放散能力。具体测定结果如表3所示。

1.6 煤层瓦斯含量

由于此次测试的井下煤层瓦斯压力均显示为水压, 为了验证煤层瓦斯赋存情况, 采用测定煤层瓦斯含量进行验证工作。煤层瓦斯含量是指煤层原始赋存状态下的 (瓦斯) 气含量, 通常包括三部分的瓦斯量:逸散瓦斯量、自由解吸瓦斯量和残存瓦斯量。以直接法测定瓦斯含量和压力的推算结果如表4所示。由表4可看出, 7煤层实测瓦斯含量最大值为4.48 m3/t, 反推的最大瓦斯压力为0.82 MPa;8煤层实测的瓦斯含量最大值为4 m3/t, 反推的最大瓦斯压力为0.6 MPa。

2 深部煤层突出危险性分析

2.1 有瓦斯动力现象的煤层突出危险性

(1) 根据瓦斯动力现象特征判定。矿井在采掘过程中只要发生过一次符合煤与瓦斯突出基本特征的瓦斯动力现象, 发生瓦斯动力现象的煤层就定为突出煤层。

(2) 根据抛出煤炭的吨煤瓦斯涌出量判定。当瓦斯动力现象的煤与瓦斯突出基本特征不明显, 尚不能确定或排除煤与瓦斯突出现象时, 应计算瓦斯动力现象发生过程中抛出煤的吨煤瓦斯涌出量, 抛出煤的吨煤瓦斯涌出量大于等于30 m3/t或为本区域煤层瓦斯含量的2倍以上的瓦斯动力现象, 应定为煤与瓦斯突出, 该煤层定为突出煤层[4]。

2.2 无瓦斯动力现象的煤层危险性

无瓦斯动力现象煤层突出危险性指标临界值参考表5所列数据。当全部指标达到或超过临界值时, 方可将发生动力现象的煤层定为突出煤层。

孔庄煤矿Ⅳ1采区7、8煤层未发生过瓦斯动力现象, 因此, 不能以瓦斯动力现象作为突出判定的依据, 只能依据煤层的突出危险性指标进行预测。

3 突出危险性预测结果

根据以上煤层基础参数的测试和分析, 孔庄煤矿深部-1 015 m水平煤层突出危险性单项指标如表6所示。

根据《防治煤与瓦斯突出规定》, 对照表5可认定, 只有全部指标达到或超过其临界值时方可划为突出煤层, 因此, 从单项指标来看, 孔庄煤矿Ⅳ1采区-1 015 m以上的7煤层及其8煤层无煤与瓦斯突出危险性。

4 结论

孔庄煤矿深部煤层突出危险性预测, 由于煤层顶底板存在含水层, 很难准确测出煤层原始瓦斯压力, 但实测的煤层瓦斯含量和推算的煤层瓦斯压力均小于突出危险的临界值。依据《防治煤与瓦斯突出规定》的规定, 不能将7、8煤层鉴定为突出危险煤层, 但考虑到孔庄煤矿开采深度大, 该矿在石门、斜巷揭煤时, 应采取石门、斜巷揭煤消除突出危险性措施。

摘要：为掌握深部水平煤层突出危险性, 指导矿井安全生产, 孔庄煤矿在改扩建深部开拓掘进过程中必须进行煤层深部突出危险性研究。通过对孔庄煤矿深部煤层瓦斯压力、煤的破坏类型、煤的坚固系数、瓦斯放散初速度、瓦斯吸附系数、煤的孔隙率、煤层瓦斯含量等的测试和评定, 预测了该矿深部煤层的突出危险性, 为矿井的安全生产管理提供了指导。

关键词：矿井深部开拓,煤层瓦斯,突出危险性

参考文献

[1]李志胜.孟津煤矿二2煤层突出危险性研究[J].煤炭技术, 2009 (12) :100-102

[2]张国枢.通风安全学[M].徐州:中国矿业大学出版社, 2000

[3]国家安全生产监督管理局.防治煤与瓦斯突出规定[M].北京:煤炭工业出版社, 2009

突出危险性预测 篇6

实践表明, 单项指标能从不同方面衡量煤层发生煤与瓦斯突出的危险性, 但不同矿区、煤层甚至同一煤层的不同区域由于受煤的变质程度、测试工艺、人为因素等影响, 在突出煤层鉴定过程中出现有些实际发生过突出的煤层指标, 并未达到或超过《防治煤与瓦斯突出规定》和《煤与瓦斯突出矿井鉴定规范》所规定的突出煤层指标临界值, 应鉴定为非突煤层。如贵州金沙新华片区9号煤层、贵阳南山煤矿5号煤层等, 实测瓦斯压力均小于临界值, 但仍多次发生突出。因此, 把煤层是否具有突出危险性看作是一个多因素决定的模糊事件, 通过模糊综合评价方法对煤层突出危险程度进行判别, 以期取得符合实际的效果。

1 模糊—灰色评价方法简介及评价指标的确定

模糊数学和灰色系统理论是目前较为常用的不确定性系统研究方法[2]。模糊数学着重研究“认知不确定”问题, 其研究对象具有“内涵明确, 外延不明确”的特点;灰色系统着重研究模糊数学难以解决的“小样本”、“贫信息”不确定性问题, 与模糊数学不同的是, 灰色系统理论着重研究“外延明确, 内涵不明确”问题。单纯采用模糊方法会造成信息丢失, 若仅采用灰色理论方法, 则不能充分利用评价规则模糊性的特点, 两种情况均造成评价结果与实际存在偏差。对煤层突出危险性的评价, 由于目前还处于各种假说阶段, 对突出的机理认识还不清楚, 因此在评价中引入模糊—灰色综合评价方法将克服目前单一评价方法中的不足。

根据综合假说, 煤与瓦斯突出是由地应力、瓦斯压力、煤体强度等诸多因素综合决定的动力现象。埋深 (H) 反映了煤层所受地应力大小;瓦斯含量 (Q) 、瓦斯压力 (p) 反映了煤层中瓦斯能量的大小;煤的吸附常数a和b、煤的挥发分V、煤的破坏类型f、煤的放散初速度ΔP综合反映了该煤层发生煤与瓦斯突出的煤质条件。根据评价指标的可量化原则, 选取上述评价指标, 通过对同一矿区同一煤层不同矿井实测数据和突出情况, 根据统计数据建立煤与瓦斯突出预测各项指标的权重和隶属度, 建立评价指标集。

2 模糊—灰色综合评价模型的构建

2.1 理论基础

模糊—灰色综合评价是在信息不充分的条件下进行评判[3], 在综合评判的过程和结果中, 信息量的多少应有相应的参量描述。对同一问题, 信息充分的程度不同, 得到的结果也会不同, 或是所得结果的可信度不同。

设A是空间X={x}上的模糊子集, 若x对于A的隶属度μA (x) 为[0, 1]上的一个灰数, 其点灰度为vA (x) , 则称A为X上的灰色模糊集合, 记作:

undefined

用集偶表示成undefined, 其中undefined称为undefined的模糊部分 (简称模部) , undefined称为undefined的灰色部分 (简称灰部) , 在式 (1) 中, 若μA={0, 1}, 则undefined;若vA (x) =0, 则undefined所以可将灰色模糊集合看作是对模糊集合和灰色集合的综合和推广。

影响煤层突出危险性的不确定因素繁杂众多[2], 利用灰色关联分析确定影响因素的权重系数, 为专家建立的指标 (影响因素) 赋予权重系数。考虑到专家评判信息存在一定的灰度, 基于三角白化权函数的灰色评估, 建立白化权函数, 通过利用灰色聚类理论得到的综合聚类系数矩阵, 构建出模糊隶属度矩阵, 再利用模糊算法评估结构安全, 从而将灰色理论与模糊评价方法相结合, 建立一种基于模糊灰色理论的综合评价方法。

2.2 评价准则

1) 建立危险性因素集。

将影响煤层突出危险性的因素, 即瓦斯含量 (Q) 、瓦斯压力 (p) 、煤的吸附常数a和b、煤的挥发分V及煤的破坏类型f等组成集合, 也是评价指标集, 通常用U来表示, U={U1, U2, …, Un}。

2) 建立评语集并赋值。

将煤层的突出危险性按照《防治煤与瓦斯突出规定》分为无突出危险、突出威胁、有突出危险3个等级, 用V={V1, V2, V3}表示。

3) 求各风险因素的权重。

由于影响煤层的突出危险性因素的复杂性及区域性特点, 仅靠几位专家来确定权重是不恰当的[4]。应当请一组 (群) 专家对已建立的指标进行两两比较, 然后利用群AHP方法确定权重[5]。具体步骤是:首先通过专家判断每对风险因素之间的相对重要程度, 比值用1～9表示 (1表示两个风险因素重要性相同, 3表示一个比另一个稍重要, 5 表示一个比另一个明显重要, 7表示一个比另一个强烈重要, 9表示某种风险比另一个极端重要, 2, 4, 6, 8为相邻两个评语的中值) , 由此建立判断矩阵A;将判断矩阵的每一行按行相乘得到一组新向量, 将该组向量各元素分别开n次方, n为判断矩阵阶数;将n次方根向量归一化得到特征向量W= (W1, W2, …, Wn) , 即所求权重值。

4) 评价矩阵的确定。

建立如表1所示的评价准则。

设共有r位专家根据评价规则对指标进行评价, 得到第i因素的综合评价向量为 (di1, di2, …, dir) 。在危险性评价中, 评语集为V={V1, V2, V3}, 一般情况, V∈{0, 0.1}为无突出危险, V∈{0.1, 0.5}为突出威胁, V∈{0.5, 1}为有突出危险。确定评价灰类就是要确定评价灰类的等级数、灰数及其白化权函数。灰类要根据评价等级, 通过定性分析确定, 可建立如下3种白化权函数:低危险的下限测度白化权函数;中危险的适中测度白化权函数;高危险的上限测度白化权函数。

分别计算ui属于f1 (ui) 、 f2 (ui) 、 f3 (ui) 的灰色统计量, 归一化处理得向量 (ri1, ri2, ri3) , 表示此向量即为因素ui属于危险程度的模糊隶属度, 并构造因素ui的模糊隶属度矩阵R:

undefined

因素ui的隶属度向量可构成一个总的评价函数矩阵R:

undefined

再对R进行模糊矩阵运算, 得到系统的模糊评判矩阵B:

B=[u1, u2, …, um], R=[B1, B2, B3] (7)

根据最大隶属度原则可以判断:当B1=max{B1, B2, B3}时, 煤层无突出危险;当B2=max{B1, B2, B3}时, 煤层有突出威胁;当B3=max{B1, B2, B3}时, 煤层有突出危险。

3 应用实例

南山煤矿位于贵州省贵阳市息烽县小寨坝镇盘脚营村[6], 距县城北6 km处, 隶属息烽县管辖。煤矿始建于1970年, 1978年10月建成投产, 设计能力15万t/a, 1991年经改扩建后设计能力达30万t/a。矿井主要开采5号煤层, 属低中灰、中高硫、特高热值无烟煤, 该煤层突出较为严重, 自建矿以来共发生煤与瓦斯突出189次, 造成人员死亡25人。5号煤层各项突出危险因素实测值如表2所示。

从表2可以看出, 各指标的量化结果相差较大, 如不进行相应处理, 分析过程中量级较大的数据指标会屏蔽量级较小的数据指标。按照灰色系统理论提出的等测度化原则, 通常需要进行如下变换:

式中:undefined;undefined。

经过变换, 每个变量的均值为0, 标准差为1, 且消除了量纲的影响。

对表2数据进行预处理并对指标集进行编号, 结果如表3所示。

组织专家按照AHP法对指标集U={U1, U2, …, U8}中各项指标进行危险性评估, 建立判断矩阵A:

经计算, 各指标的权重如下:

W= (0.165, 0.064, 0.201, 0.073, 0.006, 0.098, 0.291, 0.012) (10)

根据式 (2) — (4) 的白化权函数, 逐一计算各指标的灰色统计量并经过归一化处理, 得到模糊隶属度矩阵R:

对式 (10) 标准化后, 结合式 (9) 可得南山煤矿5号煤层突出危险性评价结果, 并对结果进行归一化处理:

B=W×R=[0.13, 0.33, 0.54]

按照最大隶属度原则, 该煤层应评价为具有突出危险性。

4 结论与建议

1) 基于煤与瓦斯突出的综合假说, 建立了煤层突出危险性的模糊—灰色综合评价模型, 根据专家评判信息的模糊性和灰色性, 能充分考虑不同矿区引起煤与瓦斯突出的主控因素, 使得评价结果更为有效和具有针对性。

2) 分析了贵阳南山煤矿5号煤层突出危险性模糊—灰色综合评价各指标的权重, 得到权重程度依次为瓦斯压力p、煤层坚固性系数f 、煤层埋深H、挥发分Vdaf、吸附常数a、瓦斯含量Q、放散初速度ΔP、吸附常数b。

3) 采用煤层突出危险性的模糊—灰色综合评价方法时, 通过1组专家判断各因素之间的重要程度, 具有一定的主观性, 因此, 综合评判集的建立以及权重的确定都要谨慎考虑。

参考文献

[1]国家安全生产监督管理总局, 国家煤矿安全监察局.防治煤与瓦斯突出规定[S].北京:煤炭工业出版社, 2009.

[2]李立新, 刘琳, 王强.模糊灰色综合评价方法的构建及应用[J].沈阳建筑大学学报:自然科学版, 2008 (4) :577-580.

[3]程卫民, 周刚, 王刚, 等.基于灰色—模糊—改进动量BP算法的矿工安全行为评价方法[J].煤炭学报, 2010 (1) :101-105.

[4]郭鹏, 施品贵.项目风险模糊灰色综合评价方法研究[J].西安理工大学学报, 2005, 21 (1) :106-109.

[5]L i Yan xi, Tao Zhi.St ructure method fo r judging mat rixof group in the AHP[J].Journal of Shenyang NormalUniversity (Natural Science) , (in Chinese) 2002, 20 (2) :86-90.

突出危险性预测 篇7

本文研究对象为山西汾西矿业集团双柳矿井3+4煤层, 其为主采煤层, 矿井设计年生产能力为300Mt, 煤层厚3.02m-5.19m, 平均3.92m。煤层平均瓦斯含量为6.9m3/t, 瓦斯压力0.85MPa, 矿井为高瓦斯矿井。

2 双柳矿井突出局部预测指标

由于不同矿井的地质条件不一样, 煤层的自身属性也不尽相同, 则使得各突出危险性预测指标的敏感性和判定突出与否的临界值也具有一定的差异[1]。对于特定的井田来讲, 需要进行大量的实验室研究, 现场试验, 掌握大量的基本参数, 才能够确定适合于某一矿井或某一煤层的敏感指标和其临界值[2]。

局部突出危险性预测是局部综合防突措施的重要环节, 是对区域防突措施的验证, 也是预测工作面突出危险性的手段[3]。

钻屑量指标是突出预测的重要指标之一, 其测值的大小主要受煤层应力状态、瓦斯含量、煤体力学性质及钻孔大小的影响, 其中又以煤层应力状态影响的权重较大, 钻屑量会随着地应力的增加、瓦斯压力的增加而增大, 其反映的突出危险性也就越大[4]。

2.1 钻屑解吸指标的研究与分析

总体来说钻屑解吸指标K1、Δh2和钻屑量指标S目前的应用最为广泛, 同时其认可度也较高。S值无法单纯地依靠实验室实验来确定, 而且在现场对3+4号煤层深部的区域也没有条件进行试验, 所以钻屑量指标的研究需要在以后矿井具有测定条件的时候再进行研究。

2.1.1 K1的研究与分析

根据实验与计算的结果发现基于巴雷尔公式测定K1的WTC瓦斯突出参数测定仪所测定的K1值所计算得到的第一分钟解吸量Q1, 值比实验拟合出的解吸量与压力的关系式计算出来的第一分钟解吸量Q1要小, 其误差比随着压力的减小是越来越大的, 在煤矿开采的工程实践中相对实验室的测定压力值较小, 也就是说在工程实践中用仪器测定的K1值的误差较大, 所以认为用K1值对双柳矿井的3+4号煤层做局部敏感指标的预测的可靠性较差。

2.1.2 Δh2的研究与分析

根据计算与实验结果发现总的来说依据Δh2值计算得到的第3分钟~5分钟解析量Q3, -5值比实验拟合出的解吸量与压力的关系式计算出来的第3分钟~5分钟解析量Q3-5要大。总体来说Q3, -5和Q3-5之间的误差较小, 可以肯定在工程实践中采用Δh2来对3+4号煤层做局部敏感指标的预测的可靠性相对较高。

2.2 双柳矿井3+4号煤层局部敏感指标研究结果分析

区域煤与瓦斯突出危险性预测指标研究中将区域指标定为8m3/t, 其对应的压力值为0.74 MPa, 根据Δh2、K1的物理意义来看第1分钟解吸量和第3分钟~5分钟解析量来表示Δh2、K1的数值大小更为准确可靠, 具体计算结果如表2-3所示。

3 结论

本文在现场实测数据的基础上, 结合对前文中相关实验数据的分析及总结, 依据矿井高含量低压力的特点, 确立了双柳煤矿3+4号煤层区域突出危险性预测敏感指标、局部突出危险性预测敏感指标及两者的临界值。

(1) 实验室条件下对测定的钻屑瓦斯解吸指标Δh2和K1与计算得到的瓦斯解吸量进行对比, 结果表明Δh2的可靠性高于K1。

(2) 本文分析分析, 最终确定双柳矿井3+4号煤层的局部突出危险性预测敏感指标Δh2为81Pa, K1为0.38m L/ (g×min0.5) 。

摘要：本文以双柳煤矿为研究对象, 对煤样解吸规律、钻屑解吸指标的测定和现场实测数据, 构建了3+4号煤层的突出预测指标体系, 采用钻屑瓦斯解吸指标K1作为局部突出危险性预测敏感指标, 临界值为0.38m L/ (g·min0.5) 。该指标可为双柳煤矿瓦斯治理提供指导, 对于离柳矿区其他矿井或瓦斯赋存规律类似的煤层防突工作也有一定的参考意义。

关键词：突出预测,煤与瓦斯突出,敏感指标,临界值

参考文献

[1]孙东玲.确定瓦斯突出敏感指标及合理临界值[J].煤, 1996, 5 (6) :24-27.

[2]孔胜利.屯兰煤矿煤与瓦斯突出危险性预测敏感指标研究[D].徐州:中国矿业大学, 2012.

[3]北票矿务局瓦斯组, 辽宁省煤炭研究所一室.北票煤田煤层突出危险性若干问题的探讨[J].煤矿安全, 1975, 4:10-15.