采空区垮落煤岩体净化效能时空演化规律研究——以凌志达煤矿为例

采空区地下水库的建设对矿井水资源的利用意义重大。随着矿井水通过垮落煤岩体,水中悬浮物会产生迁移与沉积的现象,从而影响采空区垮落煤岩体的净化效能,进而影响采空区地下水库的净水能力和使用年限。采用考虑源汇项的水动力弥散方程作为描述悬浮物在采空区垮落煤岩体中迁移与沉积过程的数学模型,研究了悬浮物浓度随采空区内流程长度的变化规律,预计了凌志达煤矿采空区地下水库的使用年限,并分析了滞留因子对采空区地下水库使用年限的影响,可为评估采空区地下水库使用年限提供理论依据。

采空区垮落煤岩渗透特性研究

地震法常用于分析采空区垮落煤岩孔隙率和渗透率的相关性,现有研究大多采用有效介质理论,将采空区垮落煤岩的各向异性和不均匀性转换为等效的介质参数,对粒径、孔隙率、空间特征等因素对地震波的影响考虑较少。以采空区垮落煤岩为研究对象,根据实际采空区垮落煤岩颗粒级配和孔隙率,制备了破碎煤岩样品,通过实验验证了其孔隙率和波长-粒径比与实际采空区垮落煤岩一致。在此基础上,通过实验分析了煤岩粒径、孔隙率、地震波频率等因素对波速、振幅衰减系数及渗透率的影响,结果表明:破碎煤岩中P波速度随孔隙率增大而减小,随粒径增大而增大,受地震波频率影响较小;振幅衰减系数随孔隙率增大而增大,随粒径增大而减小,孔隙率较大时更易受地震波频率影响;破碎煤岩的渗透率随孔隙率和粒径增大而增大,遵循Kozney-Carman方程,基于实验结果建立了采空区垮落煤岩渗透率预测公式,计算得现场采空区垮落煤岩渗透率为1 225×10^(-12)~178 930×10^(-12)m^(2);为消除粒径对地震波振幅衰减系数和煤岩样品渗透率的影响,提出单位波长振幅衰减系数(振幅衰减因子),并通过最小二乘法拟合得到振幅衰减因子与渗透率之间的经验关系式,为初步判断采空区垮落煤岩的渗透率提供了思路。

基于小波包熵和流形学习的垮落煤岩识别

针对垮落煤岩识别的技术问题,基于垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于小波包熵和流形学习的特征提取方法。该方法首先对振动信号进行小波包分解并单支重构,计算该信号的小波包能量熵,从而确定信号能量分布的复杂度,计算各频带的样本熵,从而确定各频带小波包系数的复杂度。以小波包能量熵和频带样本熵构造特征向量,输入BP神经网络识别垮落煤岩。然后利用局部线性嵌入(LLE)挖掘特征向量的低维流形结构,并输入神经网络对比其识别效果。并提出了未知样本低维估计方法以得到其低维嵌入。结果表明:基于小波包熵和LLE提取的特征向量准确又简单,输入神经网络识别率达到92.5%;基于低维估计方法得到的未知样本低维嵌入也较准确。

垮落煤岩性状识别研究

针对综放工作面垮落煤岩性状识别的技术问题,提出了一种基于连续小波变换和改进奇异值分解的识别方法。采用基于单边Jacobi的奇异值分解(SVD)方法对小波系数矩阵进行分解,得到与小波系数矩阵列向量位置对应的奇异值向量,并将奇异值向量作为神经网络的输入向量来识别落煤和落岩2种工况。现场试验结果表明,基于连续小波变换与SVD得到的奇异值向量可用于识别垮落煤岩,但基于连续小波变换与改进SVD得到的奇异值向量具有更高的识别率。

基于小波包能量流和LTSA的垮落煤岩特征提取

针对综放工作面垮落煤岩识别的技术问题,采集了放煤过程中垮落煤岩冲击液压支架后尾梁的振动信号,并提出了一种基于小波包能量流和LTSA的特征提取方法。该方法首先利用小波包变换把振动信号分解成一系列的时频子空间;为了观察原信号能量在各层时频子空间的分布特征,计算了小波包分解每一层各个时频子空间的能量,构成了一个小波包能量矩阵,称为小波包能量流;然后利用局部切空间排列(Local Tangent Space Alignment,LTSA)挖掘小波包能量流的低维流形。为了验证小波包能量流低维流形的有效性,把该特征向量输入BP神经网络来识别垮落煤岩。结果表明:基于小波包能量流和LTSA提取的特征向量可以准确简约地表征垮落煤岩,BP神经网络的识别率达到100%。

基于EEMD-KPCA和KL散度的垮落煤岩识别

综放开采中关键工艺放煤自动化的实现,可以使放煤工人远离工作面,远程控制顶煤的放落,从而保障放煤工人的健康问题。而顶煤放落过程中垮落煤岩的实时有效识别是放煤自动化的理论基础。针对垮落煤岩识别的实时性和综放开采的效率问题,基于综放开采现场采集的垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于EEMD-KPCA和KL(Kullback-Leibler)散度的垮落煤岩识别方法。该方法首先对振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)得到一组固有模态分量(Intrinsic Mode Functions,IMFs),分别计算各个IMF的能量,峭度和样本熵,构造表征垮落煤岩的特征向量;然后利用核主成分分析(Kernel Principal Component Analysis,KPCA)对特征向量进行降维,分别以各个IMF能量、IMF峭度、IMF样本熵构成的向量的KPCA低维特征来表征垮落煤岩;最后计算"未知样本"不同特征向量与垮落煤岩两类样本与之对应的特征向量的KL散度值,通过比较KL散度值来实现垮落煤岩的实时识别,并比较表征垮落煤岩不同特征向量的特征提取耗时和识别有效性。然后利用BP神经网络验证基于EEMD-KPCA的特征向量的有效性。实验结果表明:基于EEMD-KPCA和KL散度的识别方法可以实现垮落煤岩的实时识别,且大大降低了传统垮落煤岩识别方法对综放开采效率的影响;由EEMD分解后的各个IMF的能量和峭度构成的向量的KPCA低维特征最有效。

综放工作面端头区煤岩失稳垮落规律及放煤区域确定

针对综放工作面端头区顶煤安全放出问题,基于东滩煤矿3303工作面煤岩层地质赋存条件,采用理论分析与数值计算相结合,分析了综放工作面端头区煤岩应力场分布特征、煤岩失稳垮落规律及回采巷道稳定性等。研究表明:综放工作面端头区顶煤自工作面中部侧向回采巷道侧,放出难度增大;随着端头放煤区域向巷道侧扩大,回采巷道表面位移呈增大趋势。确定了端头区顶煤的可放性及可放出区域范围,为现场端头区顶煤的放出提供了理论依据。

特殊条件下的煤仓施工

鹤壁六矿北四采区煤仓由于仓身中段有近１０ｍ厚二１煤，在施工反井过程中有大面积的煤岩垮落，但是最终还是安全，快速地竣工，并且被验收评定为优质工程，详细介绍了施工经验。