煤层瓦斯含量测定技术及装备研究进展

瓦斯含量是煤与瓦斯突出危险预测、煤层瓦斯资源量估算、矿井瓦斯治理工程设计的重要参数。围绕如何在大区域准确快速测定煤层瓦斯含量,依托国家科技重大专项、国家自然科学基金和煤炭企业联合基金等项目科技攻关,在取样、测试方面取得了一定进展。主要表现在如下4个方面:①煤层瓦斯含量测定取样经历了孔口接样、岩心管定点取样、压力引射定点取样和密闭取样4个阶段,密闭取样装备保压能力达到11.5 MPa,煤心直径达到38 mm;②针对不同煤层地质条件,发展形成了顺煤层定向长钻孔密闭取样、底板穿层钻孔密闭取样和顶(底)板梳状定向长钻孔密闭取样3种取样技术;③在河南焦作和山西晋城矿区硬煤层中,顺层定向长钻孔取样深度达到516 m,密闭取样法测得煤层瓦斯含量较常规取样法分别平均提高了0.44倍和1.04倍。在安徽淮南矿区碎软煤层中,穿层钻孔密闭取样深度达到209 m,测得煤层瓦斯含量较常规取样法平均提高了0.26倍;在安徽淮北矿区碎软煤层中,顶(底)板梳状钻孔密闭取样深度达到484 m,测得煤层瓦斯含量较常规取样法平均提高了0.19倍,密闭取样法在煤层瓦斯含量测定精度、探测范围上优于常规取样法;④在瓦斯含量测试方面,除了传统解吸法测试,发展了系列煤矿井下瓦斯含量快速测试装备,可实现最快30 min内测得煤层瓦斯含量,一般用于百米孔内的瓦斯含量测试。提出了煤层瓦斯含量测定密闭取样装备需向小型化、轻量化的方向发展,并能实现随钻密闭取样。在测试上,应根据实际情况确定合理的解吸终止限,并将测试装备和密闭取样装备进一步结合,以实现深孔瓦斯含量快速准确测定。密闭取样技术已成为煤层瓦斯含量大区域精准勘查、预测的主要手段,是煤炭安全高效开采的重要技术保障。

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

为提升煤层瓦斯含量预测精度,提出一种采用遗传模拟退火算法混合优化支持向量机(SVM)参数的瓦斯含量预测模型(GRA-GASA-SVM模型)。该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数,以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。利用灰色关联分析(GRA)压缩数据集维度,建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。结果表明:SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。相比SVM模型和GA-SVM模型,GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。

基于LM-BP神经网络的煤层瓦斯含量预测研究

为了高效、便捷地获取煤层瓦斯含量,设计了一种基于LM-BP神经网络的煤层瓦斯浓度预测方法。首先介绍了LM-BP神经网络的预测原理,然后建立了基于LM-BP神经网络煤层瓦斯预测模型,最后采用地勘钻孔的相关参数制作样本进行模型训练和预测,将设计的预测模型的性能与基于BP神经网络模型进行对比,结果表明,2种模型在预测准确率方面达到基本一致,都在90%以上,在收敛速度上基于LM-BP神经网络煤层瓦斯预测模型有明显优势。

基于LSSA-BP神经网络的煤层瓦斯含量预测方法研究

为提高煤层瓦斯含量预测的精准性和可靠性,提出基于Logistic混沌映射改进的麻雀搜索算法优化BP神经网络的煤层瓦斯含量预测模型(LSSA-BP模型)。先通过灰色关联分析法(GRA)筛选瓦斯含量的主控因素作为LSSA-BP预测模型的输入层节点数,后利用Logistic混沌映射初始化麻雀种群以增加种群多样性,再采用LSSA对BP神经网络的权值和阈值进行优化,解决了单一BP模型收敛速度慢和易陷入局部极小的问题;通过模型应用,将LSSA-BP、SSABP和BP模型的预测结果进行对比。结果表明:LSSA-BP预测模型的平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别为0.3469 m^(3)/t、0.1721 m^(3)/t、0.4149 m^(3)/t和27.4036%,均优于其他模型,提高了煤层瓦斯含量预测的准确性和稳定性。

煤层瓦斯含量测定负压排渣定点取样应用研究

为考察负压排渣定点取样煤层瓦斯含量测定的可靠性和应用效果,采用自主设计研发的负压定点取样系统,开展了煤层瓦斯含量测定的现场应用实验。结果表明,负压取样系统在30 s内所取煤样量即可满足煤层瓦斯含量测定要求,可以实现快速取样;负压取样过程中,随钻孔深度的增加,负压取样系统压降和系统风量均逐渐减小;负压取样可以大幅提高煤样纯度。采用负压取样测得的煤层瓦斯损失量、现场解吸量和实验室解吸量均明显增加,煤层瓦斯含量相较于压风取样增加45%~80.3%。

煤层瓦斯含量测定定点取样方法研究进展

基于文献调研及前期研究,分析了目前煤矿井下煤层瓦斯含量直接测定时所采用定点取样方法及其弊端,阐述了学者们提出的改进型定点取样方法,并对煤层瓦斯含量测定定点取样方法的研究进行了展望,指出:1取样过程瓦斯损失量小、取样时升温低、机械复杂度低是基于煤芯管法定点取样方法的发展方向;2开展煤储层条件下的瓦斯运移规律研究,建立并完善各种基于煤芯管法的定点取样方法的瓦斯损失量模型;3适用于松软煤层的定点取样方法的研发亟待开展;4基于负压气力输送理论的定点取样方法是定点取样方法研究的趋势,动态颗粒煤变负压瓦斯解吸规律是建立对应瓦斯损失量模型的基础研究。

基于支持向量回归机的煤层瓦斯含量预测研究

为了对煤层瓦斯含量进行准确预测,应用支持向量回归机(SVR)理论建立煤层瓦斯含量预测模型,结合现场实测数据利用支持向量机(SVM)工具箱进行模型的求解及预测,并从均方根误差、希尔不等系数和平均绝对百分误差3个不同误差指标与人工神经网络预测模型进行比较分析。研究结果表明:SVR模型其预测精度及可行性高于神经网络模型,而且运算快,实时性较好,用于煤层瓦斯含量的预测较理想,具有良好的应用前景,可以为煤矿瓦斯防治提供理论依据。

智能煤层瓦斯含量快速预测系统

针对现有煤层瓦斯含量预测过程中数据记录、处理设备存在的多种不足,研究了原有曲线拟合方法的误差产生原因。利用大量数学建模计算,通过两种曲线拟合算法优化,并综合考虑现场测试需求,完成了智能煤层瓦斯含量快速测定系统的上、下位机设计。其中下位机具有多组存储、时间设定、解吸速率曲线显示、逻辑推导、损失量拟合等多项功能。上位机通过基于VC++的程序设计完成了包括界面开发、数据库多功能查询以及拟合算法处理等多项功能。结果表明,智能系统在可操作性和数据拟合准确性方面都有了很大提高。

煤层瓦斯含量影响因素分析及灰色预测

矿井煤层瓦斯含量与煤层埋藏深度、围岩性质等密切相关,以不同煤层地质参数及其相对瓦斯含量数据为原始序列,通过灰色处理建立微分方程预测模型,使用GM(1,4)灰色预测模型建立了未开采区瓦斯含量的预测方程,并进行了残差检验。同时对不同因素对瓦斯含量的关联程度进行了分析。

煤层瓦斯含量井下一站式自动化精准测定方法

煤层瓦斯含量是预测煤与瓦斯突出危险性和评价矿井瓦斯储量的基础参数。针对现有测定方法需要井上和井下分阶段测量、测定周期长的不足,提出了煤层瓦斯含量井下一站式自动化测定新方法,介绍了煤样井下直接破碎系统、瓦斯解吸量自动化计量系统和数据自动采集处理系统等关键单元构成及主要技术指标。其次,针对现有测定方法中损失瓦斯量估算误差大的难题,考虑煤孔隙结构的非均匀性建立了瓦斯分数阶扩散模型,以此准确推算煤样暴露过程的损失瓦斯量;搭建了模拟井下煤层瓦斯含量测定流程的误差分析系统,通过设定不同吸附平衡压力来改变瓦斯含量,设定不同暴露时间来改变损失瓦斯量,并通过与传统模型对比来验证分数阶模型的准确性。实验表明,分数阶模型推算损失瓦斯量的误差在10%以内,测定瓦斯含量的误差在5%以内,而传统■模型和幂函数模型测定瓦斯含量的误差达到20%以上。最后,基于煤层瓦斯含量井下一站式自动化测定方法,研发了CWH12型煤层瓦斯含量测定仪,在淮南矿区朱集东矿和潘三矿进行了现场应用,并使用煤矿原有瓦斯含量测定设备对同一地点、同一深度的煤样进行了测定比较。现场试验表明,CWH12型煤层瓦斯含量测定仪比原有设备的测定值平均提高了13.5%,测量时间缩短至1.5 h以内,实现了煤层瓦斯含量的快速精准测定。

间接法测定煤层瓦斯含量计算公式校正的实验研究

采用HCA高压容量法瓦斯吸附装置,对7组不同变质程度的煤样,分别在20、30、40、50、60℃等5个温度条件下进行常压吸附瓦斯量和瓦斯吸附常数的测试,通过对测试数据进行分析研究,得出每升高单位温度下吸附瓦斯减小量与煤的变质程度的关系模型,进而对间接法测定煤层瓦斯含量计算公式进行校正,校正结果更符合煤样在高压状态下即将达到吸附饱和状态的相关理论。

基于多元非线性回归理论的煤层瓦斯含量预测

以黄陵矿煤层瓦斯含量与相关因素的数据为例,采用基于多元非线性回归理论的数学方法,建立了一种适合矿井实际的预测模型:多元非线性瓦斯含量预测模型,通过该模型进行了煤层瓦斯含量预测,预测精度较高,适用性较强。

多元回归分析在煤层瓦斯含量预测中的应用

根据某矿影响煤层瓦斯含量的大量参数值,运用多元回归分析的数学模型,建立了煤层瓦斯含量预测的多元回归方程,并对方程及其系数的显著性作了检验,进行了学生化残差分析。通过此数学模型能够直观地反映煤层埋深、煤层厚度、地质构造、煤的顶底板岩性及煤的变质程度对煤层瓦斯含量的影响关系。结果证明预测的准确性较高,此方法可为矿井预测瓦斯含量提供一种有效途径。

甲烷浓度对间接法测定煤层瓦斯含量的影响

大量实测资料表明煤层瓦斯的组分中,除CH4外尚含有一定比例的N2和CO2。在间接法测定煤层瓦斯含量时,由于使用的是煤对纯CH4吸附实验所测定的吸附常数,因此在瓦斯组分中CH4浓度较低的情况下,间接法计算的煤层瓦斯含量会出现一定误差,而且CH4浓度愈低造成的误差愈大。对多组分气体的吸附情况进行了讨论,并提出了校正吸附瓦斯总量的计算方法。

常压法测定煤层瓦斯含量的误差分析

为了校正脱气法和常压法测量瓦斯含量的误差。通过理论分析、模型计算和实验对比的方法,研究煤样气体自然成分含二元和三元混合气体时的误差来源。查明气体成分为N_2和CH_4时,该误差可通过系数法进行修正;气体成分含CO_2,CH_4和N_23种气体时,误差可通过扩展的langmuir模型修正。水分对测定误差的影响为:烟煤中含氧官能团与水优先结合后,影响煤孔网吸附点的可达性,导致水分与测定误差线性相关;无烟煤表面积大且表面官能团减少,水分的优先吸附使煤表面性质更均匀,水分与气体分子竞争煤表面的相同吸附点,水分与测定误差负相关。该结论对煤层瓦斯含量测定方法的选择和修正有重要意义。

偏最小二乘法的煤层瓦斯含量预测模型研究

煤层瓦斯含量预测对矿井安全生产至关重要。根据煤层瓦斯含量受多种因素影响,运用偏最小二乘多元线性回归,通过交叉有效性分析,确定提取主成分个数,建立数学模型,得到最佳多元线性回归方程。研究证明:该方法配合SIMCA-P软件处理不仅可以最终以图表形式直观地反映各种因素对煤层瓦斯含量的影响程度,而且能够有效解决各种因素之间存在的严重线性相关问题,预测值比较精确,为煤层瓦斯含量预测提供了一种新途径。

PCA-SVR在煤层瓦斯含量预测中的应用

针对煤层瓦斯含量与其影响因素之间存在着复杂的非线性关系,建立了基于主成分分析和支持向量回归机的煤层瓦斯含量预测模型。该模型有效地解决了小样本、非线性预测的问题,并发挥了主成分分析法消除输入变量间相关性的优点,减少了输入变量个数,提高了预测精度和收敛速度。通过实证分析,该模型的预测精度高,能够直接用于煤矿现场预测煤层瓦斯含量。

基于模糊神经网络的煤层瓦斯含量预测研究

为提高未采区煤层瓦斯含量预测的准确性,在分析研究影响煤层瓦斯含量的主要地质因素的基础上,借助模糊数学作为表达与处理不精确数据、模糊信息的手段,以神经网络作为解决问题的途径,将模糊数学与神经网络有机结合,建立基于模糊神经网络的煤层瓦斯含量预测模型。研究结果表明:模糊神经网络模型不仅能够较好地解决模糊信息难于定量表达、学习样本难于确定等问题,而且能够较准确地提取出煤层瓦斯含量与其各个影响因素之间的非线性关系。通过实例运算验证,其预测精度较神经网络模型提高了4.84%～25.79%,应用于煤层瓦斯含量预测的效果更为理想,具有良好的应用前景,可以为实施科学的矿井瓦斯管理、预防各种瓦斯事故提供理论依据。

基于PCA-AHPSO-SVR的煤层瓦斯含量预测研究

为了提高煤层瓦斯含量预测的准确性和科学性,通过主成分分析方法对影响煤层瓦斯含量的7个因素进行特征提取,消除影响因素之间的相关性,减少维度;用支持向量回归机对提取的因素进行训练,并用改进的自适应混合粒子群算法对SVR的参数进行优化,提出PCA-AHPSO-SVR模型;与PCA-PSO-SVR,PSO-SVR这2个模型在相同环境下进行30次运行比较。研究结果表明:研究提出的PCA-AHPSO-SVR模型较其他2种模型平均准确率分别提高5.51%和9.32%,稳定性更佳,可满足工程实际需求。

利用煤钻屑瓦斯解吸指标法测定煤层瓦斯含量

煤层瓦斯含量是计算矿井瓦斯储量和预测瓦斯涌出量的基础,也是预测煤与瓦斯突出的重要参数之一。在实验基础上,提出了煤钻屑瓦斯解吸指标法测定煤层瓦斯含量法,并经过实际验证该方法合理可靠。