抽采后残余瓦斯的存在对于矿井生产依然具有危险性,研究残余瓦斯的赋存规律及其预测是十分必要的。分析了淮北煤田许疃煤矿3 2 33采区地质条件,通过断层分维、煤层底板构造曲率和煤层倾角等指标的计算和统计,并分别赋予0.35,0,35和0.30...抽采后残余瓦斯的存在对于矿井生产依然具有危险性,研究残余瓦斯的赋存规律及其预测是十分必要的。分析了淮北煤田许疃煤矿3 2 33采区地质条件,通过断层分维、煤层底板构造曲率和煤层倾角等指标的计算和统计,并分别赋予0.35,0,35和0.30的权重,计算得到研究区的构造指数及其分布,根据选取的42组数据,讨论了构造指数、煤层埋深、煤厚和原煤瓦斯含量等影响因素对抽采残余瓦斯赋存的影响,运用多元线性回归方法,拟合了瓦斯含量损失与构造指数、煤层埋深、煤厚等影响因素指标之间的相关关系,运用BP人工神经网络模型研究了预测抽采后瓦斯含量损失的可行性。结果表明:构造指数可以更精确地定量表征矿井构造复杂程度。瓦斯含量损失的主要影响因素为构造指数、煤层埋深、煤厚和原煤瓦斯含量。瓦斯含量损失总体上与构造指数呈负相关,而与其他因素的指标均呈正相关。经过数理统计的 F 检验, F =20.82> F 0.01 (3,38)=4.35,故多元线性回归的结果是显著的,表明瓦斯含量损失与各影响因素指标之间具有较密切的内在联系,其中构造指数对瓦斯含量损失的影响程度最大,煤层埋深影响程度最小,煤厚的影响程度介于构造指数与煤层埋深之间。以瓦斯含量损失为输出指标,以构造指数、埋深、煤厚和原始瓦斯含量为输入指标,建立了4×10×1结构的BP人工神经网络模型,模型经过学习训练后预测精度高,相对误差为1.19%~1.34%,表明可以运用人工神经网络模型预测未采区抽采后的瓦斯含量损失,残余瓦斯含量即为原煤瓦斯含量减去瓦斯含量损失,故可以间接预测抽采后残余瓦斯含量。展开更多
文摘针对具有软煤分层的突出煤体,为了更加准确地检验瓦斯抽采效果,必须研究瓦斯抽采后软、硬煤残余瓦斯含量之间的差异性.基于抽采条件下的瓦斯渗流场分析,考虑了煤层中存在软煤条件下对瓦斯流动及煤层的综合影响,通过建立瓦斯流固耦合方程,并结合钻孔抽采瓦斯的初始条件和边界条件,运用多物理场耦合分析软件模拟了抽采条件下软、硬煤的残余瓦斯含量的差异性.数值模拟结果表明:在相同的抽采时间内,软煤的残余瓦斯含量始终高于硬煤,软煤瓦斯含量降到8 m3/t需要180 d,硬煤瓦斯含量降到8 m3/t需要162 d.
文摘抽采后残余瓦斯的存在对于矿井生产依然具有危险性,研究残余瓦斯的赋存规律及其预测是十分必要的。分析了淮北煤田许疃煤矿3 2 33采区地质条件,通过断层分维、煤层底板构造曲率和煤层倾角等指标的计算和统计,并分别赋予0.35,0,35和0.30的权重,计算得到研究区的构造指数及其分布,根据选取的42组数据,讨论了构造指数、煤层埋深、煤厚和原煤瓦斯含量等影响因素对抽采残余瓦斯赋存的影响,运用多元线性回归方法,拟合了瓦斯含量损失与构造指数、煤层埋深、煤厚等影响因素指标之间的相关关系,运用BP人工神经网络模型研究了预测抽采后瓦斯含量损失的可行性。结果表明:构造指数可以更精确地定量表征矿井构造复杂程度。瓦斯含量损失的主要影响因素为构造指数、煤层埋深、煤厚和原煤瓦斯含量。瓦斯含量损失总体上与构造指数呈负相关,而与其他因素的指标均呈正相关。经过数理统计的 F 检验, F =20.82> F 0.01 (3,38)=4.35,故多元线性回归的结果是显著的,表明瓦斯含量损失与各影响因素指标之间具有较密切的内在联系,其中构造指数对瓦斯含量损失的影响程度最大,煤层埋深影响程度最小,煤厚的影响程度介于构造指数与煤层埋深之间。以瓦斯含量损失为输出指标,以构造指数、埋深、煤厚和原始瓦斯含量为输入指标,建立了4×10×1结构的BP人工神经网络模型,模型经过学习训练后预测精度高,相对误差为1.19%~1.34%,表明可以运用人工神经网络模型预测未采区抽采后的瓦斯含量损失,残余瓦斯含量即为原煤瓦斯含量减去瓦斯含量损失,故可以间接预测抽采后残余瓦斯含量。
