本書以煤的孔隙結(jié)構(gòu)研究為切入點,著力研究煤的瓦斯賦存特征及其影響因素對突出風(fēng)險的作用機理,系統(tǒng)地分析了不同煤階煤樣的孔裂隙發(fā)育規(guī)律并進行分形研究,探索了煤的變質(zhì)程度、工業(yè)組分、孔徑分布、分形維數(shù)等內(nèi)在因素及壓力、溫度等外在因素對煤的瓦斯吸附、解吸特性的影響,構(gòu)建煤的瓦斯賦存特征因素數(shù)學(xué)分析模型,設(shè)計并編程完成瓦斯突出風(fēng)險的深度學(xué)習(xí)型智能預(yù)警系統(tǒng),現(xiàn)場運行驗證該系統(tǒng)可以成功運用于工程實踐。
煤炭是我國的支柱性能源材料。煤賦存瓦斯是瓦斯突出風(fēng)險事故發(fā)生的物質(zhì)基礎(chǔ),煤的瓦斯賦存能力失衡是瓦斯風(fēng)險事故發(fā)生的直接原因。風(fēng)險事故嚴重威脅智慧化礦山建設(shè),如何有效應(yīng)對此類風(fēng)險成為自然科學(xué)研究的重點課題。基于微觀結(jié)構(gòu)特征研究煤礦瓦斯賦存機理對瓦斯風(fēng)險的精準判識和智能預(yù)警具有重要的理論意義和實踐價值。
本書以煤的孔隙結(jié)構(gòu)研究為切入點,著力討論煤的瓦斯賦存特征對瓦斯賦存能力的影響程度和影響機制,并采用實驗室試驗的方法,系統(tǒng)地分析了不同煤階煤樣的孔裂隙發(fā)育規(guī)律,對此進行了分形表征,探索了煤的工業(yè)組分、□質(zhì)程度、孔徑分布、分形維數(shù)等內(nèi)在因素及壓力、溫度等外部因素對煤的瓦斯吸附、解吸特性的影響,構(gòu)建了煤的瓦斯賦存影響因素灰色分析模型,設(shè)計了瓦斯突出風(fēng)險深度學(xué)習(xí)型智能預(yù)警系統(tǒng)。本書的研究為智能預(yù)警提供了必要的理論支撐,主要研究成果如下:
。1)系統(tǒng)揭示了不同□質(zhì)程度煤的孔徑分布、比表面積、孔體積、孔隙結(jié)構(gòu)類型、孔連通性及分形維數(shù)的分布規(guī)律。研究發(fā)現(xiàn):微孔對比表面積貢獻率□□,大孔及裂隙對孔體積貢獻率□□。隨著煤階的增高,平均孔徑逐漸減小,孔體積逐漸減小,孔隙連通性逐漸□差。不同表層特征的煤具有不同的孔隙結(jié)構(gòu)類型,中階暗淡型煤的孔隙結(jié)構(gòu)以兩端開放的圓筒形孔為主,中階暗淡間亮型煤的孔隙結(jié)構(gòu)以小孔和粗頸墨水瓶狀微孔為主,高階間亮型煤的孔隙結(jié)構(gòu)以細頸墨水瓶狀微孔為主,高階光亮型煤的孔隙結(jié)構(gòu)以圓筒形微孔和尖劈形微孔為主。創(chuàng)新性地使用了柵欄法對孔隙分形維數(shù)進行區(qū)間評價,發(fā)現(xiàn)中高階煤的微孔孔隙分形維數(shù)高于中小孔的孔隙分形維數(shù),高階煤的微孔分形程度□□。
(2)科學(xué)探索了煤孔隙結(jié)構(gòu)中瓦斯賦存機理,通過對不同□質(zhì)程度的煤樣微觀孔隙結(jié)構(gòu)的定量分析,運用微孔填充理論、單分子層吸附理論和多分子層吸附理論,研究煤中瓦斯極限吸附平衡狀態(tài),建立表征煤樣瓦斯吸附能力的量化方法,獲得瓦斯氣體分子在煤儲層不同尺度孔隙結(jié)構(gòu)中的賦存特征。研究表明:瓦斯氣體分子在煤孔隙結(jié)構(gòu)的賦存方式以吸附態(tài)為主;吸附態(tài)賦存中又以微孔填充方式為主,多分子層吸附方式為輔,并存在一定量的單分子層吸附方式。
。3)細致研究了煤的工業(yè)組分、□質(zhì)程度、孔隙特征、分形維數(shù)等內(nèi)在因素及壓力、溫度等外部因素對煤的瓦斯賦存特性的影響。研究發(fā)現(xiàn):煤樣的固定碳含量、□質(zhì)程度、總比表面積、微孔比表面積、微孔分形維數(shù)、壓力的□化方向和煤樣瓦斯極限賦存量□化方向呈正向相關(guān)關(guān)系,煤樣的灰分含量、揮發(fā)分含量、水分含量、溫度、粒徑□化方向和煤樣瓦斯極限賦存量□化方向呈反向相關(guān)關(guān)系。采用適用于小樣本貧信息系統(tǒng)的灰色關(guān)聯(lián)法對各因素影響效果進行數(shù)學(xué)建模計算,各因素和極限吸附量的關(guān)聯(lián)系數(shù)按值的大小順序排列。
根據(jù)理論研究成果,采用人工智能的設(shè)計方法,構(gòu)建了煤礦瓦斯突出風(fēng)險深度學(xué)習(xí)型智能預(yù)警系統(tǒng)。類神經(jīng)處理單元使智能BP人工神經(jīng)網(wǎng)絡(luò)模型具有自學(xué)習(xí)、自訓(xùn)練、自糾錯的顯著優(yōu)點。引入動量因子和采用批量處理方法對模型進行算法優(yōu)化,利用灰色關(guān)聯(lián)分析法得到關(guān)鍵影響因素對模型進行指標優(yōu)化。雙重優(yōu)化后,將通過實地測選獲取的煤礦瓦斯賦存特征數(shù)據(jù)和瓦斯突出風(fēng)險致因數(shù)據(jù)分別輸入智能預(yù)警系統(tǒng)。深度學(xué)習(xí)型智能預(yù)警系統(tǒng)能夠根據(jù)樣本數(shù)據(jù)進行智能學(xué)習(xí)和訓(xùn)練,運行結(jié)果證明,使用瓦斯賦存特征數(shù)據(jù)作為輸入層指標和使用瓦斯突出風(fēng)險致因數(shù)據(jù)作為輸入層指標的兩個突出風(fēng)險預(yù)警系統(tǒng)具有近似的預(yù)警正確率和預(yù)警完成時間,成功驗證了瓦斯賦存特征指標系統(tǒng)可以作為突出風(fēng)險預(yù)警的有益衡量技術(shù)。
前言
第1章 緒論
1.1 研究背景
1.2 研究目的和意義
1.3 國內(nèi)外研究綜評
1.4 主要研究內(nèi)容、方法和技術(shù)路線
第2章 中高階煤的孔隙結(jié)構(gòu)特征研究
2.1 煤樣的采集和測定
2.2 壓汞實驗測試孔隙結(jié)構(gòu)基本特征
2.3 低溫液氮實驗測試孔隙結(jié)構(gòu)特征
2.4 中高階煤孔隙結(jié)構(gòu)的分形特征研究
第3章 煤的瓦斯賦存機理研究
3.1 煤的瓦斯賦存研究現(xiàn)狀分析
3.2 實驗煤樣制備和實驗系統(tǒng)改進
3.3 煤的瓦斯極限賦存能力實驗研究
3.4 煤的瓦斯賦存模型研究
3.5 煤的瓦斯賦存模型解構(gòu)和機理研究
第4章 煤的瓦斯賦存影響因素分析
4.1 內(nèi)在因素對煤的瓦斯賦存影響分析
4.2 外部因素對煤的瓦斯賦存影響分析
4.3 構(gòu)建煤的瓦斯賦存影響因素灰色分析模型
第5章 瓦斯突出風(fēng)險深度學(xué)習(xí)型智能預(yù)警系統(tǒng)研究
5.1 瓦斯突出風(fēng)險溯源
5.2 突出風(fēng)險指標與煤的瓦斯賦存影響因素關(guān)聯(lián)分析
5.3 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建深度學(xué)習(xí)型智能預(yù)警系統(tǒng)的可行性分析
5.4 煤層瓦斯突出風(fēng)險的深度學(xué)習(xí)型智能預(yù)警系統(tǒng)構(gòu)建與優(yōu)化
5.5 突出風(fēng)險致因指標深度學(xué)習(xí)型智能預(yù)警系統(tǒng)的運行與驗證
第6章 瓦斯突出風(fēng)險深度學(xué)習(xí)型智能預(yù)警方法的優(yōu)勢與展望
6.1 方法總結(jié)
6.2 創(chuàng)新優(yōu)勢
6.3 發(fā)展展望
附錄1 相對壓力與孔徑對應(yīng)表
附錄2 深度學(xué)習(xí)型智能預(yù)警編程代碼
參考文獻