CN110397472A - 煤与瓦斯突出的预测方法、装置及系统 - Google Patents
煤与瓦斯突出的预测方法、装置及系统 Download PDFInfo
- Publication number
- CN110397472A CN110397472A CN201910534891.1A CN201910534891A CN110397472A CN 110397472 A CN110397472 A CN 110397472A CN 201910534891 A CN201910534891 A CN 201910534891A CN 110397472 A CN110397472 A CN 110397472A
- Authority
- CN
- China
- Prior art keywords
- prominent
- warning
- warning level
- index
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010219 correlation analysis Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 19
- 239000011435 rock Substances 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 238000005336 cracking Methods 0.000 claims description 8
- 230000005670 electromagnetic radiation Effects 0.000 claims description 8
- 230000002459 sustained effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 105
- 238000004088 simulation Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 10
- 238000009792 diffusion process Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000002817 coal dust Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 150000003384 small molecules Chemical class 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000000748 compression moulding Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明提供一种煤与瓦斯突出的预测方法、装置及系统，该方法，包括：获取型煤的至少一个基本参数、以及所述基本参数对应的数据值；将所述基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及所述预测参数对应的突出结果；按照灰色关联分析，根据所述预测参数、所述突出结果获得突出预警指标；根据所述突出预警指标、以及所述突出预警指标对应的预警级别，获得突出预警级别。以提高煤与瓦斯突出预测的合理性、准确性和可靠性，降低伤亡事故的发生率，极大的保障井下生命财产的安全。
Description
技术领域
本发明涉及煤矿安全开采技术领域，尤其涉及一种煤与瓦斯突出的预测方法、装置及系统。
背景技术
经过长期大规模的开采，我国煤炭浅部资源日渐枯竭，开采深度以每年10-25m的速度增加，平均开采深度已达700m左右。而煤炭作为我国能源的主要来源，深部煤炭和高瓦斯煤层的开采将面临极大地挑战。
目前，对深部煤炭资源的开采，随着深度的增加，地应力和瓦斯压力的增大，导致矿井在深部开采过程中受到的瓦斯威胁越来越严重，煤与瓦斯突出发生的强度以及造成的伤亡不断增长。
现有技术中仅通过采集地应力和瓦斯浓度数据，或者瓦斯涌出量数据，并对该数据进行传输，实现煤与瓦斯突出危险特征信号的实时跟踪和采集，然而只考虑地应力和瓦斯浓度两种危险特征信号，或者瓦斯涌出量数据等信息，对煤与瓦斯突出的预测存在片面性，且由于突出情况的异常复杂，故不能进行精准预测，无法对井下生命财产提供保障和安全性。
发明内容
本发明提供一种煤与瓦斯突出的预测方法、装置及系统，以提高煤与瓦斯突出预测的合理性、准确性和可靠性，降低伤亡事故的发生率，极大的保障井下生命财产的安全。
第一方面，本发明实施例提供的一种煤与瓦斯突出的预测方法，包括：
获取型煤的至少一个基本参数、以及所述基本参数对应的数据值；
将所述基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及所述预测参数对应的突出结果；
按照灰色关联分析，根据所述预测参数、所述突出结果获得突出预警指标；
根据所述突出预警指标、以及所述突出预警指标对应的预警级别，获得突出预警级别。
在一种可能的设计中，所述基本参数包括瓦斯膨胀能、放散初速度、裂化率、煤体强度。
在一种可能的设计中，所述预测参数包括：地应力、瓦斯压力、瓦斯浓度、围岩应变、煤层温度、声发射、电磁辐射。
在一种可能的设计中，所述预测突出模型用于根据预设传感器，采集多个预测参数以及所述预测参数对应的数据值，确定所述预测参数对应的突出结果。
在一种可能的设计中，按照灰色关联分析，根据所述预测参数、所述突出结果获得突出预警指标，包括：
按照灰色关联分析，计算所述基本参数与所述突出结果之间的灰关联系数，并对所述灰关联系数进行排序，确定所述预测参数的权重值；
若检测所述权重值大于或者等于预设阈值时，则将所述权重值对应的预测参数作为所述突出预警指标。
在一种可能的设计中，根据所述突出预警指标、以及所述突出预警指标对应的预警级别，获得突出预警级别，包括：
检测四个所述突出预警指标，获得所述突出预警指标对应的预警级别，其中预警级别包括等级级别依次增大的持续关注级别、提醒级别、发出预警级别或者采取响应级别；
若检测至少三个所述突出预警指标对应的预警级别为相同预警级别，则确定所述突出预警级别所述预警级别；
若检测两个所述突出预警指标对应的预警级别为第一预警级别，且检测到剩余的两个所述突出预警指标对应的预警级别为第二预警级别，则将所述第一预警级别、所述第二预警级别中预警级别中级别高的作为所述突出预警级别；
若检测两个所述突出预警指标对应的预警级别为第三预警级别，且检测剩余的两个所述突出预警指标对应的预警级别不相同，其中第一剩余所述突出预警指标对应的预警级别大于所述第三预警级别，第二剩余所述突出预警指标对应的预警级别小于所述第三预警级别；则确定所述突出预警级别为所述第三预警级别；
若检测两个所述突出预警指标对应的预警级别为第四预警级别，且检测剩余的两个所述突出预警指标对应的预警级别不相等、且均大于所述第四预警级别，则将剩余的两个所述突出预警指标对应的预警级别中级别高的作为所述突出预警级别突出预警指标；
若检测四个所述突出预警指标对应的预警级别均不相同，则对所述预警级别进行从大到小排序，将排在第二位的预警级别作为所述突出预警级别；
或者在预设时间内，至少一个所述突出预警指标对应的预警级别为响应级别，且连续报警次数大于等于预设次数时，则确定所述突出预警级别为所述响应级别。
第二方面，本发明实施例提供的一种煤与瓦斯突出的预测装置，包括：
获取模块，用于获取型煤的至少一个基本参数、以及所述基本参数对应的数据值；
确定模块，用于将所述基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及所述预测参数对应的突出结果；
突出模块，用于按照灰色关联分析，根据所述预测参数、所述突出结果获得突出预警指标；
级别模块，用于根据所述突出预警指标、以及所述突出预警指标对应的预警级别，获得突出预警级别。
在一种可能的设计中，所述基本参数包括瓦斯膨胀能、放散初速度、裂化率、煤体强度。
在一种可能的设计中，所述预测参数包括：地应力、瓦斯压力、瓦斯浓度、围岩应变、煤层温度、声发射、电磁辐射。
在一种可能的设计中，所述预测突出模型用于根据预设传感器，采集多个预测参数以及所述预测参数对应的数据值，确定所述预测参数对应的突出结果。
在一种可能的设计中，所述突出模块，具体用于：
按照灰色关联分析，计算所述基本参数与所述突出结果之间的灰关联系数，并对所述灰关联系数进行排序，确定所述预测参数的权重值；
若检测所述权重值大于或者等于预设阈值时，则将所述权重值对应的预测参数作为所述突出预警指标。
在一种可能的设计中，所述级别模块，具体用于：
检测四个所述突出预警指标，获得所述突出预警指标对应的预警级别，其中预警级别包括等级级别依次增大的持续关注级别、提醒级别、发出预警级别或者采取响应级别；
若检测至少三个所述突出预警指标对应的预警级别为相同预警级别，则确定所述突出预警级别所述预警级别；
若检测两个所述突出预警指标对应的预警级别为第一预警级别，且检测到剩余的两个所述突出预警指标对应的预警级别为第二预警级别，则将所述第一预警级别、所述第二预警级别中预警级别中级别高的作为所述突出预警级别；
若检测两个所述突出预警指标对应的预警级别为第三预警级别，且检测剩余的两个所述突出预警指标对应的预警级别不相同，其中第一剩余所述突出预警指标对应的预警级别大于所述第三预警级别，第二剩余所述突出预警指标对应的预警级别小于所述第三预警级别；则确定所述突出预警级别为所述第三预警级别；
若检测两个所述突出预警指标对应的预警级别为第四预警级别，且检测剩余的两个所述突出预警指标对应的预警级别不相等、且均大于所述第四预警级别，则将剩余的两个所述突出预警指标对应的预警级别中级别高的作为所述突出预警级别；
若检测四个所述突出预警指标对应的预警级别均不相同，则对所述预警级别进行从大到小排序，将排在第二位的预警级别作为所述突出预警级别；
或者在预设时间内，至少一个所述突出预警指标对应的预警级别为响应级别，且连续报警次数大于等于预设次数时，则确定所述突出预警级别为所述响应级别。
第三方面，本发明实施例提供的一种煤与瓦斯突出的预测系统，包括：存储器和处理器，存储器中存储有所述处理起的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的煤与瓦斯突出的预测方法。
第四方面，本发明实施例提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理执行实现如第一方面中任一项所述的煤与瓦斯突出的预测方法。
本发明提供一种煤与瓦斯突出的预测方法、装置及系统，该方法，包括：获取型煤的至少一个基本参数、以及所述基本参数对应的数据值；将所述基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及所述预测参数对应的突出结果；按照灰色关联分析，根据所述预测参数、所述突出结果获得突出预测指标突出预警指标；根据所述突出预测指标突出预警指标、以及所述突出预测指标突出预警指标对应的预警级别，获得突出预警级别。应用上述方法将影响煤与瓦斯突出的众多因素综合考虑，以实现煤与瓦斯突出预测的准确性，提高煤与瓦斯突出预测的合理性和可靠性，降低伤亡事故的发生率，极大的保障井下生命财产的安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的煤与瓦斯突出的预测方法的流程图；
图2为本发明实施例二提供的煤与瓦斯突出的预测方法中物理模拟试验系统的结构示意图；
图3为本发明实施例三提供的煤与瓦斯突出的预测装置的结构示意图；
图4为本发明实施例四提供的煤与瓦斯突出的预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
煤与瓦斯突出是一种类型的瓦斯特殊涌出的现象，即在压力作用下，破碎的煤与瓦斯由煤体内突然向采掘空间大量喷出的现象。煤与瓦斯突出是煤矿井下生产的一种强大的自然灾害，他严重威胁着煤矿的安全生产，具有极大的破坏性。由于突出情况异常复杂，因此对煤与瓦斯突出进行准确的预测具有重要的意义，以实现及时撤出人员、减少伤亡，保障井下生产的安全性。
地质力学模型试验作为研究煤与瓦斯突出的重要方法，可以在实验室内再现煤与瓦斯突出现象，研究揭示突出发生条件，完善突出机理，探索发现突出预警指标，进而获得突出预警级别等等。
图1为本发明实施例一提供的煤与瓦斯突出的预测方法的流程图，如图1所示，本实施例中的方法可以包括：
S101、获取型煤的至少一个基本参数、以及基本参数对应的数据值。其中型煤的基本参数为吸附瓦斯煤体的致突敏感物理力学参数包括瓦斯膨胀能、放散初速度、裂化率、煤体强度。
型煤以煤粉为主要原料，按具体用途所要求的配比，机械强度，和形状大小经机械加工压制成型的，具有一定强度和尺寸及形状各异的煤成品。地质力学物理模拟试验是现在研究煤与瓦斯突出灾害最行之有效的研究方法之一，尤其是较大比尺的模型试验。因此研发满足煤与瓦斯突出的物理模拟相似准则的型煤材料是模拟试验成败的关键因素之一。例如型煤采用粒径为0-1mm和1-3mm的煤粉作为骨料，腐植酸钠水溶液作为胶结剂，成型压力为15Mpa。
瓦斯膨胀能是指赋存在煤层中的高压瓦斯，具有向外膨胀做工的能量。瓦斯膨胀能与煤层中的瓦斯含量和膨胀前后的压力变化有关，例如具有压力为P2的瓦斯，当其体积有V2膨胀至V1，压力由P2降至P1时，所做的膨胀功可写成在绝热条件下可以化简为n为气体的定压热容Cp与定容热容Cv的比值，即
煤中瓦斯的放散初速度可以表征煤的瓦斯放散能力，反映煤中瓦斯的渗透和流动规律，是鉴定煤层是否发生煤与瓦斯突出的基本指标之一。瓦斯的放散初速度越大，煤中的瓦斯能越大，煤体初始释放瓦斯能力越强，煤层的突出危险性就越大。
煤矿瓦斯是指天然气，又称煤层气。植物在成煤过程中生成的大量气体，腐植型的有机质，被细菌分解，可生成瓦斯；其后随着沉积物埋藏深度增加，在漫长的地质年代中，由于煤层经受高温、高压的作用，进入煤的碳化变质阶段，煤中挥发分减少，固定碳增加，又生成大量瓦斯，保存在煤层或岩层的孔隙和裂隙内。瓦斯的主要成分是烷烃。在高温且无催化剂存在的情况下，可以使烃类分子分裂为几个较小分子，裂化率是指使烃类分子分裂为几个较小分子的反应速率。
煤体与瓦斯突出是煤体、瓦斯、应力所组成系统的失稳破坏，煤体作为阻碍突出的因素，对突出的启动以及突出发生的强度有重要作用。
本实施例中，选取具有不同基本参数的多个型煤，且设置于煤与瓦斯突出物理模拟试验系统中，并得到型煤的基本参数对应的数据值。在一种可选的实施例中，物理模拟试验系统可以包括煤与瓦斯突出的预测系统，根据得到的型煤的至少一个基本参数、以及基本参数对应的数据值，以使物理模拟试验系统可以确定多个预测参数、以及综合基本参数、预测参数获得突出结果。
S102、将基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及预测参数对应的突出结果。
具体的，煤与瓦斯突出物理模拟试验中包括灾害孕育发生和突出灾变前后的多敏感物理量信息的预测参数，且预测参数包括：地应力、瓦斯压力、瓦斯浓度、围岩应变、煤层温度、声发射、电磁辐射。将上述实施例中的基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及这些预测参数对应的突出结果。其中，预测突出模型用于根据预设传感器，采集多个预测参数以及预测参数对应的数据值，确定预测参数对应的突出结果。
地应力是在漫长的地质年代里，由于地质构造运动等原因使地壳物质产生了内应力效应，地壳内各点的应力状态不尽相同﹐并且应力随(地表以下)深度的增加而线性地增加。瓦斯压力是指煤层孔隙内气体分子自由热运动撞击所产生的作用力。
将型煤的基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及预测参数对应的突出结果。本实施例中，预测突出模型包含于物理模拟试验系统，可以根据预设传感器采集模拟试验开掘进程中预测参数对应的数据值，即采集记录地应力、瓦斯应力、瓦斯浓度、围岩应变、煤层温度、声发射以及电磁辐射各自对应的数据值。预测突出模型还包括多层前馈神经网络，例如BP神经网络，由输入层、隐层和输出层组成，层与层之间采用全互连方式，同一层之间不存在相互连接，隐层可以有1个或多个。BP神经网络将瓦斯膨胀能、放散初速度、裂化率以及煤体强度等基本参数对应的数据值作为输入，或者同时将至少一个预测参数对应的数据值同时输入，经过建立映射关系，采用输入节点数、输出节点数以及隐节点数的三层BP神经网络，输出层到隐层采用激活函数，隐层到输出层的激活函数采用线性函数，输出该预测参数对应的突出结果，例如输出节点为4个，输出值为0和1，且输出[1,0,0,0]则代表的突出结果为不突出，[0,1,0,0]则代表的突出结果为突出强度较小，[0,0,1,0]代表突出结果为突出强度中，[0,0,0,1]代表突出结果为突出结果为突出强度大。本实施例中将影响煤与瓦斯突出的众多因素综合考虑，以实现煤与瓦斯突出预测的准确性。
在一种可选的实施例中，将物理模拟试验分为试验预测和试验预警等过程，步骤S101和步骤S102通过基本参数、预测参数等实现了煤与瓦斯突出的预测，即试验预测过程；进而通过从预测参数中选择至少一个作为突出预警指标，以实现试验预警过程，且充分利用物理模拟试验的探索发现以实现突出预警级别的划分。以提高煤与瓦斯突出预测的合理性和可靠性，降低伤亡事故的发生率，极大的保障井下生命财产的安全。
S103、按照灰色关联分析，根据预测参数、突出结果获得突出预警指标。
具体的，按照灰色关联分析，计算基本参数与突出结果之间的灰关联系数，并对灰关联系数进行排序，确定预测参数的权重值；若检测权重值大于或者等于预设阈值时，则将权重值对应的预测参数作为突出预警指标。
本实施例中，基于4个基本参数等对煤与瓦斯突出的影响分析中，利用灰色关联分析理论进行分析，计算基本参数、预测参数以及突出结果之间的灰关联系数。将突出结果作为特征序列，将基本参数、预测参数作为因素序列，进行灰色关联分析。将特征序列数据与因素序列数据进行数据标准化，例如采用如下公式其中Xi′为因素序列数据，Xi为特征序列数据，计算求差序列Δ(k)＝|XI′-Xi′|；i＝1,2,3,4，进而计算基本参数与突出结果之间的灰关联系数，关联系数是特征序列与因素序列在各个时刻的关联程度值，并对灰关联系数进行排序，由此确定每个预测参数的权重，若检测到该权重大于或者等于预设阈值时，则将该权重对应的预测参数作为突出预警指标。
S104、根据突出预警指标、以及突出预警指标对应的预警级别，获得突出预警级别。
具体的，在物理模拟试验掘进过程中，将选定的预测参数作为突出预警指标进行监测，每个预测参数的变化引起的预警级别等级可以分为Ⅰ-Ⅳ个级别，其中Ⅰ为持续关注级别，Ⅱ为提醒警告级别，Ⅲ为发出预警级别，Ⅳ为采取响应级别。
本实施例中，检测四个突出预警指标，获得突出预警指标对应的预警级别，其中预警级别包括等级级别依次增大的持续关注级别、提醒级别、发出预警级别或者采取响应级别；例如四个突出预警指标分别为地应力、瓦斯浓度、瓦斯压力以及围岩应变等预测参数。
若检测至少三个突出预警指标对应的预警级别为相同预警级别，则确定突出预警级别；例如地应力为Ⅱ级别，瓦斯压力为Ⅱ级别，瓦斯浓度为Ⅱ级别，则确定突出预警级别Ⅱ级别，即提醒警告级别。
若检测两个突出预警指标对应的预警级别为第一预警级别，且检测到剩余的两个突出预警指标对应的预警级别为第二预警级别，则将第一预警级别、第二预警级别中预警级别中级别高的作为突出预警级别；例如地应力为Ⅱ级别，瓦斯压力为Ⅲ级别，瓦斯浓度为Ⅲ级别，围岩应变为Ⅱ级别，则确定突出预警级别Ⅲ级别，即发出预警级别。
若检测两个突出预警指标对应的预警级别为第三预警级别，且检测剩余的两个突出预警指标对应的预警级别不相同，其中第一剩余突出预警指标对应的预警级别大于第三预警级别，第二剩余突出预警指标对应的预警级别小于第三预警级别；则确定突出预警级别为第三预警级别；例如地应力为Ⅰ级别，瓦斯压力为Ⅱ级别，瓦斯浓度为Ⅱ级别，围岩应变为Ⅲ级别，则确定突出预警级别Ⅱ级别，即提醒警告级别。
若检测两个突出预警指标对应的预警级别为第四预警级别，且检测剩余的两个突出预警指标对应的预警级别不相等、且均大于第四预警级别，则将剩余的两个突出预警指标对应的预警级别中级别高的作为突出预警级别突出预警指标；例如地应力为Ⅱ级别，瓦斯压力为Ⅰ级别，瓦斯浓度为Ⅰ级别，围岩应变为Ⅲ级别，则确定突出预警级别Ⅲ级别，即发出预警级别。
若检测四个突出预警指标对应的预警级别均不相同，则对预警级别进行从大到小排序，将排在第二位的预警级别作为突出预警级别；例如地应力为Ⅱ级别，瓦斯压力为Ⅰ级别，瓦斯浓度为Ⅳ级别，围岩应变为Ⅲ级别，则确定突出预警级别Ⅲ级别，即发出预警级别。
或者在预设时间内，至少一个突出预警指标对应的预警级别为响应级别，且连续报警次数大于等于预设次数时，则确定突出预警级别为响应级别。
本实施例中，获取型煤的至少一个基本参数、以及基本参数对应的数据值；将基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及预测参数对应的突出结果；按照灰色关联分析，根据预测参数、突出结果获得突出预测指标突出预警指标；根据突出预测指标突出预警指标、以及突出预测指标突出预警指标对应的预警级别，获得突出预警级别。应用上述方法将影响煤与瓦斯突出的众多因素综合考虑，以实现煤与瓦斯突出预测的准确性，提高煤与瓦斯突出预测的合理性和可靠性，降低伤亡事故的发生率，极大的保障井下生命财产的安全。
在一种可选的实施例参见图2，图2为本发明实施例二提供的煤与瓦斯突出的预测方法中物理模拟试验系统的结构示意图，该物理模拟试验系统可以包括煤与瓦斯突出的预测系统，如图2所示，该物理模型试验系统可以包括主体的模型反力装置及密封装置21；数据采集装置22用于多物理量预测参数信息的采集，其中包括地应力监测模块、瓦斯压力监测模块、瓦斯浓度监测模块、围岩应变监测模块、电磁辐射监测模块、煤层温度监测模块、声发射监测模块等；数据处理与分析装置23主要用于在多源海量动态信息中提取、挖掘敏感预测指标，其中包括预警数据的提取、分析、处理和集成；煤与瓦斯突出预警模块24主要用于敏感突出预警指标的监测对比，及时发布预警结果。
图3为本发明实施例三提供的煤与瓦斯突出的预测装置的结构示意图，如图3所示，本实施例中煤与瓦斯突出的预测装置可以包括：
获取模块31，用于获取型煤的至少一个基本参数、以及基本参数对应的数据值；
确定模块32，用于将基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及预测参数对应的突出结果；
突出模块33，用于按照灰色关联分析，根据预测参数、突出结果获得突出预警指标；
级别模块34，用于根据突出预警指标、以及突出预警指标对应的预警级别，获得突出预警级别。
在一种可选的实施例中，基本参数包括瓦斯膨胀能、放散初速度、裂化率、煤体强度。
在一种可选的实施例中，预测参数包括：地应力、瓦斯压力、瓦斯浓度、围岩应变、煤层温度、声发射、电磁辐射。
在一种可选的实施例中，预测突出模型用于根据预设传感器，采集多个预测参数以及预测参数对应的数据值，确定预测参数对应的突出结果。
在一种可选的实施例中，突出模块33，具体用于：
按照灰色关联分析，计算基本参数与突出结果之间的灰关联系数，并对灰关联系数进行排序，确定预测参数的权重值；
若检测权重值大于或者等于预设阈值时，则将权重值对应的预测参数作为突出预警指标。
在一种可选的实施例中，级别模块34，具体用于：
检测四个突出预警指标，获得突出预警指标对应的预警级别，其中预警级别包括等级级别依次增大的持续关注级别、提醒级别、发出预警级别或者采取响应级别；
若检测至少三个突出预警指标对应的预警级别为相同预警级别，则确定突出预警级别；
若检测两个突出预警指标对应的预警级别为第一预警级别，且检测到剩余的两个突出预警指标对应的预警级别为第二预警级别，则将第一预警级别、第二预警级别中预警级别中级别高的作为突出预警级别；
若检测两个突出预警指标对应的预警级别为第三预警级别，且检测剩余的两个突出预警指标对应的预警级别不相同，其中第一剩余突出预警指标对应的预警级别大于第三预警级别，第二剩余突出预警指标对应的预警级别小于第三预警级别；则确定突出预警级别为第三预警级别；
若检测两个突出预警指标对应的预警级别为第四预警级别，且检测剩余的两个突出预警指标对应的预警级别不相等、且均大于第四预警级别，则将剩余的两个突出预警指标对应的预警级别中级别高的作为突出预警级别；
若检测四个突出预警指标对应的预警级别均不相同，则对预警级别进行从大到小排序，将排在第二位的预警级别作为突出预警级别；
或者在预设时间内，至少一个突出预警指标对应的预警级别为响应级别，且连续报警次数大于等于预设次数时，则确定突出预警级别为响应级别。
本实施例的煤与瓦斯突出的预测装置，可以执行图1所示方法中的技术方案，其具体实现过程和技术原理参见图1所示方法中的相关描述，此处不再赘述。
图4为本发明实施例四提供的煤与瓦斯突出的预测系统的结构示意图，如图4所示，本实施例的煤与瓦斯突出的预测系统40可以包括：处理器41和存储器42。
存储器42，用于存储计算机程序(如实现上述煤与瓦斯突出的预测方法的应用程序、功能模块等)、计算机指令等；
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
处理器41，用于执行存储器42存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器41和存储器42可以是独立结构，也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时，存储器42、处理器41可以通过总线43耦合连接。
本实施例的服务器可以执行图1所示方法中的技术方案，其具体实现过程和技术原理参见图1所示方法中的相关描述，此处不再赘述。
此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。
其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (14)
1.一种煤与瓦斯突出的预测方法，其特征在于，包括：
获取型煤的至少一个基本参数、以及所述基本参数对应的数据值；
将所述基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及所述预测参数对应的突出结果；
按照灰色关联分析，根据所述预测参数、所述突出结果获得突出预警指标；
根据所述突出预警指标、以及所述突出预警指标对应的预警级别，获得突出预警级别。
2.根据权利要求1所述的方法，其特征在于，所述基本参数包括瓦斯膨胀能、放散初速度、裂化率、煤体强度。
3.根据权利要求1所述的方法，其特征在于，所述预测参数包括：地应力、瓦斯压力、瓦斯浓度、围岩应变、煤层温度、声发射、电磁辐射。
4.根据权利要求1所述的方法，其特征在于，所述预测突出模型用于根据预设传感器，采集多个预测参数以及所述预测参数对应的数据值，确定所述预测参数对应的突出结果。
5.根据权利要求1所述的方法，其特征在于，按照灰色关联分析，根据所述预测参数、所述突出结果获得突出预警指标，包括：
按照灰色关联分析，计算所述基本参数与所述突出结果之间的灰关联系数，并对所述灰关联系数进行排序，确定所述预测参数的权重值；
若检测所述权重值大于或者等于预设阈值时，则将所述权重值对应的预测参数作为所述突出预警指标。
6.根据权利要求1所述的方法，其特征在于，根据所述突出预警指标、以及所述突出预警指标对应的预警级别，获得突出预警级别，包括：
检测四个所述突出预警指标，获得所述突出预警指标对应的预警级别，其中预警级别包括等级级别依次增大的持续关注级别、提醒级别、发出预警级别或者采取响应级别；
若检测至少三个所述突出预警指标对应的预警级别为相同预警级别，则确定所述突出预警级别所述预警级别；
若检测两个所述突出预警指标对应的预警级别为第一预警级别，且检测到剩余的两个所述突出预警指标对应的预警级别为第二预警级别，则将所述第一预警级别、所述第二预警级别中预警级别中级别高的作为所述突出预警级别；
若检测两个所述突出预警指标对应的预警级别为第三预警级别，且检测剩余的两个所述突出预警指标对应的预警级别不相同，其中第一剩余所述突出预警指标对应的预警级别大于所述第三预警级别，第二剩余所述突出预警指标对应的预警级别小于所述第三预警级别；则确定所述突出预警级别为所述第三预警级别；
若检测两个所述突出预警指标对应的预警级别为第四预警级别，且检测剩余的两个所述突出预警指标对应的预警级别不相等、且均大于所述第四预警级别，则将剩余的两个所述突出预警指标对应的预警级别中级别高的作为所述突出预警级别突出预警指标；
若检测四个所述突出预警指标对应的预警级别均不相同，则对所述预警级别进行从大到小排序，将排在第二位的预警级别作为所述突出预警级别；
或者在预设时间内，至少一个所述突出预警指标对应的预警级别为响应级别，且连续报警次数大于等于预设次数时，则确定所述突出预警级别为所述响应级别。
7.一种煤与瓦斯突出的预测装置，其特征在于，包括：
获取模块，用于获取型煤的至少一个基本参数、以及所述基本参数对应的数据值；
确定模块，用于将所述基本参数对应的数据值输入预测突出模型，确定多个预测参数、以及所述预测参数对应的突出结果；
突出模块，用于按照灰色关联分析，根据所述预测参数、所述突出结果获得突出预警指标；
级别模块，用于根据所述突出预警指标、以及所述突出预警指标对应的预警级别，获得突出预警级别。
8.根据权利要求7所述的装置，其特征在于，所述基本参数包括瓦斯膨胀能、放散初速度、裂化率、煤体强度。
9.根据权利要求7所述的装置，其特征在于，所述预测参数包括：地应力、瓦斯压力、瓦斯浓度、围岩应变、煤层温度、声发射、电磁辐射。
10.根据权利要求7所述的装置，其特征在于，所述预测突出模型用于根据预设传感器，采集多个预测参数以及所述预测参数对应的数据值，确定所述预测参数对应的突出结果。
11.根据权利要求7所述的装置，其特征在于，所述突出模块，具体用于：
按照灰色关联分析，计算所述基本参数与所述突出结果之间的灰关联系数，并对所述灰关联系数进行排序，确定所述预测参数的权重值；
若检测所述权重值大于或者等于预设阈值时，则将所述权重值对应的预测参数作为所述突出预警指标。
12.根据权利要求7所述的装置，其特征在于，所述级别模块，具体用于：
检测四个所述突出预警指标，获得所述突出预警指标对应的预警级别，其中预警级别包括等级级别依次增大的持续关注级别、提醒级别、发出预警级别或者采取响应级别；
若检测至少三个所述突出预警指标对应的预警级别为相同预警级别，则确定所述突出预警级别所述预警级别；
若检测两个所述突出预警指标对应的预警级别为第一预警级别，且检测到剩余的两个所述突出预警指标对应的预警级别为第二预警级别，则将所述第一预警级别、所述第二预警级别中预警级别中级别高的作为所述突出预警级别；
若检测两个所述突出预警指标对应的预警级别为第三预警级别，且检测剩余的两个所述突出预警指标对应的预警级别不相同，其中第一剩余所述突出预警指标对应的预警级别大于所述第三预警级别，第二剩余所述突出预警指标对应的预警级别小于所述第三预警级别；则确定所述突出预警级别为所述第三预警级别；
若检测两个所述突出预警指标对应的预警级别为第四预警级别，且检测剩余的两个所述突出预警指标对应的预警级别不相等、且均大于所述第四预警级别，则将剩余的两个所述突出预警指标对应的预警级别中级别高的作为所述突出预警级别；
若检测四个所述突出预警指标对应的预警级别均不相同，则对所述预警级别进行从大到小排序，将排在第二位的预警级别作为所述突出预警级别；
或者在预设时间内，至少一个所述突出预警指标对应的预警级别为响应级别，且连续报警次数大于等于预设次数时，则确定所述突出预警级别为所述响应级别。
13.一种煤与瓦斯突出的预测系统，其特征在于，包括：存储器和处理器，存储器中存储有所述处理起的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行如权利要求1-6中任一项所述的煤与瓦斯的预测方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理执行实现如权利要求1-6中任一项所述的煤与瓦斯的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910534891.1A CN110397472B (zh) | 2019-06-20 | 2019-06-20 | 煤与瓦斯突出的预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910534891.1A CN110397472B (zh) | 2019-06-20 | 2019-06-20 | 煤与瓦斯突出的预测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110397472A true CN110397472A (zh) | 2019-11-01 |
| CN110397472B CN110397472B (zh) | 2021-01-26 |
Family
ID=68324213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910534891.1A Active CN110397472B (zh) | 2019-06-20 | 2019-06-20 | 煤与瓦斯突出的预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110397472B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110847913A (zh) * | 2019-11-15 | 2020-02-28 | 辽宁工程技术大学 | 一种具有突出危险煤层的巷道最佳掘进速度判定方法 |
| CN113958368A (zh) * | 2021-10-18 | 2022-01-21 | 淮南矿业(集团)有限责任公司 | 一种基于浓度增幅的瓦斯预警方法和系统 |
| CN115419466A (zh) * | 2022-07-27 | 2022-12-02 | 天地科技股份有限公司 | 工作面顶板初次来压预警方法、装置及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102354381A (zh) * | 2011-10-25 | 2012-02-15 | 阳泉市联宇星信息技术有限公司 | 煤矿瓦斯涌出量动态预测分析技术 |
| CN102926810A (zh) * | 2012-11-16 | 2013-02-13 | 天地（常州）自动化股份有限公司 | 煤与瓦斯突出的预测方法 |
| CN103244187A (zh) * | 2013-05-16 | 2013-08-14 | 安徽理工大学 | 煤与瓦斯突出孕育发展过程预警综合指标体系 |
| CN103485826A (zh) * | 2013-10-15 | 2014-01-01 | 中煤科工集团重庆研究院有限公司 | 煤与瓦斯突出事故报警方法 |
| CN104598738A (zh) * | 2015-01-26 | 2015-05-06 | 辽宁工程技术大学 | 一种上隅角瓦斯浓度预测方法 |
| CN105046373A (zh) * | 2015-08-21 | 2015-11-11 | 安徽理工大学 | 煤与瓦斯突出危险性的概率预测方法 |
| WO2017059153A1 (en) * | 2015-10-02 | 2017-04-06 | Schlumberger Technology Corporation | Detection of influx and loss of circulation |
| CN107305700A (zh) * | 2016-04-18 | 2017-10-31 | 安徽理工大学 | 判断煤与瓦斯是否会突出的方法 |
| CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
| CN108921359A (zh) * | 2018-07-26 | 2018-11-30 | 安徽大学 | 一种分布式瓦斯浓度预测方法及装置 |
-
2019
- 2019-06-20 CN CN201910534891.1A patent/CN110397472B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102354381A (zh) * | 2011-10-25 | 2012-02-15 | 阳泉市联宇星信息技术有限公司 | 煤矿瓦斯涌出量动态预测分析技术 |
| CN102926810A (zh) * | 2012-11-16 | 2013-02-13 | 天地（常州）自动化股份有限公司 | 煤与瓦斯突出的预测方法 |
| CN103244187A (zh) * | 2013-05-16 | 2013-08-14 | 安徽理工大学 | 煤与瓦斯突出孕育发展过程预警综合指标体系 |
| CN103485826A (zh) * | 2013-10-15 | 2014-01-01 | 中煤科工集团重庆研究院有限公司 | 煤与瓦斯突出事故报警方法 |
| CN104598738A (zh) * | 2015-01-26 | 2015-05-06 | 辽宁工程技术大学 | 一种上隅角瓦斯浓度预测方法 |
| CN105046373A (zh) * | 2015-08-21 | 2015-11-11 | 安徽理工大学 | 煤与瓦斯突出危险性的概率预测方法 |
| WO2017059153A1 (en) * | 2015-10-02 | 2017-04-06 | Schlumberger Technology Corporation | Detection of influx and loss of circulation |
| CN107305700A (zh) * | 2016-04-18 | 2017-10-31 | 安徽理工大学 | 判断煤与瓦斯是否会突出的方法 |
| CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
| CN108921359A (zh) * | 2018-07-26 | 2018-11-30 | 安徽大学 | 一种分布式瓦斯浓度预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 李守国: "基于BP神经网络灰色关联分析的煤与瓦斯突出危险性预测", 《现代矿业》 * |
| 董丁稳等: "基于监测数据关联分析的瓦斯浓度预警方法", 《工矿自动化》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110847913A (zh) * | 2019-11-15 | 2020-02-28 | 辽宁工程技术大学 | 一种具有突出危险煤层的巷道最佳掘进速度判定方法 |
| CN110847913B (zh) * | 2019-11-15 | 2021-10-08 | 辽宁工程技术大学 | 一种具有突出危险煤层的巷道最佳掘进速度判定方法 |
| CN113958368A (zh) * | 2021-10-18 | 2022-01-21 | 淮南矿业(集团)有限责任公司 | 一种基于浓度增幅的瓦斯预警方法和系统 |
| CN115419466A (zh) * | 2022-07-27 | 2022-12-02 | 天地科技股份有限公司 | 工作面顶板初次来压预警方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110397472B (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmadi et al. | Connectionist model predicts the porosity and permeability of petroleum reservoirs by means of petro-physical logs: application of artificial intelligence | |
| Wei et al. | A preliminary sub-basin scale evaluation framework of site suitability for onshore aquifer-based CO2 storage in China | |
| Castagna et al. | Relationships between compressional-wave and shear-wave velocities in clastic silicate rocks | |
| CN110397472A (zh) | 煤与瓦斯突出的预测方法、装置及系统 | |
| He et al. | Risk assessment of CO2 injection processes and storage in carboniferous formations: a review | |
| Lin et al. | Estimation of in-situ maximum horizontal principal stress magnitudes from borehole breakout data using machine learning | |
| Strugale et al. | Tectono‐stratigraphic evolution of the rift and post‐rift systems in the Northern Campos Basin, offshore Brazil | |
| Zhu et al. | Marine geohazards: Past, present, and future | |
| De Gennaro et al. | The role of geomechanics in the development of an HPHT field | |
| Tu et al. | Evolution Mechanism, Monitoring, and Early Warning Method of Water Inrush in Deep‐Buried Long Tunnel | |
| CN114002129B (zh) | 一种高水压裂隙岩体渗流试验平台 | |
| Lathrop et al. | Displacement/length scaling relationships for normal faults; a review, critique, and revised compilation | |
| Otchere et al. | Distributed acoustic sensing in subsurface applications–Review and potential integration with artificial intelligence for an intelligent CO2 storage monitoring system | |
| Asoodeh et al. | Fuzzy classifier based support vector regression framework for Poisson ratio determination | |
| Zhang et al. | Sealing capacity evaluation of underground gas storage under intricate geological conditions | |
| Xiong et al. | The behavior of hydrothermal mineralization with spatial variations of fluid pressure | |
| Boswell et al. | Virtual Special Issue of Recent Advances on Gas Hydrates Scientific Drilling in Alaska | |
| Uddin et al. | Seismic correlated Mallik 3D gas hydrate distribution: effect of geomechanics in non-homogeneous hydrate dissociation by depressurization | |
| Cowie et al. | Strain Localization within Fault Arrays over Timescales of 10^ 0–10^ 7 Years: Observations, Explanations, and Debates | |
| Jiang et al. | Probabilistic approach for risk assessment of offshore hydrate wellbore during test production | |
| Coblentz et al. | New approaches to an old problem: addressing spatial gaps in the World Stress Map | |
| Lv et al. | On the evaluation of coal strength alteration induced by CO2 injection using advanced black-box and white-box machine learning algorithms | |
| Frederick et al. | Forecasting marine sediment properties with geospatial machine learning | |
| Heffer et al. | Identification of Activated (Therefore Potentially Conductive) Faults and Fractures Through Statistical Correlations in Production and Injection Rates and Coupled Flow—Geomechanical Modelling | |
| Wang et al. | Characterization of natural fracture development in coal reservoirs using logging machine learning inversion, well test data and simulated geostress analyses |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 232033 building 6, wisdom Valley, high tech Zone, Huainan City, Anhui Province Patentee after: PINGAN COAL MINING EXPLOITATION ENGINEERING TECHNOLOGY INSTITUTE Co.,Ltd. Country or region after: China Patentee after: SHANDONG University Patentee after: NATIONAL ENGINEERING RESEARCH CENTER FOR GAS CONTROLLING OF PINGAN MINE Address before: 232033 building 6, wisdom Valley, Shannan New District, Huainan City, Anhui Province Patentee before: NATIONAL ENGINEERING RESEARCH CENTER FOR GAS CONTROLLING OF PINGAN MINE Country or region before: China Patentee before: SHANDONG University Patentee before: PINGAN COAL MINING EXPLOITATION ENGINEERING TECHNOLOGY INSTITUTE Co.,Ltd. |
|
| CP03 | Change of name, title or address |