CN113033954B - 一种煤与煤层气协调开发智能决策方法 - Google Patents
一种煤与煤层气协调开发智能决策方法 Download PDFInfo
- Publication number
- CN113033954B CN113033954B CN202110190571.6A CN202110190571A CN113033954B CN 113033954 B CN113033954 B CN 113033954B CN 202110190571 A CN202110190571 A CN 202110190571A CN 113033954 B CN113033954 B CN 113033954B
- Authority
- CN
- China
- Prior art keywords
- coal
- bed gas
- coal bed
- area
- development
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 640
- 238000011161 development Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 57
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 122
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005065 mining Methods 0.000 claims description 168
- 238000004519 manufacturing process Methods 0.000 claims description 159
- 238000000605 extraction Methods 0.000 claims description 141
- 230000008878 coupling Effects 0.000 claims description 67
- 238000010168 coupling process Methods 0.000 claims description 67
- 238000005859 coupling reaction Methods 0.000 claims description 67
- 230000009467 reduction Effects 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 238000005086 pumping Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000005641 tunneling Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 238000011158 quantitative evaluation Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 130
- 238000007477 logistic regression Methods 0.000 description 5
- 241000544061 Cuculus canorus Species 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 238000000658 coextraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000005765 wild carrot Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Computer Hardware Design (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
发明提供一种煤与煤层气协调开发智能决策方法。该方法根据评价结果构建预测模型,通过优化算法实现对协调开发过程精准优化,实现智能决策,并将整个决策过程封装成软件。该方法建立了量化评估模型,推进了规划工作由粗放型向精益化的转变,大大提高了煤与煤层气协调开发管理水平,显著提高了煤与煤层气协调开发效益。
Description
技术领域
本发明涉及矿山工程领域,特别涉及一种煤与煤层气协调开发智能决策方法。
背景技术
煤与煤层气同源共生,通过对其进行合理地开发利用,可成为宝贵的清洁能源。但我国大多数煤矿区煤层具有一定的突出危险性,给煤矿生产作业安全生产带来巨大的压力和挑战。因此,在我国煤炭开采过程中,如何安全高效地处理煤层中的煤层气是煤炭生产作业需解决的至关重要的问题,这也是由我国煤炭资源现状所决定的。如今,针对如何高效合理地开发利用煤层气资源的关键技术问题上,我国提出煤与煤层气协调开发理念。因此,煤与煤层气协调开发依然成为煤矿瓦斯灾害治理、煤层气资源利用和煤层气产业发展的必然需要。
目前,我国煤与煤层气协调开发研究在技术层面已形成晋城、两淮和松藻模式,但在煤与煤层气协调开发模式的评价与优化上尚未完善。目前对煤与煤层气协调模式研究主要在经验层面,理论相对落后,缺乏系统性与科学性的指导。
因此,亟需开发一种煤与煤层气协调开发智能决策方法,从而实现对煤与煤层气开发过程的精准优化和智能决策。
发明内容
本发明的目的是提供一种煤与煤层气协调开发智能决策方法,以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种煤与煤层气协调开发智能决策方法,包括以下步骤:
1)建立煤与煤层气协调开发评价指标体系。其中,所述煤与煤层气协调开发评价指标体系包括煤炭开采评价指标组A1和煤层气抽采评价指标组A2。
所述煤炭开采评价指标组A1内包括煤炭开采开拓区评价指标B1和煤炭开采生产区评价指标B22个二级指标。所述煤炭开采开拓区评价指标B1下设煤炭开采开拓区资源因素C11、煤炭开采开拓区技术因素C12、煤炭开采开拓区安全因素C13和煤炭开采开拓区经济因素C144个三级指标。所述煤炭开采开拓区资源因素C11包括开拓区开采煤量D111、单位时间内开拓区掘进量D112和开拓区煤炭开采时长与煤层气抽采时长比值D1133个四级指标。所述煤炭开采开拓区技术因素C12包括掘进巷道总长度D121、掘进工艺D122和掘进速度D1233个四级指标。所述煤炭开采开拓区安全因素C13包括开拓区生产时长比例D131和掘进工作面煤层气浓度D1322个四级指标。所述煤炭开采开拓区经济因素C14包括开拓区生产时长D141、开拓区开采煤量D111和开拓区采煤资金投入D1433个四级指标。所述煤炭开采生产区评价指标B2下设煤炭开采生产区资源因素C21、煤炭开采生产区技术因素C22、煤炭开采生产区安全因素C23和煤炭开采生产区经济因素C244个三级指标。所述煤炭开采生产区资源因素C21包括生产区煤炭开采量D211、工作面煤炭开采率D212和单位时间内生产区煤炭开采量D2133个四级指标。所述煤炭开采生产区技术因素C22包括采煤工艺D221、工作面煤炭开采率D212和单位时间内生产区煤炭开采量D2133个四级指标。所述煤炭开采生产区安全因素C23包括回采工作面煤层气浓度D231、生产区煤炭开采时长D232与煤层气抽采时长的比值和生产区生产时长比例D2333个四级指标。所述煤炭开采生产区经济因素C24包括生产区采煤资金投入D241、生产区时长D242和生产区煤炭开采量D2113个四级指标。
所述矿上煤层气抽采评价指标组A2内包括煤层气抽采规划区评价指标B3、煤层气抽采开拓区评价指标B4和煤层气抽采生产区评价指标B53个二级指标。所述煤层气抽采规划区评价指标B3下设煤层气抽采规划区资源因素C31、煤层气抽采规划区技术因素C32、煤层气抽采规划区安全因素C33和煤层气抽采规划区经济因素C344个三级指标。所述煤层气抽采规划区资源因素C31包括地面井抽采煤层气量D311和单位时间内抽采煤层气量D3122个四级指标。所述煤层气抽采规划区技术因素C32包括地面井搭建时长D321和地面井抽采煤层气量D3112个四级指标。所述煤层气抽采规划区安全因素C33包括规划区煤层气降低率D331和规划区生产所用时长比例D3322个四级指标。所述煤层气抽采规划区经济因素C34包括地面井搭建耗费金额D341、地面井抽采煤层气量D311和地面井抽采时长D3423个四级指标。所述煤层气抽采开拓区评价指标B4下设煤层气抽采开拓区资源因素C41、煤层气抽采开拓区技术因素C42、煤层气抽采开拓区安全因素C43和煤层气抽采开拓区经济因素C444个三级指标。所述煤层气抽采开拓区资源因素C41包括开拓区单位时间抽采煤层气量D411、开拓区抽采煤层气量D412和开拓区煤炭开采时长与煤层气抽采时长比值D1133个四级指标。所述煤层气抽采开拓区技术因素C42包括开拓区抽采煤层气量D412和开拓区井上下联合模式搭建时长D4212个四级指标。所述煤层气抽采开拓区安全因素C43包括开拓区生产时长比例D131和开拓区煤层气降低率D4312个四级指标。所述煤层气抽采开拓区经济因素C44包括开拓区抽采煤层气量D412、开拓区抽采煤层气设备资金投入D441和开拓区生产时长D1413个四级指标。所述煤层气抽采生产区评价指标B5下设煤层气抽采生产区资源因素C51、煤层气抽采生产区技术因素C52、煤层气抽采生产区安全因素C53和煤层气抽采生产区经济因素C544个三级指标。所述煤层气抽采生产区资源因素C51包括生产区单位时间抽采煤层气量D511、生产区抽采煤层气量D512和生产区煤炭开采时长与煤层气抽采时长的比值D2323个四级指标。所述煤层气抽采生产区技术因素C52包括生产区井上下联合模式搭建时长D521和生产区抽采煤层气量D5122个四级指标。所述煤层气抽采生产区安全因素C53包括生产区生产所用时长比例D531和生产区煤层气降低率D5322个四级指标。所述煤层气抽采生产区经济因素C54包括生产区煤层气抽采设备资金投入D541、生产区抽采煤层气量D512和生产区时长D2423个四级指标。
2)收集矿井煤炭开采评价指标参数值和矿井煤层气抽采评价指标参数。
3)将煤与煤层气协调开发评价指标体系各级指标作为节点构建煤与煤层气协调开发贝叶斯网络。所述煤与煤层气协调开发贝叶斯网络包括煤炭开采贝叶斯网络和煤层气抽采贝叶斯网络。将步骤2)和步骤3)中获取的煤炭开采评价指标参数与煤层气抽采评价指标参数带入煤炭开采贝叶斯网络和煤层气抽采贝叶斯网络中,得到煤炭开采效率值Y1与煤层气抽采效率值Y2。
4)将煤炭开采效率值与煤层气抽采效率值代入耦合协调度模型中,得到煤与煤层气协调开发耦合协调度D,并根据耦合协调度等级表对煤与煤层气耦合协调度D进行评价。
5)对矿上煤与煤层气协调开发过程进行模拟,得到煤与煤层气协调开发数值模型。并验证所构建数值模型的真实性。
6)采用单一变量法,改变煤与煤层气协调开发过程中的评价指标参数值,通过数值模拟得到模拟后其他评价指标参数值。并计算改变参数后煤与煤层气协调开发耦合协调度。将每一次改变后的指标参数、经过数值模拟后得到的指标参数和耦合协调度作为一组数据。
7)通过回归预测模型对步骤6)得到的多组数据进行训练,得到煤与煤层气协调开发预测模型,并对得到的预测模型进行测试,验证预测模型的可行性。
8)将煤与煤层气协调开发预测模型作为目标函数,通过优化算法寻找耦合协调度模型的全局最优值X=(x1,x2)T,从而得到耦合协调度最大值Dmax。
9)将评价指标参数最优值与所研究煤矿煤与煤层气协调开发过程的评价指标进行比对,提出优化方法。
进一步,步骤4)中,利用贝叶斯网络搭建煤炭开采体系评价网络,代入煤炭开采体系的评价参数,获得煤炭开采体系参数评价权重λ1及煤炭开采体系效率值Y1。
Y1=λ1x1+b1 (1)
式中,x1为煤炭开采体系各参数向量化合集。b1为煤炭开采系统贝叶斯网络评价所得函数调整值。
利用贝叶斯网络搭建煤层气抽采体系评价网络,代入煤层气抽采体系的评价参数,获得煤炭开采体系参数评价权重λ2及煤炭开采体系效率值Y2。
Y2=λ2x2+b2 (2)
式中,x2为煤层气抽采体系各参数向量化合集。b2为煤层气系统贝叶斯网络评价所得函数调整值。
进一步,步骤5)中,煤与煤层气耦合协调度D的计算公式如式(3)所示。
式中,D为耦合协调度。C为耦合度。T为协调度。
式中,Y1为煤炭开采效率。Y2为煤层气抽采效率。
T=αY1+βY2 (5)
α=Y1/(Y1+Y2) (6)
β=Y2/(Y1+Y2) (7)
式中,α为煤炭开采系统影响权重,β为煤层气抽采系统影响权重。
进一步,步骤6)中,通过数值模拟方式构建煤与煤层气协调开发数值模型。
进一步,步骤9)之前还具有结合特定矿井作业条件,对步骤8)得到的煤与煤层气协调开发预测模型进行修正的相关步骤。
本发明还提供一种计算机可读存储介质,存储有用于实现上述任意一种煤与煤层气协调开发智能决策方法的计算机程序。
本发明还提供一种计算机程序,存储于计算机可读存储介质中。被处理器执行时实现上述任意一种煤与煤层气协调开发智能决策方法。
本发明还提供一种煤与煤层气协调开发智能决策系统,包括用于接收特定矿井协调评价指标参数的智能终端机。所述智能终端机存储有用于实现上述任意一种煤与煤层气协调开发智能决策方法的计算机程序,且具备显示屏。
本发明的技术效果是毋庸置疑的:
A.可对煤与煤层气协调开发模式进行评价,根据评价结果构建预测模型,通过优化算法实现对协调开发过程精准优化,实现智能决策,提高煤与煤层气协调开发效益;
B.设计思路清晰明了,模型直观易于理解,计算过程可以通过软件实现,操作方便;
C.建立了量化评估模型,推进了规划工作由粗放型向精益化的转变,大大提高了煤与煤层气协调开发管理水平。
附图说明
图1为煤与煤层气协调开发智能决策技术路线;
图2为煤炭开采贝叶斯网络示意图;
图3为煤层气抽采贝叶斯网络示意图;
图4为莱维飞行示意图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1,本实施例提供一种煤与煤层气协调开发智能决策方法,包括以下步骤:
1)建立煤与煤层气协调开发评价指标体系。煤与煤层气协调开发可以视为煤炭开采子系统与煤层气抽采子系统两系统相互耦合协调构成的总系统。因此,煤与煤层气协调开发评价指标体系可以视为煤炭开采评价指标体系与煤层气抽采评价指标体系共同组成。煤炭开采评价指标体系从时间及空间角度考虑可以划分为开拓区与生产区。煤层气抽采评价指标体系从时间及空间角度出发,可以划分为规划区、开拓区与生产区。各区分别从经济、资源、安全与技术四个角度建立相应评价指标。
所述煤与煤层气协调开发评价指标体系包括煤炭开采评价指标组A1和煤层气抽采评价指标组A2。
所述煤炭开采评价指标组A1内包括煤炭开采开拓区评价指标B1和煤炭开采生产区评价指标B22个二级指标。所述煤炭开采开拓区评价指标B1下设煤炭开采开拓区资源因素C11、煤炭开采开拓区技术因素C12、煤炭开采开拓区安全因素C13和煤炭开采开拓区经济因素C144个三级指标。所述煤炭开采开拓区资源因素C11包括开拓区开采煤量D111、单位时间内开拓区掘进量D112和开拓区煤炭开采时长与煤层气抽采时长比值D1133个四级指标。所述煤炭开采开拓区技术因素C12包括掘进巷道总长度D121、掘进工艺D122和掘进速度D1233个四级指标。所述煤炭开采开拓区安全因素C13包括开拓区生产时长比例D131和掘进工作面煤层气浓度D1322个四级指标。所述煤炭开采开拓区经济因素C14包括开拓区生产时长D141、开拓区开采煤量D111和开拓区采煤资金投入D1433个四级指标。所述煤炭开采生产区评价指标B2下设煤炭开采生产区资源因素C21、煤炭开采生产区技术因素C22、煤炭开采生产区安全因素C23和煤炭开采生产区经济因素C244个三级指标。所述煤炭开采生产区资源因素C21包括生产区煤炭开采量D211、工作面煤炭开采率D212和单位时间内生产区煤炭开采量D2133个四级指标。所述煤炭开采生产区技术因素C22包括采煤工艺D221、工作面煤炭开采率D212和单位时间内生产区煤炭开采量D2133个四级指标。所述煤炭开采生产区安全因素C23包括回采工作面煤层气浓度D231、生产区煤炭开采时长D232与煤层气抽采时长的比值和生产区生产时长比例D2333个四级指标。所述煤炭开采生产区经济因素C24包括生产区采煤资金投入D241、生产区时长D242和生产区煤炭开采量D2113个四级指标。
所述矿上煤层气抽采评价指标组A2内包括煤层气抽采规划区评价指标B3、煤层气抽采开拓区评价指标B4和煤层气抽采生产区评价指标B53个二级指标。所述煤层气抽采规划区评价指标B3下设煤层气抽采规划区资源因素C31、煤层气抽采规划区技术因素C32、煤层气抽采规划区安全因素C33和煤层气抽采规划区经济因素C344个三级指标。所述煤层气抽采规划区资源因素C31包括地面井抽采煤层气量D311和单位时间内抽采煤层气量D3122个四级指标。所述煤层气抽采规划区技术因素C32包括地面井搭建时长D321和地面井抽采煤层气量D3112个四级指标。所述煤层气抽采规划区安全因素C33包括规划区煤层气降低率D331和规划区生产所用时长比例D3322个四级指标。所述煤层气抽采规划区经济因素C34包括地面井搭建耗费金额D341、地面井抽采煤层气量D311和地面井抽采时长D3423个四级指标。所述煤层气抽采开拓区评价指标B4下设煤层气抽采开拓区资源因素C41、煤层气抽采开拓区技术因素C42、煤层气抽采开拓区安全因素C43和煤层气抽采开拓区经济因素C444个三级指标。所述煤层气抽采开拓区资源因素C41包括开拓区单位时间抽采煤层气量D411、开拓区抽采煤层气量D412和开拓区煤炭开采时长与煤层气抽采时长比值D1133个四级指标。所述煤层气抽采开拓区技术因素C42包括开拓区抽采煤层气量D412和开拓区井上下联合模式搭建时长D4212个四级指标。所述煤层气抽采开拓区安全因素C43包括开拓区生产时长比例D131和开拓区煤层气降低率D4312个四级指标。所述煤层气抽采开拓区经济因素C44包括开拓区抽采煤层气量D412、开拓区抽采煤层气设备资金投入D441和开拓区生产时长D1413个四级指标。所述煤层气抽采生产区评价指标B5下设煤层气抽采生产区资源因素C51、煤层气抽采生产区技术因素C52、煤层气抽采生产区安全因素C53和煤层气抽采生产区经济因素C544个三级指标。所述煤层气抽采生产区资源因素C51包括生产区单位时间抽采煤层气量D511、生产区抽采煤层气量D512和生产区煤炭开采时长与煤层气抽采时长的比值D2323个四级指标。所述煤层气抽采生产区技术因素C52包括生产区井上下联合模式搭建时长D521和生产区抽采煤层气量D5122个四级指标。所述煤层气抽采生产区安全因素C53包括生产区生产所用时长比例D531和生产区煤层气降低率D5322个四级指标。所述煤层气抽采生产区经济因素C54包括生产区煤层气抽采设备资金投入D541、生产区抽采煤层气量D512和生产区时长D2423个四级指标。
值得说明的是,单位时间内开拓区掘进量D112受开拓区开采煤量D111、开拓区生产时长D141指标影响。所述开拓区生产时长比例D131受开拓区生产时长D141指标影响。所述掘进工作面煤层气浓度D132受开拓区煤层气降低率D331和规划区煤层气降低率D531指标影响。工作面煤炭开采率D212受生产区煤炭开采量D21指标影响。所述单位时间内生产区煤炭开采量D213受生产区煤炭开采量D211、生产区时长D242指标影响。所述回采工作面煤层气浓度D231受开拓区煤层气降低率D331、指标影响。所述生产区生产时长比例D233受生产区时长C242指标影响。单位时间内抽采煤层气量D312受地面井抽采煤层气量D311和地面井抽采时长D342指标影响。所述规划区煤层气降低率D331受地面井抽采煤层气量C311指标影响。所述规划区生产所用时长比例D332受地面井抽采时长C342指标影响。开拓区单位时间抽采煤层气量D411受开拓区抽采煤层气量D412和开拓区生产时长D141指标影响。所述开拓区生产时长比例D131受开拓区生产时长D141指标影响。所述开拓区煤层气降低率D431受开拓区抽采煤层气量D412指标影响。生产区单位时间抽采煤层气量D511受生产区抽采煤层气量D512和生产区时长D242指标影响。所述生产区生产所用时长比例D531受生产区时长D242指标影响。所述生产区煤层气降低率D532受回采工作面煤层气浓度D231指标影响。
2)收集矿井煤炭开采评价指标参数值。
3)收集矿井煤层气抽采评价指标参数。
4)将煤与煤层气协调开发评价指标体系各级指标作为节点构建煤与煤层气协调开发贝叶斯网络。所述煤与煤层气协调开发贝叶斯网络包括煤炭开采贝叶斯网络和煤层气抽采贝叶斯网络。
参见图2,煤炭开采贝叶斯网络将煤炭开采开拓区评价指标和煤炭开采生产区评价指标作为贝叶斯网络的根节点,将对应的各项具体评价指标作为贝叶斯网络子节点,得到对应的贝叶斯网络结构。
参见图3,煤层气抽采贝叶斯网络将煤层气抽采规划区评价指标、煤层气抽采开拓区评价指标和煤层气抽采生产区评价指标作为贝叶斯网络的根节点,将对应的各项具体评价指标作为贝叶斯网络子节点,得到对应的贝叶斯网络结构。
将步骤2)和步骤3)中获取的煤炭开采评价指标参数与煤层气抽采评价指标参数带入煤炭开采贝叶斯网络和煤层气抽采贝叶斯网络中,得到煤炭开采效率值Y1与煤层气抽采效率值Y2。
利用贝叶斯网络搭建煤炭开采体系评价网络,代入煤炭开采体系的评价参数,获得煤炭开采体系参数评价权重λ1及煤炭开采体系效率值Y1。
Y1=λ1x1+b1 (1)
式中,x1为煤炭开采体系各参数向量化合集。b1为煤炭开采系统贝叶斯网络评价所得函数调整值。
利用贝叶斯网络搭建煤层气抽采体系评价网络,代入煤层气抽采体系的评价参数,获得煤炭开采体系参数评价权重λ2及煤炭开采体系效率值Y2。
Y2=λ2x2+b2 (2)
式中,x2为煤层气抽采体系各参数向量化合集。b2为煤层气系统贝叶斯网络评价所得函数调整值。
5)将煤炭开采效率值与煤层气抽采效率值代入耦合协调度模型中,得到煤与煤层气协调开发耦合协调度D,并根据耦合协调度等级表对煤与煤层气耦合协调度D进行评价。
煤与煤层气耦合协调度D的计算公式如式(3)所示。
式中,D为耦合协调度。C为耦合度。T为协调度。
式中,Y1为煤炭开采效率。Y2为煤层气抽采效率。
T=αY1+βY2 (5)
α=Y1/(Y1+Y2) (6)
β=Y2/(Y1+Y2) (7)
式中,α为煤炭开采系统影响权重,β为煤层气抽采系统影响权重。
6)对矿上煤与煤层气协调开发过程进行模拟,得到煤与煤层气协调开发数值模型。并验证所构建数值模型的真实性。
7)采用单一变量法,改变煤与煤层气协调开发过程中的评价指标参数值,通过数值模拟得到模拟后其他评价指标参数值。并计算改变参数后煤与煤层气协调开发耦合协调度。将每一次改变后的指标参数、经过数值模拟后得到的指标参数和耦合协调度作为一组数据。
8)通过回归预测模型对步骤7)得到的多组数据分为训练数据与测试数据,将训练数据进行训练,得到煤与煤层气协调开发预测模型,即煤与煤层气耦合协调开发普适规律模型。
数值模拟得到的多组数据利用回归算法进行数据训练与测试。所述回归预测算法包括但不限于逻辑斯蒂回归预测算法,逻辑斯蒂回归预测算法具有形式简单、模型可解释性高、训练速度快、资源占用小和方便输出结果等特点。
将耦合协调度作为预测结果,根据所得训练数据集搭建基于逻辑斯蒂回归预测模型,代入测试数据集进行训练提高模型预测精度。
h(X|wk)=wk0+wk1x1+wk2x1+…+wknxn (9)
式中,X为预测模型参数矩阵。k为耦合协调度的分类级数,取0、1、2、3,0为不耦合协调、1为初级耦合协调、2为中级耦合协调、3为高级耦合协调。wk为各参数的权重。
采用逻辑斯蒂回归预测模型得到煤与煤层气协调开发耦合协调度预测模型。
Y3=λ3x3+b3 (10)
式中,Y3为所得煤与煤层气共采预测耦合协调度。λ3为预测模型修正参数权重,x3为所得新数据集各参数所构成的向量集,b3为预测模型预测函数调整值。
将测试数据代入上述得到的协调开发耦合协调度预测模型中,若模型计算得到的耦合协调度值与测试数据中的耦合协调度在误差允许的范围内,则说明上述方式所得到的耦合协调度预测模型精度符合要求。若模型计算得到的耦合协调度值与测试数据中的耦合协调度误差较大,则需要对回归预测模型进行修正并重复上述训练过程,或者选用其他回归预测算法进行训练。
9)结合特定矿井作业条件,对步骤8)得到的煤与煤层气协调开发预测模型进行修正。将煤与煤层气协调开发预测模型作为目标函数,通过布优化算法寻找耦合协调度模型的全局最优值X=(x1,x2)T,从而得到耦合协调度最大值Dmax。
10)将评价指标参数最优值与所研究煤矿煤与煤层气协调开发过程的评价指标进行比对,明确优化方向,实现精准优化,并针对性提出优化方法,实现智能决策。
实施例2:
本实施例主要步骤同实施例1,其中,步骤5)中,煤与煤层气协调开发耦合协调度与耦合协调度等级划分表进行比对。耦合协调度等级划分表如表1所示。由于计算得到的Yi值在0~1之间,因此,所得到的耦合协调度值也在0~1之间。当D=0时,耦合协调度极小,系统之间或系统内部之间处于无关不协调的状态,系统将向无序的方向发展。当D=1时,耦合协调度最大,两系统之间相互配合,协调发展,处于最理想状态。因此,采用中值分段法对耦合协调度进行等级划分。
表1
耦合协调度 | 等级 |
0≤D<0.3 | 不耦合协调 |
0.3≤D<0.5 | 初级耦合协调 |
0.5≤D<0.80 | 中级耦合协调 |
0.80≤D | 高级耦合协调 |
实施例3:
本实施例主要步骤同实施例1,其中,本实施例通过Fluent数值模拟方式构建煤与煤层气协调开发数值模型。
根据矿井煤与煤层气协调开发现场实际作业情况,获取煤与煤层气协调开发体系评价指标参数,并计算得到矿井煤与煤层气协调开发耦合协调度。
用Fluent软件对矿井煤与煤层气协调开发过程进行模拟,得到煤与煤层气协调开发数值模型,并得到煤与煤层气耦合协调开发评价指标参数以及数值模拟下煤与煤层气协调开发耦合协调度。将数值模拟得到的评价指标参数值和耦合协调度与矿井得到的评价指标参数值和耦合协调度值进行比较,当数值模型所得到的参数值在误差允许的范围内,则说明所构建数值模型具有一定的可信性。
实施例4:
本实施例主要步骤同实施例1,其中,通过布谷鸟算法(cuckoo searchalgorithm)寻找耦合协调度模型的全局最优值X=(x1,x2)T,从而得到耦合协调度最大值Dmax。步骤9)中,优化算法构建主要有以下步骤:
a)确定布谷鸟寻优搜索的位置和路径的更新公式:
参见图4,L(λ)为Lévy随机搜索路径,随机步长为Lévy分布。
L(s,λ)s-λ,(1<λ≤3) (12)
式中,s为由莱维飞行得到的随机步长。
b)定义目标函数f(X)=D,X=(x1,x2)T,x1为煤炭开采体系各参数向量化合集,x2为煤层气抽采体系参数向量化合集,D为煤层气耦合协调度,并初始化生成n个鸟窝的位置。
c)根据煤炭开采体系和煤层气抽采体系各参数X设置群规模、问题维数、最大发现概率P和最大迭代次数等参数。
d)选择适应度函数:
Y3=λ3x3+b3 (13)
式中,Y3为回归预测算法所得煤与煤层气共采预测耦合协调度;λ3为回归预测算法预测模型修正参数权重,x3为所得新数据集各参数所构成的向量集,b3为回归预测算法预测模型预测函数调整值。
针对不同煤矿其适应性函数有所不同,不同煤矿煤与煤层气协调开发过程中,由于受现场施工实际与地质条件等影响,部分评价指标参数为定值,不能作为优化变量。因此,不同的煤矿会有不同适应度函数。
并计算每个鸟窝位置的目标函数值,得到当前的最优函数值。
e)记录上一代最优函数值,对其他鸟窝的位置和状态进行更新,并对现有位置函数值与上一代最优函数值进行比较,若较好,则改变当前最优值。
f)通过位置更新后,用随机数r∈[0,1]与P对比,若r>P,则对xt+1进行随机改变,反之则不变。最后保留最好的一组鸟窝位置xt+1设置为yt+1。
g)若未达到最大迭代次数或最小误差要求,则返回步骤2.4),否则,输出所研究煤矿煤与煤层气协调开发最优值X=(x1,x2)T,此时f(X)=Dmax。
布谷鸟算法具有操作简单、易实现、随机搜索路径优和寻优能力强等特点。
实施例5:
本实施例主要步骤同实施例1,其中,步骤10)之后,还具有将步骤1)~步骤10)所述过程进行封装,形成煤与煤层气协调开发智能决策软件的相关步骤。根据所研究煤矿煤与煤层气协调开发实际作业情况,将协调评价指标参数输入软件内,并依据煤矿作业情况与地质条件,勾选优化变量与无法改变的常量。优化后得到所研究煤矿煤与煤层气协调开发所能实现耦合协调度最大值,并针对输入的耦合协调度指标值得到优化方向,提出优化建议。
实施例6:
本实施例提供一种计算机可读存储介质,存储有用于实现实施例1~4中任意一种煤与煤层气协调开发智能决策方法的计算机程序。
实施例7:
本实施例提供一种计算机程序,存储于计算机可读存储介质中。被处理器执行时实现实施例1~4中任意一种煤与煤层气协调开发智能决策方法。
实施例8:
本实施例提供一种煤与煤层气协调开发智能决策系统,包括用于接收特定矿井协调评价指标参数的智能终端机。所述智能终端机存储有用于实现实施例1~4中任意一种煤与煤层气协调开发智能决策方法的计算机程序,且具备显示屏。矿上评价指标参数输入智能终端机,便可得到该矿煤与煤层气协调开发所能达到耦合协调度最大值与针对矿上煤与煤层气作业情况提出针对性的优化建议。优化建议输出至显示屏上显示。
Claims (7)
1.一种煤与煤层气协调开发智能决策方法,其特征在于,包括以下步骤:
1)建立煤与煤层气协调开发评价指标体系;其中,所述煤与煤层气协调开发评价指标体系包括煤炭开采评价指标组A1和煤层气抽采评价指标组A2;
所述煤炭开采评价指标组A1内包括煤炭开采开拓区评价指标B1和煤炭开采生产区评价指标B22个二级指标;所述煤炭开采开拓区评价指标B1下设煤炭开采开拓区资源因素C11、煤炭开采开拓区技术因素C12、煤炭开采开拓区安全因素C13和煤炭开采开拓区经济因素C144个三级指标;所述煤炭开采开拓区资源因素C11包括开拓区开采煤量D111、单位时间内开拓区掘进量D112和开拓区煤炭开采时长与煤层气抽采时长比值D1133个四级指标;所述煤炭开采开拓区技术因素C12包括掘进巷道总长度D121、掘进工艺D122和掘进速度D1233个四级指标;所述煤炭开采开拓区安全因素C13包括开拓区生产时长比例D131和掘进工作面煤层气浓度D1322个四级指标;所述煤炭开采开拓区经济因素C14包括开拓区生产时长D141、开拓区开采煤量D111和开拓区采煤资金投入D1433个四级指标;所述煤炭开采生产区评价指标B2下设煤炭开采生产区资源因素C21、煤炭开采生产区技术因素C22、煤炭开采生产区安全因素C23和煤炭开采生产区经济因素C244个三级指标;所述煤炭开采生产区资源因素C21包括生产区煤炭开采量D211、工作面煤炭开采率D212和单位时间内生产区煤炭开采量D2133个四级指标;所述煤炭开采生产区技术因素C22包括采煤工艺D221、工作面煤炭开采率D212和单位时间内生产区煤炭开采量D2133个四级指标;所述煤炭开采生产区安全因素C23包括回采工作面煤层气浓度D231、生产区煤炭开采时长D232与煤层气抽采时长的比值和生产区生产时长比例D2333个四级指标;所述煤炭开采生产区经济因素C24包括生产区采煤资金投入D241、生产区时长D242和生产区煤炭开采量D2113个四级指标;
所述煤层气抽采评价指标组A2内包括煤层气抽采规划区评价指标B3、煤层气抽采开拓区评价指标B4和煤层气抽采生产区评价指标B53个二级指标;所述煤层气抽采规划区评价指标B3下设煤层气抽采规划区资源因素C31、煤层气抽采规划区技术因素C32、煤层气抽采规划区安全因素C33和煤层气抽采规划区经济因素C344个三级指标;所述煤层气抽采规划区资源因素C31包括地面井抽采煤层气量D311和单位时间内抽采煤层气量D3122个四级指标;所述煤层气抽采规划区技术因素C32包括地面井搭建时长D321和地面井抽采煤层气量D3112个四级指标;所述煤层气抽采规划区安全因素C33包括规划区煤层气降低率D331和规划区生产所用时长比例D3322个四级指标;所述煤层气抽采规划区经济因素C34包括地面井搭建耗费金额D341、地面井抽采煤层气量D311和地面井抽采时长D3423个四级指标;所述煤层气抽采开拓区评价指标B4下设煤层气抽采开拓区资源因素C41、煤层气抽采开拓区技术因素C42、煤层气抽采开拓区安全因素C43和煤层气抽采开拓区经济因素C444个三级指标;所述煤层气抽采开拓区资源因素C41包括开拓区单位时间抽采煤层气量D411、开拓区抽采煤层气量D412和开拓区煤炭开采时长与煤层气抽采时长比值D1133个四级指标;所述煤层气抽采开拓区技术因素C42包括开拓区抽采煤层气量D412和开拓区井上下联合模式搭建时长D4212个四级指标;所述煤层气抽采开拓区安全因素C43包括开拓区生产时长比例D131和开拓区煤层气降低率D4312个四级指标;所述煤层气抽采开拓区经济因素C44包括开拓区抽采煤层气量D412、开拓区抽采煤层气设备资金投入D441和开拓区生产时长D1413个四级指标;所述煤层气抽采生产区评价指标B5下设煤层气抽采生产区资源因素C51、煤层气抽采生产区技术因素C52、煤层气抽采生产区安全因素C53和煤层气抽采生产区经济因素C544个三级指标;所述煤层气抽采生产区资源因素C51包括生产区单位时间抽采煤层气量D511、生产区抽采煤层气量D512和生产区煤炭开采时长与煤层气抽采时长的比值D2323个四级指标;所述煤层气抽采生产区技术因素C52包括生产区井上下联合模式搭建时长D521和生产区抽采煤层气量D5122个四级指标;所述煤层气抽采生产区安全因素C53包括生产区生产所用时长比例D531和生产区煤层气降低率D5322个四级指标;所述煤层气抽采生产区经济因素C54包括生产区煤层气抽采设备资金投入D541、生产区抽采煤层气量D512和生产区时长D2423个四级指标;
2)收集矿井煤炭开采评价指标参数值和矿井煤层气抽采评价指标参数;
3)将煤与煤层气协调开发评价指标体系各级指标作为节点构建煤与煤层气协调开发贝叶斯网络;所述煤与煤层气协调开发贝叶斯网络包括煤炭开采贝叶斯网络和煤层气抽采贝叶斯网络;将步骤2)和步骤3)中获取的煤炭开采评价指标参数与煤层气抽采评价指标参数带入煤炭开采贝叶斯网络和煤层气抽采贝叶斯网络中,得到煤炭开采效率值Y1与煤层气抽采效率值Y2;
4)将煤炭开采效率值与煤层气抽采效率值代入耦合协调度模型中,得到煤与煤层气协调开发耦合协调度D,并根据耦合协调度等级表对煤与煤层气耦合协调度D进行评价;
5)对矿上煤与煤层气协调开发过程进行模拟,得到煤与煤层气协调开发数值模型;并验证所构建数值模型的真实性;
6)采用单一变量法,改变煤与煤层气协调开发过程中的评价指标参数值,通过数值模拟得到模拟后其他评价指标参数值;并计算改变参数后煤与煤层气协调开发耦合协调度;将每一次改变后的指标参数、经过数值模拟后得到的指标参数和耦合协调度作为一组数据;
7)通过回归预测模型对步骤6)得到的多组数据进行训练,得到煤与煤层气协调开发预测模型,并对得到的预测模型进行测试,验证预测模型的可行性;
8)将煤与煤层气协调开发预测模型作为目标函数,通过优化算法寻找耦合协调度模型的全局最优值X=(x1,x2)T,从而得到耦合协调度最大值Dmax;
9)将评价指标参数最优值与所研究煤矿煤与煤层气协调开发过程的评价指标进行比对,提出优化方法。
2.根据权利要求1所述的一种煤与煤层气协调开发智能决策方法,其特征在于:步骤3)中,利用贝叶斯网络搭建煤炭开采体系评价网络,代入煤炭开采体系的评价参数,获得煤炭开采体系参数评价权重λ1及煤炭开采体系效率值Y1;
Y1=λ1x1+b1 (1)
式中,x1为煤炭开采体系各参数向量化合集;b1为煤炭开采系统贝叶斯网络评价所得函数调整值;
利用贝叶斯网络搭建煤层气抽采体系评价网络,代入煤层气抽采体系的评价参数,获得煤炭开采体系参数评价权重λ2及煤炭开采体系效率值Y2;
Y2=λ2x2+b2 (2)
式中,x2为煤层气抽采体系各参数向量化合集;b2为煤层气系统贝叶斯网络评价所得函数调整值。
4.根据权利要求1所述的一种煤与煤层气协调开发智能决策方法,其特征在于:步骤5)中,通过数值模拟方式构建煤与煤层气协调开发数值模型。
5.根据权利要求1所述的一种煤与煤层气协调开发智能决策方法,其特征在于:步骤8)之前还具有结合特定矿井作业条件,对步骤7)得到的煤与煤层气协调开发预测模型进行修正的相关步骤。
6.一种计算机可读存储介质,其特征在于:存储有用于实现权利要求1~5中任意一项所述的煤与煤层气协调开发智能决策方法的计算机程序。
7.一种煤与煤层气协调开发智能决策系统,其特征在于:包括用于接收特定矿井协调评价指标参数的智能终端机;所述智能终端机存储有用于实现权利要求1~5中任意一项所述的煤与煤层气协调开发智能决策方法的计算机程序,且具备显示屏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110190571.6A CN113033954B (zh) | 2021-02-18 | 2021-02-18 | 一种煤与煤层气协调开发智能决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110190571.6A CN113033954B (zh) | 2021-02-18 | 2021-02-18 | 一种煤与煤层气协调开发智能决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033954A CN113033954A (zh) | 2021-06-25 |
CN113033954B true CN113033954B (zh) | 2022-09-06 |
Family
ID=76461398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110190571.6A Active CN113033954B (zh) | 2021-02-18 | 2021-02-18 | 一种煤与煤层气协调开发智能决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033954B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146880B (zh) * | 2022-09-05 | 2023-01-31 | 煤炭科学技术研究院有限公司 | 煤与煤层气协调开发方案智能辅助决策评价方法及装置 |
CN115169760B (zh) * | 2022-09-07 | 2022-11-29 | 煤炭科学技术研究院有限公司 | 煤层气与煤炭协调开发方式优化方法、装置及电子设备 |
CN118466217B (zh) * | 2024-07-09 | 2024-09-20 | 华能庆阳煤电有限责任公司 | 基于深度学习与环境感知的煤矿能源智能控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850897A (zh) * | 2015-02-25 | 2015-08-19 | 中国矿业大学 | 一种基于地震信息的煤与瓦斯突出的预测方法 |
CN111815196A (zh) * | 2020-07-23 | 2020-10-23 | 中国环境科学研究院 | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104405433B (zh) * | 2014-10-21 | 2016-07-06 | 中煤科工集团重庆研究院有限公司 | 一种煤层瓦斯抽采效果动态评价方法 |
CN105239964A (zh) * | 2015-10-13 | 2016-01-13 | 天地科技股份有限公司 | 保护层卸压井上下立体化煤与煤层气协调开发方法 |
CN108301865A (zh) * | 2018-03-02 | 2018-07-20 | 煤炭科学研究总院 | 一种深部低渗松软煤层群的煤与煤层气协调生产方法 |
CN110633504A (zh) * | 2019-08-21 | 2019-12-31 | 中联煤层气有限责任公司 | 一种煤层瓦斯渗透率预测方法 |
CN111102006B (zh) * | 2019-10-11 | 2020-11-10 | 重庆大学 | 一种突出矿井抽掘采部署失调动态预警智能决策方法 |
CN111550224A (zh) * | 2020-04-27 | 2020-08-18 | 成都理工大学 | 一种非常规储层油气井的水力压裂改造系统及方法 |
CN111894546B (zh) * | 2020-07-16 | 2022-05-13 | 中国煤炭地质总局勘查研究总院 | 煤炭地下气化与瓦斯抽采的联合资源开采方法及装置 |
CN111967743B (zh) * | 2020-08-05 | 2022-11-25 | 中国石油大学(华东) | 一种煤层气藏区域开发潜力量化分级评价方法、系统 |
-
2021
- 2021-02-18 CN CN202110190571.6A patent/CN113033954B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850897A (zh) * | 2015-02-25 | 2015-08-19 | 中国矿业大学 | 一种基于地震信息的煤与瓦斯突出的预测方法 |
CN111815196A (zh) * | 2020-07-23 | 2020-10-23 | 中国环境科学研究院 | 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113033954A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033954B (zh) | 一种煤与煤层气协调开发智能决策方法 | |
CN111860952B (zh) | 一种突出煤层关键开采参数快速优选方法 | |
Shirangi et al. | Closed-loop field development under uncertainty by use of optimization with sample validation | |
Wang et al. | Application of artificial neural network in tunnel engineering: a systematic review | |
CN103912310B (zh) | 一种矿井动力灾害预测方法 | |
Namin et al. | A literature review of Multi Criteria Decision-Making (MCDM) towards mining method selection (MMS) | |
CN112487695B (zh) | 一种复杂环境铁路多目标智能综合选线方法 | |
CN104616062B (zh) | 一种基于多目标遗传规划的非线性系统辨识方法 | |
AU2021101934A4 (en) | Intelligent prediction of shield existing tunnels and multi objective optimization control method of construction parameters based on data drive | |
CN103711523A (zh) | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 | |
CN109934398A (zh) | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 | |
CN109872012A (zh) | 基于工况划分的火电厂运行多目标优化的确定方法 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
Du et al. | Application of fuzzy Analytical Hierarchy Process (AHP) and Prediction-Area (PA) plot for mineral prospectivity mapping: A case study from the Dananhu metallogenic belt, Xinjiang, NW China | |
Bi et al. | Real-time construction schedule analysis of long-distance diversion tunnels based on lithological predictions using a Markov process | |
CN112879024A (zh) | 一种盾构姿态动态预测方法、系统及设备 | |
Wang et al. | Selection of an appropriate mechanized mining technical process for thin coal seam mining | |
Zhou et al. | Stability prediction of underground entry-type excavations based on particle swarm optimization and gradient boosting decision tree | |
CN117610435A (zh) | 土木建筑施工混合材料自动配比方法及系统 | |
Yari et al. | Development of an evaluation system for blasting patterns to provide efficient production | |
Aliyev | Use of hybrid approaches and metaoptimization for well placement problems | |
Adoko et al. | Estimation of convergence of a high-speed railway tunnel in weak rocks using an adaptive neuro-fuzzy inference system (ANFIS) approach | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
Chen et al. | Optimal selection of a longwall mining method for a thin coal seam working face | |
Nikafshan Rad et al. | Modification of rock mass rating system using soft computing techniques |
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 |