CN115422740A - 一种巨厚煤层分层综放开采导水裂隙带高度预测方法 - Google Patents
一种巨厚煤层分层综放开采导水裂隙带高度预测方法 Download PDFInfo
- Publication number
- CN115422740A CN115422740A CN202211054410.5A CN202211054410A CN115422740A CN 115422740 A CN115422740 A CN 115422740A CN 202211054410 A CN202211054410 A CN 202211054410A CN 115422740 A CN115422740 A CN 115422740A
- Authority
- CN
- China
- Prior art keywords
- water flowing
- height
- fractured zone
- flowing fractured
- coal seam
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种巨厚煤层分层综放开采导水裂隙带高度预测方法,包含以下步骤:收集预测工作面地质资料,详细掌握工作面采煤方法、覆岩地质条件、工作面参数。本发明提出上覆采空区厚度、工作面距主关键层距离等新的预测指标,提出运用GRA‑LS‑SVM模型非线性预测方法,能够较为准确、经济的预测出巨厚煤层覆岩导水裂隙带高度。
Description
技术领域
本发明涉及煤矿安全开采技术领域,具体是一种巨厚煤层分层综放开采导水裂隙带高度预测方法。
背景技术
煤炭是我国主要能源之一,在当前及未来一段时间内依然是我国的主体能源。我国发育众多巨厚煤层,占全国资源量很大比重,开采规模不断扩大,开采强度不断增加。分层综放开采是厚煤层目前较为经济适宜的开采方式,在大尺度开采空间与重复扰动条件下,采动覆岩结构裂隙演化具有动态性和复杂性变化特点,工作面覆岩发生运动更显著,导致岩层产生裂隙和断裂范围更广,裂隙和断裂更容易沟通含水层,其涉及到的含水层中的水就会通过导水通道进入工作面,形成水害,严重制约着我国煤矿安全高效生产,还会造成伤亡和经济损失。
目前,国内外学者主要采用经验公式、理论分析、数值模拟与相似模拟、现场实测等方法预测导水裂隙带高度。经验公式一般不适用累计采厚超过15m的巨厚煤层,理论分析考虑因素比较单一,数值模拟与相似模拟模型建立相对理想化,以上方法获得的结果往往与现场实测获得的结果差异较大,而实测涉及的工作量较大,花费较高。近年来,很多学者提出将统计分析理论与数据挖掘方法运用到导水裂隙带发育高度预测中,如胡小娟等以综采导水裂隙带发育高度实测数据为基础,采用多元回归分析,得到了综采条件下导水裂隙带发育高度与其影响因素间的非线性统计关系式;李波对收集的实测数据进行因果模糊聚类分类,建立了模糊预测模型对导水裂隙带发育高度进行了研究;李振华、谢晓峰等通过分析影响导高的多指标因素并采用BP神经网络方法对导水裂隙带发育高度进行了预测;孙云普等应用支持向量机(Support Vector Machine,SVM)建立导水裂隙带高度预计模型预计导水裂隙带高度。这些新方法的应用也均取得了一些重要的研究成果,然而这些预测针对较薄煤层,对于巨厚煤层的导水裂隙带高度研究很少,缺少一种高效、实用、准确和经济的巨厚煤层的导水裂隙带高度预测方法。
发明内容
本发明的目的在于提供一种巨厚煤层分层综放开采导水裂隙带高度预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种巨厚煤层分层综放开采导水裂隙带高度预测方法,包含以下步骤:
步骤1、收集预测工作面地质资料,详细掌握工作面采煤方法、覆岩地质条件、工作面参数;
步骤2、收集预测区周边巨厚煤层煤矿开采工作面采高、采深、工作面斜长、硬岩岩性比例系数、采空区厚度、顶板的单轴抗压强度、煤层硬度和距主关键层距离等影响巨厚煤层导水裂隙带高度的影响因素;
步骤3、运用灰色关联分析(GRA)法确定巨厚煤层导水裂隙带高度的主要影响因素;
步骤4、统计巨厚煤层导水裂隙带数据。调研和收集预测区周边巨厚煤层导水裂隙带实测或模拟数据;
步骤5、首先选出母因素和子因素,通过计算灰色关联度来对比子因素对于母因素的贡献程度,将导水裂隙高度作为母因素,将关联度较大的因素作为子因素;
步骤6、建立最小二乘支持向量机的矿井导水裂隙带高度预测函数;
步骤7、根据预测函数进行子因素训练验证,并与实测值对比,验证模型准确性。如模型准确度高,正式确立预测模型,如果模型准确度较低,达不到预测精度,继续回到步骤3,重新确定影响因素;
步骤8、正式确立预测模型,进行矿井导水裂隙带高度预测,得到矿井导水裂隙带高度预测值。
作为本发明的进一步技术方案:所述步骤3的具体步骤如下;
步骤3.1、确定导水裂隙带高度为参考数列,工作面采高、采深、工作面斜长、硬岩岩性比例系数、采空区厚度、和距主关键层距离为的比较数列;
步骤3.2、对参考数列和比较数列进行无量纲化处理;
步骤3.3、计算每个被评价对象指标序列与参考序列对应元素的差值绝对值、最大值、最小值;
步骤3.4、计算关联系数;
步骤3.5、求关联度;
步骤3.6、对关联度排序。选取的影响因素对导水裂隙带高度发育贡献程度大,对导水裂隙带高度发育影响最大。
作为本发明的进一步技术方案:所述步骤6的函数模型描述如下:
式中,w为加权值为非线性函数,表示如下:
式中,ei为实际值与估计值之间的误差;γ为惩罚系数。
拉格朗日函数如下式所示:
其中αi是一个乘数,方程的优化形式为:
最后,LS-SVM的预测函数可以表示为:
与现有技术相比,本发明的有益效果是:
本发明提供一种巨厚煤层分层综放开采导水裂隙带高度预测方法,提出上覆采空区厚度、工作面距主关键层距离等新的预测指标,提出运用GRA-LS-SVM模型非线性预测方法,能够较为准确、经济的预测出巨厚煤层覆岩导水裂隙带高度。
附图说明
图1是本发明的方法流程图。
图2是预测数据与收集数据对比图。
图3是规范公式计算结果与收集数据对比图。
具体实施方式
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,所描述的实施例仅仅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。
如图1-3所示,一种巨厚煤层分层综放开采导水裂隙带高度预测方法,包含以下步骤:
(1)收集预测工作面地质资料,详细掌握工作面采煤方法、覆岩地质条件、工作面参数。
(2)收集预测区周边巨厚煤层煤矿开采工作面采高、采深、工作面斜长、硬岩岩性比例系数、采空区厚度、顶板的单轴抗压强度、煤层硬度和距主关键层距离等影响巨厚煤层导水裂隙带高度的影响因素。
(3)运用灰色关联分析(GRA)法确定巨厚煤层导水裂隙带高度的主要影响因素。具体步骤如下:
①确定导水裂隙带高度为参考数列,工作面采高、采深、工作面斜长、硬岩岩性比例系数、采空区厚度、和距主关键层距离为的比较数列。
对参考数列和比较数列进行无量纲化处理。
③计算每个被评价对象指标序列与参考序列对应元素的差值绝对值、最大值、最小值。
④计算关联系数。
⑤求关联度。
⑥对关联度排序。选取的影响因素对导水裂隙带高度发育贡献程度大,对导水裂隙带高度发育影响最大。
(4)统计巨厚煤层导水裂隙带数据。调研和收集预测区周边巨厚煤层导水裂隙带实测或模拟数据。
(5)首先选出母因素和子因素,通过计算灰色关联度来对比子因素对于母因素的贡献程度。将导水裂隙高度作为母因素,将关联度较大的因素作为子因素。
(6)建立最小二乘支持向量机的矿井导水裂隙带高度预测函数。LS-SVM模型描述如下:
式中,w为加权值为非线性函数,表示如下:
式中,ei为实际值与估计值之间的误差;γ为惩罚系数。
拉格朗日函数如下式所示:
其中αi是一个乘数,方程的优化形式为:
最后,LS-SVM的预测函数可以表示为:
(7)根据预测函数进行子因素训练验证,并与实测值对比,验证模型准确性。如模型准确度高,正式确立预测模型,如果模型准确度较低,达不到预测精度,继续回到步骤3,重新确定影响因素。
(8)正式确立预测模型,进行矿井导水裂隙带高度预测,得到矿井导水裂隙带高度预测值。
实验验证:
依据新疆准噶尔盆地巨厚煤层分层综放开采覆岩地质条件、工作面参数,已收集的导水裂隙带高度(表1),进行导水裂隙带高度预测。具体步骤如下:
表1:新疆准噶尔盆地巨厚煤层分层综放开采导水裂隙带高度及相关影响因素数据,
第一步:确定导水裂隙带高度为“参考值”(母序列);
第二步:针对数据进行无量纲化处理;
第三步:计算关联系数,关联系数表示某项与“参考值”(母序列)的相关程度;
表2:关联系数结果表,
第四步:结合关联系数值计算关联度(表3),6项因素关联度都较大,都可作为子因素。
表3:各影响因素与导水裂隙带高度的关联度;
评价项 | 关联度 | 排名 |
工作面距主关键层距离 | 0.765 | 1 |
上覆采空区厚度 | 0.639 | 6 |
斜长/m | 0.689 | 5 |
硬岩岩性比例系数 | 0.710 | 4 |
采深/m | 0.759 | 2 |
第五步:运用最小二乘支持向量机的矿井导水裂隙带高度预测函数进行导水裂隙带高度预测,计算结果如下表4。
根据计算结果分析可知,采用LS-SVM的预测函数计算的导水裂隙带高度中,有15项最大绝对误差为小于20%,仅有1项超过50%(表4,图2),说明此方法计算的结果与实际相差不大,可以满足工程需要。传统《煤矿床水工环勘查评价标准》公式因只考虑采高单一因素,计算出结果误差很大(表4,图3),已不适用巨厚煤层分层开采导水裂隙带高度的预测。基于GRA-LS-SVM非线性预测,考虑了工作面采高、采深、工作面斜长、硬岩岩性比例系数、采空区厚度、顶板的单轴抗压强度、煤层硬度和距主关键层距离等因素,可以较客观的对巨厚煤层综放开采导水裂隙带高度进行预测。
表4:导水裂隙带高度预测结果表;
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种巨厚煤层分层综放开采导水裂隙带高度预测方法,其特征在于,包含以下步骤:
步骤1、收集预测工作面地质资料,详细掌握工作面采煤方法、覆岩地质条件、工作面参数;
步骤2、收集预测区周边巨厚煤层煤矿开采工作面采高、采深、工作面斜长、硬岩岩性比例系数、采空区厚度、顶板的单轴抗压强度、煤层硬度和距主关键层距离等影响巨厚煤层导水裂隙带高度的影响因素;
步骤3、运用灰色关联分析法确定巨厚煤层导水裂隙带高度的主要影响因素;
步骤4、统计巨厚煤层导水裂隙带数据,调研和收集预测区周边巨厚煤层导水裂隙带实测或模拟数据;
步骤5、首先选出母因素和子因素,通过计算灰色关联度来对比子因素对于母因素的贡献程度,将导水裂隙高度作为母因素,将关联度较大的因素作为子因素;
步骤6、建立最小二乘支持向量机的矿井导水裂隙带高度预测函数;
步骤7、根据预测函数进行子因素训练验证,并与实测值对比,验证模型准确性,如模型准确度高,正式确立预测模型,如果模型准确度较低,达不到预测精度,继续回到步骤3,重新确定影响因素;
步骤8、正式确立预测模型,进行矿井导水裂隙带高度预测,得到矿井导水裂隙带高度预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054410.5A CN115422740A (zh) | 2022-08-30 | 2022-08-30 | 一种巨厚煤层分层综放开采导水裂隙带高度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054410.5A CN115422740A (zh) | 2022-08-30 | 2022-08-30 | 一种巨厚煤层分层综放开采导水裂隙带高度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422740A true CN115422740A (zh) | 2022-12-02 |
Family
ID=84200448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211054410.5A Pending CN115422740A (zh) | 2022-08-30 | 2022-08-30 | 一种巨厚煤层分层综放开采导水裂隙带高度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422740A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595334A (zh) * | 2023-05-23 | 2023-08-15 | 中国矿业大学 | 一种基于关联性学习的高效导水裂隙带高度预测方法 |
CN116955957A (zh) * | 2023-08-07 | 2023-10-27 | 中国矿业大学 | 一种煤矿开采工作面顶板导水裂隙带发育高度的预测方法 |
-
2022
- 2022-08-30 CN CN202211054410.5A patent/CN115422740A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595334A (zh) * | 2023-05-23 | 2023-08-15 | 中国矿业大学 | 一种基于关联性学习的高效导水裂隙带高度预测方法 |
CN116595334B (zh) * | 2023-05-23 | 2024-01-19 | 中国矿业大学 | 一种基于关联性学习的高效导水裂隙带高度预测方法 |
CN116955957A (zh) * | 2023-08-07 | 2023-10-27 | 中国矿业大学 | 一种煤矿开采工作面顶板导水裂隙带发育高度的预测方法 |
CN116955957B (zh) * | 2023-08-07 | 2024-02-20 | 中国矿业大学 | 一种煤矿开采工作面顶板导水裂隙带发育高度的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446797B (zh) | 一种致密油藏水平井体积压裂初期产能预测方法 | |
CN115422740A (zh) | 一种巨厚煤层分层综放开采导水裂隙带高度预测方法 | |
CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
US20160070828A1 (en) | Vulnerability Assessment Method of Water Inrush from Aquifer Underlying Coal Seam | |
CN104794550B (zh) | 基于wt-kpca-svr耦合模型的瓦斯涌出量预测方法 | |
CN105842753A (zh) | 对烃源岩内残余有机碳含量进行恢复的方法及装置 | |
CN111828095B (zh) | 一种顶板来压动态预测方法 | |
Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
CN112049629B (zh) | 一种基于甲型水驱特征曲线的缝洞型油藏采收率预测方法 | |
CN109268003A (zh) | 一种地质工程一体化框架下的致密油增产数学建模方法 | |
CN112966355A (zh) | 基于深度学习的盾构机刀具剩余使用寿命预测方法 | |
CN114856706B (zh) | 一种基于下沉量的主关键层扰动影响综合评价方法 | |
CN114049921B (zh) | 基于加载全过程敏感因素赋权的页岩脆性定量评价方法 | |
CN106599511B (zh) | 一种薄煤层长壁综采工作面采煤方法优选的方法 | |
CN106284440B (zh) | 一种挂帮矿回采扰动下边坡稳定性判别方法 | |
Luo et al. | Optimizing the drilled well patterns for CBM recovery via numerical simulations and data envelopment analysis | |
Xiong et al. | Re-Fracturing Wells Selection by Fuzzy Comprehensive Evaluation Based on Analytic Hierarchy Process—Taking Mahu Oilfield as An Example | |
CN111274736A (zh) | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 | |
Belova et al. | Longwall panel width optimization | |
Tyree | Predicting Frac Hits Using Artificial Intelligence; Application in Marcellus Shale | |
Fu et al. | Literature Review on Pre-Fracturing Reservoir Selection for Hydraulic Fracturing | |
Lin et al. | Prediction of Refracturing Effect of Tight Gas Reservoirs Based on Bayesian Inversion Algorithm | |
CN117287150B (zh) | 煤层气经济可采资源量获取方法、装置、终端及存储介质 | |
CN105512749A (zh) | 一种水淹层产水率定量预测方法 | |
Zhao et al. | Prediction Equipment and Water Damage Prevention Based on Microscopic Image and Mine Water Inflow. |
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 |