CN115596509A - 一种煤矿巷道掘进过程中的瓦斯预警方法 - Google Patents
一种煤矿巷道掘进过程中的瓦斯预警方法 Download PDFInfo
- Publication number
- CN115596509A CN115596509A CN202211153530.0A CN202211153530A CN115596509A CN 115596509 A CN115596509 A CN 115596509A CN 202211153530 A CN202211153530 A CN 202211153530A CN 115596509 A CN115596509 A CN 115596509A
- Authority
- CN
- China
- Prior art keywords
- gas
- early warning
- coal mine
- time
- concentration
- 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 71
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 title claims abstract description 31
- 230000005641 tunneling Effects 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000009423 ventilation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005065 mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geochemistry & Mineralogy (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Emergency Alarm Devices (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种煤矿巷道掘进过程中的瓦斯预警方法，本发明属于煤矿安全领域，包括：获取煤矿巷道中瓦斯的历史数据，历史数据包括：瓦斯初始量、瓦斯涌出量和风排瓦斯量；构建前馈神经网络的瓦斯预警模型；基于历史数据训练瓦斯预警模型，得到训练好的瓦斯预警模型；采集煤矿巷道中瓦斯的实时数据，将实时数据输入至训练好的瓦斯预警模型，输出预测结果；基于预测结果，对煤矿巷道进行危险判断，得到危险等级，并将危险等级进行显示，基于所述危险等级采取相应预警方案。本发明能够对煤矿巷道进行瓦斯预警，同时输出预警时间，能够给工作人员脱离危险区域的时间，保证工作人员身体和生命的安全。
Description
技术领域
本发明属于煤矿安全领域，特别是涉及一种煤矿巷道掘进过程中的瓦斯预警方法。
背景技术
地下开采的煤矿由于煤层赋存条件及矿山生产条件限制，均存在瓦斯突出、瓦斯爆炸、煤尘爆炸的灾害危险。瓦斯突出是指随着煤矿开采深度的增加、瓦斯含量的增加，软弱煤层突破抵抗线，瞬间释放大量瓦斯和煤层气而造成的一种地质灾害。煤矿开采深度越深，瓦斯瞬间释放的能量也会越大。
现有技术中，煤矿巷道掘进过程中，实时监测瓦斯浓度，针对瓦斯浓度进行实时预警，将减少事故的发生。但是如果瓦斯浓度超过标准值，根据瓦斯的浓度值，无法准确地做出危险的发生时间，无法给工作人员以足够的时间保证身体和生命的安全，导致对瓦斯浓度的预警效率低。
发明内容
本发明的目的是提供一种煤矿巷道掘进过程中的瓦斯预警方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种煤矿巷道掘进过程中的瓦斯预警方法，包括：
获取煤矿巷道中瓦斯的历史数据，所述历史数据包括：瓦斯初始量、瓦斯涌出量和风排瓦斯量；
构建前馈神经网络的瓦斯预警模型；
基于所述历史数据训练所述瓦斯预警模型，得到训练好的瓦斯预警模型；
采集煤矿巷道中瓦斯的实时数据，将实时数据输入至所述训练好的瓦斯预警模型，输出预测结果，其中所述预测结果包括瓦斯浓度和预警时间；
基于所述预测结果，对煤矿巷道进行危险判断，得到危险等级，并将所述危险等级进行显示，基于所述危险等级采取相应预警方案。
优选地，获取煤矿巷道中瓦斯的历史数据的过程包括：
获取煤矿巷道的工作日记，对所述工作日记中瓦斯数据进行清洗，得到煤矿巷道中瓦斯的历史数据。
优选地，构建前馈神经网络的瓦斯预警模型之后还包括：
获取多个煤矿巷道，基于多个所述煤矿巷道，将所述瓦斯预警模型进行迁移学习，得到适用于多个煤矿巷道的瓦斯预警模型。
优选地，得到训练好的瓦斯预警模型的过程包括：
基于所述历史数据，通过随机梯度下降算法对所述瓦斯预警模型中的参数进行优化，得到训练好的瓦斯预警模型；其中所述参数包括权重系数和偏置系数。
优选地，得到训练好的瓦斯预警模型还包括：
训练所述瓦斯预警模型时，基于所述权重系数，构建权重系数矩阵，对所述权重系数矩阵进行正则化处理，同时引入ReLU激活函数。
优选地，输出预测结果的过程包括：
通过煤矿巷道中多个传感器，得到瓦斯的实时数据，其中所述实时数据包括：瓦斯初始量、瓦斯涌出量和风排瓦斯量；将所述实时数据输入至所述瓦斯预警模型中，输出预测结果；其中所述预警时间为所述瓦斯浓度超过浓度阈值时，预警装置做出预警的时间，所述浓度阈值为瓦斯检查的标准浓度。
优选地，对煤矿巷道进行危险判断的过程包括：
若所述瓦斯浓度小于浓度阈值，则危险等级为零；
若所述瓦斯浓度大于浓度阈值且所述预警时间大于时间阈值，则危险等级为一级；
若所述瓦斯浓度大于浓度阈值且所述预警时间等于时间阈值，则危险等级为二级；
若所述瓦斯浓度大于浓度阈值且所述预警时间小于时间阈值，则危险等级为三级；其中所述时间阈值为工作人员脱离危险区域的时间。
优选地，基于所述危险等级采取相应的预警方案的过程包括：
当所述危险等级为一级时，及时采用通风设备降低瓦斯浓度；
当所述危险等级为二级时，同时采用通风设备和瓦斯抽离设备，工作人员及时脱离危险区域；
当所述危险等级为三级时，及时采用高压水泵降低煤矿巷道温度，同时采用通风设备和瓦斯抽离设备。
本发明的技术效果为：
本发明通过煤矿巷道中瓦斯的历史数据，训练瓦斯预警模型，得到训练好的瓦斯预警模型；采集煤矿巷道中瓦斯的实时数据，将实时数据输入至训练好的瓦斯预警模型，输出预测结果；基于预测结果，对煤矿巷道进行危险判断，得到危险等级，并将危险等级进行显示，基于所述危险等级采取相应的预警方案。本发明能够对煤矿巷道进行瓦斯预警，同时输出预警时间，能够给工作人员脱离危险区域的时间，保证工作人员身体和生命的安全。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种煤矿巷道掘进过程中的瓦斯预警方法，包括：
获取煤矿巷道中瓦斯的历史数据，所述历史数据包括：瓦斯初始量、瓦斯涌出量和风排瓦斯量；
构建前馈神经网络的瓦斯预警模型；
基于所述历史数据训练所述瓦斯预警模型，得到训练好的瓦斯预警模型；
采集煤矿巷道中瓦斯的实时数据，将实时数据输入至所述训练好的瓦斯预警模型，输出预测结果，其中所述预测结果包括瓦斯浓度和预警时间；
基于所述预测结果，对煤矿巷道进行危险判断，得到危险等级，并将所述危险等级进行显示，基于所述危险等级采取相应的预警方案。
在一些实施例中，获取煤矿巷道中瓦斯的历史数据的过程包括：获取煤矿巷道的工作日记，对所述工作日记中瓦斯数据进行清洗，得到煤矿巷道中瓦斯的历史数据。
在一些实施例中，所述瓦斯预警模型包括：输入层、隐藏层和输出层。
在一些实施例中，构建前馈神经网络的瓦斯预警模型之后还包括：获取多个煤矿巷道，基于所述多个煤矿巷道，将所述瓦斯预警模型进行迁移学习，得到适用于多个煤矿巷道的瓦斯预警模型。
在一些实施例中，得到训练好的瓦斯预警模型的过程包括：基于所述历史数据，通过随机梯度下降算法对所述瓦斯预警模型中的参数进行优化，得到训练好的瓦斯预警模型；其中所述参数包括权重系数和偏置系数。
在一些实施例中，得到训练好的瓦斯预警模型的过程还包括：训练瓦斯预警模型时，基于所述权重系数构建权重系数矩阵，对所述权重系数的矩阵进行正则化处理，同时引入ReLU激活函数。
训练瓦斯预警模型时，通过随机梯度下降算法优化参数，加速了训练的过程，提高了训练精度；同时在瓦斯预警模型中引入了ReLU激活函数，使得神经网络可以任意逼近任何非线性函数，且引入ReLU激活函数具有如下优点：当输入为正数时、不存在梯度消失问题，计算速度快，ReLU激活函数只有线性关系、无论前向传播还是反向传播，相比sigmod和tanh要快很多。
在一些实施例中，输出预测结果的过程包括：
通过煤矿巷道中多个传感器，得到瓦斯的实时数据，其中所述实时数据包括：瓦斯初始量、瓦斯涌出量和风排瓦斯量；将所述实时数据输入至所述瓦斯预警模型中，输出预测结果；其中所述预测结果包括瓦斯浓度和预警时间，所述预警时间为所述瓦斯浓度超过浓度阈值时，预警装置做出预警的时间，所述浓度阈值为瓦斯检查的标准浓度。
本实施例中，浓度阈值设为3％。
在一些实施例中，对煤矿巷道进行危险判断的过程包括：若所述瓦斯浓度小于浓度阈值，则危险等级为零；若所述瓦斯浓度大于浓度阈值且所述预警时间大于时间阈值，则危险等级为一级；若所述瓦斯浓度大于浓度阈值且所述预警时间等于时间阈值，则危险等级为二级；若所述瓦斯浓度大于浓度阈值且所述预警时间小于时间阈值，则危险等级为三级；其中所述时间阈值为工作人员脱离危险区域的时间。
本实施例中，时间阈值设为10分钟。若所述瓦斯浓度大于3％且所述预警时间大于10分钟，则危险等级为一级；若所述瓦斯浓度大于3％且所述预警时间等于10分钟，则危险等级为二级；若所述瓦斯浓度大于3％且所述预警时间小于10分钟，则危险等级为三级；
在一些实施例中，基于所述危险等级采取相应的预警方案的过程包括：当所述危险等级为一级时，及时采用通风设备降低瓦斯浓度；当所述危险等级为二级时，同时采用通风设备和瓦斯抽离设备，工作人员及时脱离危险区域；当所述危险等级为三级时，及时采用高压水泵降低煤矿巷道温度，同时采用通风设备和瓦斯抽离设备。
本实施例的技术效果为：
本实施例通过煤矿巷道中瓦斯的历史数据，训练瓦斯预警模型，得到训练好的瓦斯预警模型；采集煤矿巷道中瓦斯的实时数据，将实时数据输入至训练好的瓦斯预警模型，输出预测结果；基于预测结果，对煤矿巷道进行危险判断，得到危险等级，并将危险等级进行显示，基于所述危险等级采取相应的预警方案。本实施例能够对煤矿巷道进行瓦斯预警，同时输出预警时间，能够给工作人员脱离危险区域的时间，保证工作人员身体和生命的安全。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种煤矿巷道掘进过程中的瓦斯预警方法，其特征在于，包括以下步骤：
获取煤矿巷道中瓦斯的历史数据，所述历史数据包括：瓦斯初始量、瓦斯涌出量和风排瓦斯量；
构建前馈神经网络的瓦斯预警模型；基于所述历史数据训练所述瓦斯预警模型，得到训练好的瓦斯预警模型；
采集煤矿巷道中瓦斯的实时数据，将实时数据输入至所述训练好的瓦斯预警模型，输出预测结果，其中所述预测结果包括瓦斯浓度和预警时间；
基于所述预测结果，对煤矿巷道进行危险判断，得到危险等级，并将所述危险等级进行显示，基于所述危险等级采取相应预警方案。
2.根据权利要求1所述的煤矿巷道掘进过程中的瓦斯预警方法，其特征在于，获取煤矿巷道中瓦斯的历史数据的过程包括：
获取煤矿巷道的工作日记，对所述工作日记中瓦斯数据进行清洗，得到煤矿巷道中瓦斯的历史数据。
3.根据权利要求1所述的煤矿巷道掘进过程中的瓦斯预警方法，其特征在于，构建前馈神经网络的瓦斯预警模型之后还包括：
获取多个煤矿巷道，基于多个所述煤矿巷道，将所述瓦斯预警模型进行迁移学习，得到适用于多个煤矿巷道的瓦斯预警模型。
4.根据权利要求1所述的煤矿巷道掘进过程中的瓦斯预警方法，其特征在于，得到训练好的瓦斯预警模型的过程包括：
基于所述历史数据，通过随机梯度下降算法对所述瓦斯预警模型中的参数进行优化，得到训练好的瓦斯预警模型；其中所述参数包括权重系数和偏置系数。
5.根据权利要求4所述的煤矿巷道掘进过程中的瓦斯预警方法，其特征在于，得到训练好的瓦斯预警模型还包括：
训练所述瓦斯预警模型时，基于所述权重系数，构建权重系数矩阵，对所述权重系数矩阵进行正则化处理，同时引入ReLU激活函数。
6.根据权利要求1所述的煤矿巷道掘进过程中的瓦斯预警方法，其特征在于，输出预测结果的过程包括：
通过煤矿巷道中多个传感器，得到瓦斯的实时数据，其中所述实时数据包括：瓦斯初始量、瓦斯涌出量和风排瓦斯量；将所述实时数据输入至所述瓦斯预警模型中，输出预测结果；其中所述预测结果包括瓦斯浓度和预警时间，所述预警时间为所述瓦斯浓度超过浓度阈值时，预警装置做出预警的时间，所述浓度阈值为瓦斯检查的标准浓度。
7.根据权利要求1所述的煤矿巷道掘进过程中的瓦斯预警方法，其特征在于，对煤矿巷道进行危险判断的过程包括：
若所述瓦斯浓度小于浓度阈值，则危险等级为零；
若所述瓦斯浓度大于浓度阈值且所述预警时间大于时间阈值，则危险等级为一级；
若所述瓦斯浓度大于浓度阈值且所述预警时间等于时间阈值，则危险等级为二级；
若所述瓦斯浓度大于浓度阈值且所述预警时间小于时间阈值，则危险等级为三级；其中所述时间阈值为工作人员脱离危险区域的时间。
8.根据权利要求7所述的煤矿巷道掘进过程中的瓦斯预警方法，其特征在于，基于所述危险等级采取相应预警方案的过程包括：
当所述危险等级为一级时，及时采用通风设备降低瓦斯浓度；
当所述危险等级为二级时，同时采用通风设备和瓦斯抽离设备，工作人员及时脱离危险区域；
当所述危险等级为三级时，及时采用高压水泵降低煤矿巷道温度，同时采用通风设备和瓦斯抽离设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211153530.0A CN115596509B (zh) | 2022-09-21 | 2022-09-21 | 一种煤矿巷道掘进过程中的瓦斯预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211153530.0A CN115596509B (zh) | 2022-09-21 | 2022-09-21 | 一种煤矿巷道掘进过程中的瓦斯预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115596509A true CN115596509A (zh) | 2023-01-13 |
| CN115596509B CN115596509B (zh) | 2023-04-14 |
Family
ID=84845385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211153530.0A Active CN115596509B (zh) | 2022-09-21 | 2022-09-21 | 一种煤矿巷道掘进过程中的瓦斯预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115596509B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116241330A (zh) * | 2023-03-28 | 2023-06-09 | 黑龙江泰平隆矿业科技有限公司 | 一种煤矿中瓦斯危险的预警方法、装置及电子设备 |
| CN117556978A (zh) * | 2023-12-29 | 2024-02-13 | 天地(常州)自动化股份有限公司北京分公司 | 一种基于大数据分析的煤矿井下运维方法及系统 |
| CN117787728A (zh) * | 2024-02-27 | 2024-03-29 | 贵州省煤层气页岩气工程技术研究中心 | 基于可视化的煤矿巷道瓦斯爆炸危险等级评价方法 |
| CN118484779A (zh) * | 2024-07-15 | 2024-08-13 | 西安重装智慧矿山工程技术有限公司 | 带有迁移学习esn模型的瓦斯浓度预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1800065A1 (en) * | 1991-02-14 | 1993-03-07 | G Pk I Nii Avtom Ugolnoj Promy | Test bed for check and adjustment of colliery methane alarms |
| CN111102005A (zh) * | 2019-09-16 | 2020-05-05 | 中煤科工集团重庆研究院有限公司 | 矿井环境瓦斯浓度在线预测方法 |
| CN111324988A (zh) * | 2020-03-03 | 2020-06-23 | 山西西山煤电股份有限公司 | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 |
| CN113128760A (zh) * | 2021-04-16 | 2021-07-16 | 深圳市艾赛克科技有限公司 | 安全生产的双控管理方法、装置、设备及存储介质 |
-
2022
- 2022-09-21 CN CN202211153530.0A patent/CN115596509B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1800065A1 (en) * | 1991-02-14 | 1993-03-07 | G Pk I Nii Avtom Ugolnoj Promy | Test bed for check and adjustment of colliery methane alarms |
| CN111102005A (zh) * | 2019-09-16 | 2020-05-05 | 中煤科工集团重庆研究院有限公司 | 矿井环境瓦斯浓度在线预测方法 |
| CN111324988A (zh) * | 2020-03-03 | 2020-06-23 | 山西西山煤电股份有限公司 | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 |
| CN113128760A (zh) * | 2021-04-16 | 2021-07-16 | 深圳市艾赛克科技有限公司 | 安全生产的双控管理方法、装置、设备及存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116241330A (zh) * | 2023-03-28 | 2023-06-09 | 黑龙江泰平隆矿业科技有限公司 | 一种煤矿中瓦斯危险的预警方法、装置及电子设备 |
| CN116241330B (zh) * | 2023-03-28 | 2024-02-23 | 黑龙江泰平隆矿业科技有限公司 | 一种煤矿中瓦斯危险的预警方法、装置及电子设备 |
| CN117556978A (zh) * | 2023-12-29 | 2024-02-13 | 天地(常州)自动化股份有限公司北京分公司 | 一种基于大数据分析的煤矿井下运维方法及系统 |
| CN117556978B (zh) * | 2023-12-29 | 2024-06-25 | 天地(常州)自动化股份有限公司北京分公司 | 一种基于大数据分析的煤矿井下运维方法及系统 |
| CN117787728A (zh) * | 2024-02-27 | 2024-03-29 | 贵州省煤层气页岩气工程技术研究中心 | 基于可视化的煤矿巷道瓦斯爆炸危险等级评价方法 |
| CN117787728B (zh) * | 2024-02-27 | 2024-04-30 | 贵州省煤层气页岩气工程技术研究中心 | 基于可视化的煤矿巷道瓦斯爆炸危险等级评价方法 |
| CN118484779A (zh) * | 2024-07-15 | 2024-08-13 | 西安重装智慧矿山工程技术有限公司 | 带有迁移学习esn模型的瓦斯浓度预测方法 |
| CN118484779B (zh) * | 2024-07-15 | 2024-10-11 | 西安重装智慧矿山工程技术有限公司 | 带有迁移学习esn模型的瓦斯浓度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115596509B (zh) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115596509B (zh) | 一种煤矿巷道掘进过程中的瓦斯预警方法 | |
| Sibson | Earthquake rupturing as a mineralizing agent in hydrothermal systems | |
| CN102587983B (zh) | 煤矿冲击地压综合预警观测方法 | |
| CN106680894B (zh) | 一种基于c/s架构的隧洞地质超前预报方法 | |
| CN104408323A (zh) | 一种基于多源信息融合的采场顶板离层水害超前预报方法 | |
| CN104653226A (zh) | 一种基于应力梯度的煤矿冲击地压危险区域的划分方法 | |
| CN111608722B (zh) | 一种卸压瓦斯抽采过程中的瓦斯协同防治方法 | |
| Liu et al. | Rockburst and microseismicity characteristics in the qinling water conveyance tunnel of the hanjiang-to-weihe river diversion project | |
| CN109578055B (zh) | 一种煤与co2突出事故的防治方法 | |
| CN111324988B (zh) | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 | |
| CN107436349A (zh) | 一种用于对煤层顶板的突水溃沙危险性进行评估的评估方法 | |
| CN113688532A (zh) | 矿山灾害预警方法以及装置、存储介质、电子装置 | |
| CN115688251A (zh) | 基于深度学习的地震多发区隧道风险决策方法及系统 | |
| CN107313808A (zh) | 易燃气体浓度监测和预警的方法 | |
| Fu et al. | Development mechanism of radial chain rockbursts in a deep tunnel excavated by TBM | |
| CN113914932B (zh) | 利用震动波断层扫描识别煤与瓦斯突出危险区域的方法 | |
| CN111027687B (zh) | 煤矿工作面回采期间矿压预测治理方法及系统 | |
| CN112418645A (zh) | 一种隧道工程全生命周期安全评价方法 | |
| CN115929408B (zh) | 一种巷道掘进过程煤矿顶板裂隙实时监测系统与方法 | |
| Freeman et al. | Veterinary clinical pathology: a case-based approach | |
| CN114329892B (zh) | 一种强冲击易自燃煤层回采工作面区段煤柱宽度确定方法 | |
| CN115796573A (zh) | 矿山井下掘进段多因素安全等级评价方法 | |
| CN115759351A (zh) | 泥水盾构掘进综合预警方法、系统及存储介质 | |
| Wang et al. | Safety pre-control of stope roof fall accidents using combined event tree and fuzzy numbers in China’s underground noncoal mines | |
| CN114399088A (zh) | 一种矿山采空区稳定性预测方法 |
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 |