CN116955957A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN116955957A
CN116955957A CN202310991454.9A CN202310991454A CN116955957A CN 116955957 A CN116955957 A CN 116955957A CN 202310991454 A CN202310991454 A CN 202310991454A CN 116955957 A CN116955957 A CN 116955957A
Authority
CN
China
Prior art keywords
fracture zone
value
water
obtaining
interval
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
Application number
CN202310991454.9A
Other languages
English (en)
Other versions
CN116955957B (zh
Inventor
刘海洋
乔伟
王启庆
韩嫣博
张京民
刘斌斌
孟凡林
崔军舰
孙治豪
李俊
郭军旗
王首君
席邢超
郑尚
田勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kuqa Kexing Coal Industry Co ltd
China University of Mining and Technology CUMT
Original Assignee
Kuqa Kexing Coal Industry Co ltd
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kuqa Kexing Coal Industry Co ltd, China University of Mining and Technology CUMT filed Critical Kuqa Kexing Coal Industry Co ltd
Priority to CN202310991454.9A priority Critical patent/CN116955957B/zh
Publication of CN116955957A publication Critical patent/CN116955957A/zh
Application granted granted Critical
Publication of CN116955957B publication Critical patent/CN116955957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了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，包括：获取待预测矿区的地质信息与导水裂隙带相关数据；基于地质信息获取地质条件在限定范围内的其他矿区的导水裂隙带相关数据；分别基于支持向量机回归和BP神经网络构建模型，根据导水裂隙带相关数据与模型获得导水裂隙带高度中心值，并计算获取中心值区间半径；根据区间半径获得工作面顶部导水裂隙带发育高度的预测区间。本发明相比于传统的确定性点预测，在兼顾可靠性和准确性的同时，为矿井水害防治和水资源保护提供更全面有效的信息，比点预测更具有参考价值。

Description

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
技术领域
本发明属于矿井水害防治技术领域，特别是涉及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。
背景技术
矿井突水一直是煤矿开采过程中的难题，随着我国东部煤炭资源逐渐枯竭，目前煤炭开采重心已转移到西部地区，西部地区属典型的干旱-半干旱地区，浅表层水资源整体匮乏，生态环境脆弱，同时煤层顶板含水层水文地质性质差异大、富水性不均，煤开采常产生较大涌水，威胁井下安全开采。突水和水资源不足，将会在较长时间内困扰西部矿区大型煤炭安全开采和可持续发展。导水裂隙带作为矿井涌(突)水的主要通道，预测导水裂隙带的发育高度对煤矿防治水工作和水资源保护具有重要意义。
西部煤矿多为侏罗系煤层，埋藏浅，主采煤层厚，在开采方式和地层埋藏等方面与东部石炭-二叠系煤层有很大差异。因此，东部煤矿导水裂隙带的预测方法并不适用于西部煤矿。目前对导水裂隙带发育高度预测的方法有规范经验公式、理论分析、现场探测、数值模拟及物理模拟等。其中，规范经验公式最为常用，通过计算可获得导水裂隙带高度预测区间值，但规范公式中一方面仅考虑了最主要因素煤层厚度，未考虑其他影响因素，另一方面由于规范经验公式为东部石炭二叠系煤层开采导水裂隙带实测值总结获取，因此对西部侏罗系煤层开采导水裂隙带高度的预测误差较大。现场探测成本较高，通常不可能针对一个矿井开展大规模现场探测工作，而物理模拟及数值模拟方法相对简单，但预计导水裂隙带高度时，由于岩土层结构差异及真实参数较难获取，使其预测结果误差较大，针对导水裂隙带发育高度进行多因素预测也较为常见，但通常预测结果仅为点预测值，与工作面开采后实际导水裂隙带发育高度有较大误差，由此可见，现有技术有待于进一步改进和提高。
发明内容
本发明的目的是提供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，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开采工作面顶板导水裂隙带发育高度的预测方法，包括：
获取待预测矿区的地质信息与导水裂隙带相关数据；
基于所述地质信息获取地质条件在限定范围内的其他矿区的导水裂隙带相关数据；
分别基于所述支持向量机回归和BP神经网络构建模型，根据导水裂隙带相关数据与模型获得导水裂隙带高度中心值，并计算获取中心值区间半径；
根据所述区间半径获得工作面顶部导水裂隙带发育高度的预测区间。
可选的，所述导水裂隙带相关数据包括煤矿开采工作面的导水裂隙带发育高度实量值与导水裂隙带发育高度影响因素数据，其中，导水裂隙带发育高度影响因素数据包括煤层开采的厚度、煤层埋藏的深度、工作面斜长。
可选的，通过遗传算法对支持向量机回归和BP神经网络进行优化，基于优化后的支持向量机回归和BP神经网络构建模型，并根据导水裂隙带相关数据对模型进行训练，获得支持向量机回归模型与遗传神经网络模型。
可选的，获得导水裂隙带高度中心值的过程包括：
通过支持向量机回归模型与遗传神经网络模型分别获得若干个样本处的第一预测值集合与第二预测值集合，并进一步获得第一预测误差值集合与第二预测误差值集合，根据所述第一预测误差值集合、所述第二预测误差值集合与样本个数分别获得支持向量机回归模型与遗传神经网络模型对应的权重值，基于所述权重值、通过各个模型获得的若干样本处对应的预测值，获得各个样本处预测值的中心值。
可选的，计算获取中心值区间半径的过程包括：获取支持向量机回归模型与遗传神经网络模型的权重半径，根据所述权重半径与各个模型在若干样本处的预测值构建中心值区间半径计算公式；以绝对误差平方和最小为目标构建目标函数，基于所述中心值区间半径计算公式与所述目标函数获得各样本处的中心值区间半径。
可选的，绝对误差指区间值与实测值xt的绝对误差εt的判断公式如下：
其中，其中为第t个样本处预测值的中心值，xt为t个样本处的实测值，Rt为第t个样本处中心值的区间半径。
可选的，根据样本处预测值的中心值与样本处中心值的区间半径获得工作面顶部导水裂隙带发育高度的预测区间。
本发明的技术效果为：
本发明提供了一种煤矿工作面开采顶板导水裂隙带发育高度的预测方法，收集本矿区及条件类似的邻近矿区导水裂隙带相关数据；获得导水裂隙带高度的中心值；确定中心值的区间半径；得到顶板导水裂隙带发育高度区间值。该方法相比于传统的确定性点预测，在兼顾可靠性和准确性的同时，为矿井水害防治和水资源保护提供更全面有效的信息，比点预测更具有参考价值。
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示意图。
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开采工作面顶板导水裂隙带发育高度的预测方法，包括：
S1.收集本矿区及条件类似的邻近矿区煤矿导水裂隙带相关数据包括煤矿开采工作面的导水裂隙带发育高度测量值与导水裂隙带发育高度影响因素数据；
所述导水裂隙带发育高度影响因素数据包括：煤层开采的厚度、煤层埋藏的深度与工作面斜长。
S2.获得导水裂隙带高度的中心值，所利用的方法为遗传算法(GA)所优化的支持向量机回归(SVR)和BP神经网络。
所述GA-SVR为借助Matlab(2021a)软件编码得以实现。具体为：将所收集数据中的80％作为训练集，剩余20％作为测试集以检验支持向量机模型的预测效果，最后，获得目标导水裂隙带发育高度的预测值。
所述GA-BP神经网络为借助Matlab(2021a)软件编码得以实现。具体为：将所收集数据中的80％作为训练集，剩余20％作为测试集以检验BP神经网络的预测效果，最后，获得目标导水裂隙带发育高度的预测值。
获得导水裂隙带高度的中心值，具体计算公式为：
式中，eit为第i(i＝1，2)个方法(支持向量机回归和BP神经网络)在第t(1，2，...，n)个样本处的预测误差；为第t个样本处预测值的中心值；xi为第i个方法的预测值；wi为第i个方法的权重。
S3.确定中心值的区间半径，以绝对误差平方和最小为目标。设区间值实测值为xt，称εt为第t(1，2，…，n)个样本处区间值/>与实数值xt的绝对误差，
其中，为中心值，Rt为中心值的区间半径，/>可以看出当时，/>当/>时，/>当时，εt 2＝Rt 2；ri为第i(i＝1，2)个方法(支持向量机回归和BP神经网络)的权重半径，将/>代入第t(1，2，…，n)个样本处区间值/>与实数值xt的绝对误差表达式中，求出权重半径；xit为第i个方法在第t个样本处的预测值。
S4.得到顶板导水裂隙带高度预测的区间值，具体为：
式中，为第t个样本处的预测区间值；/>为第t个样本处预测值的中心值；Rt为第t个样本处预测中心值的半径。
遗传算法对支持向量机回归和BP神经网络进行优化，对它们所需的参数进行寻优，较单独的支持向量机和神经网络避免了局部最优，效果更好。
据工程经验可知，同一个矿井不同的工作面，因地层构造等原因，煤矿开采所产生的导水裂隙带发育高度有所差别，并不是统一单一的某个值。此情况下，我们得到的区间值相比于实数点值而言，在保证准确性(即预测结果与实际值相近)的同时，将为矿井提供更全面的信息。
为验证技术效果，本发明根据收集的西部矿区工作面开采导水裂隙带发育高度测量值、煤层开采厚度、煤层埋藏的深度(采深)和工作面斜长等数据，得到如下表1所示，为导水裂隙带高度实测值统计表。
表1
借助支持向量机回归和BP神经网络，获得数据中剩余20％测试集的导水裂隙带发育高度的预测值，得到导水裂隙带高度的中心值如下表2所示。
表2
以绝对误差平方和最小建立模型，确定中心值的区间半径Rt，最终得到顶板导水裂隙带高度预测的区间值如上表2所示。
某一矿井煤层开采高度为8.9m，开采深度为274.8m，开采工作面的斜长为300m，结合预测中心值201.69m与区间半径22.53m，得到工作面顶板导水裂隙带的发育高度区间值为[179.15，224.22]。
已知该矿井两观测孔处导水裂隙带高度实际值分别为181.20m、223.75m。将导水裂隙带发育高度实际值与预测的区间值相对比发现，预测区间值包含或与实际值较接近，且不确定性较小，验证了该方法的可靠性，比单一的点值预测更具有参考价值。
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 (7)

1.一种煤矿开采工作面顶板导水裂隙带发育高度的预测方法，其特征在于，包括以下步骤：
获取待预测矿区的地质信息与导水裂隙带相关数据；
基于所述地质信息获取地质条件在限定范围内的其他矿区的导水裂隙带相关数据；
分别基于支持向量机回归和BP神经网络构建模型，根据导水裂隙带相关数据与模型获得导水裂隙带高度中心值，并计算获取中心值区间半径；
根据所述区间半径获得工作面顶部导水裂隙带发育高度的预测区间。
2.根据权利要求1所述的煤矿开采工作面顶板导水裂隙带发育高度的预测方法，其特征在于，
所述导水裂隙带相关数据包括煤矿开采工作面的导水裂隙带发育高度实量值与导水裂隙带发育高度影响因素数据，其中，导水裂隙带发育高度影响因素数据包括煤层开采的厚度、煤层埋藏的深度、工作面斜长。
3.根据权利要求1所述的煤矿开采工作面顶板导水裂隙带发育高度的预测方法，其特征在于，
通过遗传算法对支持向量机回归和BP神经网络进行优化，基于优化后的支持向量机回归和BP神经网络构建模型，并根据导水裂隙带相关数据对模型进行训练，获得支持向量机回归模型与遗传神经网络模型。
4.根据权利要求3所述的煤矿开采工作面顶板导水裂隙带发育高度的预测方法，其特征在于，
获得导水裂隙带高度中心值的过程包括：
通过支持向量机回归模型与遗传神经网络模型分别获得若干个样本处的第一预测值集合与第二预测值集合，并进一步获得第一预测误差值集合与第二预测误差值集合，根据所述第一预测误差值集合、所述第二预测误差值集合与样本个数分别获得支持向量机回归模型与遗传神经网络模型对应的权重值，基于所述权重值、通过各个模型获得的若干样本处对应的预测值，获得各个样本处预测值的中心值。
5.根据权利要求4所述的煤矿开采工作面顶板导水裂隙带发育高度的预测方法，其特征在于，
计算获取中心值区间半径的过程包括：获取支持向量机回归模型与遗传神经网络模型的权重半径，根据所述权重半径与各个模型在若干样本处的预测值构建中心值区间半径计算公式；以绝对误差平方和最小为目标构建目标函数，基于所述中心值区间半径计算公式与所述目标函数获得各样本处的中心值区间半径。
6.根据权利要求5所述的煤矿开采工作面顶板导水裂隙带发育高度的预测方法，其特征在于，绝对误差指区间值与实测值xt的
绝对误差εt的判断公式如下：
其中，其中为第t个样本处预测值的中心值，xt为t个样本处的实测值，Rt为第t个样本处中心值的区间半径。
7.根据权利要求1所述的煤矿开采工作面顶板导水裂隙带发育高度的预测方法，其特征在于，
根据样本处预测值的中心值与样本处中心值的区间半径获得工作面顶部导水裂隙带发育高度的预测区间。
CN202310991454.9A 2023-08-07 2023-08-07 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 Active CN116955957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310991454.9A CN116955957B (zh) 2023-08-07 2023-08-07 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310991454.9A CN116955957B (zh) 2023-08-07 2023-08-07 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

Publications (2)

Publication Number Publication Date
CN116955957A true CN116955957A (zh) 2023-10-27
CN116955957B CN116955957B (zh) 2024-02-20

Family

ID=88454625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310991454.9A Active CN116955957B (zh) 2023-08-07 2023-08-07 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

Country Status (1)

Country Link
CN (1) CN116955957B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544548A (zh) * 2013-10-31 2014-01-29 辽宁工程技术大学 一种矿井导水裂隙带高度预测方法
CN103778480A (zh) * 2014-01-14 2014-05-07 辽宁工程技术大学 一种基于敏感度分析的裂隙带高度预测方法
CN104200292A (zh) * 2014-09-28 2014-12-10 山东科技大学 一种导水裂隙带高度预测方法
CN110705179A (zh) * 2019-09-30 2020-01-17 山东大学 基于融合神经网络的导水裂缝带高度精确预测方法及系统
CN113324506A (zh) * 2021-05-20 2021-08-31 中国建筑第五工程局有限公司 双模态盾构隧道下穿水库引起导水裂隙带高度的预测方法
CN113946790A (zh) * 2021-10-20 2022-01-18 安徽理工大学 一种导水裂隙带高度预测方法、系统、设备及终端
KR102382211B1 (ko) * 2020-10-26 2022-04-01 재단법인 차세대융합기술연구원 스마트시티 구축을 위한 시민 만족도 예측시스템 및 이의 동작방법
CN114693622A (zh) * 2022-03-22 2022-07-01 电子科技大学 一种基于人工智能的斑块侵蚀自动检测系统
CN115271212A (zh) * 2022-07-29 2022-11-01 中国矿业大学 一种煤矿工作面开采顶板导水裂隙带发育高度的预测方法
CN115293316A (zh) * 2022-08-03 2022-11-04 西安科技大学 基于ssa-elman中深埋厚煤层导水裂隙带预测方法
CN115422740A (zh) * 2022-08-30 2022-12-02 中国矿业大学 一种巨厚煤层分层综放开采导水裂隙带高度预测方法
CN115907187A (zh) * 2022-12-06 2023-04-04 库车市科兴煤炭实业有限责任公司 一种大采高综放导水裂隙带发育高度预测方法
EP4197312A1 (en) * 2021-12-20 2023-06-21 Deere & Company Crop constituents, predictive mapping, and agricultural harvester control

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544548A (zh) * 2013-10-31 2014-01-29 辽宁工程技术大学 一种矿井导水裂隙带高度预测方法
CN103778480A (zh) * 2014-01-14 2014-05-07 辽宁工程技术大学 一种基于敏感度分析的裂隙带高度预测方法
CN104200292A (zh) * 2014-09-28 2014-12-10 山东科技大学 一种导水裂隙带高度预测方法
CN110705179A (zh) * 2019-09-30 2020-01-17 山东大学 基于融合神经网络的导水裂缝带高度精确预测方法及系统
KR102382211B1 (ko) * 2020-10-26 2022-04-01 재단법인 차세대융합기술연구원 스마트시티 구축을 위한 시민 만족도 예측시스템 및 이의 동작방법
CN113324506A (zh) * 2021-05-20 2021-08-31 中国建筑第五工程局有限公司 双模态盾构隧道下穿水库引起导水裂隙带高度的预测方法
CN113946790A (zh) * 2021-10-20 2022-01-18 安徽理工大学 一种导水裂隙带高度预测方法、系统、设备及终端
EP4197312A1 (en) * 2021-12-20 2023-06-21 Deere & Company Crop constituents, predictive mapping, and agricultural harvester control
CN114693622A (zh) * 2022-03-22 2022-07-01 电子科技大学 一种基于人工智能的斑块侵蚀自动检测系统
CN115271212A (zh) * 2022-07-29 2022-11-01 中国矿业大学 一种煤矿工作面开采顶板导水裂隙带发育高度的预测方法
CN115293316A (zh) * 2022-08-03 2022-11-04 西安科技大学 基于ssa-elman中深埋厚煤层导水裂隙带预测方法
CN115422740A (zh) * 2022-08-30 2022-12-02 中国矿业大学 一种巨厚煤层分层综放开采导水裂隙带高度预测方法
CN115907187A (zh) * 2022-12-06 2023-04-04 库车市科兴煤炭实业有限责任公司 一种大采高综放导水裂隙带发育高度预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ENKE HOU等: ""Partitioning prediction on the risk of water inflow in the first mining area of Zhangjiamao mine"", 《2011 INTERNATIONAL SYMPOSIUM ON WATER RESOURCE AND ENVIRONMENTAL PROTECTION》, pages 2168 - 2171 *
寻博辉等: ""导水裂隙带发育高度预测模型对比研究"", 《煤炭科学技术》, vol. 51, no. 3, pages 190 - 200 *
朱广安等: ""临断层孤岛面冲击危险与断层滑移数值反演"", 《煤炭学报》, vol. 45, no. 2, pages 533 - 541 *

Also Published As

Publication number Publication date
CN116955957B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN102383779B (zh) 双层采空区钻孔探测方法
Li et al. Development of the safety control framework for shield tunneling in close proximity to the operational subway tunnels: case studies in mainland China
Navarro et al. Assessment of drilling deviations in underground operations
Mandal et al. Analysis and design approach for large storage caverns
Yin et al. A multi-method approach for estimating the failure depth of coal seam floor in a longwall coal mine in China
CN103046526A (zh) 深基坑底面隆起远程智能监测三维数字预警方法与系统
Li et al. Prediction model of fracture depth and water inrush risk zoning in deep mining coal seam floor
Duan et al. New evaluation and prediction method to determine the risk of water inrush from mining coal seam floor
Nordlund Deep hard rock mining and rock mechanics challenges
CN113792429A (zh) 用时间函数预测采空区埋地管道动态应力应变的方法
CN116955957B (zh) 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
Shi et al. Study on the mechanisms and prevention of water inrush events in a deeply buried high-pressure coal seam—a case study of the Chensilou coal mine in China
Guo et al. The feasibility of mining under a water body based on a fuzzy neural network
Xu et al. Sensitivity analysis and prediction method for water inflow of underground oil storage caverns in fractured porous media
CN106777556A (zh) 一种评估边坡开挖期稳定状态的空间分析方法
Wang et al. Fracture law of different overlying strata in mining of protective seam under close distance coal seam
Fahimifar et al. The influence of seepage and gravitational loads on elastoplastic solution of circular tunnels
Marino et al. Utilization of historical subsidence data for prediction of adverse subsidence conditions over Trona Mine
Evseev et al. Remote instrumental monitoring of interchamber pillar stability
CN115271212A (zh) 一种煤矿工作面开采顶板导水裂隙带发育高度的预测方法
Lu et al. Monitoring and analysis of ground subsidence and backfill stress distribution in Jinchuan Mine, China
Dong et al. Introduction to special issue on mine water inrushes: Risk assessment, mitigation, and prevention
Fan et al. The characteristics of grout diffusion in reduce subsidence mining with abscission layer grouting
CN105971516B (zh) 一种煤矿井下定向钻进防串孔方法
Matos et al. Multivariate statistical analysis of hydrogeochemical data towards understanding groundwater flow systems in granites

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