煤矿瓦斯灾害事故的分形特性

为了解瓦斯灾害的演化特性与规律,应用分形理论中的R/S分析方法,对2000~2013年我国煤矿瓦斯事故及不同瓦斯事故类型建立四个时间序列进行分形特性研究,其重标极差的线性回归相关系数R在0.9715~0.9983之间,给定显著性水平α=0.05,经t检验,回归方程可靠;四个时间序列的赫斯特指数H在0.5998~0.9944之间,分形维数D在1.0056~1.4002之间,时间序列均具有明显的赫斯特现象和较强的约瑟效应。结果表明:煤矿瓦斯事故持续减少的趋势性很强;R/S分析方法能较好地反映煤矿瓦斯灾害子系统复杂的非线性动力学特性。     

林华煤矿煤与瓦斯突出构造控制及其分形特征

采用事故树分析法,对林华煤矿历次的煤与瓦斯突出事故资料进行了定性、定量分析,得出构造为林华煤矿煤与瓦斯突出事故的主控因素。运用分形理论对林华煤矿突出主控构造的特征进行分析,发现构造分布符合分形规律,信息维法比盒维法更能表征构造的分形特征。林华矿信息维数达到或超过一定数值的范围内,应采取抽放瓦斯等综合防突措施,加大防突力度。     

基于关联维的事故时间序列分形特征分析

根据我国"十五"期间事故统计数据,构造了一个事故时间序列;基于相空间重构理论,对事故序列进行了相空间重构,应用G-P算法,对事故时间序列的分形特征进行了研究,计算得出事故时间序列的关联维数。研究结果表明:当嵌入维数达到8以后,该事故动力学系统具有稳定的关联维数4.7,说明至少有5个因子在影响着事故时间序列的动态变化,并且该系统的有效自由度为8。本研究对建立事故时间序列的预测模型有较大的参考价值。     

瓦斯爆炸事故演化机理的综合论事故模型研究

为预防煤矿瓦斯爆炸事故,研究其演化机理是十分必要的。在总结1950—2013年间发生的126起特别重大瓦斯爆炸事故的基础上,运用混沌理论分析瓦斯爆炸事故演化过程的混沌特性,建立瓦斯爆炸事故综合论事故模型,阐述瓦斯爆炸事故各因素的演化关系。结果表明:瓦斯爆炸事故演化过程具有蝴蝶效应、随机性、分形性等特征;瓦斯爆炸事故的发生,虽然从微观上看是人的不安全行为和物的不安全状态导致的,但从宏观上看是社会因素、组织因素、情境因素交叉耦合作用的结果。     

硫化矿石氧化性的分形表征

针对硫化矿石吸氧速度常数呈现出的不规则周期性变化特征,通过R/S分析法对其进行分析.结果表明,在试验条件下,6种矿样吸氧速度常数的时间序列均体现出明显的Hurst现象,且Hurst指数均大于0.5;同时通过比较发现,矿样的氧化性与矿石吸氧速度常数的Hurst指数值具有一致性.由此可以看出,通过测定矿石吸氧速度常数并进行R/S分析,比较Hurst指数或分形维D值大小,可以得到矿样的氧化性大小,实现利用分形维对矿石氧化性进行表征,从而代替其他各项繁琐的试验工作.该研究为判断硫化矿石常温下的氧化性提供了新的思路和方法,具有一定的理论意义和应用价值.     

贵州北部突出煤的孔隙结构及分形特征研究

为揭示突出煤孔隙结构对瓦斯吸附能力与放散性能影响,通过贵州北部3个典型煤矿煤样的低温液氮吸附试验,研究突出煤比表面积、孔容、孔隙平均孔径、最可几孔径、分形维数等5种孔隙结构参数,以及突出煤孔隙的瓦斯扩散模式,分析突出煤孔隙特征参数对吸附能力和放散初性能的影响特征。结果表明:突出煤的孔隙结构较为发育,孔隙通透性较差;孔隙中气体以过渡型和菲克型扩散为主;相比温度,压力和孔径对努森数影响更明显;突出煤孔隙特征参数与瓦斯放散初速度呈较好的线性关系,且分形特征明显,吸附能力随分形维数呈二次函数递增,瓦斯放散初速度随分形维数线性增大。     

基于R/S分析的矿井涌水量灰色预测

矿井涌水量序列具有分形和灰色特征,将R/S分析与灰色系统理论相结合,提出了R/S灰色预测模型以预报矿井涌水量。并以龙门矿为例,对其矿井涌水量进行了R/S分析,确定了Hurst指数和平均循环周期;还在一个周期内进行了涌水量灰色预测。结果表明:龙门矿矿井涌水量平均循环周期为10个月;原本无法进行灰色预测的矿井涌水量序列,经R/S分析后不但可以进行灰色预测,而且预测精度达97.54%,明显高于成熟模型—灰色马尔科夫预测模型的精度。该方法拓宽了分形和灰色理论在涌水量研究中的应用范围。     

瓦斯煤尘爆炸特性及抑爆方法研究进展

为探究瓦斯煤尘爆炸特性及抑爆机理,本文通过一系列实验,研究瓦斯、煤尘爆炸的速度和温度等特征,提出利用图像相关系数法和辐射测温原理计算火焰传播速度及温度场变化,定量分析影响煤尘爆炸的因素以及产物变化规律,揭示煤尘爆炸的宏微观机制。结果表明:火焰分形维数可以用来反应瓦斯爆炸强度,即当分形维数更接近2.2937时爆炸反应最为强烈,其爆炸过程中自由基最终生成浓度与CH 4初始浓度呈倒U型关系;当量比对煤粉火焰爆炸压力及速度也有一定影响,在最佳当量比的2倍左右时可以达到最大爆炸压力和最大火焰传播速度。另外本文亦采用泡沫陶瓷对瓦斯的多次爆炸和连续爆炸进行抑爆,发现不同厚度和孔隙的泡沫陶瓷具有不同的抑制效果,孔隙较大的泡沫陶瓷对爆炸能量有较好的抑制作用。     

我国生产安全事故的R/S分析

R/S分析方法是一种检验时间序列服从独立随机分布假设或非线性特征的有效工具.本文应用R/S分析方法实测了几类全国安全生产事故Hurst指数,表明几类全国安全生产事故发生具有持续性的特点,研究成果对于指导政府、企业认识安全生产规律,科学决策具有参考意义.     

特别重大煤矿瓦斯爆炸事故致因分析及管理模式研究

为预防煤矿特别重大瓦斯爆炸事故,开展事故发生规律和致因研究。统计分析最近几十年发生的126起煤矿特别重大瓦斯爆炸事故,运用基于故障树(FTA)的贝叶斯网络(BN)方法,分析各危险源对事故影响的重要度,建立纵深防御管理模型。结果表明:煤矿特别重大瓦斯爆炸事故主要是由通风与瓦斯管理混乱、电气火花和爆破火焰引起,且大多数发生在采掘工作面;局部通风机随意停开、采空区瓦斯、电缆破损短路等是预防特别重大瓦斯爆炸事故的管控重点。     

真三轴加卸载煤样声发射长程相关性特征

为模拟井下应力条件,设计固定轴压卸围压试验,得到煤样破裂过程的声发射结果,并计算不同初始围压及不同卸载速率条件下声发射时间序列的长程相关性特征,以期对煤岩体的破裂做出预警。研究结果表明:不同初始围压及不同卸载速率下声发射实验结果类似,根据声发射累计计数可将声发射变化过程分为线性增长期、平静期以及指数增长期,可以很好地反应煤样的破裂过程;随初始围压和卸载速率的增大,声发射时间序列的Hurst指数随之增大,正相关性增强;Hurst指数与分形维数的动态变化与煤样的失稳破裂过程良好对应,且不同初始围压及卸载速率下,Hurst指数与分形维数的动态变化规律类似,说明其声发射时间序列的宏观产生机制具有内在统一性,可将接近破裂荷载时Hurst指数的增大与分形维数的减小作为煤样失稳破裂的前兆信息。     

基于HHT方法的矿井瓦斯体积分数预测

为有效分析煤矿瓦斯监测数据以实现较准确的瓦斯浓度预测,研究应用希尔伯特-黄变换(HHT)方法进行瓦斯浓度时间序列分析与预测的方法。应用经验模态分解(EMD)方法将瓦斯浓度时间序列分解成不同频率的固有模态函数(IMF)分量的叠加,以获取瓦斯浓度时间序列的瞬时特征;通过Hilbert变换求得各IMF分量的瞬时频率,依据各IMF分量瞬时频率的均值将分解得到的IMF划分成较高频和低频2类新的分量,选取适合于各分量特征的预测模型分别进行预测,以消除局部随机性对预测精度的影响,结合自回归(AR)、径向基函数(RBF)神经网络和支持向量机(SVM)3种预测模型实现瓦斯浓度预测。实例分析表明:应用该方法所得预测结果比较准确,降低了预测复杂度,提高了预测精度。     

瓦斯浓度区间预测的灰色聚类与高斯过程模型

为有效分析矿井瓦斯监测数据,以实现准确、可靠的瓦斯浓度预测,基于灰色关联聚类分析与高斯过程回归模型,研究瓦斯浓度时间序列分析与预测的方法。以预测有效度为预测精度的评估指标来动态确定重构瓦斯浓度时间序列样本空间的维数;应用灰色关联分析方法将瓦斯浓度时间序列划分成若干样本集,将其中具有关联特征的样本作为虚拟变量进行预测以消除因随机、不确定因素干扰而引起的预测误差;应用高斯过程回归模型实现瓦斯浓度区间预测,将预测结果表示成一个具有较高可信度的取值区间,以此表达对未来一段时间内瓦斯浓度动态变化情况的预测。实例分析表明:预测结果准确、可靠,能够较好地反映瓦斯浓度的实际变化状况。     

基于改进极端学习机的混沌时间序列瓦斯涌出量预测

为更准确地预测瓦斯涌出量,预防瓦斯灾害,有必要建立和应用基于改进极端学习机(IELM)的混沌时间序列预测模型。首先,对瓦斯涌出量监测数据构成的多变量时间序列进行相空间重构,采用互信息法与虚假邻点法得到每一变量的延迟时间和最佳嵌入维数;然后,通过最小二乘方法和误差反馈原理计算出最优的网络输入层到隐含层的学习参数,对极端学习机(ELM)进行改进;最后,借助IELM建立瓦斯混沌时间序列的预测模型。通过仿真试验,运用该预测模型预测的最大相对误差为3.290 2%,最小相对误差为0.898 2%,平均相对误差为1.952 8%。     

基于支持向量机(SVM)的回采工作面瓦斯涌出混沌预测方法研究

针对瓦斯涌出传统的线性预测方法存在的问题,根据瓦斯涌出时间序列固有的确定性和非线性,利用混沌动力系统的相空间延迟坐标重构理论,结合基于机器学习理论的支持向量机(SVM),建立基于SVM理论的瓦斯涌出混沌时间序列预测模型。经Ⅱ1024回采工作面瓦斯涌出时间序列仿真计算,仿真结果显示该预测模型具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度。同时,该模型具有以往传统机器学习的瓦斯涌出预测模型建立简便、训练速度快等优点。由于充分考虑瓦斯涌出时间序列的混沌性,并利用SVM预测的优良特性,使得预测更科学。     

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

煤矿瓦斯涌出时序预测的自组织数据挖掘方法

为分析煤矿瓦斯涌出复杂系统时间序列预测方法,提出自组织数据挖掘(SODM)与相空间重构(PSR)相结合的预测建模方法。首先应用C-C方法计算时间序列的最佳嵌入维数和延迟时间后进行PSR;然后以二元二次方程为传递函数,以嵌入维数变量为自变量,以延迟时间后的时间序列为因变量,通过内准则确定传递函数系数和外准则选择最优传递函数,并以最优传递函数的输出为下层迭代传递函数的输入,最后获得最优复杂度预测模型。算例结果表明:该方法对煤矿瓦斯涌出量预测的相对误差为-5.751 7% ~6.049 3%,平均相对误差2.145 7%,预测结果能满足煤矿安全生产实际工程应用要求。     

基于CNN-GRU的瓦斯浓度预测模型及应用*

为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络（CNN）提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计（Adam）优化的控循环单元神经网络（GRU）,在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果。研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15%,35.04%,研究结果可为矿井瓦斯灾害防治提供依据。     

R/S法的土石坝施工期沉降规律及预警标准研究

为提高施工期土石坝沉降安全性,研究其具有复杂非线性特征的施工期沉降规律和相应的预警标准。基于国内某在建高土石坝的沉降数据,采用R/S法分析坝体不同高程测点、同高程测点和同测点不同时期沉降数据的Hurst指数及分形维数,提出评价坝体施工期沉降安全性的预警标准。结果表明:各测点的Hurst指数最小值为0.763,坝内各处沉降仍处于快速增长阶段;坝体下部比上部、中部比下游堆石区沉降能更快趋于稳定,且坝体下部的沉降速率已经渐趋平缓。