突出重点扎实工作整体推动水环境保护迈上新台阶——环境部部长周生贤就《水污染防治法》答记者问

于今年2月28日修订后颁布的《水污染防治法》已于6月1日起正式实施。记者就《水污染防治法》的修订情况及下一步如何贯彻落实等问题专访了环境保护部部长周生贤。 记者：原国家环境保护总局全程参与了此次修订《水污染防治法》并发挥了重要的作用,请您简要介绍一下有关情况。     

地质因素对煤层瓦斯赋存影响的研究

为研究地质因素对煤层瓦斯赋存的影响,针对淮北矿区石台煤矿3煤层,采用瓦斯地质块段划分的方法,以井田内主要断层和天然焦区为界,把3煤层划分为3个独立的地质块段,分区对不同地质块段内地质因素对煤层瓦斯赋存规律进行研究,分析褶皱构造、断裂构造及岩浆侵蚀等对煤层瓦斯压力和瓦斯涌出量的影响。结果表明:地质构造对瓦斯保存和运移起到重要作用,岩浆岩侵入对石台煤矿3煤层煤与瓦斯突出的控制作用最为明显,地质块段的划分(分区管理)对地质构造复杂的高瓦斯及煤与瓦斯突出矿井具有重要意义。     

基于MMAS-BP的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度的预测精度及预测速度,用最大最小蚂蚁系统和BP神经网络相结合的方法进行预测模型设计。根据煤与瓦斯突出强度及其主要影响因素之间的关系数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,网络误差为目标函数,通过蚁群算法的迭代运算,搜索出误差的全局最小值,以实现BP神经网络的初始权值、阈值优化,并用优化后的网络进行瓦斯突出强度的预测。实例结果表明,MMAS-BP算法的预测值均方差为0.089,约为BP神经网络的0.1倍,且输出稳定性好,适用于煤与瓦斯突出强度的预测。     

急倾斜煤层石门揭煤突出机理数值模拟研究

与其他类型的突出相比,石门揭煤的突出危险性最为严重,对它的突出机理进行研究有助于提高防突工作水平。根据马家沟矿石门揭煤突出后遗留的孔洞形状,采用数值模拟软件对突出过程进行反演分析;再现了马家沟矿石门揭煤突出发生的地质条件及发展过程。结果显示,急倾斜煤层石门揭煤突出过程中,煤体自重应力的作用比较明显;突出发生后,地应力梯度和瓦斯压力梯度均下降,卸压区宽度增大。因此,对于急倾斜煤层石门揭煤,一方面,要采取瓦斯抽放等措施,降低工作面前方煤体的应力和瓦斯压力;另一方面,要采用金属骨架对其上方煤体进行支护,防止该煤体垮落诱导突出。     

实验室煤与瓦斯突出模拟试验回顾及展望

为借鉴国内外煤与瓦斯突出模拟试验研究成果,查阅大量相关文献,进行分析和总结。以人们对煤与瓦斯突出试验研究的深入程度为主线,将实验室煤与瓦斯突出模拟试验的研究历程进行阶段划分。研究表明:20世纪50—60年代,成功诱导了突出,初步考察诸因素对突出的影响;70—90年代,深入探究突出发生的力学判据及突出过程,并提出数十种有关突出机理方面的假说;21世纪初,以组建三维模拟试验台进行试验为特点,大大提高了模拟试验条件与现场的相似度,但在力学加载系统的稳定性和可调性、模型的整体密封性、测试探头的精度等方面仍需改进。     

煤岩瓦斯复合动力灾害机理研究进展与展望

随着我国煤矿快速进入深部开采,煤岩瓦斯复合动力灾害日渐成为威胁深部煤炭安全高效开采的重大灾害,研究其发生机理成为煤矿安全领域新的重大科学问题。本文首先在调研统计的基础上,阐述我国煤岩瓦斯复合动力灾害的发生规律和主要破坏特征,从定性和初步定量研究角度对煤岩瓦斯复合动力灾害机理的研究现状进行综述分析,然后介绍笔者近年来在受载含瓦斯煤岩组合体耦合失稳诱发复合动力灾害机制方面的研究进展,最后展望煤岩瓦斯复合动力灾害机理研究中亟待解决的问题及未来研究方向。     

煤和瓦斯突出过程中瓦斯作用机理的研究

阐述了瓦斯在煤和瓦斯突出过程中所起的作用 ;指出煤层中瓦斯的存在改变了煤岩体的物理力学性质及响应特性 ,使之成为非稳定介质 ;特别强调在瓦斯突出发生时 ,瓦斯膨胀能起了至关重要的作用 ;由于瓦斯的存在 ,加剧了煤体失稳破坏的过程。     

乡镇煤矿安全管理中的三个问题

乡镇煤矿在健康有序发展的同时,较为突出的问题仍为安全管理问题。预测和预防事故是安全决策的中心课题,我们探讨煤矿的安全管理、安全技术、安全教育三个主要问题,目的是确定预防事故对策。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

MI和SVM算法在煤与瓦斯突出预测中的应用

为解决能用于煤与瓦斯突出预测模型的真实事故训练数据量小、数据集缺失严重的问题,提出采用数据挖掘多重填补(MI)算法填补事故数据中缺失参数,增大可用数据集,并将填补后的数据用于支持向量机(SVM)预测模型的训练与测试,选取K最近邻(KNN)算法与SVM进行对比.结果 表明:SVM数据填补前后的平均识别率分别为88.37％...