|本期目录/Table of Contents|

[1]刘江斌,任建超,刘茂福,等.基于智能算法的煤矿瓦斯浓度随钻预测模型对比研究[J].工业仪表与自动化装置,2024,(06):109-113.[doi:10.19950/j.cnki.CN61-1121/TH.2024.06.021]
　LIU Jiangbin,REN Jianchao,LIU Maofu,et al.Comparative study on methane concentration prediction models in coal mines based on intelligent algorithms[J].Industrial Instrumentation & Automation,2024,(06):109-113.[doi:10.19950/j.cnki.CN61-1121/TH.2024.06.021]
点击复制

基于智能算法的煤矿瓦斯浓度随钻预测模型对比研究(PDF)

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:
期数:
2024年06期
页码:
109-113
栏目:
出版日期:
2024-12-15

文章信息/Info

Title:
Comparative study on methane concentration prediction models in coal mines based on intelligent algorithms
文章编号:
1000-0682（2024）06-0109-05
作者:
刘江斌; 任建超; 刘茂福; 等
(1．煤炭科学研究总院有限公司，北京 100013；2． 中煤科工开采研究院有限公司，北京 100013；3．陕西陕煤曹家滩矿业有限公司，陕西 榆林 719100)
Author(s):
LIU Jiangbin;  REN Jianchao;  LIU Maofu;  et al
( 1．Coal Scientific Research Institute Co．，Ltd．，Beijing 100013， China；2．Coal Science and technology Mining Research InstituteCo．， LTD．， Beijing 100013， China ；3．Shaanxi coal Caojiatan mining Co．， LTD．， Shaanxi Yulin 719100， China )
关键词:
瓦斯预测; 浓度预测; 智能算法; 煤矿安全
Keywords:
gas concentration prediction;  concentration prediction;  intelligent algorithm;  coal mine safety
分类号:
TD41
DOI:
10.19950/j.cnki.CN61-1121/TH.2024.06.021
文献标志码:
A
摘要:
瓦斯超前预测对于煤矿的安全生产至关重要，然而何种模型更加适宜井下随钻瓦斯预测目前仍无相关研究。该文在研究常用智能预测模型建模的基础上，通过曹家滩矿区某掘进工作面的实测数据，对比研究了灰色预测模型、LSTM 模型和 BP 神经网络模型的随钻瓦斯预测性能，实验结果表明，3 种模型在理想的煤矿井下实验条件下均具有良好的预测准确性，但 LSTM 的预测效果最佳且理想条件下的预测误差小于 0．15％ 。该研究结果可用于高精度的随钻瓦斯浓度预测，并可为煤矿井下瓦斯抽采孔轨迹的动态调控提供必要的数据支撑。
Abstract:
Gas advanced prediction is crucial for the safety production of coal mines． However，there is still no consensus on which model is more suitable for underground drilling gas prediction． Based on this，this paper introduces the common prediction models， and through the comparison of the prediction performance of the grey prediction model， the LSTM model， and the BP neural network model using the actual measured data from a driving face in the Caojiatan mining area． The experimental results show that all three models have good prediction accuracy under the actual underground mining conditions， but the LSTM model has the best prediction performance，with an ideal prediction error of less than 0．15％． The research results of this paper can realize high －precision detection of gas concentration during drilling， and provide necessary data support for the dynamic control of gas drainage hole trajectories in underground coal mines．

参考文献/References:

[1]张超林，王培仲，王恩元，等．我国煤与瓦斯突出机理70年发展历程与展望[J]．煤田地质与勘探，2023，51(02)：59-94．

[2]程磊，孙洁．2016—2022年我国煤矿事故统计与规律分析[J]．煤炭工程，2023，55(11)：125-129．
[3]秦岩，盛武．基于PCA－GRU－SVM模型的多参量煤矿瓦斯浓度预测及预警研究[J]．安全与环境工程，2023，30(06)：81-88．
[4]郭风景，王斌，贾澎涛，等．基于梯度提升决策树的瓦斯浓度在线预测[J]．中国煤炭，2023，49(10)：61-67．
[5]秦嘉欣，葛淑伟，龙凤琪，等．基于GCN－GRU的瓦斯浓度时空分布预测[J]．工矿自动化，2023，49(05)：82-89+111．
[6]兰海平，张志刚，徐再刚，等．基于LSTM的瓦斯浓度预测与防突预警系统设计[J]．矿业安全与环保，2023，50(02)：64-70．
[7]王德忠，朱国宏，王禹，等．基于GA－LSTM的综采面瓦斯浓度预测模型[J]．煤炭技术，2023，42(01)：219-221．
[8]顾伟红，赵雪．基于GRA－SSA－Elman的隧道施工瓦斯安全性预测评价[J]．自然灾害学报，2023，32(06)：230-239．
[9]郭金栋．基于量子遗传模糊推理系统的煤与瓦斯突出预测模型[J]．华北科技学院学报，2023，20(06)：30-37．
[10]侯恩科，荣统瑞，卫勇锋，等．基于LSSA－BP神经网络的煤层瓦斯含量预测方法研究[J]．煤矿安全，2023，54(11)：55-61．
[11]周勇，赵常辛，张德森，等．基于SSA—KELM的煤与瓦斯突出预测[J]．工矿自动化，2023，49(S2)：81-86．
[12]张玉财，王毅，郭凯岩．基于WOA－LSTM的工作面瓦斯涌出量预测研究[J]．矿业安全与环保，2023，50(05)：50-55．
[13]文建东．特厚煤层综采面瓦斯涌出规律及优化治理技术研究[J]．中国煤炭，2023，49(11)：49-55．
[14]丁厚成，秦浩，邓权龙，等．Y型通风协同抽采下综采工作面采空区瓦斯渗流分布规律研究[J]．安全与环境工程，2023，30(06)：146-153．
[15]严敏，霍世豪，林海飞，等．瓦斯缓释剂作用下多因素对解吸瓦斯峰值浓度分布影响研究[J]．煤炭科学技术，2023，51(12)：282-297．
[16]郝世俊，褚志伟，李泉新，等．煤矿井下近钻头随钻测量技术研究现状和发展趋势[J]．煤田地质与勘探，2023，51(09)：10-19．
[17]王超，吴川，王虎．井下工程参数随钻测量系统研制[J]．煤矿机械，2024，45(02)：30-32．
[18]常杨，郭修成，李永钊，等．基于随钻工程参数测量数据的钻井风险识别试验[J]．钻采工艺，2022，45(05)：150-153．
[19]童思友，石辉，徐秀刚，等．PDC钻头随钻地震技术在胜利油田某井区的应用探索[J]．中国海洋大学学报(自然科学版)，2023，53(11)：152-161．
[20]李星翰，张文秀，陈鹏，等．随钻方位电磁波电阻率测井数据精度分析及实时反演成像[J]．地球物理学报，2023，66(09)：3990-3998．

相似文献/References:

备注/Memo

备注/Memo:
收稿日期:2024-05-09第一作者:刘江斌(1987—),男,陕西渭南人,高级工程师,硕士,现主要从事煤矿采掘研究工作?E-mail:LiuJiangB2024@163.com
更新日期/Last Update: 1900-01-01