秦玉金,蘇偉偉,姜文忠,3,陳煜朋,3
(1.煤科集團沈陽研究院有限公司,遼寧 撫順113122;2.煤礦安全技術國家重點實驗室,遼寧 撫順113122;3.煤炭科學研究總院,北京100013)
瓦斯涌出量預測是根據現場統計或實測數據,在考慮開采工藝、地質條件等客觀因素前提下,采用特定模型預先計算新礦井、新水平、新采區(qū)、新工作面在投產前的瓦斯涌出量大小,為礦井、采區(qū)和工作面的通風設計、瓦斯抽采設計、瓦斯防治等提供基礎數據,其預測結果的準確性較大程度決定了礦井生產安全的可靠性,也將直接影響礦井生產投資成本。經過半個多世紀發(fā)展,我國礦井瓦斯涌出量技術研究與現場開采條件緊密結合,利用多門學科交叉優(yōu)勢,衍生了多種多樣的預測手段,極大提高了瓦斯涌出量預測水平。隨著淺部煤炭資源日趨枯竭,埋深千米的煤炭儲量將成為今后資源開采的重要對象,然而面對煤層瓦斯賦存條件復雜化、瓦斯復合災害嚴重化、開采難度擴大化的特殊局面,準確預測深部礦井瓦斯涌出量成為技術挑戰(zhàn)。因此,對我國礦井瓦斯涌出量預測技術發(fā)展歷程、研究進展進行了系統調研,通過對比、考察和分析,總結了當前礦井瓦斯涌出量預測技術應用中存在的不足,指出了今后發(fā)展面臨的關鍵問題,旨在進一步完善瓦斯涌出量預測技術,科學指導現場應用。
從20 世紀50 年代初,煤科集團沈陽研究有限公司(以下簡稱“沈陽研究院”,前身為撫順煤炭研究所)就開始研究礦井瓦斯涌出量預測技術,是我國最早從事相關研究的科研機構[1],隨后國內其他科研院所、高等院校和煤礦企業(yè)也相繼開展了同類研究,研究歷程可分為4 個階段:
1)基于礦山統計法的瓦斯涌出量預測應用階段(20 世紀50 年代至今)。1937 年,礦山統計法由前蘇聯專家李金首先提出[2]。1953 年,國內沈陽研究院首次引用礦山統計法,并成功測算了遼源礦務局中央豎井煤層瓦斯含量梯度;1959 年,淮南礦務局謝家集二礦采用礦山統計法首次預測了本礦瓦斯涌出量,指導了礦井開采設計;1959—1964 年,礦山統計法進行了廣泛試驗應用,在撫順煤田、北票臺吉礦、峰峰煤田、南桐煤田等礦區(qū)進行了瓦斯涌出量預測,隨后逐步在全國瓦斯礦井推廣應用。2006 年礦山統計法被制定為行業(yè)標準,實現了國內全面應用。
2)基于分源預測法的瓦斯涌出量預測應用階段(20 世紀80 年代至今)。20 世紀80 年代,沈陽研究院于良臣率先研究了煤壁瓦斯涌出規(guī)律及涌出量預測方法[3],在國家“七五”期間(1986—1990 年)提出了礦井瓦斯涌出量分源預測方法,適用于新建礦井和老井水平延深的瓦斯涌出量預測[4],實現了初步應用。國家“八五”期間(1991—1995 年),沈陽研究院基于初期構建的分源預測法,提出了構造單元預測方法,首次建立全國統一的礦井瓦斯涌出量預測方法,將預測精度提高到85%以上[5-6]。國家“九五”期間(1996—2000 年),隨著開采工藝水平的提高,沈陽研究院進一步研究了高產高效采煤工作面和綜掘工作面的瓦斯涌出規(guī)律,為完善瓦斯涌出量預測技術奠定了基礎。國家“十五”期間(2001—2005 年),經過系統總結和分析,開展了煤礦瓦斯治理技術標準體系框架和礦井瓦斯涌出量預測篩選及適用性的研究,將分源預測法推進到實用階段,“十一五”期間(2006—2010 年)形成AQ 1018—2006《礦井瓦斯涌出量預測方法》行業(yè)標準,實現全國范圍內推廣應用。
3)基于瓦斯地質數學模型法的瓦斯涌出量預測應用階段(20 世紀90 年代至今)。20 世紀70 年代楊力生教授在我國首創(chuàng)瓦斯地質學科,為瓦斯涌出量預測方法研究提供了新思路。1993 年,張子戌[7]等基于瓦斯地質學科理論提出一種新的預測方法-瓦斯地質數學模型法,也稱瓦斯地質統計法,通過研究瓦斯地質規(guī)律,確定影響瓦斯涌出的主要地質因素,結合生產礦井已采地區(qū)的涌出量實測資料,建立多變量的預測模型,實現深部未采地區(qū)的瓦斯涌出量預測。1995 年,劉英學[8]先后研究了瓦斯涌出量等值線外推方法,瓦斯涌出量與煤層瓦斯含量比值作圖方法,經與瓦斯地質理論相結合,形成了瓦斯地質多元分析綜合類比法。2011 年,瓦斯地質統計法納入AQT 1086—2011《煤礦礦井瓦斯地質圖編制方法》行業(yè)標準,被推薦為3 種瓦斯涌出量預測方法之一[9]。
4)基于軟計算技術的多種預測方法的涌現階段(20 世紀90 年代至今)。信息科學已成為21 世紀影響人類文明進步的重要學科,該學科涉及的軟計算方法是指研究對象只求近似而非精確解,模糊邏輯、人工神經網絡、遺傳算法、分形與混沌理論可歸為軟計算方法。在礦井瓦斯涌出量預測領域,過分追求預測信息和基礎數據的準確性是難以實現的,隨著軟計算方法的引入,瓦斯涌出量預測信息轉化為一種合理的數學參數成為可能,促進了灰色系統、神經網絡等工具手段衍生為新的瓦斯涌出量預測方法。20 世紀80 年代,華中理工大學鄧聚龍教授創(chuàng)立了灰色理論,1990 年至今,與之相關的軟計算方法被應用到礦井瓦斯涌出量預測領域,相關技術文獻大量涌現,礦井瓦斯涌出量預測-期刊學術發(fā)展趨勢曲線如圖1。20 世紀90 年代初,王軒[10]、周長春[11]、秦書玉[12]、章壯新[13]等學者將灰色理論應用到了礦井瓦斯涌出量預測領域。20 世紀90 年代末,朱川曲[14]、施式亮[15]等學者將神經網絡理論運用到瓦斯涌出量的預測模型中。隨后更多學者根據不同算法又衍生出多種預測模型,并通過采集礦井監(jiān)控系統監(jiān)測的動態(tài)數據初步實現了礦井瓦斯涌出量的動態(tài)預測[16]。
圖1 礦井瓦斯涌出量預測-期刊學術發(fā)展趨勢曲線(數據來自于中國知網數據庫)Fig.1 Academic development trend curve of periodicals on mine gas emission forecast(data from CNKI)
我國礦井瓦斯涌出量預測技術類型大致可分為4 類:第1 類是以煤層瓦斯含量為基礎參數,通過確定井下瓦斯涌出來源,計算每個來源的瓦斯涌出量,經匯總得到整個礦井或某采區(qū)的瓦斯涌出總量,如:分源預測法;第2 類是依據瓦斯涌出量、瓦斯地質、開采條件等量化數據,利用數理統計理論建立瓦斯涌出量預測模型和方法,如:礦山統計法、瓦斯地質數學模型法;第3 類是利用信息科學的軟計算方法處理瓦斯涌出量、地質參數等預測數據,建立預測模型,如:灰色預測法、神經網絡預測;第4類是以前3 類單一預測方法為基礎,構建形成多種組合預測方法,如:GM(1,1)線性回歸、GM(1,N)神經網絡、灰色-分源、改進層次分析、可變模糊、模糊灰色系統、灰色-馬爾柯夫、主成分分析和逐步回歸分析等組合預測模型。
分源預測法針對礦井、采區(qū)、回采面和掘進工作面等不同地點的瓦斯涌出規(guī)律,以煤層瓦斯含量、煤層開采技術條件為基礎,計算相應地點的瓦斯涌出量,適用于新建礦井、生產水平延深、設計新采區(qū)及采掘工作面的瓦斯涌出量預測,該方法已被列入AQ 1018—2006《礦井瓦斯涌出量預測方法》進行推廣應用。礦井瓦斯涌出構成關系如圖2。
圖2 礦井瓦斯涌出構成關系圖Fig.2 Composition diagram of mine gas emission
在傳統分源預測方法的基礎上,許多學者采用新技術手段拓展了不同應用條件下的預測方法。李曉華等[17]采用瓦斯地質分析方法和GIS 空間分析技術,實現礦井瓦斯地質動態(tài)分析,同時結合工作面瓦斯抽采動態(tài)信息,采用分源預測方法將工作面前方煤體瓦斯涌出量動態(tài)預測可視化。張偉等[18]以石泉煤礦高產高效工作面為例,研究了工作面回采推進速度和與瓦斯涌出量之間的規(guī)律,提出了動態(tài)分源預測法數學模型,效果檢驗表明,動態(tài)分源預測精度明顯高于傳統分源預測精度。張運法等[19]從整個礦井生產歷史出發(fā),運用煤成氣地質理論,建立了井田勘探階段的瓦斯涌出量分源預測方法。邸志強等[20]提出了多源信息融合理論技術,將瓦斯相關數據進行有效融合,構建相同開采技術條件下煤層瓦斯含量與瓦斯涌出量計算模型,動態(tài)預測礦井瓦斯涌出量。
研究普遍認為,當煤層瓦斯賦存自然條件和開采技術工藝變化不大時,所處甲烷帶內煤層相對瓦斯涌出量與開采深度為線性關系:
式中:q 為預測深度H 下的瓦斯涌出量,m3/t;qt為瓦斯風化下限深度H0下的瓦斯涌出量,m3/t;α 為相對瓦斯涌出量梯度,m/(m3·t-1);H 為預測開采深度,m;H0為瓦斯風化帶深度,m。
利用線性梯度可預測延伸水平或相鄰礦井未采區(qū)域的瓦斯涌出量。式(1)中相對瓦斯涌出量梯度α的物理意義指相對瓦斯涌出量每增加1 m3/t 時,開采深度增加的平均值。其大小取決于煤層傾角、煤層和圍巖的透氣性等因素,由已采地區(qū)深度、瓦斯涌出量等開采資料而確定。目前,該方法已被列入AQ 1018—2006《礦井瓦斯涌出量預測方法》中國安全生產行業(yè)標準[21]。
瓦斯地質數學模型法是以瓦斯地質學科為基礎理論,研究和確定影響瓦斯涌出強度的主控因素,從而建立預測瓦斯涌出量的多變量數學模型,實現礦井未采區(qū)域的瓦斯涌出量預測。該方法充分考慮了礦井真實的開采條件,能融合3~6 個不同的地質因素,具有1 個礦井1 個預測模型匹配優(yōu)勢。
瓦斯地質數學模型法由張子戌教授首次提出,之后許多學者又進行了探索和應用,推動瓦斯地質數學模型法發(fā)展。郎咸民[22]融合了基巖厚度、構造煤厚度、煤間距、揮發(fā)分4 個影響因素,采用最小二乘法原理建立了瓦斯涌出量預測數學地質模型,預測精度達到現場生產要求。張子戌等[23]綜合考慮地質條件、開采深度等多種影響因素,采用數量化理論作為建模工具,建立了包括煤層底板標高、頂板砂巖比、煤層厚度、地質構造等4 個指標的瓦斯地質數學模型。王生全[24]采用逐步回歸方法綜合分析南橋煤礦瓦斯地質因素,建立了多因素影響的瓦斯涌出量預測模型。
灰色系統介于信息完整的白色系統和一無所知的黑色系統之間,囊括了已知的、未知的和非確知的數據信息。針對礦井瓦斯動態(tài)涌出影響因素的動態(tài)、模糊等特性,灰色理論借助無信息盲區(qū)優(yōu)勢可以直觀反映外延明確、內涵模糊的瓦斯涌出規(guī)律?;疑A測模型是以傳統灰色GM(1,1)模型和MGM(1,N)模型為基礎演化的,瓦斯涌出量灰色預測模型是對傳統灰色模型實行的改進優(yōu)化。劉新喜等[25]應用灰色系統理論GM(1,1)模型,建立了不同開采強度下瓦斯涌出量預測模型。余永強等[26]基于灰色系統理論建立瓦斯涌出量預測模型GM(1,1),根據地質條件特征對平頂山一礦戊煤層進行預測單元劃分,實現了地質單元內的瓦斯涌出量預測。呂貴春等[27]利用不同采深的瓦斯涌出量原始數據,建立礦井瓦斯涌出量的動態(tài)預測GM(1,1)模型。伍愛友等[28]應用灰色系統理論建立礦井瓦斯涌出量GM(1,1)模型。劉超儒等[29]在建立的礦井瓦斯動態(tài)涌出GM(1,1)模型基礎上,采用殘差GM(1,1)模型對預測結果誤差進行校驗,實測結果表明,模型預測精度能反映延伸水平的瓦斯涌出真實情況。趙建會等[30]運用灰色預測理論,分析了回采工作面瓦斯涌出量的關鍵影響因素,建立了工作面瓦斯涌出量GM(1,1)預測模型。熊祖強等[31]利用無偏灰色GM(1,1)模型代替?zhèn)鹘y灰色GM(1,1)模型,建立動態(tài)無偏灰色馬爾科夫模型,不但能夠消除傳統灰色GM(1,1)模型自身的固有偏差,而且能提高預測精度。陳延可等[32]采取增加新信息與去掉舊信息同時進行的方式建模,建立了等維新息GM(1,1)模型,既能反映瓦斯涌出量隨時間推移的動態(tài)變化情況,又能反映受未來各種因素干擾后礦井瓦斯涌出量的最新變化趨勢,可實時預測和監(jiān)控工作面瓦斯?jié)舛茸兓?。肖鵬等[33]建立礦井瓦斯涌出量MGM(1,N)預測模型,模型涵蓋了產量、瓦斯抽放量、支撐力、瓦斯涌出量等影響因素,預測精度大幅提高。
神經網絡預測法適用于預測礦井生產階段未采區(qū)或工作面的瓦斯涌出量。神經網絡本身具備樣本學習能力,實際使用時無需假設影響因素與瓦斯涌出量的關系,只須將實際數據提交給網絡模型實施訓練,就能以任何精度逼近真實值。神經網絡預測模型直擊了瓦斯涌出量與影響因素之間復雜的非線性關系,化繁為簡,建立礦井瓦斯涌出量Y 與影響因素Xn之間的函數關系,Y=(X1,X2,…,Xn),礦井瓦斯涌出量神經網絡預測模型如圖3。
圖3 礦井瓦斯涌出量神經網絡預測模型(Wij 模型代表)Fig.3 Neural network prediction model of mine gas emission
近年來,隨計算機科學和信息科學的不斷發(fā)展,瓦斯涌出量神經網絡預測模型不斷自我修正,自身的合理性和科學性逐步提升,預測精度越來越高。徐剛等[34]為了解決因工作面影響瓦斯涌出因素繁多而無法篩選的難題,采用因子分析法降維處理了礦井瓦斯涌出量影響因素,使錯綜復雜的變量關系轉變?yōu)? 個主因子之間的線性組合關系,從而建立BP神經網絡預測模型,現場預測結果與實測結果相對誤差均在5%以下,穩(wěn)定性較好。李杰等[35]以改進的萬有引力搜索方法實施神經網絡隱含層節(jié)點數尋優(yōu),計算瓦斯涌出相關系數,篩選主要影響因素,建立了IGSA-ELM 神經網絡預測模型,相比傳統神經網絡預測模型,預測精度提高31%以上。魏林等[36]為了改進Elman 模型的遞歸部分,引用Lyapunov 穩(wěn)定性原理,將煤層瓦斯含量、煤層深度、煤層厚度、煤層傾角、開采高度、工作面長度、回采速度、回采率、鄰近層瓦斯含量、鄰近層厚度、煤層間距、開采強度和層間巖性等16 個變量節(jié)點連通,建立隱層遞歸反饋(HRF)Elman 預測模型,利用礦井監(jiān)測數據檢驗預測模型,相比傳統的Elman 模型,預測精度和效率均有大幅提升。付華等[37]采用蟻群聚類算法計算獲取最優(yōu)的Elman 神經網絡權值和閾值,消除了Elman 神經網絡算法學習速度緩慢、精度低、魯棒性差等缺陷,完成了瓦斯涌出量和影響因素之間的非線性逼近,最終提出了ACC-ENN 絕對瓦斯涌出量預測模型,實現了動態(tài)預測目標。付華等[38]又提出貓群算法(CSO)優(yōu)化相關支持向量機(RVM),融合多特征空間信息,解決了有限樣本、高維數瓦斯涌出量建模難題。魏引尚等[39]結合煤礦工作面瓦斯涌出量實時監(jiān)測數據,運用Monet Carlo 方法研究數據內部蘊含規(guī)律,實現待采區(qū)域的瓦斯涌出量預測。薛鵬騫等[40]將小波分析和神經網絡理論有機結合,利用非線性小波函數取代人工神經網絡激發(fā)函數,建立了小波神經網絡模型,解決了影響瓦斯涌出量因素的復雜非線性問題,模型能夠輸入深度、厚度、瓦斯含量、煤層間距、日進度、日產量等6 個變量節(jié)點。徐威等[41]有機結合灰色理論和遺傳神經網絡,利用遺傳算法輸入埋藏深度、厚度、瓦斯含量、地質構造、火成巖、頂底板巖性等6 個變量節(jié)點,優(yōu)化了隱含層神經元個數和網絡中的連接權值。楊智懿等[42]結合BP 神經網絡原理,采用matlab 語言,建立了以埋藏深度、厚度、瓦斯含量、工作面平均日進度、工作面平均日產量共5 個輸入層節(jié)點為基礎結構的神經網絡預測模型。周革忠等[43]采用BP 人工神經網絡模型和算法,成功引入采深、瓦斯含量、煤層間距、工作面日產量、煤層厚度、落煤方式、工作面推進速度、循環(huán)方式、傾角等9 個變量節(jié)點,準確求解了瓦斯涌出量與煤層賦存條件、開采條件的非線性模型函數,實現不同開采條件下的瓦斯涌出量預測。魏引尚等[44]結合現場實際開采條件,構建以BP 神經網絡為基礎理論的預測模型,把影響瓦斯涌出量的埋深、煤厚、瓦斯含量、煤層與鄰近煤層距離、推進距離、工作面產量等6 個因素作為變量節(jié)點融入模型之中,提高了工作面瓦斯涌出量預測精度。王生全等[45]通過分析陳家山煤礦綜采工作面瓦斯涌出量影響因素,定量篩選埋藏深度、瓦斯含量、工作面推進度、煤層頂板采動影響帶范圍含油氣砂巖厚度、煤層頂板采動影響帶范圍砂巖層含油強度等5 個主控因素,建立了BP 神經網絡預測模型,有效消除了人為主觀分析帶來的誤差。劉玉靜等[46]將埋藏深度、日產量、瓦斯含量、厚度、煤層間距和日進尺等6 個變量節(jié)點輸入人工神經網絡預測瓦斯涌出量模型,采用Levenberg-Marquardt 近似算法進行神經網絡訓練,反映出模型收斂速度快和預測精度高的優(yōu)點。
從神經網絡模型預測瓦斯涌出量發(fā)展現狀看出,神經網絡預測模型能夠根據礦井實際開采情況,有效融合多種信息學科理論,靈活的選擇和輸入不同條件下瓦斯涌出量主控因素,且輸入變量層數無上限要求,收斂算法優(yōu)勢突出,建立的預測模型解決了瓦斯涌出量和影響因素非線性關系存在的算法難題,實現了礦井未采區(qū)域在不同開采時期和不同開采條件下的瓦斯涌出量預測。
為消除單一預測模型計算對象偶然性以及防止有效預測信息丟失,許多學者針對不同需求進行了不同預測方法組合,形成了各類組合預測模型。劉軍等[47]吸收GM(1,N)模型和神經網絡模型的雙重優(yōu)勢,構建組合模型應用于礦井瓦斯涌出量預測,較單一模型的預測精度,組合預測精度有大幅提高。魏春榮等[48]系統分析灰色理論模型和分源預測法預測瓦斯涌出量的優(yōu)缺點,將兩者優(yōu)勢結合,充分發(fā)揮了灰色理論預測的長期性和分源預測的準確性,形成了灰色-分源預測的組合模型,實現礦井相對瓦斯涌出量預測。田水承等[49]從穩(wěn)定性、數據利用和適用時間3 個方面,加權組合指數預測、雙曲線預測和灰色預測3 種傳統預測方法,形成了一種基于改進層次分析法的組合預測方法,并在現場進行了預測及效果檢驗,取得了較好的應用效果。黃為勇等[50]引用支持向量機(SVM)的應用結構化風險最小化準則和全局逼近任意非線性函數特性,通過樣本學習和平均絕對百分比誤差最小原則,確定預測模型輸入參數,采用非線性組合處理雙曲線回歸、指數回歸和灰色預測方法獲得的3 種不同單項預測數據,建立了一種多輸入單輸出的瓦斯涌出量預測非線性組合模型,預測結果的平均絕對誤差僅為6.92%,均方根誤差為0.93 m3/t,預測精度明顯高于單一模型預測精度。施式亮等[51]將灰色預測模型GM(1,1)和線性回歸耦合應用,建立了瓦斯涌出量組合預測新方法,具有模型簡單、原始數據少、預測精度高等優(yōu)點,預測精度能夠滿足礦井生產需求。羅景峰等[52]基于粗糙集理論,分析確定了煤層埋深、厚度、瓦斯含量、平均日進度和日產量等瓦斯涌出量影響因素的權重初值和重要性,將可變模糊聚類和可變模糊模式識別2 種模型組合,并求解最優(yōu)模糊分類中心矩陣和最優(yōu)權重,最終利用模式識別模型對待預測樣本進行預測。題正義等[53]建立了模糊-灰色系統瓦斯涌出量預測模型,將時間序列和開采量、開采深度、推進速度、周期來壓、地質構造、溫度、大氣壓一并納入瓦斯涌出量影響因素,豐富了組合模型的基本參數。龍祖根[54]、張兆瑞等[55]兼具灰色預測和馬爾柯夫轉移概率矩陣預測的2 大優(yōu)點,均提出建立了灰色馬爾柯夫預測模型。孫建華等[56]充分吸收主成分分析和逐步回歸分析方法的優(yōu)點,建立了兩者分析方法相結合的瓦斯涌出量回歸預測模型,預測精度明顯高于一元或多元回歸預測結果。李超群[57]等基于支持向量機和模型樹在回歸分析方面的優(yōu)越性能,建立了支持向量機和模型樹組合回歸的瓦斯涌出量預測模型。付華等[58]針對訓練樣本有限和樣本點分散的問題,經先聚類、再分類建模和預測處理,形成了自組織特征映射神經網絡(SOM)與多變量的徑向基函數(RBF)組合的人工神經網絡動態(tài)預測模型。
組合模型搭配方式多種多樣,形成了灰色預測-統計回歸模型、灰色預測-神經網絡模型、灰色預測-分源預測模型、灰色預測模型-馬爾柯夫預測模型等組合,其組合本質兼具了單一模型的優(yōu)點,并克服了單一模型預測存在的不足,提高了單一模型預測精度。
經調研可知,當前常用的瓦斯涌出量預測技術表現出明顯的局限性和不適用性,經系統調研和分析,指出以下不足之處。
中國安全生產行業(yè)標準AQ 1018—2006《礦井瓦斯涌出量預測方法》[21],因引用文獻及排版錯誤,文中存在3 處明顯錯誤:
1)瓦斯涌出量梯度α 是指相對瓦斯涌出量與開采深度的變化關系,行業(yè)標準中(5.2.3)列出的計算公式(式(2))錯誤,多個文獻均指出并進行了推導[59],更正后見式(3)。
式中:α 為相對瓦斯涌出量梯度,m/(m3·t-1);Hi為第i 個水平的開采深度,m;qi為第i 個水平的相對瓦斯涌出量,m3/t;n 為統計的開采水平數。
2)附錄B 中B.2 煤壁初始瓦斯涌出強度計算公式(式(4))排版錯誤,更正后見式(5):
式中:q0為巷道煤壁瓦斯涌出初速度,m3/(m2·min);Vdaf為煤中揮發(fā)分含量,%;W0為煤層原始瓦斯含量,m3/t。
3)附錄C 中C.1 中煤的殘存瓦斯含量公式(式(6))排版錯誤,更正后見式(7):
式中:Wc為煤層殘存瓦斯含量,m3/t。
分源預測法以煤層瓦斯含量作為瓦斯涌出量預測的基礎數據,無需借用鄰近礦井瓦斯涌出數據就能夠預測本礦井的瓦斯涌出量,該優(yōu)點是其他方法無法比擬的。由于分源預測法中的計算參數取值是統計規(guī)律得到的結果,不能完全適應所有開采環(huán)境,對一些特殊條件可能因取值不準確造成預測結果誤差較大[6]?;夭晒ぷ髅嫱咚褂砍隽款A測未考慮回采工作面巷道布置及通風方式,煤層瓦斯含量取值沒有考慮煤層瓦斯抽采量與風排瓦斯量之間的關系、瓦斯抽采前預測和預抽后預測之間的關系[60]。
礦山統計法預測的礦井垂直深度范圍為100~200 m,走向范圍不超過600 m,只能適用于同一煤層自然賦存條件和相近開采技術水平,預測精度取決于礦井原始統計數據精度和預測區(qū)的地質、采礦條件[61]?,F場應用需要2 個及以上開采水平的瓦斯涌出數據,要求未采區(qū)和已采取具有相同或類似的開采順序、采煤方法、瓦斯地質等開采條件。
分源預測法、礦山統計法和瓦斯地質數學模型法僅能實現靜態(tài)預測,預測對象存在以點代面、以偏概全的問題,預測結果僅能反映回采期間瓦斯涌出量的平均值,不能呈現瓦斯動態(tài)涌出規(guī)律,預測方式和結果的針對性、時效性、可靠性較差。瓦斯地質數學模型法雖然作為行業(yè)標準推薦的涌出量預測方法之一,但由于影響指標和參數都需要依據每一個煤礦的實際情況來確定,不利于煤礦現場推廣應用。
灰色預測法、神經網絡預測法以及組合預測法均具備短期或中長期動態(tài)預測能力,預測精度較高,而目前研究僅停留在學術方面,沒有運用到實際生產中。另外,基于多影響因素構建的預測模型,存在建模與求解的困難。
在5G 技術快速發(fā)展的新時代背景下,礦山機械化、智能化水平正朝著無人化開采目標加速前進,礦井瓦斯涌出量預測技術作為礦山安全生采技術體系的重要組成部分,其研究現狀和應用發(fā)展逐漸暴露諸多不足,為了適應大型機械化和高端智能化的開采條件,瓦斯涌出量預測技術研究可從以下3 個方面進一步開展技術攻關:
1)完善分源預測參數科學選值。針對部分參數的取值具有隨意性,預測結果具有不確定性的問題,在加大研究各種參數科學合理取值同時,可以建立自適應分源預測模型,利用人工智能及機器自學習能力,通過不斷修正分源預測模型法中的各種參數,最終確定各個礦井的科學合理的參數取值,從而提高預測精度。
2)推進瓦斯地質模型預測技術模塊化、集成化。瓦斯地質模型預測最大的優(yōu)勢是充分考慮了影響瓦斯涌出量變化的主要地質因素,尤其在編制礦井瓦斯地質圖時更能直觀反映出瓦斯地質對瓦斯涌出量的影響,只有開發(fā)出礦井瓦斯地質圖自動編制系統,并將瓦斯地質數學預測模型模塊化、集成化、可視化,實現人機交互,解決煤礦技術人員自己建模的難題,才能達到實用目的。
3)組建信息化高端融合模型。將灰色預測模型、神經網絡預測模型和組合預測模型與人工智能、云計算、大數據、機器人等技術深度融合,進一步挖掘礦井監(jiān)控、瓦斯抽采、防突預警等系統采集的數據,建立全面感知、實時互聯、分析決策、自主學習、動態(tài)預測、提前預警的智能預測系統,將動態(tài)預測和日常的采掘活動結合起來,使預測更具有針對性、時效性、可靠性,以適應現代煤礦開采智能化、無人化的需求。