[发明专利]一种煤层瓦斯含量自动化及可视化预测方法

说明书

技术领域

本发明涉及一种煤层瓦斯含量自动化及可视化预测方法。

背景技术

煤层瓦斯含量是单位质量煤中所含的瓦斯体积(换算为标准状态)的量。它是研究煤层瓦斯赋存状况的一个主要参数，是矿井瓦斯涌出量预测、煤与瓦斯突出防治和瓦斯抽放的重要依据，也是矿井通风设计必不可少的资料，关系到矿井开拓系统、通风系统和方式、通风设备、采煤方法、主要巷道布置等一系列问题的合理解决。

研究和开发实践表明，瓦斯含量的赋存与分布在一定范围内，具有一定的分布规律性。目前，在生产实际过程中，建立瓦斯含量与煤层埋深的定量关系，利用直接梯度法和间接梯度法成为预测深部瓦斯含量的主要方法。这种方法虽然简单、实用，但由于地质构造和盖层岩性等条件的变化往往造成瓦斯含量梯度的显著差异，仅考虑埋深的单因素瓦斯含量预测方法具有严重的应用局限性。

鉴于此，一些学者利用统计的方法，建立了多因素瓦斯含量线性预测模型。汤友谊等利用矿井采掘区煤层瓦斯含量实测值，在瓦斯地质定性分析基础上，建立井田未采区适用的煤层瓦斯含量预测公式；王生全应用灰色系统理论的关联分析方法，对影响煤层瓦斯含量的地质因素进行了分析，找出了主要控制因素，构造出了瓦斯含量回归预测模型；钟玲文等建立了接近原地煤层气储集条件(包括温度、压力、水分、灰分、煤变质)综合影响下煤层瓦斯含量预测方法；粱亚林将测井资料中视电阻率及伽马伽马与实验室分析出的煤样瓦斯含量进行回归分析，建立回归方程，进而预测出其他煤层瓦斯含量并与实验室分析结果对比等等。

许多情况下，煤层瓦斯含量与其影响因素之间的关系复杂，利用线性方程难以表达它们之间的内在联系，这就需要采用非线性的预测方法。叶青、林柏泉应用灰色系统理论，建立了预测煤层瓦斯含量的灰色系统GM(1，1)模型，并用残差模型对预测模型进行了修正，然后在测定煤层瓦斯含量的基础上进行了实际应用；张克树等利用灰色系统理论对影响煤层瓦斯含量的因素进行了关联分析，找出了主要影响因素和次要因素，并利用GM(1，N)灰色预测模型对煤层瓦斯含量进行了多因素影响下的系统预测；崔刚、连承波等建立BP神经网络来进行瓦斯含量预测，并证明该方法要优于多元线性回归的方法；吴财芳、曾勇将神经网络与遗传算法有机地结合起来，以神经网络理论为基础，利用遗传算法优化隐含层神经元个数和网络中的连接权值，建立了瓦斯含量预测模型，等等。

虽然多变量非线性瓦斯含量预测模型的预测精度较高，但由于模型复杂，煤矿技术人员难以掌握，在煤矿工程实践中的应用非常少。因此，需要建立一种瓦斯含量自动预测方法，提供几种多变量瓦斯含量预测数值模型，实现瓦斯含量预测过程及预测结果的可视化，最终为煤矿技术人员提供一种方便、快捷、直观、可靠的瓦斯含量预测新手段。

目前，在生产实际过程中，煤矿技术人员进行深部或未采区瓦斯含量预测的方法主要为单因素梯度法，具体实现过程如下：

1)统计矿井以往瓦斯含量实测数据；

2)分析瓦斯含量与煤层埋深的影响关系；

3)建立瓦斯含量与煤层埋深的线性回归模型；

4)利用建立的回归模型进行煤层瓦斯含量预测。

也有采用多元线性回归或非线性理论建立煤层瓦斯含量预测模型，但应用较少，不普遍。

煤矿瓦斯含量是一个受诸多地质因素影响的参量，现阶段煤矿普遍采用单因素梯度法来预测瓦斯含量，预测结果的可靠性不高，直接影响煤矿安全生产。

一些学者采用合适的建模方法建立多变量瓦斯含量预测模型，提高了预测的可靠性。研究者统计瓦斯含量数据，分析影响瓦斯含量的各种因素，筛选出主要控制因素，建立相应的预测模型，并对未采区域进行预测，最终把预测结果列表显示。由于瓦斯含量预测涉及数据多，信息量大，所以这种预测过程和预测结果具有四个方面的不足：1)分析预测过程耗费大量的人力和物力，而且由于认识上的不同和主观意识的差异，预测结果会因人而异；2)反映预测条件的瓦斯地质数据随煤矿生产而不断变化，但传统的预测结果是静态的，不能随着瓦斯地质数据的累积而及时更新，所以也就不能及时提供最新、最准确的预测成果；3)预测方法不便于组合不同影响因素以分析其相关性；4)数据与结果(图件)是分离的，不便于数据的一致性验证和数据的历史性分析与永久保存；5)预测过程及结果没有实现自动化、可视化。

发明内容