移动阅读
汪吉林1,2,翟建廷2,3,秦 勇1,2,王琳琳4,琚宜文5
(1.中国矿业大学 煤层气资源与成藏过程教育部重点实验室，江苏 徐州 221116; 2.中国矿业大学 资源与地球科学学院，江苏 徐州 221116; 3.淮北矿业集团 许疃煤矿，安徽 淮北 234111; 4.中国矿业大学 低碳能源研究院，江苏 徐州 221116; 5.中国科学院大学 地球与行星科学学院，北京 100049)
摘 要:抽采后残余瓦斯的存在对于矿井生产依然具有危险性，研究残余瓦斯的赋存规律及其预测是十分必要的。分析了淮北煤田许疃煤矿3233采区地质条件，通过断层分维、煤层底板构造曲率和煤层倾角等指标的计算和统计，并分别赋予0.35,0,35和0.30的权重，计算得到研究区的构造指数及其分布，根据选取的42组数据，讨论了构造指数、煤层埋深、煤厚和原煤瓦斯含量等影响因素对抽采残余瓦斯赋存的影响，运用多元线性回归方法，拟合了瓦斯含量损失与构造指数、煤层埋深、煤厚等影响因素指标之间的相关关系，运用BP人工神经网络模型研究了预测抽采后瓦斯含量损失的可行性。结果表明:构造指数可以更精确地定量表征矿井构造复杂程度。瓦斯含量损失的主要影响因素为构造指数、煤层埋深、煤厚和原煤瓦斯含量。瓦斯含量损失总体上与构造指数呈负相关，而与其他因素的指标均呈正相关。经过数理统计的F检验，F=20.82>F0.01(3,38)=4.35，故多元线性回归的结果是显著的，表明瓦斯含量损失与各影响因素指标之间具有较密切的内在联系，其中构造指数对瓦斯含量损失的影响程度最大，煤层埋深影响程度最小，煤厚的影响程度介于构造指数与煤层埋深之间。以瓦斯含量损失为输出指标，以构造指数、埋深、煤厚和原始瓦斯含量为输入指标，建立了4×10×1结构的BP人工神经网络模型，模型经过学习训练后预测精度高，相对误差为1.19%～1.34%，表明可以运用人工神经网络模型预测未采区抽采后的瓦斯含量损失，残余瓦斯含量即为原煤瓦斯含量减去瓦斯含量损失，故可以间接预测抽采后残余瓦斯含量。
关键词:残余瓦斯;影响因素;瓦斯含量损失;构造复杂程度
移动阅读
汪吉林,翟建廷,秦勇,等.淮北许疃矿抽采后瓦斯含量损失影响因素分析及预测[J].煤炭学报,2019,44(8):2401-2408.doi:10.13225/j.cnki.jccs.KJ19.0486
WANG Jilin,ZHAI Jianting,QIN Yong,et al.Influencing factors analysis and prediction of the loss of gas content after gas drainage in Xutuan Mine of Huaibei,China[J].Journal of China Coal Society,2019,44(8):2401-2408.doi:10.13225/j.cnki.jccs.KJ19.0486
中图分类号:TD712
文献标志码:A
文章编号:0253-9993(2019)08-2401-08
收稿日期:2019-04-17
修回日期:2019-07-05
责任编辑:韩晋平
基金项目:国家自然科学基金资助项目(41430317，41702169);中国科学院战略性先导科技专项资助项目(XDA05030100)
作者简介:汪吉林(1969—)，男，安徽桐城人，教授，博士。Tel:0516-83591000，E-mail:wang4437 @ cumt.edu.cn
WANG Jilin1,2,ZHAI Jianting2,3,QIN Yong1,2,WANG Linlin4,JU Yiwen5
(1.Key Laboratory of CBM Resources and Reservoir Formation Process,Ministry of Education,China University of Mining and Technology,Xuzhou221116,China; 2.School of Resources and Earth Science,China University of Mining and Technology,Xuzhou221116,China; 3.Xutuan Coal Mine,Huaibei Mining(Group)Co.,Ltd.,Huaibei234111,China; 4.Low Carbon Energy Institute,China University of Mining and Technology,Xuzhou221116,China; 5.College of Earth and Planetary Sciences,University of Chinese Academy of Sciences,Beijing100049,China)
Abstract:After raw coal gas was extracted from coal seam,the danger of gas outburst cannot be eliminated completely.Therefore,the occurrence law of residual gas after extraction and its prediction must be studied.The geological conditions of mining area No.3233 in Xutuan coal mine in the Huaibei coal field,China,were analyzed.The structural index and its distribution in the study area were evaluated according to the calculation and statistics of fractal dimension of faults,the structural curvature of coal seam floor and dip angle of coal seam,and their giving weights of 0.35,0.35,and 0.30.The influence of structural index,coal seam depth,coal thickness and raw coal gas content on residual gas after extraction was analyzed by using 42 sets of selected data.The correlation between the loss of gas content (LGC) and influencing factors,e.g.,structural index,coal seam depth,and coal thickness,was fitted through multiple linear regressions.The feasibility of predicting LGC after extraction was studied by using the back propagation (BP) artificial neural network model.Results show that the structural index can quantitatively and accurately characterize the structural complexity of the mine.The LGC is mainly influenced by structural index,the buried depth of coal seam,coal thickness,and raw coal gas content.In general,LGC is negatively correlated with structural index and positively correlated with other influencing factors.According to the F-test of mathematical statistics,i.e.,F=20.82>F0.01(3,38)=4.35,the results of multivariate linear regression is significant,indicating a close internal relationship between the LGC and the indexes of the influencing factors.Among these aspects,the structural index has the greatest influence on LGC,whereas the burial depth of coal seam has the least influence.The influence of coal thickness is between that of structural index and the burial depth of coal seam.A BP artificial neural network model with 4×10×1 structure was established with LGC as the output index and the structural index,the buried depth of coal seam,coal thickness and raw gas content as the input indicators.The accuracy of model prediction results is high after learning and training,and the relative error is 1.19%-1.34%,indicating that the artificial neural network model can be used to predict LGC after extraction in the unmined area.Residual gas content is the original coal gas content minus the LGC.Hence,this value can indirectly predict the residual gas content after extraction.
Key words:residual gas occurrence;influencing factors;the loss of gas content;structural complexity
煤层瓦斯的分布受地质构造的控制非常显著，煤矿井下的矿井构造对煤层造成不同的封闭或开放条件，煤层瓦斯或集聚或逸散，因此控制着煤层中瓦斯含量的分布[1]。构造作用过程中形成了构造变形煤，如果强烈变形的构造煤比较发育，则不利于瓦斯的抽采[2]。如果含煤地层在成煤后的构造运动中被抬升剥蚀，则可造成煤层瓦斯大量逸散，因此瓦斯生成后的保存条件亦具有关键意义[3]。
人们对开采过程中有关瓦斯的各种动态变化开展了深入研究。煤层采动过程中在采场不同的部位形成不同的应力状态，既有应力集中也有应力降低，相应的影响瓦斯的赋存状态[4]。煤层渗透率的影响因素较多，首先层理的发育导致了煤层渗透率的各向异性[5]，一般情况下煤层渗透率的动态变化主要受应力场、微裂缝发育和吸附-解吸等因素的影响[6]。目前高瓦斯矿井多采用保护层开采模式，因此而导致被保护层的有效应力降低、渗透率增高，从而促进了瓦斯排放[7-8]。
瓦斯抽放不能完全消除煤层瓦斯，残余瓦斯仍然对矿井生产产生威胁。为了估算残余瓦斯含量，有学者通过瓦斯放散的衰减方程计算瓦斯损失量[9]，有的学者类似基于分源的原理，统计被抽采量、采空区滞留瓦斯量和原始瓦斯量等，估算残余瓦斯量[10]，还有学者基于吨煤钻孔数和预抽时间，建立多元回归模型预测抽采后残余瓦斯含量[11]。受构造变形影响，煤体结构被严重破坏的软煤与结构相对完整的硬煤，其吸附性和渗透性差异大，相应煤层中的残余瓦斯赋存也明显不同[12-13]。
残余瓦斯的研究可以用于瓦斯突出危险性的预测，目前残余瓦斯含量已经被视为防突评价体系中的重要指标[14]，实践中通过钻孔取芯和实测瓦斯参数，综合估算残余瓦斯含量，以预测井下采场的采前瓦斯突出危险性[15]。
纵观前人的研究成果:人们对开采中煤层瓦斯赋存的动态变化、煤与瓦斯突出危险性评价等方面的研究较深入，但针对抽采后残余瓦斯赋存规律的研究尚显薄弱，鉴于抽采后的残余瓦斯对生产仍然具有危害性，因此有必要提高抽采残余瓦斯赋存规律的认识。
研究区位于安徽省亳州市蒙城县许疃镇，区内主要含煤地层为上石炭统—下二叠统太原组(C2-P1t)，二叠系山西组(P1s)、下石盒子组(P2x)和上石盒子组(P3s)。研究区北起F8断层，南至板桥断层，总体上为一走向近南北、向东倾斜的宽缓单斜，断层较发育，走向以NE,NNE为主，其中许疃断层落差150～200 m，将矿区分割为南北两部分。矿井总体为一向东倾斜的单斜构造，倾角8°～25°，南北两侧发育数个近EW向的、较宽缓的次级褶皱(图1)。研究区32,72,82煤层为主采煤层，煤质以肥煤为主，总厚平均7.20 m，其中32煤层厚度0.22～4.27 m，平均2.22 m。
3233采区位于研究区东侧，走向长4.2 km，宽1.2～1.8 km，采区标高-340～-800 m。采区内32煤层发育稳定，平均煤层厚度2.70 m。采区内大型断层仅2条，揭露的小型断层较多，有90多条，落差多小于10 m，断层走向以近NS方向和EW方向为主。采区内发育有小型宽缓褶皱，褶皱轴走向近EW向(图2)。
3233采区32煤层原煤瓦斯含量整体上自NW—SE呈增大趋势，其递增趋势与煤层底板等高线变化趋势具有较好的一致性(图2)，反映了瓦斯含量受煤层埋深的影响，由于研究区地处平原区，地表近水平，因此，煤层底板等高线与等深线基本一致，故说明埋深对原煤瓦斯具有较大的控制作用。
图1 研究区构造纲要
Fig.1 Structural outline map of the study area
图2 3233采区底板等高线及原煤瓦斯含量
Fig.2 Floor contour and raw coal gas content in No.3233 mining area
研究区预抽瓦斯期间采取了顺层钻孔布孔方式(图3)。抽采结束并稳定后，在井下选择不同测点施工一定数量的钻孔，利用甲烷含量直接测定装置测量残余瓦斯含量，另外封闭钻孔测定残余瓦斯压力，得到3233采区残余瓦斯含量和残余瓦斯压力的分布(图4)。从统计数据看，研究区内原煤瓦斯含量平均值为6.01 cm3/g，残余瓦斯含量平均值为3.29 cm3/g，后者为前者的54.7%，因此，整体上抽采效果是比较好的，研究区中残余瓦斯含量为1.20～5.70 cm3/g，主要集中在2～4 cm3/g，研究区的东北～西南两侧残余瓦斯含量较高，中部近NS向残余瓦斯含量最低。32煤层中残余瓦斯压力为0.10～1.14 MPa，在研究区中部最低，向南北两侧逐渐增高，在研究区的东南侧达到最大值(图4)。
图3 3233采区抽采工程布置
Fig.3 Layout of extraction engineering in No.3233 mining area
图4 3233采区残余瓦斯含量与残余瓦斯压力分布
Fig.4 Distributions of residual gas content and residual gas pressure in No.3233 mining area
对于研究区而言，分维值可以反映断裂构造的复杂程度，底板构造曲率可以反映褶皱构造的复杂程度，煤层倾角的变化也是构造复杂与否的一种表现[1]，因此，选择了断层分维、底板构造曲率和煤层倾角这3个指标，定量评价研究区的地质构造复杂程度，并为后续的进一步研究奠定基础。
(1)断层分维、构造曲率和底板倾角的统计计算
应用网格覆盖法计算研究区断层的分维。定义P为包含在一个矩形中的有界点集，将矩形分割成若干小方格，设其边长为ε，记包含P中所有点的小方格数目为N(ε)，定义容量维Dk为
(1)
将研究区划分出了若干个500 m×500 m单元格，依次二分为4,16,64,256个小网格，分别统计每个小网格内的断层条数，通过对数回归拟合成直线，其斜率即为该单元的断裂容量维值。
煤层底板等高线的曲率可以反映出煤层底板形态的局部变化，相当于煤层构造形态的反映[16]。计算公式为
(2)
式中，K为煤层底板某点的曲率值;z为煤层底板标高，
同样以500 m间距的正方形网格对煤层底板等高线进行划分，在某个点分别计算底板北、东、南、西等4个方向的曲率，并取其中的最大值作为计算单元的构造曲率。
计算煤层倾角变化时，也是在煤层底板等高线图上以500 m×500 m的矩形网格为单元，根据底板等高线的读数计算单元内的煤层倾角。
(2)构造复杂程度指标的归一化
研究区的构造复杂程度需要综合以上计算得到的分维(D)、构造曲率(K)和煤层倾角(A)进行表征，由于不同指标的定义不同，数值量级也相差较大，因此需要归一化处理:
(3)
式中，Wi为第i个归一化后的构造评价指标;Xi为第i个归一化前构造评价指标;Xmax，Xmin为归一化前构造评价指标最大和最小值。
矿井构造复杂程度的不同指标具有不同的权重，确定权重有多种方法，其中专家打分法较为简便易行，通过专家打分法对分维(D)、构造曲率(K)和煤层倾角(A)分别赋予了0.35,0.35,0.30的权重，将归一化处理后的该3项指标再加权相加，得到最终综合性的评价指标[1]，称之为“构造指数”，并可根据计算点坐标绘制得到研究区的构造指数云图，构造指数云图的评价结果与研究区的构造发育特征相一致，实现了构造复杂程度的定量化表征(图5)。
图5 3233采区构造指数及瓦斯含量损失分布
Fig.5 Distributions of structural index and the LGC in No.3233 mining area
即使地质条件类似的地区，原煤瓦斯含量也可能因地质作用过程和时间的差异而不相同，而抽采后瓦斯含量的损失量是一个净值，更合适于反映煤层自身物性及地质环境条件对瓦斯扩散、渗流的影响，也决定了残余瓦斯的含量，故将抽采后瓦斯含量的损失量——瓦斯含量损失(LGC)作为研究对象，考察抽采效率及其与地质因素的关联性。
借鉴瓦斯赋存的主要地质控因，在采区这样的空间尺度范围内考察瓦斯含量损失的影响因素，煤层自身物性的主要表现即为煤层构造变形对渗透性的影响，可以用构造指数表达，地质环境条件的主要表现即为埋深和煤厚，此外原煤瓦斯含量也应考虑。
以上各因素的指标数据获取来源、方式和难易程度均不相同，为了获得足够多的数据作为研究基础，同时也是为了保证数据具有统一性和可比性，故如前文研究和绘制了各因素的等值线图，从各因素等值线图中大致均布了42个点位，分别提取了42组瓦斯含量损失、构造指数、埋深、煤厚和原煤瓦斯含量等数据(图2～5)，每一组数据的提取位置坐标相同，以便得到一组数据形成因素的集合，用于分析研究对象与因素集之间的相关性。从瓦斯含量损失与各因素指标等值线图之间的对比，以及提取数据的散点图中可以看出，瓦斯含量损失与各因素指标之间的线性关系较为明显(图6)。
(1)瓦斯含量损失与各影响因素之间的关系
通过对研究区瓦斯含量损失与构造指数的对比可以看出，瓦斯含量损失随着构造指数的增大而逐渐减小，瓦斯含量损失与构造指数呈负相关关系(图6(a))。已有的研究成果表明，煤体由于构造变形而形成构造煤，煤的结构变形越强烈，渗透率越低[17]，在煤层气排采中获得的测井渗透率也显示，变形强烈的韧性变形煤渗透率低于变形较弱的脆性变形煤[18]，因此，瓦斯含量损失与构造指数呈负相关的内在原因，是在于构造复杂区的煤体变形强烈，导致煤岩渗透性差，进而降低了瓦斯抽采的效果所致。
瓦斯含量损失与煤层埋深的散点图也显示出两者呈正相关关系，研究区内埋深超过600 m时，瓦斯含量损失基本上都超过了2.0 cm3/g(图6(b))。将瓦斯含量损失与煤层厚度进行对比，整体上两者也具有较好的正相关性，煤厚越大，瓦斯含量损失越大(图6(c))。瓦斯含量损失与同位置的原煤瓦斯含量之间亦呈正相关(图6(d))。然而，瓦斯含量损失与各项影响因子的散点图数据均显示出一定的离散性，这说明瓦斯含量损失是多因素共同影响或控制的，需要分析其多因子综合的线性关系。
图6 瓦斯含量损失与各影响因素的相关性
Fig.6 Correlations between the LGC and various influencing factors
(2)瓦斯含量损失与各因子的多元线性回归分析
在多元线性回归模型的经典假设中，要求解释变量之间不存在线性关系，由于原煤瓦斯与构造指数、埋深及煤厚之间存在关联，故在提取的42组数据中，以瓦斯含量损失为Y变量，以构造指数、埋深和煤厚为解释变量X，X={X1i,X2i,X3i,i=1,2,3,…,n}，按式(4)进行多元线性回归分析:
Y=b0+b1X1i+b2X2i+b3X3i,i=1,2,3,…,n
(4)
式中，Y为瓦斯含量损失，cm3/g;X为解释变量;X1为构造指数，无量纲;X2为埋深，m;X3为煤厚，m;b为回归系数，b=(b0,b1,b2,b3);n为多元线性回归的样本数，n=42。
通过MatLab编程进行了多元线性回归，得到了回归系数估计值、回归系数置信区间、相似系数等回归结果(表1)。
取置信度α=0.01，查表得:F0.01(3,38)=4.35，故知:F>F0.01(3,38)，相关性显著，回归模型成立。另外，相关系数r2=0.62 也说明了回归方程的显著性较高。
多元线性回归的结果表明，瓦斯含量损失与构造指数、埋深和煤厚等指标之间具有较高的相关性，构造指数、埋深和煤厚是抽采过程中瓦斯含量损失的主要影响因素，各影响因子回归系数的估计值可以视为该因子对变量(瓦斯含量损失)的影响程度，因此可知构造指数对瓦斯含量损失的影响程度最大，埋深影响程度最小，煤厚的影响程度介于构造指数与煤层埋深之间。
表1 多元线性回归结果
Table 1 Multiple linear regression results table
注：r2=0.62，F=20.82，k1=3，k2=42-k1-1=38。
BP人工神经网络的结构一般包括输入层、隐含层和输出层，输入层为若干影响因素指标，输出层为预测指标，中间隐含层本质上是各影响因子的权值矩阵。在各类预测的数学模型中，BP人工神经网络具有较强的适应性，故采用该模型探讨预测残余瓦斯含量的可行性。
尽管在多元线性回归中出于解释变量相互独立的原则没有将原煤瓦斯含量列为解释变量，但原煤瓦斯含量与瓦斯含量损失之间存在明显的线性关系(图6(d))，因此，在人工神经网络设计中仍将原煤瓦斯含量作为输入指标之一。经过反复试算，设计了一个4×10×1的BP神经网络模型，即:神经网络为3层，输入层含4个节点(构造指数、埋深、煤厚、原煤瓦斯含量4个神经元)，隐含层10个节点，输出层1个节点(瓦斯含量损失)。
隐含层的节点个数采用了经验公式试算得到:
其中，l为隐含层节点数，m为输入层节点数(本文m=4)，n为输出层节点数(本文n=1)，α为1～10的常数[1,19]。笔者通过反复试算发现隐含层节点数取10为最优。
人工神经网络需要经过学习训练后方能进行预测。笔者运用以上设计的BP人工神经网络模型，以瓦斯含量损失为输出指标，以构造指数、埋深、煤厚、原煤瓦斯含量为输入指标，在前文中提取的42组数据中，预留了2组数据用于检验，将其他40组数据导入模型进行学习训练，网络运行了361步就达到了收敛目标，说明神经网络模型的结构和参数设置合理，运行良好，设计的神经网络是收敛的。
根据神经网络的学习训练结果，对训练数据进行了仿真，并对预留的2组数据进行检验，结果表明，仿真(绝对)误差为-0.081 4×10-6～0.221 9×10-6，预测误差的绝对误差为-0.011 8～0.063 1，相对误差为1.19%～1.34%，显示了较高的预测精度(表2)。
表2BP神经网络模型的仿真与预测结果
Table 2 Simulation and prediction results of BP neural network model
注:用于仿真训练的数据编号为1～40，表中仅列出前10组数据;第41,42组数据为预留数据，检验预测效果。
以上仿真及预测结果表明:构造指数、埋深、煤厚、原煤瓦斯含量等影响因素与瓦斯含量损失之间存在密切的内在联系，4×10×1结构的BP神经网络是适宜的预测模型，该模型经过学习训练后预测精度高，将其他采区的构造指数、埋深、煤厚、原煤瓦斯含量等因子数据代入该模型，即可进行抽采后瓦斯含量损失的预测。
(1)研究区矿井构造复杂程度的主要影响因素为断层和褶皱，通过断层分维、底板构造曲率和煤层倾角等指标加权计算得到的构造指数，可以综合表征研究区矿井构造复杂程度。笔者据此计算了研究区构造指数，将构造复杂程度予以定量化，结果与实际情况相符。
(2)分析认为瓦斯含量损失的主要影响因素为构造指数、埋深、煤厚和原煤瓦斯含量。一般的，原煤瓦斯含量高则瓦斯含量损失也高，而原煤瓦斯含量与埋深、煤厚均呈正相关，因此瓦斯含量损失与埋深、煤厚亦呈正相关;由于构造复杂地带的煤体变形强烈，渗透性降低，导致抽采效果差，因此瓦斯含量损失与构造指数呈负相关。
(3)瓦斯含量损失与各项影响因子的散点图数据均显示出一定的离散性，说明瓦斯含量损失是多因素共同影响或控制的，笔者拟合了瓦斯含量损失与主要控制因素指标之间的多元线性回归模型，回归模型经数理统计检验是显著的，这也说明瓦斯含量损失与以上因素的指标之间具有较好的相关关系，同时可知构造指数对瓦斯含量损失的影响程度最大，埋深影响程度最小，煤厚的影响程度介于构造指数与煤层埋深之间。
(4)以瓦斯含量损失为输出指标，以构造指数、埋深、煤厚和原始瓦斯含量为输入指标，建立了4×10×1结构的BP人工神经网络模型，经学习训练后预测精度高，相对误差为1.19%～1.34%，表明以构造指数、埋深、煤厚和原始瓦斯含量作为量化指标，可以运用神经网络模型预测未采区抽采后的瓦斯含量损失。
参考文献 :
[1] 翟建廷.瓦斯渗流构造控制与抽采残余瓦斯预测——以淮北矿区许疃煤矿为例[D].徐州:中国矿业大学,2018:1-75.
ZHAI Jianting.Structural control of gas seepage and prediction of residual coal seam gas after extraction-A case study of Xutuan coal mine in Huibei mining area,China[D].Xuzhou:China University of Mining and Technology,2018:1-75.
[2] JIANG Bo,QU Zhenghui,WANG G G X,et al.Effects of structural deformation on formation of coalbed methane reservoirs in Huaibei coalfield,China[J].International Journal of Coal Geology,2010,82(3-4):175-183.
[3] ZHAO Zhigen,YAN Jiaping,LIU Xing.Research on gas occurrence regularity in Fengcheng mining area of Jiangxi Province[J].Energy Exploration & Exploitation,2014,32(3):591-600.
[4] YANG Wei,LIN Baiquan,YAN Qing,et al.Stress redistribution of longwall mining stope and gas control of multi-layer coal seams[J].International Journal of Rock Mechanics and Mining Sciences,2014,72:8-15.
[5] PAN Rongkun,CHENG Yuanping,YUAN Liang,et al.Effect of bedding structural diversity of coal on permeability evolution and gas disasters control with coal mining[J].Natural Hazards,2014,73(2):531-546.
[6] ZHANG Zetian,ZHANG Ru,XIE Heping,et al.An anisotropic coal permeability model that considers mining induced stress evolution,microfracture propagation and gas sorption desorption effects[J].Journal of Natural Gas Science and Engineering,2017,46:664-679.
[7] XIE Heping,XIE Jing,GAO Mingzhong,et al.Theoretical and experimental validation of mining-enhanced permeability for simultaneous exploitation of coal and gas[J].Environmental Earth Science,2015,73(10):5951-5962.
[8] LI Wei,CHENG Yuanping,GUO Pinkun,et al.The evolution of permeability and gas composition during remote protective longwall mining and stress-relief gas drainage:A case study of the underground Haishiwan Coal Mine[J].Geosciences Journal,2014,18(4):427-437.
[9] 朱拴成,刘永茜,史小卫.保护层开采条件下煤层残余瓦斯含量预测方法研究[J].中国煤炭,2008,34(6),17-31.
ZHU Shuancheng,LIU Yongqian,SHI Xiaowei.Study on the prediction method of residual gas in coal seam under the condition of protective layer mining[J].China Coal,2008,34(6):17-31.
[10] 朱红青,潘凤龙,王宁,等.被保护煤层残余瓦斯含量计算的探讨[J].煤矿安全,2012,43(12),169-172.
ZHU Hongqing,PAN Fenglong,WANG Ning,et al.Study on remained gas content calculation in protected coal seam[J].Safety in Coal Mines,2012,43(12):169-172.
[11] 马曙,康付如,韩真理,等.煤层预抽后残余瓦斯含量分布动态预测方法[J].煤炭科学技术,2016,44(2):94-98.
MA Shu,KANG Furu,HAN Zhenli,et al.Dynamic prediction method of residual gas content distribution for seam after gas pre-drainage[J].Coal Science and Technology,2016,44(2):94-98.
[12] 张书金.预抽条件下软、硬煤残余瓦斯含量差异性研究[D].焦作:河南理工大学,2011.
ZHANG Shujin.Study of residual gas content diversity between soft and hard coal under the condition of gas pre-drainage from virgin coal seam[D].Jiaozuo:Henan Polytechnic University,2011.
[13] 陈立伟,杨天鸿,杨宏民,等.软、硬煤残余瓦斯含量差异性研究[J].东北大学学报(自然科学版),2015,36(7):1037-1041.
CHEN Liwei,YANG Tianhong,YANG Hongmin,et al.Study on residual gas content diversity between soft and hard coal[J].Journal of Northeastern University(Natural Science),2015,36(7):1037-1041.
[14] 董洪凯.高突矿井瓦斯抽采防突评价体系的构建及应用[J].煤炭科学技术,2016,44(2),84-88.
DONG Hongkai.Application and establishment on evaluation system of gas drainage and outburst prevention to high outburst mine[J].Coal Science and Technology,2016,44(2):84-88.
[15] 李景山,刘玉洲,左秋玲.基于综合指标法和残余瓦斯含量法的突出预测[J].煤炭科学技术,2008,36(3):62-66.
LI Jingshan,LIU Yuzhou,ZUO Qiuling.Outburst prediction base on comprehensive index method and residual gas content method[J].Coal Science and Technology,2008,36(3):62-66.
[16] LISLE R J,ROBINSON J M.The Mohr circle for curvature and its application to fold description[J].Journal of Structural Geology,1995,17(5):739-750.
[17] GUO Junjie,QIN Qirong,ZHANG Ruilin.Evaluation of the damages of permeability and effective porosity of tectonically deformed coals[J].Arabian Journal of Geosciences,2017,10(16):8.
[18] 陈富勇,琚宜文,李小诗,等.构造煤中煤层气扩散渗流特征及其机理[J].地学前缘,2010,17(1):195-201.
CHEN Fuyong,JU Yiwen,LI Xiaoshi,et al.Diffusion-osmosis characteristics of coalbed methane in tectonically deformed coals and their mechanism[J].Earth Science Frontiers,2010,17(1):195-201.
[19] 殷震.基于BP 神经网络的电力变压器内部故障诊断方法研究[D].天津:天津大学,2007:45-48.
YIN Zhen.Research on internal fault diagnosis method of power transformer based on BP neural network[D].Tianjin:Tianjin University,2007:45-48.