煤矿开采矿井涌水量预测方法现状及发展趋势

煤矿开采矿井涌水量对于煤矿防治水以及安全高效生产具有重要意义。详细阐述了矿井涌水量预测方法,并对其预测过程进行了较为详细的论述与分析。指出矿井涌水量预测方法存在的问题,针对存在的问题,提出了未来应建立多因素综合模型,将传统的单一模型进行扩大,提高适用范围和预测精度;建立基于大数据的预测,将矿井涌水量与大数据有机结合,通过大数据分析涌水量的特征预测矿井涌水量;进行系统理论综合分析,将矿区涌水量作为一个系统,从时空序列中提取地下水变化特征,为涌水量的预测提供支撑。     

矿井涌水量预测方法探讨

为研究矿井涌水量,在对比分析预计与实际矿井涌水量的基础上,指出80%以上的矿山的预计涌水量与实际相差超过50%,并分析了影响预计结果与实际不符的主控因素。在分析矿井涌水量现行主要预测方法的特点和优、劣势的基础上,给出不同阶段适用的预测方法,并结合工程实例进行分析。此外,对如何准确预测钻孔涌水量与大井法预测中存在的问题及解决方案进行了探讨。最后,给出了对矿井涌水量预计的几点认识。     

浅析矿井水涌水量预测的几种常见方法

矿井涌水量预测是一项复杂而艰巨的工作.分析了矿井涌水量预测中常用的几种方法和特点,提出了在矿井水涌水量实际预测中,应根据预测精度要求和水文地质特点等条件,合理选用适当的预测参数和方法.     

基于CEEMDAN-BO-BiGRU的矿井涌水量预测研究

为提高矿井涌水量预测的准确度，基于涌水量数据的不稳定性及随机性，提出一种自适应噪声完备集合经验模态分解(CEEMDAN)、贝叶斯优化(BO)与双向门控循环单元(BiGRU)相结合的矿井涌水量预测模型(CEEMDAN-BO-BiGRU)。该模型通过CEEMDAN将涌水量数据分解为多个较平稳的固有模态分量(IMF)和残差分量(Res)，过滤数据噪声，提取数据不同时间尺度波动特征，降低预测误差。利用贝叶斯优化对BiGRU模型多个超参数进行迭代寻优，进一步提高模型的预测精度。之后对各分量进行超前1至3步预测预测，最终将各分量预测结果加和得到涌水量多步预测结果。以小庄煤矿矿井涌水量数据进行试验，并将CEEMDAN-BO-BiGRU预测结果与CEEMDAN-BiGRU、BiGRU、BP、SVM进行对比实验，结果表明采用CEEMDAN-BO-BiGRU组合网络模型对矿井涌水量预测结果更准确，该方法对涌水量的短时预测提供了一种新思路。     

基于变维分形的矿井涌水量预测模型

以某矿为例,把变维分形理论引入矿井涌水量预测中,由此构建该矿井的涌水量预测模型,并进行验证分析。结果表明,预测结果与实际结果在短期内极为一致,预测周期变长,则效果不明显。这表明变维分形理论在矿井涌水量短期预测中具有较高的研究价值和应用前景。     

降水充水类型矿井涌水量预测方法研究

矿井涌水量是影响煤矿安全生产的主要因素之一,它直接影响到矿井水文地质条件的复杂程度,关系到对矿床的经济技术评价,因此有效的矿井涌水量预测成为了矿井安全生产的重要因素。为了更有效地预测矿井涌水量,针对降水充水类型的矿井以古书院矿为例,通过分析近五年降水量和涌水量资料,利用回归分析法推导出二者定量关系式,并对近20年的降水量采用水文频率分析法分析得出平水年、丰水年的平均降水量,以此作为因变量,根据推导出的降水量和涌水量函数关系式,分别预测矿井的正常涌水量和最大涌水量,达到有效预测的目的。     

松藻矿区石壕井田东翼Ⅱ区煤层涌水量预测

利用涌水量预测方法,分析了石壕煤矿技改扩能后,矿井设计生产能力由90万t／a,提高到180万t/a的生产能力。利用现有生产水平涌水量的参考资料,对开采东翼Ⅱ区煤层-200标高水平开采提高到矿井生产能力180万t／a的涌水量预测。可供类似矿井涌水量预测提供参考。     

基于人工神经网络的大海则煤矿单井矿井水定量预测

生产矿井未采矿体涌水量预测是保障矿井安全生产的基础工作。本文在充分分析大海则矿井涌水量影响因素基础上,利用人工神经网络理论,建立矿井涌水量的BP网络模型。人工神经网络模型具有增强专家系统的容错能力,当神经网络中少量的神经元发生失效或错误时,不会对系统整体功能带来严重的影响。通过该模型的网络预测,经大海则矿井现场验证：利用BP神经网络预测矿井涌水量其结果真实程度较高,是比较理想的预测方法和手段。     

矿井涌水量回归模型预测方法研究

涌水量预测一直是矿井防治水工作中重要部分,准确的预测可以预防矿井水害的发生。本文应用传统ARIMA模型对某矿过去近20年涌水量数据进行拟合建立数学回归模型,并在此基础上,考虑多因素众变量的影响,提取出涌水量数据中的趋势-循环因子、季节影响、波动因素,重新建立起数学回归模型,对两种不同方式所建立起的模型进行对比分析,结果表明:考虑多因素的季节加法模型预测结果更贴合实际,能够更好地为矿井生产服务。为矿井涌水量预测精度的提升提供了新思路和新方法。     

基于人工神经网络的矿井涌水量预测

应用人工神经网络理论,提出了矿井涌水量预测的新方法,并将其与自回归时序模型进行了比较验证。结果表明,运用神经网络方法进行矿井涌水量预测,精度高,自适应性强,在数据不十分充足的情况下,效果尤其好于自回归模型。     

基于人工神经网络的矿井涌水量预测

应用人工神经网络理论,提出了矿井涌水量预测的新万法.并将其与自回归时序模型进行了比较验证,结果表明,运用神经网络方法进行矿井涌水量预测,精度高,自适应性强,在数据不十分充足的情况下,效果尤其好于自回归模型.     

加给陇洼矿区首采区矿井涌水量计算方法及其可靠度研究

在多年冻土区和季节冻融区,矿井涌水量计算和预测是一个值得研究的课题。根据青海加给陇洼矿区水文地质条件,采用数值法和解析法对加给陇洼矿区首采区矿井涌水量进行计算和分析。结果表明:加给陇洼矿区地下水的补给、径流和排泄的边界条件,明显受到冻融循环条件的干扰,地下水补给以冻土融水为主。用数值法和解析法在青海加给陇洼首采区矿井涌水量计算和预测的过程中,数值法计算和预测精度为C级,可信度为0.4;解析法预测精度为D级,可信度为0.3,采用数值法计算和预测结果的可靠度高于解析法,为青海冻土区首采区矿井涌水量计算和预测提供了基础数据,对青藏高原冻土区矿井涌水量计算和预测具有很好的参考意义。     

基于SVM降雨充水矿井涌水量预测

为了准确预测降雨充水矿井涌水量,将SVM算法应用于降雨充水矿井涌水量预测,通过对SVM算法分析,确定了合适的核函数及其参数,提出了基于SVM算法的降雨充水矿井涌水量预测模型,并根据所选矿区自然地理情况,确定了预测输入因子和输出因子。通过MATLAB语言编程,结果显示:预测值与实际测量值具有较好的一致性,验证了矿井涌水预测模型是有效的。     

矿井涌水量时间序列多重分形的局部奇异性研究

通过实例计算 ,所得的结果说明了矿井涌水量时间序列具有多重分性的特征 ,局部奇异性则是矿井涌水量时间序列所具有的一种属性。在讨论 4个描述局部奇异性参数有关物理意义的基础上 ,提出了矿井涌水量的奇异性在进行矿井水文地质条件分类、矿区地下水特征分析及矿井涌水量预测方面所具有的理论意义和实际作用 .图 1,表 1,参 8     

基于富水性分布的矿井奥灰含水层涌水量动态预测

矿井涌水量数值预测的精度与虚拟疏放孔布设的位置与时间密切相关,为提高矿井涌水量预测的精度,以蔚州矿区某矿井为例,建立基于地理信息系统(geographic information system,GIS)多源信息的奥灰含水层富水性分区评价模型,并将该分区评价结果导入到涌水量数值模型当中,根据矿井工作面的采掘衔接计划,通过在强富水区分阶段布设虚拟疏放孔,从而预测出研究区涌水量的动态结果.实例应用表明:本文方法提高了矿井涌水量预测的精度与实用性,对有效制订矿井疏排水方案,保障矿井安全生产具有重要的理论指导意义和实用价值.     

矿井涌水量预测方法及适用性评价

本文在广泛阅读国内外相关文献的基础上,从分布参数法和集中参数法的角度出发,深入地综述和剖析了现有矿井涌水量预测的方法。同时以新汶矿区为实例,运用数值法、解析法和比拟法对矿井涌水量进行预计。与实测数据对比,对预测方法的特点及适用性进行了评价。评价结果表明,对于研究区水文地质资料详实的情况下可利用数值法进行预测。对于研究区资料不够丰富时,可采用数值法进行模拟进行预测,同时利用解析法进行对比。对于新建的矿井,水文地质参数不足时,可使用水文地质比拟法进行预测。这种评价对于类似条件矿井涌水量预测方法选择具有一定的指导意义。     

矿井涌水量预测三维数值模拟

为了准确预测矿井涌水量,保障煤矿安全生产,以鄂尔多斯巴彦淖井田为例,采用地下水三维数值模拟理论和方法,通过对研究区水文地质模型的概化,建立了巴彦淖井田矿井涌水量预测的地下水三维非稳定流数值模拟模型,并结合矿井生产进度,以工作面月回采进度为单位,模拟预测了丰水期和平水期两种情况下,各工作面不同进度期地下水位分别疏降至2煤层底时的涌水量。结果表明:在前10个进度期内,工作面最大涌水量为1 328 m3·h-1,正常涌水量为1 134m3·h-1.实践证明:该方法不但能正确刻画矿井水文地质条件,而且还能将矿井涌水量预测和矿井生产进度紧密结合起来,具有较高的精度。     

亭南煤矿涌水量时间序列预测研究

矿井水害是影响煤矿安全高效开采的主要地质因素之一,而矿井涌水量的准确预测对煤矿防治水工作具有重要的意义。本文使用时间序列分析软件（SPSS）对亭南煤矿2007年1月-2019年12月月度涌水量数据分析,建立了ARIMA(1,1,1)预测模型,并利用该模型对2020年1月-2020年6月的涌水量数据进行预测,结果表明：与实际涌水量最大相对误差为2.306%,最小相对误差仅为0.464%,模型精度较高,能够很好地对亭南煤矿涌水量进行预测。     

基于云理论与加权马尔可夫模型的矿井涌水量预测

针对矿井涌水量预测问题,提出一种新的既考虑模糊性又考虑随机性的云加权马尔可夫预测模型。其过程为:首先,利用云理论对矿井涌水量状态概念进行云划分,通过X条件云发生器确定训练样本各年份涌水量所属状态;由于云模型具有模糊和随机特性,同一样本属性值通过X条件云发生器时,输出不同的状态,从而形成不同情形下的马尔可夫状态空间,为此,根据各种情形出现的频数,确定各自的权重。然后,应用加权马尔可夫预测法,计算各种情形下预测样本所属状态的概率矩阵,加权求和得到最终的预测概率矩阵,并根据最大隶属度原则,确定预测样本所属状态。最后,以河南鹤壁四矿1982—1999年的矿井涌水量时间序列作为训练样本,采用所建立的云加权马尔可夫预测模型,对2000—2001年的矿井涌水量所属状态进行预测,研究结果表明:2000年和2001年的涌水量预测状态同为状态5,属涌水量较少年份,与其实际状态相一致。     

矿井涌水量时间序列ARIMA预测模型

为对矿井涌水量进行准确预测,以矿井涌水量历史时序数据为基础,提出一种综合自回归移动平均模型.建模时首先需要对涌水量时间序列进行平稳化处理,根据拖尾、截尾情况及BIC数值初步确定一个模型,进行参数估计、假设检验,并作出必要调整,反复循环,直至获得较为满意的ARIMA模型.以东欢坨矿1991年1月到2014年4月月度涌水量进行实验分析,最终建立了ARIMA(1,1,1)预测模型,利用该模型进行预测,最大误差为2.1829%,最小误差仅为0.2885%,模型精度较高,能够很好地满足实际工程需要.研究结果表明:ARIMA模型对矿井涌水量短期预测是可行的.