移动扫码阅读
移动扫码阅读
瓦斯灾害是深部煤矿开采中最具威胁性和破坏性的主要灾害，包括煤与瓦斯突出、瓦斯喷出、瓦斯爆炸、瓦斯燃烧和瓦斯窒息等多种类型。随着浅层煤炭资源逐渐枯竭，我国煤矿开采深度及强度不断加大，煤炭赋存条件更加复杂，地应力、瓦斯压力、地温等不断增大，瓦斯灾害日趋严重复杂。近年来，我国煤矿安全生产形势持续稳定好转，但应力主导型瓦斯灾害事故时有发生，严重威胁煤矿安全生产，影响煤炭能源保障。
及时准确预测预警是瓦斯灾害防控的基础和前提。我国出台了《防治煤与瓦斯突出细则》，细则中两个“四位一体”防突措施对区域和局部突出危险性预测提出明确要求[1]，但其指标及主要临界判定参数一直未针对地质条件复杂及采深增加进行适当调整。关于煤与瓦斯突出危险性实时预警，多数研究是基于瓦斯涌出动态[2-5]，也有部分研究考虑了瓦斯地质、应力和扰动影响等煤与瓦斯突出影响因素。关维娟等[6]考虑了瓦斯涌出动态、现场动力显现、煤层变化、常规预测指标(钻屑量、钻孔瓦斯涌出初速度等)以及地质构造、煤层结构等信息，构建了综合预警指标体系并研发了煤与瓦斯突出实时预警系统。姜福兴等[7]提出基于钻孔应力增量和瓦斯浓度动态变化指数的煤与瓦斯突出预警方法，开发了掘进工作面煤与瓦斯突出实时监测预警系统。邹银辉等[8]研发了声发射监测装备，并初步讨论了利用声发射预测煤与瓦斯突出危险的滤噪、预测方法。LI等[9]利用YSFS(A)声发射监测系统对平煤十矿工作面突出危险性进行了连续监测，发现突出发生前声发射信号先于瓦斯浓度呈现明显上升趋势。ZHAO等[10]考虑了瓦斯地质条件、工作面开采扰动等客观影响因素以及突出防治措施和安全管理纰漏等主观影响因素，建立了煤与瓦斯突出综合预警指标体系并开发了综合预警系统。何学秋等[11]提出利用震动波CT和微震监测指标(频次、能量)探测地质异常、区域应力场空间分布、监测煤与瓦斯突出危险性。笔者等[12-14]研究了含瓦斯煤岩损伤破坏声电效应，发现声电指标可以综合反映应力、煤岩破裂及瓦斯涌出动态，发明了煤岩瓦斯动力灾害声电一体化监测预警系列装备，并在全国多数煤矿进行了现场应用。可以看出，采用能够反映应力、瓦斯涌出动态、动载扰动等瓦斯灾害影响因素的综合监测手段以及智能预警方法进行瓦斯灾害危险性监测预警是今后瓦斯灾害防治的必然趋势。
近年来，我国提出并实施了安全风险管控和隐患排查治理双重预防机制[15]，发布了《煤矿重大隐患事故判定标准》，明确了瓦斯超限作业、防突措施纰漏、瓦斯抽采系统和监控系统缺失、故障等瓦斯灾害相关隐患[16]。瓦斯涌出数据是瓦斯灾害风险隐患特征的直接体现，对其准确采集、研究特征规律并深入挖掘潜在信息，将更有利于瓦斯灾害风险隐患的准确辨识。李明建等[17]设计了区域煤矿瓦斯灾害风险预警数据采集系统，为全面可靠的采集区域瓦斯风险基础数据提供了便利。针对瓦斯数据时间序列信息分析，付华等[18]、邓存宝等[19]、丰胜成等[20]分别基于神经网络、多重分形理论、支持向量机等方法对瓦斯涌出异常进行了预测研究。
大量的瓦斯灾害事故调查及分析表明，瓦斯灾害是瓦斯地质条件复杂、防治措施无效、未有效预警、抽采与监测系统不正常、管理漏洞等多种风险隐患耦合导致的。我国已经建立了最为完善的煤矿各类监测系统，获取了大量的瓦斯相关监测数据，但在安全大数据利用和瓦斯灾害风险隐患识别预警方面未能充分发挥作用，根本原因在于对灾害事故风险隐患的本质、指标数据的关联性、大数据特征及识别方法等缺乏深入了解和专业研究，缺乏有效监测分析与预警平台。大数据在安全管理、安全监管、安全监察和应急救援中能够发挥更好的作用[21-23]。因此基于上述问题，笔者提出了基于云平台的瓦斯灾害风险隐患综合分析预警思路，分析了灾害事故风险隐患类型及特征，研究提出了瓦斯灾害风险隐患自动识别方法，构建了瓦斯灾害风险隐患大数据监测预警云平台，并进行了现场验证和应用。
瓦斯灾害包括煤与瓦斯突出、瓦斯异常涌出、瓦斯爆炸、瓦斯燃烧和瓦斯窒息等，通常造成重大人员伤亡和经济损失。无论是煤与瓦斯突出还是瓦斯异常涌出，都会造成区域或局部瓦斯积聚，进而可能引发瓦斯爆炸、瓦斯燃烧、瓦斯窒息等事故发生，不同瓦斯灾害间关联如图1所示。
图1 煤矿瓦斯灾害关联
Fig.1 Coal mine gas disaster correlation map
瓦斯灾害发生前通常都有前兆特征。例如煤与瓦斯突出监测信息的前兆特征包括瓦斯浓度或涌出量增大、忽大忽小变化，煤体有异常声音(即声发射或地音，反映破裂或微震动)，电磁辐射信号(主要反映应力、变形、破裂或瓦斯渗流涌出等)呈波动式增长趋势等，如图2所示；瓦斯异常涌出前兆特征包括瓦斯浓度或涌出量突然增大、忽大忽小变化等；矿震或冲击地压有时也会引发瓦斯异常涌出(图3)，而工作面瓦斯异常涌出也可能是煤与瓦斯突出的前兆。
图2 煤与瓦斯突出的声电瓦斯指标响应[24]
Fig.2 Response of acoustic,electric and gas index of coal and gas outburst[24]
图3 某矿冲击/矿震过程的瓦斯异常涌出响应
Fig.3 Response to abnormal gas emission during rockburst/mine earthquake
在煤矿生产过程中，可能存在人机环管等各类风险隐患，易导致瓦斯灾害事故发生。因此，对瓦斯灾害风险隐患进行分类、特征分析并自动识别至关重要。2021年7月应急管理部制定并印发《煤矿重大事故隐患判定标准》(应急管理部令第4号)。标准中明确了15个方面的煤矿重大事故隐患，其中与瓦斯灾害相关的主要有以下7类：① 超能力、超强度或者超定员组织生产；② 瓦斯超限作业；③ 煤与瓦斯突出矿井，未依照规定实施防突措施；④ 高瓦斯矿井未建立瓦斯抽采系统和监控系统，或者系统不能正常运行；⑤ 通风系统不完善、不可靠；⑥ 有冲击地压危险，未采取有效措施；⑦ 自然发火严重，未采取有效措施。
通过分析瓦斯灾害演化过程及其相关指标，得到风险隐患的具体表现及特征见表1。在瓦斯灾害事故演化过程中，相关风险隐患包括：工作面有煤与瓦斯突出危险性、瓦斯浓度异常、瓦斯涌出异常、风速变化异常、矿压显现异常、瓦斯抽采异常、瓦斯监测系统失效、声电信号异常等。通过对这些异常信息的监测与识别，可为瓦斯灾害事故预防提供基础。
表1 瓦斯灾害事故隐患分类及监测指标
Table 1 Gas disaster accident classification and monitoring index
煤矿重大事故隐患类别风险隐患监测指标超能力、超强度或者超定员组织生产人员定位数据、设备开关量、瓦斯浓度、粉尘浓度、矿压、微震数据煤与瓦斯突出矿井,未依照规定实施防突措施瓦斯浓度、瓦斯涌出量、反演煤层瓦斯参数、声发射、电磁辐射信号瓦斯超限作业瓦斯浓度、瓦斯涌出量、设备开关量、粉尘浓度通风系统不完善、不可靠风速、瓦斯浓度、瓦斯涌出量、设备开关量高瓦斯矿井未建立瓦斯抽采系统和监控系统或者系统不能正常运行瓦斯抽采流量、浓度、负压,抽采系统其他参数,瓦斯监测数据自然发火严重,未采取有效措施瓦斯浓度、风速、CO浓度有冲击地压危险,未采取有效措施瓦斯浓度、风速、CO浓度、开关量、粉尘浓度、矿压、微震、声发射/地音、电磁辐射数据
瓦斯灾害风险隐患非常复杂，如何在大量与瓦斯相关的监测信息中有效提取、识别瓦斯灾害风险隐患，需要结合矿井网络空间特性、瓦斯灾害事故演化过程与特征、瓦斯相关指标数据的客观本质规律等进行深入分析。根据不同风险隐患的特征提出采用相关性分析、特征分析、趋势分析和智能分析等识别方法。
1)相关性分析识别方法。煤矿井巷具有网络特征，瓦斯分布流动也遵循瓦斯对流扩散与网络通风理论，多数指标及安全大数据之间存在耦合、关联关系。采用相关性分析识别方法，分析各指标关键数据之间的相关性，可以实现监测数据有效性识别和风险隐患特征的多数据映证，识别监控系统不正常运行、传感器故障或人为造成传感器失效等隐患。通过监测数据可信度判别，一方面可以识别监测系统及传感器是否存在运行不正常的隐患，另一方面也为其他风险隐患识别提供了基础可靠数据。
2)特征分析识别方法。煤矿瓦斯灾害风险隐患的指标数据中，有的具有明确的特征。第一类是国家、行业或地方明确规定了指标数据限值并超限预警的，如采区回风巷、采掘工作面回风巷风流中瓦斯质量分数超过1.0%，采煤工作面瓦斯涌出量大于5 m3/min或掘进工作面瓦斯涌出量大于3 m3/min。第二类风险隐患具有突变特征，如甲烷传感器调校、断线、数据突发不正常等。这些风险隐患通过特征分析进行识别。例如，根据同一甲烷传感器2次调校间隔，就可以判断甲烷传感器未定期调校隐患。
3)趋势分析识别方法。煤矿瓦斯灾害危险或风险隐患很多指标数据具有趋势变化特征。研究表明，突出危险前兆呈现很好的趋势特征。在有突出危险前，电磁辐射信号呈较长时间的增长趋势；多数情况下，声发射和瓦斯信号也呈增大或增长趋势。瓦斯积聚过程也具有趋势性变化特征。对于瓦斯灾害风险隐患指标数据趋势变化较为明显的情况，可以采用趋势分析方法进行识别。趋势分析识别方法主要考虑数据整体上升幅度、持续时间等参数。
4)智能分析识别方法。煤矿井下环境恶劣，监测信号非常复杂，有的前兆信号本身也非常复杂，一般的方法难以准确识别。另外，监测得到的信息中，除有效信号与信息外，也存在很多干扰信号或干扰信息，如环境干扰、传感器及系统自身随机信号，也包括传感器或系统故障状态下的数据信息等。当然，也不排除存在人为影响的伪信号、伪数据。
采用人工智能方法可以通过有监督学习和无监督学习识别有效信号、干扰信号和前兆特征，通过识别出的前兆模型进行分析预警；也可以通过深度神经网络学习和识别实现多信号耦合识别与预警。以声电瓦斯监测预警突出风险为例，可以采用双向长短期记忆循环神经网络(LSTM-RNNs)有监督学习和自动识别预警[25]；也可以通过信号频谱图像智能学习识别前兆特征、多指标融合预警[26]。
采用数据挖掘、深度学习和大数据分析技术等进行煤矿瓦斯灾害风险隐患智能识别，可以实现对人力资源的解放，很多识别确认类的工作交由系统自动完成，极大地提升了工作质量和效率，提高了对异常信息及风险隐患识别的准确率。
现阶段，我国煤矿安装了煤矿安全监测监控系统、矿压监测系统、人员定位系统、视频监控系统等各类监测系统。除此之外，煤与瓦斯突出、高瓦斯矿井还安装了瓦斯抽采系统；冲击地压矿井还安装了微震监测系统、声电监测系统、应力监测系统等。完备的监测系统，具有监测指标与信息多、监测数据量大等优点，但如何对海量数据进行深度挖掘、融合分析，对于矿井实现瓦斯灾害及风险隐患实时监测预警和针对性防治具有至关重要的作用。云计算技术的核心在于将庞大的计算处理程序通过网络“云”分解为多个相互关联的小程序进而分别在多台服务器对海量数据进行处理和分析，大幅减少各用户终端的处理任务，将其简化为单纯的输入输出设备[27]。目前该技术已应用于各个行业领域，包括智慧矿山建设。
基于混合云建立了煤矿瓦斯灾害风险隐患大数据监测预警云平台(以下简称“云平台”)，对私有云和公有云进行了组合，兼顾私有云的安全性、可靠性及公有云的高效性的优点，即在本地数据中心搭建私有云，存储各类监测系统产生的核心数据和处理大部分业务，同时通过网络获取公有云服务，满足峰值时期的资源需求。云平台主要分为三层架构[28]：数据采集层IaaS(Infrastructure as a Service)、平台支撑层PaaPlatform as a Service)和应用层SaaS(Software as a Service)，如图4所示。
图4 云平台架构
Fig.4 Cloud platform architecture
1)IaaS层。包含高性能计算平台、数据通信系统及煤矿各类监测系统。其中：高性能计算平台主要由应用服务器、计算服务器、共享存储设备、网络管理设备、服务器虚拟化软件等组成，向PaaS层提供高性能计算和存储资源[29]；数据通信系统负责向PaaS层提供技术支撑和数据接口，负责从煤矿各类监测系统直接获取或通过集团公司、地方监管部门监控中心间接获取数据；煤矿各类监测系统包括煤矿安全监测监控系统、矿压监测系统、人员定位系统、视频监控系统、瓦斯抽采系统、微震监测系统、声电监测系统、应力监测系统及其他监测系统等。
2)PaaS层。一方面通过应用程序接口(Application Programming Interface, API)调用IaaS层的硬件资源，获取和集成煤矿各类监测系统采集的多源异构数据，并进行必要数据清洗，进而构建一套基于煤矿瓦斯灾害防控需求的标准化、分布式的数据库，为煤矿瓦斯灾害风险分析与预警提供高质量的数据基础[22]；另一方面则实时监测云平台存储资源和运算资源的使用情况，并通过资源运行管理实现资源的动态分配，保障云平台正常运行。
3)SaaS层。主要用于单个煤矿、某个行政区域内多个煤矿的瓦斯及相关大数据分析、突出危险性分级预警、风险隐患自动识别、预警信息分级推送以及风险隐患动态信息“一张图”展示等。
云平台界面如图5所示，其功能主要包括突出危险性预警、风险隐患自动识别、动态信息资源“一张图”展示、预警记录查询统计、预警信息分级推送和自动生成报表等。
图5 云平台界面与功能
Fig.5 Cloud platform interface and functions
1)突出危险性预警。根据采掘工作面瓦斯浓度和涌出量的长期、短期增长趋势，以及实时反演计算得到的煤层瓦斯含量和瓦斯压力，采用“临界值+趋势+智能识别”方法对其有无突出危险性进行研判及预警。如果采掘工作面安装有声电监测系统，云平台则会根据声、电、瓦斯监测指标变化情况对突出危险性进行综合研判及预警。
2)风险隐患自动识别。根据第1.3节中提到的瓦斯灾害风险隐患特征识别方法，对瓦斯超限、瓦斯涌出异常、通风系统异常、瓦斯传感器失效、瓦斯传感器未定期调校、瓦斯抽采系统异常等多种风险隐患进行自动识别，根据风险隐患的严重程度作出告警、红色预警、橙色预警等不同级别的预警，并通过后台自动发送短信至对应预警级别的各责任人。
3)预警信息展示与统计分析。将各类动态预警信息以“一张图”形式进行展示。对于每一条预警记录，云平台会根据实时采掘状态及关联数据自动分析预警原因。此外，云平台可以根据预警类型、预警级别、预警区域(省、市、县、集团、煤矿)、预警时间等对某个时期内的所有预警记录进行统计分析。
2.3.1 煤与瓦斯突出危险性声电瓦斯综合监测预警
声电瓦斯综合监测预警技术同时反映了煤矿采掘空间应力变化、煤岩体受载破裂程度和瓦斯动态涌出等状态，在冲击地压、煤与瓦斯突出等煤岩动力灾害监测预警领域具有广泛应用前景。该技术及装备已在黑龙江龙煤集团、吉林通化集团、辽宁铁法集团、沈阳焦煤集团、河南神火集团、河南焦作煤业集团、山西潞安集团、贵州盘江精煤集团、贵州发耳煤业、四川古叙煤电等所属的30余个煤矿进行了现场应用，结果表明煤岩动力灾害发生前声、电、瓦斯监测指标均有明显的响应特征，预警准确率高，且无漏报。
四川某矿主采C19煤层为突出煤层，原始瓦斯压力最大1.45 MPa，瓦斯含量达13.81 m3/t。该矿采用声电瓦斯监测预警技术及装备对13019上运输巷掘进过程的煤与瓦斯突出危险性进行了全程实时监测，结果表明该技术的预测准确率比钻屑解吸指标提高了30%以上，在保证煤矿安全生产基础上减少了盲目防突工程量的人力和财力投入，加快了采掘接续。自数据接入云平台后，其在13019上运输巷突出危险性自动识别预警效果得以充分发挥，如：6月9日10：00左右云平台根据后台对声电瓦斯监测数据自动处理、分析，基于趋势预警算法自动研判并发出有突出危险性的预警提示(图6)。分析认为，此处受正断层F2119sq1的影响(该断层构造带附近的煤层厚度和产状变化较大)，发生煤与瓦斯突出的危险性增大。矿方随即采取撤人、断电等应对处置措施，20：45左右巷道片帮，瓦斯超限，最大质量分数达4%；现场采取打钻排放瓦斯等治灾措施，声电瓦斯恢复正常水平后表明解除危险。
图6 13019上机巷有突出危险的声电瓦斯监测曲线
Fig.6 Acoustic, electromagnetic and gas monitoring curve when 13019up headentry is at gas outburst risk
2.3.2 煤矿安全监管
1)云平台及运行情况介绍。某省某市煤矿数量大(约170个)，地质条件复杂，地区及煤矿条件差异大，瓦斯灾害严重且复杂，人机环管风险隐患多。政府安全监管难度大，以人工现场检查和抽查为主的监管远不能满足实际需求。因此，矿山监管部门于2021年引入本文建设的云平台辅助其对全市煤矿风险隐患进行智能监管、监察。云平台预警内容包括煤与瓦斯突出危险性(风险)预警、瓦斯超限预警、瓦斯涌出异常预警、通风系统异常预警、瓦斯传感器失效预警、瓦斯传感器未定期调校、瓦斯抽采系统异常预警等。预警短信推送人员包括市、县级监管人员和煤矿主要负责人。
截至目前，云平台已运行1年时间，风险隐患识别效果显著，有效提高了监管效率。期间，成功预警煤与瓦斯突出危险3次，识别各类重大风险隐患(红色预警)238次，一般风险隐患(橙色预警)5 741次。从不同类型风险隐患数量占比看(图7)，瓦斯抽采异常较多，主要表现为抽采负压、瓦斯流量和瓦斯浓度突然降低等，说明很多煤矿瓦斯抽采系统不稳定，未能充分发挥效能，下一步需要优化系统性能、加强瓦斯抽采日常管理。其次，瓦斯涌出异常最多。主要因该地区煤层瓦斯含量大，瓦斯抽采系统不稳定，治理效果一般，加上生产技术落后，部分煤矿仍在使用炮掘工艺，易发生瓦斯异常涌出。
图7 某市所有煤矿不同类型风险隐患数量占比
Fig.7 Proportion of different types of risks of all coalmines in a city
此外，通过云平台对各县、矿风险隐患类型及预警数量的大数据统计、排序，也为监管部门提供了重点监管目标和监管方向。
2)典型案例。以下为云平台在该市应用期间提前预警的2个案例：① 煤与瓦斯突出危险性预警。某矿为煤与瓦斯突出矿井，某工作面在掘进时发生一起煤与瓦斯突出事故。事故发生前3天，云平台对该工作面T2甲烷传感器监测瓦斯浓度自动处理、分析，基于趋势预警算法(长期+短期)自动研判并发出强突出危险预警提示(图8a、图8b)。
同时，云平台基于相关性分析识别方法对该工作面T1甲烷传感器和T2甲烷传感器监测瓦斯浓度进行了自动对比、分析、研判(图8c)，并在突出事故发生前一天发出数据异常提示。② 工作面过断层及瓦斯喷出超前预警。某矿为煤与瓦斯突出矿井，6月24日15：23某采煤工作面过断层区域放炮时造成瓦斯喷出，持续时长1小时16分，T1甲烷传感器监测最大瓦斯浓度47.9%。云平台基于该工作面瓦斯浓度、风速等信息自动计算得到绝对瓦斯涌出量，并利用临界值预警算法超前19小时13分钟持续预警，预警记录截图如图9所示。
图8 T2瓦斯浓度趋势变化及与T1瓦斯浓度对比分析
Fig.8 Trend change of T2 gas concentration and comparative analysis with T1 gas concentration
图9 瓦斯喷出提前预警情况
Fig.9 Early warning record of gas ejection
1)通过对煤矿瓦斯灾害及其风险隐患的综合分析，结合新技术发展和行业需求，提出了基于云平台的煤矿瓦斯灾害风险隐患大数据监测分析与预警体系，采用混合云架构建立了煤矿瓦斯灾害风险隐患大数据监测预警云平台，实现了单个煤矿、区域多个煤矿的瓦斯相关大数据分析、风险隐患识别、危险分级预警、安全与风险隐患信息动态“一张图”和报警信息分级推送等功能，并进行了验证和应用。
2)基于煤矿井巷网络及瓦斯分布流动特征、安全大数据的耦合关系及关联性等，实现了监测数据有效性识别和风险隐患特征的多数据映证，提高了风险隐患识别的准确率，尽可能消除漏报和减少误报。
3)随着瓦斯地质、采动及探测等数据的逐步融入和监测系统类型及数据的不断完善，企业(集团、分公司、矿井)分级瓦斯灾害风险隐患精准监测预警和安全管理水平会显著提升，政府部门(国家、省、市级)瓦斯灾害风险隐患的安全监管、安全监察和应急管控效能会大幅度提高。
[1] 国家安全生产监督管理总局.防治煤与瓦斯突出细则[M].北京:煤炭工业出版社, 2019.
[2] 张庆华, 蒲 阳.高产高效矿井煤与瓦斯突出动态预测技术研究[J].煤炭科学技术, 2018, 46(10):65-72.
ZHANG Qinghua, PU Yang.Research on dynamic prediction technology of coal andgas outburst in high-yield and high-efficiency mine[J].Coal Science and Technology, 2018, 46(10): 65-72.
[3] 付 华, 訾 海.最小二乘支持向量机与Kalman滤波耦合的瓦斯涌出量动态预测模型[J].计算机应用, 2015, 35(1):289-293.
FU Hua, ZI Hai.Dynamic prediction model for gas emission quantity based on least square support vector machine and Kalmanfilter[J].Journal of Computer Applications, 2015, 35(1):289-293.
[4] 邵良杉, 付贵祥.基于数据融合理论的煤矿瓦斯动态预测技术[J].煤炭学报, 2008, 33(5):551-555.
SHAO Liangshan, FU Guixiang.Dynamic prediction technology for gas based on data fusion theory[J].Journal of China Coal Society, 2015, 35(1):289-293.
[5] WANG Hao, WANG Enyuan, LI Zhonghui.Study on dynamic prediction model of gas emission in tunneling working face[J].Combustion Science and Technology.2020,194(3):1-17.
[6] 关维娟, 张国枢, 赵志根, 等.煤与瓦斯突出多指标综合辨识与实时预警研究[J].采矿与安全工程学报, 2013, 30(6):922-929.
GUAN Weijuan,ZHANG Guoshu, ZHAO Zhigen,et al.Multi-index comprehensive identification and real-time warning of coal and gas outburst[J].Journal of Mining & Safety Engineering.2013,30(6): 922-929.
[7] 姜福兴, 尹永明, 朱权洁, 等.基于掘进面应力和瓦斯浓度动态变化的煤与瓦斯突出预警试验研究[J].岩石力学与工程学报, 2014, 33(S2):3581-3588.
JIANG Fuxing, YIN Yongming, ZHU Quanjie, et al.Experimental study of precaution technology of heading face coal and gas outburst based on dynamic changes of stress and methane concentration[J].Chinese Journal of Rock Mechanics and Engineering, 2014, 33(S2): 3581-3588.
[8] 邹银辉, 赵旭生, 刘 胜.声发射连续预测煤与瓦斯突出技术研究[J].煤炭科学技术, 2005, 33(6):61-65.
ZOU Yinhui, ZHAO Xusheng, LIU Sheng.Research on sound transmitted continued predictiontechnology for coal and gas outburst[J].Coal Science and Technology,2005, 33(6): 61-65.
[9] LI Jiangong,HU Qianting, YU Minggao, et al.Acoustic emission monitoring technology for coal and gas outburst[J].Energy Science & Engineering, 2019, 7(2):443-456.
[10] ZHAO Xusheng，HU Qianting, NING Xiaoliang.Research on comprehensive early-warning technology of coal and gas outburst[J].Procedia Engineering, 2011, 26(S):2376-2382.
[11] 何学秋, 王安虎, 窦林名, 等.突出危险煤层微震区域动态监测技术[J].煤炭学报, 2018, 43(11):3122-3129.
HE Xueqiu, WANG Anhu, DOU Linming, et al.Technology of microseismic dynamic monitoring on coal and gas outburst-prone zone[J].Journal of China Coal Society, 2018, 43(11):3122-3129.
[12] 王恩元, 何学秋, 聂百胜, 等.电磁辐射法预测煤与瓦斯突出原理[J].中国矿业大学学报, 2000, 29(3):3-7.
WANG Enyuan, HE Xueqiu, NIE Baisheng,et al.Principle of predicting coal and gas outburst using electromagnetic emission[J].Journal of China University of Mining and Technology, 2000,29(3):3-7.
[13] 王恩元,李忠辉,何学秋,等.煤与瓦斯突出电磁辐射预警技术及应用[J].煤炭科学技术,2014,42(6):53-57.
WANG Enyuan, LI Zhonghui, HE Xueqiu,et al.Application and pre-warning technology of coal and gas outburst by electromagnetic radiation[J].Coal Science and Technology, 2014, 42(6):53-57.
[14] 王恩元, 刘晓斐, 何学秋, 等.煤岩动力灾害声电协同监测技术及预警应用[J].中国矿业大学学报, 2018,47:942-948.
WANG Enyuan, LIU Xiaofei, HE Xueqiu, et al.Acoustic emission and electromagnetic radiation synchronized monitoring techno1ogy and early-warning
application for coal and rock dynamic disaste[J].Journal of China University of Mining & Technology, 2018, 47(05): 942-948.
[15] 国务院安委办.国务院安委会办公室关于实施遏制重特大事故工作指南构建双重预防机制的意见[Z].2016-10-11.http://www.gov.cn/xinwen/2016-10/11/content_5117487.htm
[16] 煤矿重大隐患事故判定标准[S].北京:中华人民共和国应急管理部, 2021.
[17] 李明建, 赵旭生, 谈国文, 等.区域煤矿瓦斯灾害风险预警数据采集技术研究[J].工矿自动化, 2020, 46(7):57-63.
LI Mingjian,ZHAO Xusheng,TAN Guowen, et al.Research on gas disaster risk early warning data collection technology for regional coal mines[J].Industry and Mine Automation, 2020, 46(7): 57-63.
[18] 付 华, 谢 森, 徐耀松, 陈子春.基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究[J].煤炭学报, 2014, 39(7):1296-1301.
FU Hua, XIE Sen, XU Yaosong,CHEN Zichun.Gas emission dynamic prediction model of coal mine based on ACC-ENN algorithm[J].Journal of China Coal Society,2014, 39(7):1296-1301.
[19] 邓存宝, 凡永鹏.基于多重分形理论的工作面煤与瓦斯突出预测[J].辽宁工程技术大学学报(自然科学版), 2017, 36(9):903-908.
DENG Cunbao, FAN Yongpeng.Coal and gas outburst prediction in working face based on multi-fractal theory[J].Journal of Liaoning Technical University(Natural Science),2017,36(09): 903-908.
[20] 丰胜成, 邵良杉, 卢万杰, 等.PCA-PSO-LSSVM模型在瓦斯涌出量预测中的应用[J].辽宁工程技术大学学报(自然科学版), 2019, 38(2):124-129.
FENG Shengcheng, SHAO Liangshan, LU Wanjie, et al.Application of PCA-PSO-LSSVM model in gas emission prediction[J].Journal of Liaoning Technical University(Natural Science), 2019, 38(2): 124-129.
[21] 姜福兴, 杨光宇, 魏全德, 等.煤矿复合动力灾害危险性实时预警平台研究与展望[J].煤炭学报, 2018, 43(2):333-339.
JIANG Fuxing, YANG Guangyu, WEI Quande, et al.Study and prospect on coal mine composite dynamic disaster real-time prewarning platform[J].Journal of China Coal Society,2018, 43(2): 333-339.
[22] 武 强, 徐 华, 赵颖旺, 等.基于云平台的矿井水害智慧应急救援系统与应用[J].煤炭学报, 2018, 43(10):2661-2667.
WU Qiang, XU Hua, ZHAO Yingwang, et al.Cloud-based smart emergency rescue system and its application inmine water disaster[J].Journal of China Coal Society,2018, 43(10):2661-2667.
[23] 余国锋, 袁 亮, 任 波, 等.底板突水灾害大数据预测预警平台研究[J].煤炭学报, 2021, 46(11):3502-3514.
YU Guofeng,YUAN Liang,REN Bo, et al.Big data prediction and early warning platform for floor water inrush disaster[J].Journal of China Coal Society,2021, 46(11): 3502-3514.
[24] 曹 康, 李忠辉, 余得胜, 等.掘进工作面煤与瓦斯突出前兆特征及综合预警研究[J].煤炭科学技术, 2020, 48(11):147-152.
CAO Kang, LI Zhonghui, YU Desheng, et al.Study on precursor characteristics and comprehensive early warningof coal and gas outburst risk in driving face[J].Coal Science and Technology, 2020, 48(11):147-152.
[25] DI Yangyang, WANG Enyuan.Rock burst precursor electromagnetic radiation signal recognition method and early warning application based on recurrent neural networks[J].Rock Mechanics and Rock Engineering, 2021, 54(3):1449-1461.
[26] LI Bing,WANG Enyuan, SHANG Zheng, et al.Deep Learning Approach to Coal and gas outburst recognition Employing Modified AE and EMR Signal from Empirical Mode Decomposition and Time-Frequency analysis[J].Journal of Natural Gas Science and Engineering, 2021, 90:103942.
[27] 王 皓, 董书宁, 乔 伟, 等.矿井水害防控远程服务云平台构建与应用[J].煤田地质与勘探, 2021, 49(1):208-216.
WANG Hao, DONG Shuning, QIAO Wei,et al.Construction and application of remote service cloud platform for mine water hazard prevention and control[J].Coal Geology & Exploration, 2021, 49(1):208-216.
[28] 汪 杰, 王春华, 李晓华, 等.贵州煤矿智能化系统运维服务平台设计[J].煤矿安全, 2021, 52(9):161-166.
WANG Jie, WANG Chunhua, LI Xiaohua, et al.Design of operation and maintenance service platform for Guizhou coal mines intelligent system[J].Safety in Coal Mines,2021,52(9):161-166.
[29] HUANG Qunying, Cervone Guido, Zhang Guiming.A cloud-enabled automatic disaster analysis system of multi-sourced data streams:an example synthesizing social media, remote sensing and Wikipedia data[J].Computers, Environment and Urban Systems, 2017, 66:23-37.