煤层瓦斯突出危险区综合预测方法

李 冬1,2,彭苏萍1,杜文凤1,邢朕国1,2,李泽辰1,2

(1.中国矿业大学(北京) 煤炭资源与安全开采国家重点实验室,北京 100083; 2.中国矿业大学(北京) 地球科学与测绘工程学院,北京 100083)

摘 要:常规的瓦斯突出预测技术,主要从单一角度出发,无法达到多因素影响下的瓦斯突出危险区域预测精度。以某研究区为例,利用基于遗传算法的支持向量机(SVM)网络,预测了瓦斯含量;将孔隙度作为构造煤的判别因子,并通过概率神经网络(PNN)反演方法,得到了构造煤分布情况;介绍了基于自然伽马曲线的拟密度反演方法,获得了煤层顶板岩性情况。综合瓦斯含量、构造煤分布及煤层顶板岩性3个方面特征,建立了一套瓦斯突出危险区域综合预测方法,为判断瓦斯突出危险区提供了理论基础。经过与实际突出位置做验证,预测结果吻合,说明了综合预测方法在此研究区具有较高的准确性。

关键词:瓦斯突出;瓦斯含量;构造煤;顶板岩性;综合预测

瓦斯的富集与突出是煤矿生产的主要灾害之一,有效地预测瓦斯突出危险区,是煤矿安全生产的首要任务。在不考虑地应力及地应力产生的构造情况下,影响瓦斯突出的两个重要因素分别是:瓦斯含量和盖层(煤体及顶板)脆弱性。煤矿生产单位总结发现,在瓦斯含量达到一定指数时,构造煤与煤层顶板砂岩带是瓦斯突出的主要位置。

对于瓦斯突出预测,前人也做了一定的研究,张许良等[1]利用数学地质技术,建立了瓦斯含量预测模型,对煤层未采区域瓦斯含量及涌出量进行了预测;乔美英等[2]提出了一种基于加权LS-SVM的瓦斯预测方法,实现了在线动态预测;姚军朋等[3]结合地球物理测井,提出了利用孔隙结构指数作为定量识别构造煤的指标;同时,任川等[4]考虑了AVO效应,在声波阻抗反演的基础上,利用弹性波阻抗反演来预测构造煤,将构造煤解释为瓦斯富集与突出的目标区;彭刘亚等[5]提出煤体结构破坏指示因子的概念,并利用岩性地震反演方法对指示因子进行反演,从而实现划分煤体结构的目的,将煤体结构脆弱区判断为瓦斯突出危险区;管永伟等[6]探讨了煤层冲刷带与煤层瓦斯突出的相关关系,发现煤层冲刷带过渡区瓦斯突出危险性最大;魏文希等[7]基于拟声波反演方法研究了煤层顶底板岩性识别方法,认为砂岩是瓦斯突出的危险区。但是这些工作并没有从煤与瓦斯突出角度提出一套可靠的预测技术,所以笔者基于瓦斯突出所应具备的两个主要条件,提出了一种煤与瓦斯的综合预测方法。

研究区位于山西省某矿区,在煤矿开发与回采过程中煤与瓦斯突出事故频发,针对研究区现存问题,结合三维地震勘探、钻孔及测井资料对目的煤层瓦斯含量、构造煤发育情况和煤层顶板岩性做了综合预测,并以此为基础圈定瓦斯易突出区域。

1 瓦斯突出岩石物理特征

不同的瓦斯含量、岩性及煤体结构等在密度、电阻率、自然伽马等测井曲线上表现出不同的响应特征。根据岩石物性参数的变化可以对瓦斯含量及岩性变化进行预测。

1.1 地层不同瓦斯含量物性特征

瓦斯的生成、运移及赋存受多种地质因素控制,且无直接的线性相关关系。一般情况下,煤层厚度越大、变质程度越大,越有利于煤层瓦斯的生成;瓦斯的运移及赋存与地质构造及围岩的孔隙直接相关;随着地层埋深的增加,瓦斯压力增大,煤中的吸附瓦斯趋于饱和,因此,在一定深度范围内,随着地层埋深的增大瓦斯含量增加。

1.2 煤体结构物性参数

煤体在构造应力作用下发生破坏形成构造煤,煤体结构的破坏会直接导致岩石物理参数的改变,利用这种物性参数的变化可以有效识别构造煤的发育情况。经前人研究,通常按煤体破坏程度将煤层划分为原生煤I、原生煤II、构造煤I和构造煤II,具体的物性参数[4]见表1。

表1 不同煤体结构物性参数
Table 1 Structural parameters of different coal structures

煤体结构ρ/(g·cm-3)Vp/(m·s-1)原生煤I1 5002 400原生煤II1 3901 960构造煤I1 3501 500构造煤II1 250650

通过分析研究区电阻率测井曲线,发现煤层段电阻率相比于围岩(砂、泥岩)增大,而随着煤体破坏程度的增加,电阻率值减小;从表1可以看出,煤体发生破坏后密度与纵波速度也随之减小。结合这种特征,运用某种计算关系,可以实现煤体结构的判别。

1.3 不同岩性地层物性参数

煤系地层的主要岩层包括砂岩、泥岩和煤层,经过对研究区测井曲线统计分析及相关文章进行研究[8],得到表2不同岩性的物性参数。

表2 不同岩性物性参数
Table 2 Different lithological properties

岩性ρ/(g·cm-3)GR/API砂岩2 800 45泥岩2 701 02煤1 450 18

从表2可以看出,煤层密度降低,与围岩区分明显;砂岩与泥岩的密度相差很小,难以区分;自然伽马曲线对于砂岩、泥岩和煤的区分明显。所以,恰当地应用自然伽马曲线可以达到区分砂泥岩的目的。

2 瓦斯含量预测

瓦斯的产生与富集受多种因素的影响[9-10],如煤层厚度、煤体结构、顶板岩性及煤层埋深,同时瓦斯的富集会使得密度、电阻率、自然伽马测井曲线发生变化,基于此,笔者将这7个主要影响因素作为分析目标,利用基于遗传算法-支持向量机(GA-SVM)的模型对研究区瓦斯含量进行预测。

2.1 GA-SVM的工作方法

支持向量机是一种基于统计学及误差最小理论的预测方法,其预测模型具有许多参数,参数的改变对于模型的训练影响巨大,参数的优选是进行下一步工作的基础[11-12]。文章采用传统遗传算法对核函数及惩罚参数进行优选。

GA-SVM的工作步骤[13]:① 对变量进行归一化处理,使得所有变量达到相同的影响系数,由于本次参与计算的所有变量都是正数,故归一化区间为[0,1];② 寻找最佳参数,利用遗传算法优选参与向量机训练的各种参数;③ 利用SVM对所有变量进行训练,建立预测模型;④ 对变量做反归一化处理,还原真实数值,采用交叉检验方法,对模型预测精度进行评价;⑤ 利用建立好的满足预测要求的模型,对目标进行预测。

2.2 目的煤层瓦斯含量预测

本文研究的目标煤层为15号煤层,处于勘探阶段,尚未开采,区内只有一个瓦斯含量测试点。但是3号煤层(15号上方)邻区处于巷道布设阶段,且具有钻孔瓦斯含量测试值,所以采用3号煤层数据作为训练样本,具体参数见表3。

表3 瓦斯含量影响因素
Table 3 Factors affecting gas content

样本号煤层厚度/m埋深/m密度/(g·cm-3)电阻率/(Ω·m)自然伽马/API顶板岩性煤体结构瓦斯含量/(m3·t-1)12 28558 181 76351 470 800010 8722 36610 141 49221 780 510120 4132 40468 601 47219 350 420123 1142 69495 851 38190 780 410 5126 2552 45675 001 50216 210 530 5020 8962 35499 351 58276 990 480117 5172 24533 651 72304 900 350012 1582 38199 911 75346 100 230111 7591 85525 261 74368 400 420011 13101 96658 001 76315 710 250112 25111 87691 841 75359 660 640111 84121 60611 651 89354 000 890 5010 73131 85545 781 85327 230 370010 87141 63659 311 85348 360 58009 08151 92560 381 68296 030 490 5113 87161 84519 411 73298 700 620112 75171 96623 461 79358 340 46009 18181 61473 221 76347 560 590011 28191 75389 861 71286 610 410 5113 07201 95386 801 75267 530 470112 89

注:顶板岩性中,0为砂岩、0.5为泥岩;煤体结构中,0代表块状、1代表粉末状。

采用上述GA-SVM网络对已知样本进行训练,建立预测模型,确定最佳参数,使用交叉检验的方法,应用任意19组数据参与训练,对另外1组数据进行预测,输出瓦斯含量预测值,得到如图1所示的瓦斯预测值与实测值对比曲线,可以发现预测数据与实际数据基本吻合且具有一致的变化趋势。

图1 预测与实际瓦斯含量对比
Fig.1 Comparison of prediction and actual gas content

将预测结果与实际数据做对比分析,从图2预测误差检验中可以看出,预测与实测数据相关性达到了0.914,说明了该预测模型对于该研究区的目的煤层具有较高的精度,可以对瓦斯含量进行有效预测。

图2 预测误差分析
Fig.2 Prediction error analysis

利用建立好的模型,根据研究区已知测井曲线、钻孔等资料,提取上述主要影响参数,对目的煤层瓦斯含量进行预测,得到如图3所示的研究区瓦斯含量等值线图。可以看出,大部分区域瓦斯含量在17~18m3/t范围内,图中红色区域为高瓦斯含量区,瓦斯含量超过了20 m3/t,是预测瓦斯突出的焦点区域。

图3 瓦斯含量等值线
Fig.3 Gas content contour map

根据矿方提供的瓦斯含量测试点数据(未参与训练),如图3中右上角标记,此处实测瓦斯含量为17.2m3/t,预测值在17.0~17.5 m3/t,满足了预测误差要求。

3 构造煤预测

煤体结构发生破坏,会表现出低密度、低电阻率的特征,而且随着煤体破坏程度的增加,密度与电阻率会随之降低。所以,沿煤层的密度值、电阻率值可以作为构造煤的指示因子,并且两者随煤体破坏的变化规律一致,本文综合利用密度与电阻率曲线,按照一定的关系构造孔隙度曲线作为构造煤的判别因子:

(1)

式中,Rt为真实电阻率值;ρobs为真实密度值;ρw为地层水密度(取定值1.09g/cm3);ρh为碳氢化合物密度(主要为煤层气,取定值0.1g/cm3);ρma为围岩密度(取定值2.65g/cm3);Rw为地层水电阻率(取定值0.04 ·m)。

3.1 概率神经网络(PNN)反演

由以上公式,计算得到每个钻孔位置的孔隙度曲线,这里利用概率神经网络方法,结合已知点处孔隙度值,向外推测得到研究区全区的孔隙度数据体。

概率神经网络是一种描述非线性关系的方法,具有学习速度快、分类准确及容错性好的特点[14-16]。概率神经网络算法的工作流程如图4所示。

图4 概率神经网络算法流程
Fig.4 Probabilistic neural network algorithm flow chart

第1步,对输入的数据进行归一化处理,设样本数量为m,每一样本含有n个数据,则归一化样本为

Am×n=Bm×1·[1 1 … 1]nXm×n

(2)

式中,为归一化系数;Xm×n为样本矩阵。

第2步,求取输入点Cn与训练点Am×n之间的距离(j[1,m]):

(3)

概率神经网络算法,是一个前馈算法,训练的过程就是寻找使得距离D达到最小的匹配参数σ的过程。

第3步,计算输出目标值:

(4)

通过上述3个主要步骤,就可以取得预测点的目标值,将目标值与实际数据做对比,就可以分析与测试神经网络的预测准确性。

3.2 孔隙度预测

研究区共有钻孔10个,按照式(1)计算得到研究区目的煤层构造煤的判别因子,并将此孔隙度曲线作为PNN反演的目标曲线。

首先,结合叠后波阻抗数据体,从原始叠加地震数据中提取参与训练的最佳地震属性,采用step-wise(误差最小)方法,如图5所示为误差分析,可见随着地震属性个数的增加,整体的平均误差逐渐减小;但是检验误差在属性个数为6时达到最小值,之后再随着属性个数的增加,检验误差增大,所以优选出6个地震属性来参与神经网络的训练,分别是:声波阻抗倒数、(35/40~45/50)Hz带通分量、(15/20~25/30)Hz带通分量、主频、导数及瞬时相位。

图5 属性参与训练的误差分析
Fig.5 Error analysis of attribute participation training

然后,采用概率神经网络方法,对目标曲线即孔隙度进行训练和预测,图6为15号煤层的孔隙度沿层切片,图中紫色区域孔隙度较大,红色区域孔隙度较小。

图6 15号煤层孔隙度沿层切片
Fig.6 Porosity slices along the layers of 15 coal seam

基于对研究区附近煤体的测试分析结果,当总孔隙度大于0.135时发育为构造煤,由于计算中使用了英尺长度单位,故将孔隙度值大于0.45的区域(黑线圈出区域)解释为构造煤发育区域。研究区内2个钻孔具有取芯资料,钻孔w8煤层取芯完整,煤体结构较好,钻孔w10煤体破碎,未能得到取芯,说明其为构造煤。2个钻孔揭示与预测结果对应较好。

4 煤层顶板岩性预测

常规波阻抗反演是根据波阻抗差异来区分岩性,而此次研究区目的煤层顶板大部分为泥岩,出现局部砂岩冲刷带,由于砂岩、泥岩不存在明显的波阻抗差异,所以使用常规的波阻抗反演难以实现区分砂岩、泥岩的地质任务[17-18]

从对不同岩性的测井曲线分析可知,密度、电阻率曲线在砂岩和泥岩地层的变化很小,而自然伽马曲线对砂岩、泥岩的反映更加敏感。所以,本文通过对自然伽马曲线进行处理,得到具有与密度曲线相同值域的自然伽马拟密度曲线,在此基础上采用常规基于模型的波阻抗反演,实现目的煤层顶板岩性的预测。

4.1 测井曲线的处理

研究区共有钻孔10个,测井曲线齐全,首先将10条测井曲线通过选取标准井的方法进行标准化;其次利用式(5)将自然伽马曲线的值域范围调整到密度范围,取权重参数a=1,偏移参数b=1.5,获得拟密度曲线,图7为w5井处理后曲线,拟密度曲线与密度曲线具有相同的值域,且拟密度曲线可以明显区分砂岩、泥岩和煤层。

K=aGR+b

(5)

式中,K为拟密度值;GR为自然伽马曲线值。

图7 w5井拟合曲线特征对比
Fig.7 Well w5 comparison of curve features

4.2 岩性反演

基于模型的波阻抗反演就是利用测井曲线资料,通过人工合成地震记录完成精细的井震标定,获得准确的时深关系,从而建立初始波阻抗模型。通过反演分析不断修改子波或初始模型,直到获得满意的反演结果,基于模型的波阻抗反演流程如图8所示。

根据处理后得到的拟密度曲线,按照反演流程,经过参数调整,得到最终的反演结果,此次采用的反演参数见表4。

从得到的反演数据体中沿着目的煤层顶界面提取沿层切片,如图9所示,为15号目的煤层顶板岩性平面分布,由于自然伽马值在泥岩处变大,所以反演得到的波阻抗值较小处为砂岩,将图中紫色及蓝色(波阻抗值低于6000)区域判别为砂岩。根据钻孔柱状,15号煤层顶板w5为泥岩、w7为砂岩、w9为泥质砂岩,均与预测结果对应。

图8 声波阻抗反演流程
Fig.8 Acoustic impedance inversion flow chart

表4 声波阻抗反演参数设置
Table 4 Acoustic impedance inversion parameter setting

反演参数选取内容测井曲线拟密度曲线、声波曲线反演方法基于模型反演地震子波目的层统计子波、长度120 ms约束条件硬约束:±40%迭代次数20

图9 15号煤层顶板岩性
Fig.9 No.15 coal seam roof lithology

5 综合预测

为了实现准确圈定突出危险区,需将3个预测结果进行有效叠合。

首先,把孔隙度及顶板波阻抗值做归一化处理,同时将归一化后的波阻抗值按式(6)进行运算,这样就可以使得砂岩与构造煤发育区域均为大值,所以按照坐标通过式(7)将2个数值对应相加,得到如图10所示盖层岩性脆弱性指标W

P1=1-P

(6)

W=P1+φ

(7)

式中,P1是为了实现同类影响因素相加而构建的波阻抗值;P为经归一化的拟密度波阻抗值;φ为经归一化的孔隙度值。

图10 盖层岩性脆弱性
Fig.10 Cap rock vulnerability

其次,提取岩性脆弱性指标大于1.3的区域,将提取结果叠合在瓦斯含量图之上,如图11所示。

图11 综合预测结果
Fig.11 Comprehensive forecasting results

最后,将具备瓦斯突出两个条件的区域圈出,如图11所示,得到a,b,c和d四个瓦斯突出危险区,其中a和b为“高危”瓦斯突出区。

在勘探区内北部掘进了一条东西向的巷道,在掘进过程中,图11标记处发生了瓦斯突出,正位于圈定危险区a内。经与实际突出位置作验证,发现突出位置瓦斯含量较高、构造煤发育,但是顶板岩性为泥岩,所以对于此研究区,如果只利用预测顶板岩性的方法来圈定瓦斯突出危险区,不能使得该突出位置被有效预测,所以综合预测方法,可以有效提高预测准确性。

6 结  论

(1)从瓦斯突出应具备的条件出发,建立了一套包含瓦斯含量、构造煤分布及顶板岩性预测的瓦斯突出综合预测方法,较单一变量预测方法准确性有显著提高。

(2)基于煤层厚度、煤体结构、顶板岩性、煤层埋深及密度、电阻率、自然伽马测井曲线这7种瓦斯含量主要影响因素,利用GA-SVM瓦斯含量预测方法,可以有效预测瓦斯含量。

(3)煤层孔隙度可以作为构造煤的判别因子,根据概率神经网络,融合多种地震属性(包含常规波阻抗反演结果),对孔隙度进行反演,把孔隙度值大于0.45的区域解释为构造煤。

(4)基于自然伽马对泥质含量敏感的特性,利用自然伽马曲线进行拟密度反演,可以有效区分目的煤层顶板砂泥岩。

参考文献(References):

[1] 张许良,单菊萍,彭苏萍.瓦斯含量及涌出量预测的数学地质技术与方法[J].煤炭学报,2009,34(3):350-354.

ZHANG Xuliang,SHAN Juping,PENG Suping.Mathematical geology technique and method for prediction of gas content and emission[J].Journal of China Coal Society,2009,34(3):350-354.

[2] 乔美英,马小平,兰建义,等.基于加权LS-SVM时间序列短期瓦斯预测研究[J].采矿与安全工程学报,2011,28(2):310-314.

QIAO Meiying,MA Xiaoping,LAN Jianyi,et al.Time series short-term gas prediction based on weighted LS-SVM[J].Journal of Mining & Safety Engineering,2011,28(2):310-314.

[3] 姚军朋,司马立强,张玉贵.构造煤地球物理测井定量判识研究[J].煤炭学报,2011,36(S1):94-98.

YAO Junpeng,SIMA Liqiang,ZHANG Yugui.Quantitative identification of deformed coals by geophysical logging[J].Journal of China Coal Society,2011,36(S1):94-98.

[4] 任川,潘冬明,彭刘亚,等.利用弹性波阻抗反演预测构造煤发育[J].煤田地质与勘探,2014,42(3):92-95.

REN Chuan,PAN Dongming,PENG Liuya,et al.Prediction of tectonic coal development using elastic impedance inversion[J].Coal Geology & Exploration,2014,42(3):92-95.

[5] 彭刘亚,崔若飞,任川,等.利用岩性地震反演信息划分煤体结构[J].煤炭学报,2013,38(S2):410-415.

PENG Liuya,CUI Ruofei,REN Chuan,et al.Classification of coal body structure using seismic lithology inversion information[J].Journal of China Coal Society,2013,38(S2):410-415.

[6] 管永伟,陈同俊,崔若飞,等.煤层冲刷带地震响应特征及其与煤层瓦斯突出的相关性分析[J].地球物理学进展,2016,31(1):191-197.

GUAN Yongwei,CHEN Tongjun,CUI Ruofei,et al.Analysis of seismic response and correlation with coal seam gas outburst in the coal seam scouring zone[J].Progress in Geophysics,2016,31(1):191-197.

[7] 魏文希,师素珍,孙超,等.拟声波反演技术在识别煤层顶底板砂泥岩中的应用[J].物探与化探,2016,40(1):220-224.

WEI Wenxi,SHI Suzhen,SUN Chao,et al.Application of pseudo-acoustic inversion technique in identifying sandstone and mudstone of coal seam roof and floor[J].Geophysical and Geochemical Exploration,2016,40(1):220-224.

[8] 彭苏萍,高云峰,彭晓波,等.淮南煤田含煤地层岩石物性参数研究[J].煤炭学报,2004,29(2):177-181.

PENG Suping,GAO Yunfeng,PENG Xiaobo,et al.Study on the rock physic parameters of coal bearing strata in Huainan coalfield[J].Journal of China Coal Society,2004,29(2):177-181.

[9] 刘景艳,王福忠.基于粒子群神经网络的煤层瓦斯含量预测[J].河南理工大学学报(自然科学版),2014,33(6):724-727.

LIU Jingyan,WANG Fuzhong.Coal seam gas content prediction based on particle swarm neural network[J].Journal of Henan Polytechnic University(Natural Science),2014,33(6):724-727.

[10] 聂百胜,戴林超,颜爱华,等.基于支持向量回归机的煤层瓦斯含量预测研究[J].中国安全科学学报,2010,20(6):28-32.

NIE Baisheng,DAI Linchao,YAN Aihua,et al.Study on prediction of coal seam gas content based on support vector regression[J].China Safety Science Journal,2010,20(6):28-32.

[11] PHAN A V,NGUYEN M L,BUI L T.Feature weighting and SVM parameters optimization based on genetic algorithms for classification problems[J].Applied Intelligence,2017,46(2):455-469.

[12] IZADI M,MOHAMMADZADEH A,HAGHIGHATTALAB A.A new neuro-fuzzy approach for post-earthquake road damage assessment using GA and SVM classification from quick bird satellite images[J].Journal of the Indian Society of Remote Sensing,2017(5):1-13.

[13] 董晓雷,贾进章,白洋,等.基于SVM耦合遗传算法的回采工作面瓦斯涌出量预测[J].安全与环境学报,2016,16(2):114-118.

DONG Xaiolei,JIA Jinzhang,BAI Yang,et al.Prediction for gas-gushing amount from the working face of stope based on the SVM coupling genetic algorithm[J].Journal of Safety and Environment,2016,16(2):114-118.

[14] 李娟娟.煤与瓦斯突出预测的岩性地震反演方法研究[D].徐州:中国矿业大学,2013.

LI Juanjuan.Study on lithologic seismic inversion methods for coal and gas outburst prediction[D].Xuzhou:China University of Mining and Technology,2013.

[15] 崔大尉.基于地震信息的煤与瓦斯突出预测与评价方法研究[D].徐州:中国矿业大学,2015.

CUI Dawei.Study on the prediction and evaluation method of coal and gas outburst based on seismic information[D].Xuzhou:China University of Mining and Technology,2015.

[16] MOHAMED I A,SHENKAR O,MAHMOUD H.Understanding reservoir heterogeneity through water-saturation prediction via neural network- A case study from offshore Nile Delta[J].Leading Edge,2017,36(4):298-303.

[17] 查华胜,甘志超,刘卫佳,等.自然伽马拟声波曲线构建技术探讨[J].中国煤炭地质,2014,26(5):58-62.

ZHA Huasheng,GAN Zhichao,LIU Weijia,et al.Latest discussion on natural gamma-ray pseudo-acoustic construction technology[J].Coal Geology of China,2014,26(5):58-62.

[18] 赵继龙,熊冉,陈戈,等.伽马拟声波分频重构反演在储层预测中的应用[J].地球物理学进展,2013,28(4):1954-1961.

ZHAO Jilong,XIONG Ran,CHEN Ge,et al.Gr Quasi-Acoustic frequency divisions reconstruct seismic inversion and application in reservoir prediction[J].Progress in Geophysics,2013,28(4):1954-1961.

Comprehensive prediction method of coal seam gas outburst danger zone

LI Dong1,2,PENG Suping1,DU Wenfeng1,XING Zhenguo1,2,LI Zechen1,2

(1.State Key Lab of Coal Resources and Safe Mining,China University of Mining and Technology (Beijing),Beijing 100083,China; 2.College of Geoscience and Surveying Engineering,China University of Mining and Technology (Beijing),Beijing 100083,China)

Abstract:Conventional technology only considers one factor,which cannot achieve the same precision of gas outburst zone as multi-factor prediction methods.Taking an area as an example,the support vector machine (SVM) network based on genetic algorithm was used to predict the gas content.The porosity was used as the discriminant factor of tectonic coal.Distribution of tectonic coal was obtained by probabilistic neural network (PNN).The quasi-density inversion method based on natural gamma curve was in-troduced to obtain the lithology of coal seam roof.Characteristics of gas content,tectonic coal distribution and coal seam roof lithology was comprehensively considered to establish the gas outburst risk area comprehensive fore-casting method,which provided a theoretical basis to determine the gas outburst danger zone.The prediction results were consistent with actual prominent positions,which proved that this comprehensive forecasting method had high accuracy in this study area.

Key words:gas outburst;gas content;tectonic coal;roof lithology;comprehensive forecast

李冬,彭苏萍,杜文凤,等.煤层瓦斯突出危险区综合预测方法[J].煤炭学报,2018,43(2):466-472.

doi:10.13225/j.cnki.jccs.2017.1229

LI Dong,PENG Suping,DU Wenfeng,et al.Comprehensive prediction method of coal seam gas outburst danger zone[J].Journal of China Coal Society,2018,43(2):466-472.

doi:10.13225/j.cnki.jccs.2017.1229

中图分类号:TD713   

文献标志码:A

文章编号:0253-9993(2018)02-0466-07

收稿日期:20170907  

修回日期:20171120  

责任编辑:常明然

基金项目:国家科技重大专项资助项目(2016ZX05066-001);国家自然科学基金煤炭联合基金资助项目(U1261203)

作者简介:李 冬(1993—),男,吉林吉林人,硕士研究生。E-mail:313154904@qq.com

通讯作者:彭苏萍(1959—),男,江西萍乡人,中国工程院院士。E-mail:psp@cumtb.edu.com

Baidu
map