Coal spontaneous combustion disaster monitoring and early warning technologies and development trend for coal mines
-
摘要:
以降低矿井火灾的发生率为目标，梳理了矿井煤自燃灾害现有监测预警技术的发展现状，总结了现有技术的局限性和不足，指出未来发展应注重先进监测技术的应用、预测技术准确性的提升、预警系统和智能化管理的发展等。针对矿井煤自燃灾害隐蔽性、持续性、扩散性和难以控制的特点，提出矿井煤自燃灾害监测预警技术未来发展方向：提升煤自然发火临界值确定方法的综合性，利用新兴设备和先进技术完善煤自然发火临界值的确定方法；针对矿井煤自燃复杂环境，可通过研究声波探测等新型先进技术手段，提高矿井煤自燃监测参数的全面性和精细化；推动矿井煤自燃监测预警技术的创新性和决策的智能化，利用数字孪生技术提供精准的模拟与预测能力、优化防控方案、提供培训和应急管理以及数据分析和决策支持等方面的帮助；聚焦矿井自燃灾害全面感知、精准预测与防控智能一体化建设，加强对矿井自燃灾害数据分析、灾前主动预警、灾后事故治理、火区自动封闭等技术的研究。
Abstract:For reducing the incidence of mine fires, the limitations and shortcomings of the existing monitoring and early warning technologies for coal spontaneous combustion disaster are sorted out, and it is pointed out that the future development should focus on the application of advanced monitoring technology, the improvement of the accuracy of prediction technology, the development of early warning system and intelligent management. Aiming at the hidden, persistent, proliferation and difficult to control characteristics of coal spontaneous combustion disaster, the future development direction of coal spontaneous combustion disaster monitoring and early warning technology is proposed: improve the comprehensiveness of the method for determining the critical value of natural ignition of coal, and use emerging equipment and advanced technology to improve the method of determining the critical value of natural ignition of coal; for the complex coal spontaneous combustion environment of the mine, and the comprehensive and refined monitoring parameters of the spontaneous combustion of coal can be improved by studying new advanced technologies such as acoustic wave detection; promote the innovation of coal spontaneous combustion monitoring and early warning technology and the intelligence of decision-making, and use digital twin technology to provide accurate simulation and prediction capabilities, optimize prevention and control plans, provide training and emergency management, as well as the help in data analysis and decision support; focus on the intelligent integration of comprehensive perception, accurate prediction and prevention and control of coal spontaneous combustion disasters, and strengthen the research on technologies such as data analysis of coal spontaneous combustion disasters, active early warning before disasters, post-disaster accident management, and automatic closure of fire areas.
-
据国家统计局核算，2021年全年，我国原煤产量约41.3亿t，煤炭消费量占能源消费总量的56%，依然是我国重要的能源资源。但是，持续大量的煤炭开采已严重破坏了矿区的地下原始岩层结构，导致矿井涌水量快速增大；据统计：2014—2019年，我国因煤炭开采产生的矿井总水量高达288.09亿m³，而且大部分直接外排至地面，造成水资源的大量流失和浪费[1-2]。
煤矿地下积水采空区的建设和实施，为更好地利用矿井地下水资源提供了技术手段。通过煤矿开采过程中遗留的保护煤柱及人工建设的防水密闭，围绕采空区建设封闭积水区域，避免地下水直接外排至地面，造成资源浪费和环境污染，同时也在很大程度上为矿区工业用水和生活用水提供了保障[3-5]。
针对上述难点问题，国内外众多学者进行了深入的研究：①在防水密闭受力分析研究方面：李雨萌等[6]通过相似模拟实验集合数值模拟方法，将标准煤样以固定时间周期性浸水处理，得出标准煤样随浸水时间增加的一般性能变化规律；王文才等[7]研究了防水密闭与保护煤柱衔接处在孔隙水的软化作用下力学性能变化情况，总结出孔隙裂缝中的水分在一定程度上增强了防水密闭的抗压强度，为衔接材料选择提供参考依据；②在防水密闭稳定性研究方面：杨夺等[8]重点对防水密闭和保护煤柱的工艺措施进行了详细分析，提出了以防渗为目标的施工方案和工艺参数，为保障地下积水采空区安全运行提供可行性方案；陈阳[9]对鄂尔多斯煤矿地下水库工程中混凝土、黏土及砖墙结构的3种不同类型的挡水坝体进行了三维有限元渗流计算分析，评估了矿区已建地下水库防水密闭防渗措施效果的可靠性；③在监控预警层面研究方面：曹志国等[10]采用系统工程理论系统给出地下积水采空区安全运行的关键因素，论述了安全监控系统总体架构；顾大钊[11]通过对神东矿区地下积水采空区的实践应用，给出针对地下积水采空区安全监控系统组成模块，并对各模块功能和技术指标进行详细的阐述，为地下积水采空区安全监控系统标准制定和实施提供了参考。
综上所述，煤矿地下积水采空区监测和预警大多停留在试验和数值分析的理论阶段，尚无具体的监测措施和数据分析技术[12]。为了保障地下积水采空区的稳定运行，结合地面水坝监测技术[13-15]，提出了煤矿地下积水采空区防水密闭安全评价方法研究，对人工防水密闭进行应变、应力及渗压监测、数据分析和预测评价研究，实现煤矿地下积水采空区的安全稳定运行。
1. 方案设计及预测
1.1 监测方案
井下煤炭回采过程中，因煤层厚度及底板高度差异，造成采空区高度起伏较大。结合石圪台矿双巷掘进特点，在回风巷和进风巷之间的联络巷建设人工防水密闭，因低点防水密闭承受的水压较大，在井下复杂时空变化过程中，造成防水密闭受力及渗压状态不明，给井下安全生产带来潜在风险[16-17]。
参照国家能源集团神东煤炭集团有限责任公司《神东矿区煤矿积水采空区安全技术标准》第8.8节“监测监控”部分的要求：井下积水采空区监测监控设计应遵循“在积水采空区低洼处的煤柱和防水密闭墙内安装应力应变计、基岩变位计、微震解调仪等传感器，对防水密闭墙墙体与围岩的相对位移，特别是接触缝的位置”的原则。
为此，通过渗压计（LS1、LS2、RS1、RS2）监测人工坝体及保护煤柱衔接处渗压参数，实时了解保护煤柱内部水体流动压力情况。渗压计布置工艺参数：人工坝体两侧相邻煤柱距底板0.5、1 m；钻孔深4 m，钻孔直径60 mm。钻孔应力计布置工艺参数：钻孔直径46 mm，钻孔深3.5 m。传感器布置图如图1。
1.2 安全分级
GRNN以非线性回归分析为研究基础，PNN法以贝叶斯最小风险准则为理论依据。设随机变量$ x \text { 和 } y $的联合概率密度函数为$ f(x, y) $，已知$ x $的监测值为${X}$，则$ y $相对${X}$的条件均值为：
$$ \hat{Y}=E(y / X)=\frac{\displaystyle\int_{-\infty }^{\infty } y f(X, y) {\rm{d}} y}{\displaystyle\int_{-\infty}^{\infty} f(X, y) {\rm{d}} y} $$ (1) 式中：$\hat{{Y}}$为监测值${X}$的预测输出。
对监测数据集$ \left\{x_{i}, y_{i}\right\}_{i=1}^{n} $应用Parzen非参数估计，估算密度函数$ \hat{f}(X, y) $：
$$\begin{gathered} \hat f(X, y)=\frac{1}{n(2 \pi)^{\frac{{p + 1}}{2}} \sigma^{p+1}} \times\\ \exp\sum_{i=1}^{n} \left[-\frac{\left(X-X_{i}\right)^{{\rm{T}}}\left(X-X_{i}\right)}{2 \sigma^{2}}\right] \exp \left[-\frac{\left(X-Y_{i}\right)^{2}}{2 \sigma^{2}}\right] \end{gathered}$$ 式中：$ X_{i} $、$ Y_{i} $为随机变量$ x \text { 和 } y $的监测值和输出值；$ n $为监测数量；$ p $为度量变量$ x $的维数；$ \sigma $为高斯函数的光滑因子。
由于$\displaystyle\int_{-\infty}^{\infty} z {\rm{e}}^{-z^{2}} {\rm{d}} z=0$，用$ \hat{f}(X, y) $代替$ f(X, y) $进行交换积分处理可得：
$$ \hat{Y}(X)=\frac{\displaystyle\sum_{i=1}^{H} Y_{i} \exp \left[-\frac{\left(X-X_{i}\right)^{{\rm{T}}}\left(X-X_{i}\right)}{2 \sigma^{2}}\right]}{\displaystyle\sum_{i=1}^{n} \exp \left[-\frac{\left(X-X_{i}\right)^{{\rm{T}}}\left(X-X_{i}\right)}{2 \sigma^{2}}\right]} $$ (2) 式中：$ \hat{Y}(X) $为输出值$ Y_{i} $的加权平均。
每个输出值$ Y_{i} $的权重因子为相应的监测值$ X_{i} $与${X}$之间的Euclid距离平方的指数，判断光滑因子$ \sigma $大小，确定$ \hat{Y}(X) $预测输出效果。
通过数据收集，并根据GRNN模型训练部分监测值，对输出结果创建PNN网络进行分类验证，确定各级别预测准确率，评价分析结果。
2. 防水密闭安全评价
2.1 GRNN交叉验证预测
以石圪台矿31205积水采空区3#密闭墙作为研究对象，统计2022年5月23至28日期间的表面应变计（B1、B3）、钻孔应力计（LY）和渗压计（LS1）监测值，每组各400个数据。
利用每组监测值的前300个数据作为训练数据，其余100个数据作为预测数据。B1、B3及LY作为输入矩阵，LS1作为输出矩阵；设置光滑因子$ \sigma $范围为0.1～1.0，间隔步长为0.1增长；采用十折交叉验证法进行网络训练；利用循环迭代逻辑，判定均方差的大小，得出训练模型效果$ \sigma $。
由训练效果可知：光滑因子$ \sigma $在由0.1逐渐增加的过程中，判定的均方差变化较为明显；其中，$ \sigma=0.2 $时，均方差最小为0.81×10−5，此时GRNN网络训练效果最优。GRNN网络预测效果如图2。
由图2可知：$ \sigma $值越小，网络训练的逼近性越强；反之，网络对样本训练的逼近过程就越平滑，但相应的误差也逐渐增大。另外，GRNN网络模型预测的100个数据结果较为稳定，绝对误差基本控制在1%以内，误差超过0.01的预测数据仅存在3个，说明该模型预测准确率较高；同时，以BP神经网络模型对渗压预测误差进行对比，分别从平均值、中位数及方差3个参数判定2种模型的优劣性，对比结果发现：GRNN模型预测结果的3个参数都普遍小于BP模型，说明GRNN模型的预测效果优于BP神经网络模型的预测效果。GRNN与BP优劣对比结果见表1。
表 1 GRNN与BP的优劣对比结果Table 1. Comparative results of GRNN and BP对比类型 平均值 中位数 方差 GRNN 1.20×10−3 1.02×10−3 7.497×10−6 BP 3.12×10−3 2.07×10−3 1.756×10−5 由表1可知：同时对预测数据进行三维映射成图分析，单一参数预测数据映射成图存在互补关系，与模型组合预测数据的发展趋势符合实测数据变化情况，结果表明：此类GRNN模型在非线性映射能力具有高度的容错性和鲁棒性。
2.2 PNN法分类评价
以GRNN渗压预测结果的100个indices数据作为基础，一共分10类，数字相同表示对应的行数为一类。
在对多因素的渗压预测进行深入分析后，以改良的三比值法为基础，建立基于PNN的分类模型，B1、B3、LY为改良三比值法数值，渗压计为分类的输出；使用前90个数据作为PNN训练样本，后10个样本作为验证样本，进一步对GRNN的indices数据进行评价分析。PNN训练后训练数据网络的分类效果图如图3。
![]()
图 3 PNN训练后训练数据网络的分类效果图Figure 3. Classification rendering of PNN training data network after training由图3可知：将90个训练数据作为输入代入已经训练完成的PNN网络中，对数据进行自动分类判别，分类结果中发现只有3个样本数据判断错误，分别是样本编号第36、第53和第83的渗压预测数据；同时结合训练后的误差图可知：分类结果与训练后的误差相对应，在误差图中也仅有3个样本数据存在分类误差较大，总体评价准确率为96.7%；同时以剩余的10个样本数据进行验证。PNN网络预测效果图验证结果如图4。
由图4可知：用剩余10个渗压预测样本数据进行验证时，仅存在2个数据判定错误，说明通过GRNN模型预测的数据，PNN仍可进行有效的判定验证及评价，可用来进行更多样本的分类评价研究。
将上述理论及分析结果应用于现场，并搭建和开发相关监测系统，目前系统已稳定运行约6个月，针对防水密闭的监测数据的运行均为正常；同时对防水密闭的风险等级进行分级预警，结果显示：5月26日预警正常，未出现异常风险判定，现场应用可靠。
3. 结 语
1）以石圪台矿监测数据为基础，采用GRNN模型对渗压数据进行预测，应用交叉验证和循环迭代方法，预测结果绝对误差不超过0.01的有97%；同时与BP神经网络模型进行对比分析发现，GRNN模型预测效果优于BP模型。
2）采用PNN法对GRNN预测结果共10类100个数据进行分类验证，训练样本准确率为96.7%，预测样本也仅有2个数据判断错误，因此，PNN仍可对GRNN预测分类数据进行验证，可为后续分级预警提供研究基础。
3）结合现场应用结果，此类模型方法具有较好的安全评价效果，系统监测数据正常，运行可靠，具有可实际应用性。
-
![]()
图 1 矿井煤自燃监测技术及工艺流程
Figure 1. Mine coal spontaneous combustion monitoring technology and process
![]()
图 4 煤自燃标志气体预警阈值及标志气体特征
Figure 4. Early warning thresholds for coal spontaneous combustion indicator gases and indicator gas characteristics
![]()
图 5 煤自燃７级分级预警与特征温度和阶段关系
Figure 5. Seven-level grading early warning of spontaneous combustion of coal related to characteristic temperature and stage
表 1 矿井自燃监测技术对比与应用场景
Table 1 Comparison of mine spontaneous combustion monitoring technologies and application scenarios
监测技术 优点 缺点 应用场景 钻探技术 钻探较大深度；快速获取矿产资源信息 存在一定地质灾害风险；对地下环境有一定破坏性 探查小煤矿边界 束管监测 能提供准确的地质构造和地层信息 工作量大且费时费力；只能获取局部样本 含硫煤较高的矿井 分布式光纤测温 长测距能力；实时监测 安装复杂；灵敏度受限 长壁采煤工作面、地下储煤仓 红外热成像 快速、非接触式和大范围的监测能力 对环境温度和湿度的变化较为敏感；
只能检测表面温度井下掘进工作面、综采工作面、
带式输送机输送磁探法 高效监测；无需接触矿体表面；
实时性强；灵敏度受限；依赖地质条件；仪器设备复杂 富含磁性的矿物或岩石的地质条件下 同位素测氡 高灵敏度、快速响应 受矿井内氡气浓度分布的影响；
需专业操作人员；成本较高浅埋深 、地表无植被 
下载: 导出CSV
表 2 煤自燃标志气体类型及形式
Table 2 Types of indicators of spontaneous coal combustion gases and forms of indicators
指标类型 指标名称 指标形式 适用条件 单一指标 氧化气体 $ \mathrm{CO} $ 各气体初现温度分明 热解气体 $ \mathrm{C}_{2} \mathrm{H}_{6}, \mathrm{C}_{3} \mathrm{H}_{8}, \mathrm{C}_{2} \mathrm{H}_{4}, \mathrm{C}_{2} \mathrm{H}_{2}, \mathrm{H}_{2} $ 复合指标 格雷哈姆系数(R) $ R_{\rm{I}}=\dfrac{+\Delta G_{\mathrm{CO}_2}}{-\Delta C_{\mathrm{CO}_2}}\times100\% $ 井下CO2来源少且积水少 $ R_2=\dfrac{+\Delta C_{\mathrm{CO}}}{-\Delta C_{\mathrm{O}_2}}\times100\% $ CO均来源于煤自燃氧化；新鲜风量较小 $ R_3=\dfrac{+\Delta C_{\mathrm{CO}}}{-\Delta C_{\mathrm{O}_2}}\times100\% $ 常用于指示火灾发展状况 链烷比 $ C_{{\mathrm{C}}_{2} \mathrm{H}_{6}} / C_{{\mathrm{CH}}_{\mathrm{4}}} $,$ C_{{\mathrm{C}}_{3} {\mathrm{H}}_{8}} / C_{{\mathrm{CH}}_{4}} $,$ C_{{\mathrm{C}}_{3} {\mathrm{H}}_{8}} / C_{{\mathrm{C}}_{2} {\mathrm{H}}_{6}} $等 煤体自身中无原始烷烃气体赋存 烯烷比 $C_{{\mathrm{C}}_2 {\mathrm{H}}_4} / C_{{\mathrm{C H}}_4}, C_{{\mathrm{C}}_2 {\mathrm{H}}_4} / C_{{\mathrm{C}}_2 {\mathrm{H}}_6}, C_{{\mathrm{C}}_2 {\mathrm{H}}_4} / C_{{\mathrm{C}}_3 {\mathrm{H}}_8}$等 碳氢比 $ \dfrac{6\left(C_{{\mathrm{C O}}_2}+C_{{\mathrm{C O}}}+C_{{\mathrm{C H}}_4}+C_{{\mathrm{C}}-{\mathrm{O}}}\right)}{2\left(C_{{\mathrm{N}}_2} / 3.78-C_{{\mathrm{O}}_2}-C_{{\mathrm{C O}}_2}+C_{{\mathrm{C H}}_4}\right)-C_{{\mathrm{C O}}}-C_{{\mathrm{C}}-{\mathrm{H}}}+C_{{\mathrm{H}}_2}}$ 非高瓦斯矿井 烃指数 $ \dfrac{1.01 C_{{\mathrm{T H C}}}-C_{{\mathrm{CH}}_4}}{C_{{\mathrm{T H C}}}} $ 烃类气体总体积分数达50$ \times {10}^{-6} $以上 注：R1、R2受新鲜风流的影响，R3指标基本上不受新鲜风流的影响，因此R3指标常用于指示火灾的发展状况；CTHC为烃类物质总量，10−6，当实际检测烃类物质总量为0时，默认该值为0.01×10−6，以防止出现分母为0的情况；CCH4为甲烷气体的含量，10−6。
下载: 导出CSV
表 3 不同学习算法在煤自燃预测预警方面的优缺点
Table 3 Advantages and disadvantages of different learning algorithms for coal spontaneous combustion prediction and warning
分类 学习算法 优点 缺点 实际应用 监督学习
算法线性回归 表达方式简单，建模过程方便，对关系简单、数据量小的数据集效果更好 确定煤自燃温度和气体产物之间
的复杂关系不理想，预测误差较大确定交叉温度、着火点温度与元素之间的内在联系，为煤自燃预警提供数据支撑 人工神经网络（ANN） 较强的非线性映射、自适应、函数拟合和自学习能力 数值模拟研究结果
仍需要现场检验利用该模型计算出煤的自然发火期 支持向量机 学习效率高、全局性强和泛化
能力优异训练时间长 采用支持向量机实现了煤自燃极限参数的预测 遗传算法（GA） 易与其他算法结合，全局
寻优能力，高可靠性收敛速度较慢、局部搜索能力差、
需要更多的迭代次数基于遗传算法预测煤层自燃危险性研究，选取3个关键影响因素作为判断指标并建立矿井自燃危险性预测模型 BP神经网络 很强的非线性映射能力，柔性的网络结构 模型收敛速度较慢，易陷于局部最优 通过建立BP神经网络，研究煤自燃过程中气体对温度的反馈作用，根据气体数据精准预测煤自燃温度 粒子群优化（PSO） 快速逼近最优解、简单易实现、搜索速度快 易陷于早熟收敛、高维空间易陷入
局部最优PSO常用于对其他模型优化并建立预测模型，为矿井煤自燃预测预警提供新的方法 蚁群算法 良好的正反馈性和稳定性、全局搜索能力强 求解时间较长、迭代速度较慢 蚁群算法应用于解决煤矿井下应急救援路径优化的研究 随机森林（RF） 训练速度快、分类精度高、不易过拟合、可处理高维度数据 样本较大容易过拟合、模型的可解释
性不如单棵决策树基于随机森林的煤自燃预测模型，通过在多个矿井煤自燃预测中应用，验证了RF的稳定性和普适性 无监督学
习算法聚类算法 适用大规模数据、收敛速度快、算法简单 聚类数目导致聚类结果不稳定 通过聚类算法确定采空区自燃“三带”划分，并对不同测点数据进行分类
下载: 导出CSV
-
[1] 姜延航, 周露函, 韩明旭. 一面四巷瓦斯抽采对采空区遗煤自燃影响数值模拟研究[J/OL]. 煤炭科学技术, 1-10.[2024-01-05] http://kns.cnki.net/kcms/detail/11.2402.TD.20230922.1512.001.html. JIANG Yanhang, ZHOU Luhan, HAN Mingxu. Numerical simulation study on the effect of gas extraction in one face and four lanes on the spontaneous combustion of coal remains in the mining area[J]. Coal Science and Technology, 1-10.[2024-01-05] http://kns.cnki.net/kcms/detail/11.2402.TD.20230922.1512.001.html.
[2] LI N, LI X, SHU C, et al. Study of the influence of the characteristics of loose residual coal on the spontaneous combustion of coal gob[J]. Energy Science & Engineering, 2020, 8(3): 689−701.
[3] PEI X, WANG K, JIANG S, et al. Experimental study on ventilation supply-demand matching to dispense the stope gas disaster risk of coal mines[J]. Geomatics, Natural Hazards and Risk, 2020, 11(1): 1299−1318. doi: 10.1080/19475705.2020.1788172
[4] KONG B, LI Z, YANG Y, et al. A review on the mechanism, risk evaluation, and prevention of coal spontaneous combustion in China[J]. Environmental Science and Pollution Research, 2017, 24(1): 1−18. doi: 10.1007/s11356-015-5582-4
[5] WANG X, MENG F B. Statistical analysis of large accidents in China’s coal mines in 2016[J]. Natural Hazards: Journal of the International Society for the Prevention and Mitigation of Natural Hazards, 2018, 92(1): 311-325.
[6] 李光宇. 矿井火与地表火共存型煤田火区浅部封堵治理技术研究[D]. 徐州:中国矿业大学,2018. [7] 王栋,陆伟,李金亮,等. 煤矿输气与控制共用管线的高正压束管监测系统研究[J]. 煤炭科学技术,2019,47(12):141−144. WANG Dong, LU Wei, LI Jinliang, et al. Study on high positive pressure beam tube monitoring system of sharing pipeline for gas transmission and pump control[J]. Coal Science and Technology, 2019, 47(12): 141−144.
[8] 李法刚,王文庭,张明亮. 自燃火灾束管监测系统在跃进煤矿的应用[J]. 煤炭技术,2009,28(4):100−102. LI Fagang, WANG Wenting, ZHANG Mingliang. Application of spontaneous fire bundle tube monitoring system in Yuejin Coal Mine[J]. Coal Technology, 2009, 28(4): 100−102.
[9] 王飞. 气相色谱仪在井下防火中的应用[J]. 中国石油和化工标准与质量,2022,42(7):38−40. [10] 吉平. JSG4红外束管监测系统在神东矿区的应用[J]. 煤矿安全,2017,48(S1):59−62. JI Ping. Application of JSG4 infrared beam tube monitoring system in Shendong Mining Area[J]. Safety in Coal Mines, 2017, 48(S1): 59−62.
[11] 杨宏民, 罗海珠, 王春晓, 等. 一种全新的煤矿灾害气体分析解决方案[J]. 煤矿安全,2006,37(5):14−16 YANG Hongmin, LUO Haizhu, WANG Chunxiao, et al. A fire-new solution project for coal mine disaster gas analysis[J]. Safety in Coal Mines, 2006, 37(5): 14−16.
[12] 李团结,白光星,张琦,等. 基于微色谱和正压输气技术的煤矿自燃火灾监测系统[J]. 煤矿安全,2022,53(11):113−117. LI Tuanjie, BAI Guangxing, ZHANG Qi, et al. Coal mine spontaneous combustion fire monitoring system based on micro gas chromatograph and positive pressure gas delivery technology[J]. Safety in Coal Mines, 2022, 53(11): 113−117.
[13] 房文杰,李长录. 煤矿束管监测系统的应用与存在的问题[J]. 煤矿安全,2012,43(5):58−59. FANG Wenjie, LI Changlu. Application and the existing problems of coal mine beam tube monitoring system[J]. Safety in Coal Mines, 2012, 43(5): 58−59.
[14] 张灿明,李卫龙. 分布式光纤测温技术在煤矿采空区中的应用[J]. 能源技术与管理,2021,46(2):175−177. [15] YUAN L, THOMAS R A, ZHOU L. Characterization of a mine fire using atmospheric monitoring system sensor data[J]. Society for Mining, Metallurgy, and Exploration. Transactions, 2017, 69(6): 57−62.
[16] 哈兰. 红外热像技术在电气设备故障检测中的应用[J]. 安全,2007(12):13−15. HA Lan. The application of infrared imaging technology to fault detection and diagnosis of electric equipment[J]. Safety, 2007(12): 13−15.
[17] 文虎,马民,费金彪. 基于红外成像技术的煤矿火灾治理[J]. 煤炭科学技术,2010,38(1):28−30. WEN Hu, MA Min, FEI Jinbiao. Mine fire disaster control based on infrared imaging technology[J]. Coal Science and Technology, 2010, 38(1): 28−30.
[18] 王振平,程卫民,辛嵩,等. 煤巷近距离自燃火源位置的红外探测与反演[J]. 煤炭学报,2003,28(6):603−607. WANG Zhenping, CHENG Weimin, XIN Song, et al. The calculation of close-range coal inflammation position at coal-roads based on infrared detecting and inverse heat conduction technology[J]. Journal of China Coal Society, 2003, 28(6): 603−607.
[19] 刘辉,吴超,阳富强,等. 红外热像技术探测硫化矿石自燃火源的影响因素及其解决方法[J]. 科技导报,2010,28(2):91−95. LIU Hui, WU Chao, YANG Fuqiang, et al. Detection of spontaneous combustion of sulfide ores by infrared thermal lmaging method[J]. Science & Technology Review, 2010, 28(2): 91−95.
[20] 邬剑明,刘艳,周春山. 同位素测氡法在柳湾矿自燃火源位置探测中的应用[J]. 中国煤炭,2006(9):37-39. WU Jianming, LIU Yan, ZHOU Chunshan. Application of radon measurement with isotope on the survey of fire seat location of spontaneous combustion in Liuwan mine[J]. China Coal, 2006(9): 37-39.
[21] 王俊峰,煤地下自燃时覆岩中氡气运移规律及应用研究[D]. 太原:太原理工大学,2010. [22] 费金彪,文虎,金永飞. 测氡法在浅埋煤层火区探测中的应用[J]. 西安科技大学学报,2018,38(1):26−30. FEI Jinbiao, WEN Hu, JIN Yongfei. Application of radon method in detection of fire area in shallow coal seam[J]. Journal of Xi’an University of Science and Technology, 2018, 38(1): 26−30.
[23] 王俊峰,周斌,安帮,等. 黄白茨矿采空区自燃危险区域“三位一体”预测应用[J]. 煤炭学报,2018,43(S1):178−184. WANG Junfeng, ZHOU Bin, AN Bang, et al. Application of “Trinity” prediction of spontaneous combustion area in goaf of Huangbaici Mine[J]. Journal of China Coal Society, 2018, 43(S1): 178−184.
[24] 王兴. 测氡法和磁法在探测煤矿火区中的应用研究[D]. 太原:太原理工大学,2020. [25] 胡海峰,焦建军. 补连塔煤矿22305工作面上覆采空区高温治理研究[J]. 陕西煤炭,2014,33(1):36−39. HU Haifeng, JIAO Jianjun. Study on high temperature treatment of overlying gob in 22305 face of Bulianta coal mine[J]. Shaanxi Coal, 2014, 33(1): 36−39.
[26] 邓军,李贝,李珍宝,等. 预报煤自燃的气体指标优选试验研究[J]. 煤炭科学技术,2014,42(1):55−59. DENG Jun, LI Bei, LI Zhenbao, et al. Experiment study on gas indexes optimization for coal spontaneous combustion prediction[J]. Coal Science and Technology, 2014, 42(1): 55−59.
[27] 朱红青,王海燕,王斐然,等. 煤堆测温技术研究进展[J]. 煤炭科学技术,2014,42(1):50−54. ZHU Hongqing, WANG Haiyan, WANG Feiran, et al. Research progress on coal stockpile temperature measuring technology[J]. Coal Science and Technology, 2014, 42(1): 50−54.
[28] LEI B, WU B, WANG X. Experimental study on the changing rules of coal fire indictor gases of the whole combustion phases in confined space[J]. Brazilian Archives of Biology and Technology, 2016: 1678-4324.
[29] 何敏. 煤矿井下封闭火区的燃烧状态与气体分析研究[D]. 北京:中国矿业大学(北京),2013. [30] C JZAB, B JDA, B TWA, et al. Assessing the effectiveness of a high-temperature-programmed experimental system for simulating the spontaneous combustion properties of bituminous coal through thermokinetic analysis of four oxidation stages[J]. Energy, 2019, 169: 587−596. doi: 10.1016/j.energy.2018.12.100
[31] 郭军,王凯旋,金永飞,等. 煤自燃进程精细划分方法及其智能监测预警—煤火精准防控技术变革[J]. 煤炭学报,2023,48(S1):111−121. GUO Jun, WANG Kaixuan, JIN Yongfei, et al. Fine division method of coal spontaneous combustion process and its intelligent monitoring and early warning: Technological change in precise prevention and control of coal fires[J]. Journal of China Coal Society, 2023, 48(S1): 111−121.
[32] 任万兴,郭庆,石晶泰,等. 基于标志气体统计学特征的煤自燃预警指标构建[J]. 煤炭学报,2021,46(6):1747−1758. REN Wanxing, GUO Qing, SHI Jingtai, et al. Construction of early warning indicators for coal spontaneous combustion based on statistical characteristics of index gases[J]. Journal of China Coal Society, 2021, 46(6): 1747−1758.
[33] 田兵. 矿用分布式光纤测温系统软件设计与实现[J]. 中州煤炭,2016,38(8):105−109. TIAN Bing. Design and realization of mine distributed temperature sensing system software[J]. Zhongzhou Coal, 2016, 38(8): 105−109.
[34] 周季夫. 基于快速氧化实验的巷道周边煤体自燃数值模拟研究[D]. 大连:大连理工大学,2013. [35] ZHANG D, CEN X, WANG W, et al. The graded warning method of coal spontaneous combustion in Tangjiahui Mine[J]. Fuel, 2021, 288(Mar.15): 119635.
[36] 梁运涛,王树刚,林琦,等. 煤炭自然发火的介尺度现象分析及建模[J]. 中国矿业大学学报,2017,46(5):979−987. LIANG Yuntao, WANG Shugang, LIN Qi, et al. Analysis and modeling of mesoscale phenomenon on coal spontaneous combustion[J]. Journal of China University of Mining & Technology, 2017, 46(5): 979−987.
[37] 兰国辉,余保华,陈亚树,等. 基于FA-Logistic的煤矿瓦斯突出事故安全预警研究[J]. 工业安全与环保,2017,43(10):51−54. LAN Guohui, YU Baohua, CHEN Yashu, et al. Study on safety early warning of coal mine gas outburst accident based on factor analysis and logistic regression[J]. Industrial Safety and Environmental Protection, 2017, 43(10): 51−54.
[38] PENG G, WANG H, SONG X, et al. Intelligent management of coal stockpiles using improved grey spontaneous combustion forecasting models[J]. Energy, 2017, 132: 269−279. doi: 10.1016/j.energy.2017.05.067
[39] 刘晨,谢军,辛林. 煤自燃预测预报理论及技术研究综述[J]. 矿业安全与环保,2019,46(3):92−95. LIU Chen, XIE Jun, XIN Lin. Review of theory and technology research on prediction of coal spontaneous combustion[J]. Mining Safety & Environmental Protection, 2019, 46(3): 92−95.
[40] KUMARI K, DEY P, KUMAR C, et al. UMAP and LSTM based fire status and explosibility prediction for sealed-off area in underground coal mine[J]. Transactions of The Institution of Chemical Engineers, Process Safety and Environmental Protection, Part B 2021, 146(1).
[41] XIAO H, TIAN Y. Prediction of mine coal layer spontaneous combustion danger based on genetic algorithm and BP neural networks[J]. Procedia Engineering, 2011, 26(1): 139−146.
[42] 邓军,肖旸,陈晓坤,等. 矿井火灾多源信息融合预警方法的研究[J]. 采矿与安全工程学报,2011,28(4):638−643. DENG Jun, XIAO Yang, CHEN Xiaokun, et al. Study on early warning method of multi-source information fusion for coal mine fire[J]. Journal of Mining & Safety Engineering, 2011, 28(4): 638−643.
[43] 邓军,雷昌奎,曹凯,等. 采空区煤自燃预测的随机森林方法[J]. 煤炭学报,2018,43(10):2800−2808. DENG Jun, LEI Changkui, CAO Kai, et al. Random forest method for predicting coal spontaneous combustion in gob[J]. Journal of China Coal Society, 2018, 43(10): 2800−2808.
[44] 温志煌. 用于智能电子鼻系统的新型混合气体识别算法研究[D]. 深圳:深圳大学,2019. -
期刊类型引用(5)
1. 孙振翔，范春虎，周远康. 岩浆侵入区变质煤氧化动力学研究. 陕西煤炭. 2025(03): 57-61 . 
百度学术
2. 侯玉亭，张英超，孙计全，时东文，刘会奇，张铎. 煤自然发火气体指标及其有机官能团响应特征研究. 中国煤炭. 2024(01): 67-74 . 百度学术
3. 胡海峰，杨英兵，张运增，陈明浩，郭佳策. 火成岩侵蚀对煤自燃特性及其结构的影响. 煤矿安全. 2024(03): 111-119 . 本站查看
4. 王树明. 空气湿度对煤自燃特性及氧化动力学参数的影响研究. 煤矿安全. 2024(04): 98-105 . 本站查看
5. 于志金，晋策，汤旭，张志鹏，文虎. 岩浆侵入与接触距离对煤低温氧化过程热效应的影响. 煤炭学报. 2024(12): 4873-4882 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 170
- HTML全文浏览量: 15
- PDF下载量: 42
- 被引次数: 5
