Energy optimization method of wireless monitoring network in coal mine working face
-
摘要: 针对采煤工作面无线监测网络能量分布不均、人工维护和更换节点电池难度大、部分监测节点能量受限等问题，利用采煤机周期性移动的特点，提出了一种基于移动节点的采煤工作面无线监测网络能量优化方法。通过在采煤机上安装移动节点，对网络中监测节点采集数据进行转发，从而减少数据多跳传输，并通过设置传输阈值减少冗余数据传输，以降低节点能耗；利用移动节点向监测节点辐射射频能量，对监测节点进行有针对性的能量补充，从而实现网络节点能量均衡。实验结果表明，与LEACH协议相比，该方法可使无线监测网络能量分布更加均衡，有效降低网络能耗和同一运行轮次下监测节点死亡率，使网络有效生命周期延长了2.8倍。Abstract: In coal mine working face, there are problems such as uneven energy distribution of wireless monitoring network, the difficulty of manual maintenance and node battery replacement and energy limitation of some monitoring nodes. In order to solve the above problems, an energy optimization method of wireless monitoring network in coal mine working face based on mobile nodes is proposed by using the characteristics of periodic movement of the shearer. This method installs mobile nodes on the shearer to forward data that collected by monitoring nodes in the network to reduce multi-hop data transmission, and reduces redundant data transmission by setting transmission thresholds to reduce node energy consumption. The mobile nodes are used to radiate radio frequency energy to the monitoring nodes, which provides targeted energy supplement to the monitoring nodes so as to achieve energy balance of the network nodes. The experimental results show that compared with LEACH protocol, this method can make the wireless monitoring network energy distribution more balanced, reduce the network energy consumption and monitoring node mortality rate effectively under the same operation round, and extend the effective life of the network by 2.8 times.
-
0. 引言
矿井通风系统是煤矿安全生产的核心要素，通过输送新鲜空气、排出有害气体与粉尘，维持井下安全作业环境[1]。要实现上述作用，必须保证矿井内各用风地点风量时刻满足需风量要求。但随着采掘推进，巷道结构不断变化，导致实际风量与需风量之间出现偏差，引发有害气体和粉尘聚集，影响矿井安全生产，因此亟需精准分风方案以保证安全生产。
许多学者在矿井通风系统分风方案设计方面进行了大量研究。文献[2]使用基于贪婪搜索策略改进的差分进化算法（Differential Evolution Algorithm，DEA）来求解通风网络非线性优化模型，获得了一种可靠风量调节方案。文献[3]基于差分灰狼算法（Differential Evolution Algorithm-Grey Wolf Optimizer，DE−GWO）提出了一种通过分支风量期望值来选择不同调节分支的智能应急调风方案。文献[4-5]提出了一种智能应急调风方案，采用改进后的差分灰狼算法对目标分支风量进行寻优，以满足某一用风分支的期望风量，提高了系统的稳定性与可靠性。文献[6]将禁忌搜索算法与改进粒子群算法相结合，求解通风网络最小功耗问题，解决了井下用风需求多变与通风机能耗高的问题。文献[7]利用自适应混沌粒子群算法求解通风网络模型，获得通风总功率最低的风量调节方案。文献[8]采用文化粒子群优化算法对通风系统总功率进行优化求解，以获得最经济的调风方案。文献[9]将通风机最小功耗和目标用风分支最大需风量作为目标函数，利用改进粒子群优化算法进行求解，在保证通风机功耗最小的前提下，增大用风分支风量。文献[10]提出了一种多策略融合的麻雀搜索算法，引入了Tent混沌映射初始化、自适应参数控制、可变螺旋搜索及柯西−高斯变异扰动的改进策略，弥补了算法在迭代后期种群多样性降低的问题。文献[11]针对混合型通风网络优化模型求解难题，提出了基于遗传算法的两步法风流调节优化算法，以最小支撑树算法计算余树弦风阻调节值，通过逐次迭代法获取风量最优解。文献[12]以通风机功率最小为目标，建立了矿井通风系统网络优化的无约束数学模型，并利用改进的乌燕鸥优化算法（modified Sooty Tern Optimization Algorithm，mSTOA）进行模型求解。当前，虽已通过算法实现矿井通风系统分风方案设计，但现有算法普遍存在收敛速度慢、易陷入局部最优的缺陷。同时，获得的分风方案并没有考虑所涉及巷道是否具有可调节性，导致部分调节措施在实际施工中难以落实，显著增加施工成本。
针对上述问题，本文提出基于吸引−排斥算法（Attraction–Repulsion Optimization Algorithm，AROA）的精准分风方法。通过该方法生成的方案以功耗最小为优化目标，通过调节通风机及通风设施，运用全局搜索与局部优化策略，实现通风机能耗的合理分配，提升通风系统运行效率，最终达到降低煤矿运营成本的目的。
1. 矿井通风系统数学模型
矿井通风网络包含D条分支、J个节点和K个独立回路，风量调节需满足回路风压平衡和风量平衡定律。以通风机总功率最小作为优化目标，建立矿井通风系统数学模型，求解合适的分风方案。
$$ \min W=\sum_{i=1}^D H_i Q_i $$ (1) $$ \text { s.t. } \sum_i^D l_{i j} Q_i=0\quad j=1,2, \cdots, J $$ (2) $$ \sum_{i=1}^D b_{i k}\left(H_i+\Delta H_i-P_k\right)=0\quad k=1,2, \cdots, K $$ (3) $$ H_i=R_i Q_i^2 $$ (4) $$ \Delta H_{i \min } \leq \Delta H_i \leq \Delta H_{i \max }\quad i=1,2, \cdots, D $$ (5) $$ Q_{i \min } \leq Q_i \leq Q_{i \max }\quad i=1,2, \cdots, D $$ (6) 式中：W为通风机总功率；Hi为第i条分支的风压；Qi为第i条分支风量；lij为由第i条分支、第j个节点构成关联矩阵的元素；bik为由第i条分支、第k个独立回路构成回路矩阵的元素；ΔHi为第i条分支的调节风压；Pk为回路第k个独立的自然风压；Ri为第i条分支的风阻；ΔHimax，ΔHimin分别为第i条分支风压调节上下限；Qimax，Qimin分别为第i条分支风量调节上下限。
在煤矿实际应用中，部分通风分支风量已知，其余则待定，此类矿井通风网络被称为“按需分风网络”。矿井通风系统数字模型的决策变量不仅包含调节风压ΔHi，还包括部分分支的风量Qi，此时该类数学模型求解问题归属于非线性约束优化问题，由于其高度的复杂性和非线性特征，目前尚无通用且可靠的求解算法。即便部分算法能够获取最优通风方案，随着模型中决策变量与约束条件数量的增加，算法的计算效率将呈指数级下降，从而降低了解决实际工程问题的效率与可行性。
AROA利用排斥机制维持种群多样性，有效避免局部最优，适用于离散与连续等多类型优化问题。结合精准分风思想，AROA可预先锁定可调节巷道，既免除人工确认环节以降低时间与人力成本，又通过减少模型变量提升寻优效率，相比传统算法，其求解的分风方案更契合矿井实际生产需求。
2. AROA原理
AROA借鉴自然界中吸引与排斥行为之间的动态平衡，构建了解的更新机制，并结合局部搜索算子和记忆更新策略，提升算法在全局探索与局部开发之间的平衡能力。
AROA将搜索个体视为候选解，其位置表示当前解的状态。在迭代过程中，每个候选解根据自身适应度、邻域内其他解的质量及当前最优解的引导作用，不断调整自身位置。适应度更优的个体对其他个体形成吸引作用，而较差的个体则产生排斥效应，从而引导解向更优区域集中，避免陷入局部最优。候选解的相互作用及其位置更新机制如图1所示[13]。
![]()
图 1 候选解的相互作用及其位置更新机制Figure 1. Interaction of candidate solutions and their position update mechanisms中心候选解（紫色圆圈）的位置根据其邻域内更好解（绿色箭头）和更差解（红色箭头）的位置和适应度信息进行更新。解之间的距离（由箭头可视化）可视为指向更新候选解合力向量。
1） 候选解的确定。候选解的更新由其邻域中个体的适应度及空间关系所驱动，其合力向量为
$$ \boldsymbol{n}_{\textit{z}}=\frac{1}{{\mathrm{O}}} \sum_{g=1}^{\mathrm{O}} c \left(x_g-x_{\textit{z}}\right) m_{{\textit{z}}, g}, m_{{\textit{z}}, \max } s\left(f_{\textit{z}}, f_g\right) $$ (7) $$ I\left(m_{{\textit{z}}, g}, m_{{\textit{z}}, \max }\right)=1-\frac{m_{{\textit{z}}, g}}{m_{{\textit{z}}, \max }} $$ (8) 式中：nz为第z个候选解在其邻域内受到其他个体吸引−排斥的合力向量；O为种群中候选解的个数；c为步长，用来控制移动的大小；xg，xz分别为第g（g≠z）个与第z个候选解；mz,g为第z个候选解与第g个候选解之间的距离；mz,max为第z个候选解与所有候选解中最远候选解之间的距离；s（fz, fg）为吸引或排斥函数，fz，fg分别为第z个和第g个候选解的适应度，若fg < fz则为+1，表示吸引，反之为−1，表示排斥；I（mz,g, mz,max）为衡量第g个候选解对第z个候选解的影响强度，其输出为[0,1]，其中0表示对邻近候选解无影响，1表示对邻近候选解施加最大影响。
2） 最优解的吸引机制。除邻域影响外，候选解还会受到当前全局最优解的吸引作用。为避免前期过度集中导致多样性降低，AROA通过动态调节吸引强度控制最优解的引导能力[14-15]。
$$ \boldsymbol{e}_{\textit{z}}= \begin{cases}c h \left(x_{\text {best }}-x_{\textit{z}}\right) & r_1 \geq q_1 \\ c h \left(a_1 \odot x_{b e s t}-x_{\textit{z}}\right) & r_1< q_1\end{cases} $$ (9) 式中：ez为候选解xz在本轮迭代中受到当前最优候选解xbest吸引所产生的引导向量；h为平衡全局搜索与局部搜索的算子；r1为[0,1]内的随机数；q1为触发概率，用于控制当前候选解是否接受最优解的引导作用，该机制可避免算法在早期过度集中于当前最优解，增强搜索多样性，降低陷入局部最优的风险；a1为[0,1]内的随机数；$\odot $为乘法运算符号。
3） 局部搜索算子设计。AROA通过3个随机局部搜索算子更新位置：第1个算子yB受布朗运动启发，模拟小粒子步长[16-17]；第2个算子ytri基于三角函数构造的周期性扰动方式，通过概率选择机制引导解更新；第3个算子yR是完全随机生成的新位置，用于扩展种群多样性。
$$ y_{\textit{z}}= \left\{ \begin{array}{l}y_{\mathrm{B}}\quad r_3>0.5 \dfrac{t}{t_{\max }}+0.25,\;r_2<q_2 \\ y_{{\mathrm{t r i}}}\quad r_3 \leq 0.5 \dfrac{t}{t_{\max }}+0.25,\; r_2<q_2 \\ y_{\mathrm{R}}\quad r_2 \geq q_2\end{array}\right. $$ (10) 式中：yz为当前迭代中第z个候选解经过某种局部搜索扰动后生成的新位置；r2和r3为 [0,1]内随机生成的数字；t为当前迭代的次数；tmax为最大迭代次数；q2为触发概率，用于控制当前是否选择执行某一个扰动方式。
4） 解的更新与记忆策略。候选解的最终位置更新综合邻域个体对候选解的影响、最优解的引导及局部搜索结果。
$$ x_{\textit{z}}(t)=x_{\textit{z}}(t-1)+{\boldsymbol{n}}_{\textit{z}}+{\boldsymbol{e}}_{\textit{z}}+y_{\textit{z}} $$ (11) 式中xz（t）和xz（t−1）分别为当前迭代和前一次迭代中的候选解。
为进一步提高稳定性与收敛效率，AROA引入2类基于群体行为的操作算子：一类用于扩展搜索空间、增加种群差异性；另一类则保存解的历史状态，在适应度未改进的情况下回退至先前较优解，从而提升整体鲁棒性与收敛稳定性。
$$ x_{\text{z}}=\left\{\begin{array}{l}x_{\text{z}}+c_f\left\{\boldsymbol{u}_4\odot\left[\boldsymbol{v}_4\odot\left(x_{\max}-x_{\text{min }}\right)+x_{\text{min }}\right]\right\} \\ x_{\text{z}}+\left[q_{\mathrm{f}}\left(1-r_4\right)+r_4\right]\left(x_{r_5}-x_{r_6}\right)\end{array}\right. $$ (12) $$ x_{\textit{z}}(t)= \begin{cases}x_{\textit{z}}(t) & w\left(x_{\textit{z}}(t)\right)<w\left(x_{\textit{z}}(t-1)\right) \\ x_{\textit{z}}(t-1) & w\left(x_{\textit{z}}(t)\right) \geq w\left(x_{\textit{z}}(t-1)\right)\end{cases} $$ (13) 式中：$ {c}_{f} $为当前最优解对其他解的影响程度；u4为二元向量，表示是否执行该扰动操作的控制开关；v4为随机生成的向量，用于计算候选解的变化方向；qf为向量u4的扰动触发概率；r4为[0,1]内的随机数；r5和r6为随机选择的个体编号；xmin和xmax为候选解搜索边界；w（·）为适应度函数。
3. AROR性能测试
为验证AROA在解决复杂优化问题中的性能，本文选取遗传算法（Genetic Algorithm, GA）[19]、模拟退火−改进粒子群算法（Simulated Annealing-Improved Particle Swarm Optimization, SA−IPSO）[20]及单调盆地跳跃算法（Monotonic Basin Hopping, MBH）[21]作为对比算法，开展性能评估。以Ackley函数为仿真目标函数（该函数为典型的多峰函数，具有多个局部极小值，且全局最优解为0），从收敛速度、全局搜索能力、解的稳定性及避开局部最优解的能力等方面，对AROA进行评估。GA是一种成熟的全局优化算法，具有较强的全局搜索能力，已经被学者广泛应用于处理复杂优化问题。SA−IPSO结合了模拟退火和入侵性杂草优化的优点，在平衡局部和全局搜索方面具有独特优势，特别是在复杂约束和多峰问题中表现出较好的性能。MBH则受仿生学启发，模拟蛾子接近光源的行为，展现了强大的全局优化能力和较好的收敛性。4种算法的种群规模均为30，为消除算法随机特性的影响，各算法对每个函数的测试均运行50次，以其平均值作为优化结果，迭代次数为1 000。4种算法求解得到的平均最优解曲线、算法收敛曲线、算法执行时间和最优解分布分别如图2—图5所示。
由图2可看出，AROA在约410次迭代后达到稳定，显著早于MBH算法的480次。AROA在收敛速度与稳定性上显著优于其余3种算法，表现出更高的收敛效率与更小的解波动。由图3可看出，AROA仅需约50次迭代就能完成函数求解，并在410次迭代后趋于稳定；相比之下，MBH大约需100次迭代才能完成函数求解，并在580次迭代后进入稳定状态；SA−IPSO虽在约100次迭代可完成求解，但其后期一直存在波动，在800次迭代后趋于稳定；而GA在此次求解中未能找到最优解。由此可见，AROA不仅收敛速度更快，而且在收敛后展现出更高的稳定性。由图4可看出，AROA的运行时间为0.25 s，虽然AROA运行时间略高于MBH，但其最优解分布更集中，寻优稳定性更强，提升了全局收敛概率。由图5可看出，AROA每次运算所得的解更接近全局最优解，且分布更为集中，体现出更强的寻优精度与收敛效果。
4. 基于AROA的精准分风方案验证
4.1 精准分风分支选择
为验证基于AROA的精准控风方法的可行性，利用辽宁工程技术大学IMVS软件构建矿井通风系统仿真模型进行实例分析。矿井通风网络拓扑结构如图6所示，基本参数见表1。
表 1 矿井通风网络基本参数Table 1. Basic parameters of mine ventilation network分支编号 始节点 末节点 风阻/
（kg·m−7）风量/
（m3∙s−1）风窗面积/m2 是否可调节 e1 5 6 0.13 16 1.37 是 e5 16 17 0.11 100 — 是 e6 7 8 0.13 80 — 是 e14 9 16 0.14 25 1.5 是 e15 13 14 0.08 8 0.68 是 e16 12 15 0.09 3 0.23 是 e22 4 6 0.02 19.28 1.45 是 e23 3 7 1.81 12.72 1.03 是 图6中，分支e1，e5，e6，e14，e15，e16，e22，e23具有可调节性；分支e1为备用面，需风量为16 m3/s；分支e2，e3，e4为3个工作面分支，需风量为32 m3/s。
4.2 精准分风方案结果分析
可调节分支的风量和风压调节范围确定后，利用AROA分别对这些可调节分支进行精准控风。设置AROA适应度函数评估次数为30 000次；GA种群规模为50，交叉概率为0.7，变异概率为0.3；SA−IPSO种群规模为50，学习因子为1.78，波动周期为120，最大惯性权值为0.8，最小惯性权值为0.4，最大限制速度为2，初始违反约束公差为0.25，0.50，0.75，约束公差最大迭代次数为250，违反约束的粒子数为65，演化系数为−0.6，温度退火参数为0.9，开始温度为1 000 ℃；MBH最大外部循环次数为3，最大内部循环次数为5。4种算法都进行1 000次迭代，利用Python进行编程求解，可调节巷道精准分风，结果见表2，解算得到的通风机功率及节能率见表3，左右翼通风机功率变化趋势分别如图7与图8所示。
表 2 巷道精准分风方案结果统计Table 2. Statistics of precision wind allocation scheme for roadways分支编号 GA算法 SA−IPSO算法 MBH算法 AROA算法 风量/
（m3∙s−1）调节
阻力/Pa风窗
面积/m2风量/
（m3∙s−1）调节
阻力/Pa风窗
面积/m2风量/
（m3∙s−1）调节
阻力/Pa风窗
面积/m2风量/
（m3∙s−1）调节
阻力/Pa风窗
面积/m2e1 16.00 169 1.49 16.00 169 1.49 16 169 1.39 16 169 1.49 e14 20.00 349 1.30 12.00 385 0.74 8 396 0.49 6 400 0.36 e15 8.00 198 0.69 8.00 169 1.49 8 198 0.69 8 198 0.69 e16 3.00 296 0.21 3.00 296 0.21 3 296 0.21 3 296 0.21 e22 11.48 209 0.96 4.41 211 0.37 2 211 0.17 2 211 0.17 表 3 各算法运行效果比较Table 3. Comparison of algorithm performance算法 左翼通风 右翼通风机 节能率/% 功率/kW 风量/（m3·s−1） 风压/Pa 功率/kW 风量/（m3·s−1） 风压/Pa GA 131.72 75 1405 188.22 95 1585 — SA−IPSO 114.07 67 1362 167.21 87 1532 13.05 MBH 103.70 62 1338 154.21 83 1490 5.17 AROA 97.95 60 1306 146.62 81 1457 23.56 由表2可看出，4种算法通过调节巷道设施阻力、改变风窗面积，在满足需风量的同时减少通风机输出风量，从而降低通风机功率，达到节能的目的。从表3可看出，算法降低功耗的能力为AROA>SA−IPSO>MBH>GA，AROA的节能率较GA，SA−IPSO，MBH分别提高了23.56%，13.05%，5.17%。左翼通风机功率从131.72 kW降至97.95 kW，降幅25.6%；右翼通风机功率从188.22 kW降至146.62 kW，降幅达22.1%。
从图7和图8可看出，AROA在进行精准分风方案决策时能够更早地达到最优解，并且扰动更小。
5. 实际应用
为了验证基于AROA的精准控风算法在实际应用中的可行性，以山西兰花煤炭实业集团有限公司唐安煤矿为例进行实例分析。以煤矿井下通风网络拓扑结构为参照并进行适当的简化处理，得到通风网络拓扑结构如图9所示。调节参数见表4，分支e24，e98为备用面，需风量为15 m3/s。分支e35，e41为工作面，需风量为25 m3/s。
表 4 唐安煤矿通风网络调节参数Table 4. Adjustment parameters for the ventilation network of Tang'an Coal Mine分支编号 始节点 末节点 风阻/
（kg·m−7）风量/
（m3∙s−1）风窗面积/m2 是否可调节 e7 6 7 0.75 19.88 3.05 是 e8 7 8 0.04 3.76 0.15 是 e22 25 50 0.01 1.77 0.06 是 e30 59 14 0.64 21.88 0.86 是 e40 24 21 0.30 10.40 1.53 是 e46 31 21 0.01 0.20 0.03 是 e49 32 10 0.08 5.91 0.37 是 e51 33 50 0.20 5.09 0.15 是 e59 40 41 0.04 3.34 0.22 是 e62 35 41 0.01 0.27 0.05 是 e66 44 45 0.58 21.16 1.80 是 e68 30 81 0.01 0.20 0.02 是 e69 81 13 0.28 14.00 0.52 是 e70 29 59 0.01 0.20 0.01 是 e83 47 48 0.01 1.69 1.36 是 e85 77 78 0.01 1.71 0.23 是 e86 78 74 0.06 5.01 0.18 是 e88 79 80 0.04 3.68 0.13 是 e95 75 73 0.01 0.20 0.04 是 e97 61 66 0.94 8.37 1.17 是 e108 66 65 0.03 2.20 0.41 是 e112 52 51 0.28 8.71 2.33 是 e115 65 72 2.78 18.57 0.60 是 e117 69 70 0.06 4.31 0.15 是 e118 68 71 0.25 6.68 0.23 是 e121 72 73 2.34 15.40 0.54 是 e124 34 42 0.01 0.20 0.01 是 e127 85 — 30.83 188.35 — 是 使用基于AROA的精准控风方法进行计算得到精准分风方案，见表5。可看出基于AROA的精准控风方法通过调节通风设施所在的巷道，在满足最低风量要求的前提下，实现了显著的节能效果。优化后的通风机风量为167.30 m³/s，较调节前的188.35 m³/s降低了11.2%；同时，通风机风压从2 286.54 Pa降至2 045.04 Pa，降幅达10.1%；功率从538.33 kW降至426.89 kW，降低了20.7%。这一结果表明，该算法有效降低了矿井的通风能耗。
表 5 唐安煤矿精准分风方案结果统计Table 5. Statistics of precision wind allocation scheme for Tang’an Coal Mine分支
编号风量/
（m3∙s−1）调节阻
力/Pa风窗面
积/m2分支
编号风量/
（m3∙s−1）调节阻
力/Pa风窗面
积/m2e7 2.85 302 0.19 e83 2.27 4 1.22 e8 4.72 699 0.21 e85 13.42 26 2.08 e22 0.62 1367 0.02 e86 14.58 1076 0.52 e30 18.03 928 0.68 e88 2.40 1111 0.09 e40 8.32 41 1.46 e95 3.75 289 0.26 e46 2.7 69 0.38 e97 3.69 1513 0.11 e49 2.34 507 0.12 e108 1.56 34 0.31 e51 2.95 1332 0.10 e112 3.23 15 0.95 e59 2.70 459 0.15 e115 16.56 1353 0.51 e62 3.75 444 0.21 e117 3.51 1362 0.11 e66 — — — e118 1.74 1360 0.06 e68 2.22 192 0.19 e121 7.30 1073 0.26 e69 15.70 944 0.59 e124 2.70 992 0.11 e70 2.25 208 0.18 e127 167.30 — — 6. 结论
1） 基于精准分风思想，经变量筛选，将27条分支压缩至8条，计算量减少约70%，显著降低了计算复杂度。
2） AROA通过三阶段动态优化策略实现全局寻优。在Ackley函数测试中，该算法平均收敛迭代次数仅为412，较GA减少了40%；最优解标准差为0.17，较MBH降低了62%；解分布范围缩至0.25，较MBH减少了75%。尽管运行时间略长于MBH，但AROA在收敛效率、稳定性及解集中程度上均展现出显著优势，综合性能优于对比算法。
3） 基于AROA的精准分风方案在实例分析中取得显著节能效果：左翼通风机功率从131.72 kW降至97.95 kW，降幅达25.6%；右翼通风机功率从188.22 kW降至146.62 kW，降幅达22.1%；总节能率达23.56%。其中e14风窗面积由1.50 m²调节至0.36 m²，调节幅度达76%，效果尤为显著。
4） 以唐安煤矿为例，采用基于AROA的精准分风方案，使通风机风压降低了10.1%，通风机风量降低了11.2%，功率降低了20.7%，有效降低了通风能耗。
-
期刊类型引用(5)
1. 杜锋，张义洋，王凯，周爱桃，吴建松，解北京. 氮气驱替甲烷教学实验设计. 实验室研究与探索. 2025(03): 1-5 . 
百度学术
2. 徐小马，燕湘湘，黄姝羽. 不同注气成分置驱瓦斯效果数值模拟研究. 工矿自动化. 2024(04): 112-120 . 本站查看
3. 李柏，刘鹏，胡彪，龙航，闫冬洁，季鹏飞. 煤层注CO_2驱替抽采瓦斯的数值模拟及敏感性分析. 矿业研究与开发. 2024(12): 169-176 . 百度学术
4. 郑学召，曹橙誉. CO_2驱替煤体内部CH_4气体变化模拟研究. 当代化工研究. 2022(19): 1-6 . 百度学术
5. 撒占友，吴静波，陆卫东，杨永亮，张鑫，卢守青，刘杰. 注二氧化碳强化煤层气开采研究进展. 煤矿安全. 2022(10): 32-43 . 百度学术
其他类型引用(7)
下载:
计量
- 文章访问数: 170
- HTML全文浏览量: 16
- PDF下载量: 11
- 被引次数: 12
