The influence of buried pipe extraction position and negative pressure change on the dangerous area ofcoal spontaneous combustion in the goaf
-
摘要: 瓦斯抽采是治理矿井灾害常用方式之一，但在抽采过程中会增加采空区漏风量，进而增加遗煤自燃风险，直接影响采空区煤自燃危险区域分布。以中煤大同能源有限责任公司塔山煤矿30503工作面为研究对象，根据采空区实际情况建立几何模型，采用数值模拟方法分析了不同埋管抽采位置和抽采负压对采空区煤自燃危险区域的影响。结果表明：① 随着进风侧埋管抽采位置的深入，回风侧氧气体积分数呈增大趋势，而氧化带宽度变化不大；进风侧氧气体积分数整体呈减小趋势，氧化带宽度先减小后增大；采空区氧化带面积先减小后增大。② 在进风侧固定埋管抽采位置，抽采负压的变化对采空区进风侧氧气分布的影响更大，而对回风侧几乎没有影响。③ 随着抽采负压增大，进风侧氧化带宽度先减小后增大，而回风侧氧化带宽度几乎不变；采空区氧化带面积先减小后增大，氧化带面积与抽采负压呈二次函数关系。④ 最佳埋管抽采位置为采空区进风侧距离工作面20 m处，最佳抽采负压为5 000 Pa，此时采空区氧化带面积最小，即煤自燃危险区域最小。Abstract: Gas extraction is one of the commonly used methods for controlling the mine disasters. But during the extraction process, it will increase the amount of air leakage in the goaf, thereby increasing the risk of coal spontaneous combustion and directly affecting the distribution of coal spontaneous combustion dangerous areas in the goaf. Taking the 30503 working face of Tashan Coal Mine of China Coal Datong Energy Co., Ltd. as the research object, according to the actual situation of the goaf, a geometric model is established. The numerical simulation methods is used to analyze the impact of different buried pipe extraction positions and extraction negative pressure on the dangerous area of coal spontaneous combustion in the goaf. The results show the following points. ① With the deepening of the extraction position of the buried pipe on the inlet side, the oxygen volume fraction on the return side shows an increasing trend. The width of the oxidation zone does not change much. The overall oxygen volume fraction on the inlet side shows a decreasing trend, and the width of the oxidation zone first decreases and then increases. The oxidation zone area in the goaf first decreases and then increases. ② In the inlet side of the fixed buried pipe extraction position, the change of the negative pressure of extraction has a greater effect on the oxygen distribution on the inlet side of the extraction zone, while it has almost no effect on the return side. ③ As the negative pressure of extraction increases, the width of the oxidation zone on the inlet side first decreases and then increases, while the width of the oxidation zone on the return side remains almost unchanged. The area of the oxidation zone in the goaf first decreases and then increases. The relationship between the oxidation zone area and the extraction negative pressure is a quadratic function. ④ The optimal position for buried pipe extraction is at a distance of 20 m from the air inlet side of the goaf to the working face. The optimal negative pressure for extraction is 5 000 Pa. At this time, the oxidation zone area of the goaf is the smallest, that is, the coal spontaneous combustion danger area is the smallest.
-
Keywords:
- gas extraction /
- goaf /
- coal spontaneous combustion /
- buried pipe /
- extraction negative pressure /
- oxidation zone
-
0. 引言
地下铝土矿开采环境与煤矿相似[1]，借鉴煤矿开采经验，在地下铝土矿中引进综采成套机械设备，是铝土矿高效、安全开采的一条新出路[2]。大部分地下铝土矿的工作面地质赋存条件与煤矿相似，矿体与岩层交界崎岖，直接顶与直接底为岩石，将采矿机应用于地下铝土矿生产时，采矿机滚筒可能因割顶底板的岩类负载，致使滚筒截齿磨损加速，机械损耗增加。在地下开采过程中，工作人员根据经验判断截割负载类型，并通过手持遥控装置或端子调节采矿机滚筒高度，但受限于开采现场的恶劣环境，工作人员的判断往往会出现一定的误差和滞后性。在开采智能化趋势下，采矿机智能化是其中的重要环节，而准确、智能地识别截割负载是实现采矿机智能化的关键技术。
目前，以振动信号为参考的截割负载类型识别方式被广泛应用[3]，其识别过程主要包括信号特征提取和模式分类2个部分，其中有效的信号特征提取是截割负载类型识别的基础。采矿机实际运行工况复杂，获得的振动信号具有时域非线性的随机非平稳特征。目前，傅里叶变换、小波变换等时频特征提取方法应用场景广泛。但传统的傅里叶变换不能反映信号在时域上的突变趋势，无法适用于非平稳信号的分解；小波变换在分析信号的高频部分时分辨率较低，易丢失信号的有效特征信息。小波包分解广泛用于处理非平稳信号，信号的有效信息保留全面、分辨率高。郭伟超等[4]利用小波包分解得到表征信号特征的能量谱作为特征向量，并利用主成分分析（Principal Component Analysis，PCA）方法降低特征向量维度，以提取出区分故障类型的有效特征。
在模式分类方面，BP神经网络（Back Propagation Neural Network，BPNN）具备非线性映射、自学习和自适应等能力，但在BPNN训练过程中，算法受反向传播影响，易陷入局部最优解，同时，网络初始化时的权值、阈值选取会直接影响网络收敛速度。麻雀搜索算法（Sparrow Search Algorithm，SSA）是于2020年提出的一种群智能优化算法，通过模拟麻雀的集体觅食行为，优化群体活动以找到全局最优解。孙全等[5]引入SSA对BPNN的初始权值、阈值进行优化，提高了神经网络的训练精度和收敛速度。
因此，本文将小波包分解与SSA−BPNN相结合，基于振动信号对地下铝土矿截割负载类型进行识别。利用小波包分解提取采矿机滚筒空载、截割铝土、截割岩石时的振动信号能量特征，并对特征向量进行降维处理；将特征向量输入至SSA−BPNN，以实现截割负载的分类。
1. 基于小波包分解的信号特征提取
1.1 小波包分解
小波包分解能对小波分解中未分解的高频信号进一步分解到各个频段上，并根据样本数据的特征，自适应选取频段以匹配信号的频谱特征，保留了数据中完整的有效特征[6]。
1.2 特征向量计算
将振动信号x(t)进行n层小波包分解后，得到2n个子频带，则第i（
$ i=\mathrm{0,1},\cdots ,{2}^{n}-1 $ ）个子频带的能量为$$ {E}_{{i}}=\sum _{m=0}^{m=N-1}{\left|{f}_{i}\left(m\right)\right|}^{2} $$ (1) 式中
$ {f}_{i}\left(m\right) $ 为x(t)分解后第i个子频带中第m（$m=0, 1,\cdots ,N-1，N\mathrm{为}\mathrm{采}\mathrm{样}\mathrm{点}\mathrm{数}$ ）个离散采样点的幅值。根据能量守恒定律，将提取的各子频带能量累加求和可得信号总能量
${E}$ ，则各子频带能量在信号总能量的占比为$$ {\beta }_{1}=\frac{1}{{E}}\left\{{E}_{{1}}\right.,{E}_{{2}},\cdots ,\left.{E}_{{i}}\right\} $$ (2) 信号总能量与不同截割负载类型下信号最大能量
$ {E}_{{{\rm{max}}}} $ 的比值为$$ {\beta }_{2}=\frac{{E}}{{E}_{{{\rm{max}}}}} $$ (3) 则表征截割负载状态的2n+1维特征向量为[7]
$$ {{\boldsymbol{\beta}} }=\left\{{\beta }_{1}\right.\text{，}\left.{\beta }_{2}\right\} $$ (4) 1.3 PCA降维
PCA常用于提取高维数据的有效信息及特征。当小波包分解层数过大时，特征向量维度过高，为降低高维数据的稀疏性，利用数据映射方法将高维度、线性相关的数据转换为低维度、线性无关的数据，通过计算数据主成分的累计贡献率，选取最能代表数据有效信息的主成分。
2. SSA−BPNN
在麻雀群体的觅食过程中，麻雀个体分为发现者和加入者2种：发现者负责寻找食物的区域及方向；加入者根据发现者的位置实时调整自己的位置以寻获食物。麻雀种群中的个体在觅食过程中互相监视，加入者与摄入量较多的个体争夺食物。当群体捕食环境出现危险，预警值达到临界点，种群中出现预警者，麻雀种群会迅速反应并进行反捕食[8-12]。
在模式分类过程中，为使BPNN更好、更快地收敛，将BPNN的1组权值、阈值作为麻雀个体，通过寻找麻雀个体的最佳适应度值求得权值、阈值的最优解，并赋值给BPNN。
3. 截割负载类型识别流程
基于小波包分解和SSA−BPNN的截割负载类型识别流程如图1所示，具体步骤如下。
![]()
图 1 基于小波包分解和SSA−BPNN的截割负载类型识别流程Figure 1. Cutting load type identification process based on wavelet packet decomposition and sparrow search algorithm optimized back propagation neural network（1） 将多组振动信号划分为空载、铝土、岩石负载类型下的数据样本，对样本进行小波包分解后得到各子频带能量，并对其进行归一化得到特征向量，进而对特征向量进行降维处理，并将其作为BPNN的输入。
（2） 确定BPNN的拓扑结构。根据输入的特征向量维度和模式种类，设定BPNN输入层、隐含层、输出层的神经元个数。
（3） 参数初始化。确定SSA最大迭代次数、种群规模、发现者所占种群比例、预警值及预警者数量。
（4） 计算个体适应度值。用种群中的每个个体代表BPNN中的初始权值和阈值，利用适应度函数寻找较小的适应度值以寻找最优解。
（5） 更新麻雀位置。在迭代过程中，将适应度值较好的个体作为发现者；加入者根据发现者搜索到的食物范围进行移动并与发现者抢夺食物资源；预警者在种群中随机产生，比较麻雀个体当前的适应度值与当前全局最优适应度值，并实时更新发现者、加入者和预警者的位置。
（6） 比较位置更新后的个体适应度值，并与当前最优适应度值相比较，达到最大迭代次数后选择全局最优解[13]。
（7） 利用最优解初始化BPNN并进行训练。
（8） 使用训练后的SSA−BPNN进行截割负载分类。
4. 试验验证
4.1 工程地质条件
贵州某铝土矿矿体赋存条件良好，矿层厚度变化大，主体矿层厚度为1.3～3.5 m，矿料坚固性系数变化范围大，铝土坚固性系数为2～5，岩石坚固性系数达6～8，地质赋存情况见表1。参照煤矿开采经验，该矿引入综合机械化开采技术，配备MG500/1170−AWD1采矿机。采矿机滚筒空载、截割铝土和岩石时产生的振动信号存在明显差异，因此，基于振动信号判断采矿机截割负载类型。
表 1 工作面地质赋存Table 1. Geological occurrence of working face层位 岩性 岩性描述 基本顶 灰岩 灰色薄−中厚层状细晶灰岩，夹灰−深灰色薄−中厚层状含泥质灰岩和灰黑色薄层含生物碎屑泥灰岩，含线状、脉状灰白色方解石 直接顶 泥岩、泥质灰岩、
白云质灰岩灰−深灰色薄中厚层状含泥质灰岩，夹杂生物碎屑灰岩，含线状灰白色方解石 伪顶 炭质泥岩、铝土岩 深灰色、黑色炭质泥岩，灰绿色致密铝土岩 矿体 铝土矿 灰白色、浅黄灰色碎屑状、豆状、半土状铝土矿，含少量星点状细粒黄铁矿 直接底 铝土岩、
铝土质泥岩深灰绿色致密铝土岩、深灰−灰黑色薄−中厚层状含炭质泥，含团块状细−中粒黄铁矿 基本底 泥（页）岩 灰白色中厚层灰岩夹灰绿色薄层绿泥石岩、紫红色夹灰绿色薄层泥岩、浅紫红色片状薄层页岩 4.2 传感器及测点选择
由于生产环境中采矿机摇臂预留螺孔堵塞、生锈，利用转接板将传感器固定于采矿机的方法不便实施，所以在试验过程中选用便于安装拆卸的磁吸式方法安装传感器。采用1A314E型三向压电式加速度传感器，参数见表2（g为重力加速度）。
表 2 传感器参数Table 2. 2 Sensor parameters指标 值 轴向灵敏度/（mV·g−1） 100 工作温度/℃ −40～+120 冲击极限/g 2 000 频率范围/Hz 0.5～7 000 将磁吸式加速度传感器安装于摇臂传动系统的一轴、三轴、五轴、七轴处（图2），采样频率设置为10 kHz，对摇臂进行加载试验（图3），采集加载过程中的振动信号。摇臂加载试验过程中，通过调节电流大小改变扭矩，并逐渐增加扭矩完成加载过程，加载试验分为空载、加载50%、加载75%、满载4个阶段，各阶段内载荷恒定，每种工况下采集振动信号60 s。
选用均方根和峭度2个指标从时域特征上分析摇臂不同工况下的振动信号。均方根反映振动信号的振幅大小；峭度表征振动信号中冲击信号的多少，峭度值越偏离3，代表信号受冲击激励影响越大。各工况下，一轴、三轴、五轴、七轴处振动信号的均方根和峭度分别如图4、图5所示。由图4可知，一轴处振动信号的均方根随着负载的升高上升趋势最明显，表明一轴处传感器对负载的变化最为敏感。由图5可知，一轴处振动信号峭度值偏离3的程度最小，表明一轴处振动信号受冲击振动影响最小。因此在后续工业性试验中选用摇臂一轴作为传感器安装位置。
![]()
图 4 不同工况下各轴振动信号的均方根Figure 4. Root mean square of vibration signal of each shaft under different working conditions![]()
图 5 不同工况下各轴振动信号的峭度Figure 5. Kurtosis of vibration signal of each shaft under different working conditions4.3 工业性试验方案
在工业性试验过程中，为保证传感器的可靠性，将传感器吸附于摇臂一轴靠近支架侧的壳体处，如图6所示。采集空载、截割铝土、截割岩石3种工况对应的振动信号[14-15]。在信号采集过程中，由专人跟随采矿机，实时观测滚筒位置，通过防爆手机、传感器与电控箱中的标准时间，将采矿机滚筒位置等基本信息与振动信号进行同步关联记录与保存。
4.4 特征向量提取及数据降维
采集采矿机滚筒空载、截割铝土和岩石3种不同工况下的振动信号各40 s，采样频率为10 kHz，此时，每种工况下振动信号数据点为400 000个，单个样本长度取400个数据点，则每种工况下振动信号数据点可划分为1 000个样本。
（1） 特征向量提取。选取bior3.3小波基函数，对各样本进行3层小波包分解，得到8个子频带能量及信号总能量，并利用离差标准化将数据映射至[0，1]，实现数据归一化，如图7所示。可看出不同负载下信号在各子频带上的能量表现出一定的差异性，表明经小波包分解后得到的能量特征可以作为区分不同负载类型的特征向量。
小波包能量特征向量见表3。
表 3 小波包能量特征向量Table 3. 3 Wavelet packet energy feature vectors序号 特征向量 1 [0.275 2 0.340 7 0.101 8 0.440 6 0.119 3 0.081 8
0.018 4 0.018 3 0.890 3]2 [0.316 7 0.339 3 0.107 6 0.049 4 0.095 0 0.061 8
0.012 7 0.017 5 0.886 2]3 [0.282 6 0.332 4 0.092 2 0.045 7 0.109 6 0.094 4
0.021 5 0.021 6 0.877 9] 3 000 [0.444 5 0.252 0 0.084 2 0.707 0 0.072 6 0.043 7
0.016 2 0.016 1 0.440 1]（2） 数据降维。利用PCA方法对数据进行降维，各主成分贡献率如图8所示。可看出第一、第二、第三主成分已获得累计贡献率98.7%，因此可将9维特征向量降至3维。
4.5 BPNN及SSA的参数初始化
（1） BPNN参数设置。由于降维后的特征向量为3维，设定输入层神经元个数u=3。[1 0 0]、[0 1 0]、[0 0 1]分别代表空载、铝土、岩石3种负载，设定输出层神经元个数v=3。根据经验公式可得隐含层神经元个数：
$$ l=\sqrt{u+v}+a $$ (5) 式中a为常量，取值范围为（0，10）。
通过试算法可知，取l=11时，神经网络准确性最高，因此BPNN的拓扑结构为3−11−3。
（2） SSA参数初始化。通过试算法，取最大迭代次数为30、种群规模为20，设置发现者所占种群比例为0.2，预警值为0.8，预警者数量为2。
4.6 结果分析
将特征向量作为BPNN和SSA−BPNN的输入分别进行训练，以均方误差为指标评估2种训练方案的性能，如图9所示。可看出BPNN在124次迭代时达到收敛，SSA−BPNN在91次迭代时收敛；与BPNN相比，SSA−BPNN收敛速度更快、均方误差更小。
取总样本的10%作为测试集分别代入训练好的BPNN和SSA−BPNN 2种神经网络中进行负载分类，结果如图10所示（空载时的样本编号为1—100，设为标签0；截割负载为铝土时的样本编号为101—200，设为标签1；截割负载为岩石时的样本编号为201—300，设为标签2）。可看出BPNN的识别准确率为91.7%，SSA−BPNN的识别准确率为95.3%，经SSA优化后的BPNN的识别准确率较BPNN有所提升。
5. 结论
（1） 基于小波包分解提取采矿机摇臂振动信号的能量特征，不同负载下振动信号的小波包能量特征在各频率尺度下存在差异。
（2） 利用SSA优化BPNN的初始权值和阈值，加快了神经网络的收敛速度。
（3） 经小波包分解后得到的能量特征作为特征向量输入SSA−BPNN，实现了空载、铝土与岩石负载的分类，提高了负载类型识别准确率，达95.3%。
-
![]()
图 1 煤氧化时间与氧气体积分数关系曲线
Figure 1. Relationship curve of coal oxidation time and oxygen volume fraction
![]()
图 4 采空区进风侧氧气体积分数随采空区深度变化曲线
Figure 4. Variation curve of oxygen volume fraction at air inlet side of goaf with goaf depth
![]()
图 5 不同埋管抽采位置下采空区氧气体积分数分布
Figure 5. Distribution of oxygen volume fraction in goaf under different buried pipe extraction positions
![]()
图 6 进风侧氧气体积分数随采空区深度变化曲线
Figure 6. Variation curve of oxygen volume fraction at air inlet side with goaf depth
![]()
图 7 回风侧氧气体积分数随采空区深度变化曲线
Figure 7. Variation curve of oxygen volume fraction at return air side with goaf depth
![]()
图 8 不同埋管抽采位置下氧化带面积变化曲线
Figure 8. Variation curve of oxidation zone area under different buried pipe extraction positions
![]()
图 9 不同抽采负压下采空区氧气体积分数分布
Figure 9. Distribution of oxygen volume fraction in gob under different extraction negative pressures
![]()
图 10 进风侧氧气体积分数随采空区深度变化曲线
Figure 10. Variation curve of oxygen volume fraction at air intake side with goaf depth
![]()
图 11 回风侧氧气体积分数随采空区深度变化曲线
Figure 11. Variation curve of oxygen volume fraction at return air side with goaf depth
![]()
图 12 不同抽采负压下氧化带面积变化曲线
Figure 12. Variation curve of oxidation zone area under different extraction negative pressures
表 1 模型参数
Table 1 Parameters of model
模型组成部分 尺寸/（m×m×m） 空间填充 30503进回风巷 4.6×5×20 流体 30503工作面 193×11.4×4 流体 30503采空区 240×193×16.4 以压实煤体为主体的多孔介质 地表裂隙 173×0.2×15 流体 垮落部分 193×200×4.6 多孔介质 上覆采空区 250×195×9 以压实煤体为主体的多孔介质 
下载: 导出CSV
-
[1] 李林. 采空区煤自燃环境瓦斯运移积聚规律研究[D]. 徐州:中国矿业大学,2020. LI Lin. Study on methane migration and accumulation in spontaneous coal combustion environment of a coal mined-out area[D]. Xuzhou:China University of Mining and Technology,2020.
[2] 邓军,李贝,王凯,等. 我国煤火灾害防治技术研究现状及展望[J]. 煤炭科学技术,2016,44(10):1-7,101. DOI: 10.13199/j.cnki.cst.2016.10.001 DENG Jun,LI Bei,WANG Kai,et al. Research status and outlook on prevention and control technology of coal fire disaster in China[J]. Coal Science and Technology,2016,44(10):1-7,101. DOI: 10.13199/j.cnki.cst.2016.10.001
[3] 戴林超,曹偈,赵旭生,等. 采空区瓦斯涌出强度对其流动规律的影响研究[J]. 安全与环境学报,2019,19(6):1963-1970. DOI: 10.13637/j.issn.1009-6094.2019.06.014 DAI Linchao,CAO Jie,ZHAO Xusheng,et al. Probe into the influence of the gas effusion intensity in accordance with its flowing regularity in the goaf[J]. Journal of Safety and Environment,2019,19(6):1963-1970. DOI: 10.13637/j.issn.1009-6094.2019.06.014
[4] 吴怡. 抽采条件下采空区自燃特性数值模拟研究[D]. 唐山:华北理工大学,2019. WU Yi. Numerical simulation of goaf spontaneous combustion characteristics under extraction conditions[D]. Tangshan:North China University of Science and Technology,2019.
[5] 慕兰兰,传金平,杨小彬,等. 砚北煤矿特厚易自燃煤层邻近采空区瓦斯抽采与煤自燃耦合研究[J]. 矿业安全与环保,2023,50(1):25-36. DOI: 10.19835/j.issn.1008-4495.2023.01.005 MU Lanlan,CHUAN Jinping,YANG Xiaobin,et al. Coupling study of gas extraction and coal spontaneous combustion in goaf adjacent to extra-thick spontaneous combustion coal seam in Yanbei Coal Mine[J]. Mining Safety & Environmental Protection,2023,50(1):25-36. DOI: 10.19835/j.issn.1008-4495.2023.01.005
[6] 王向东,穆永亮,刘伟伟. 工作面初采阶段高位定向长钻孔瓦斯抽采技术研究与实践[J]. 煤炭技术,2023,42(2):143-146. DOI: 10.13301/j.cnki.ct.2023.02.033 WANG Xiangdong,MU Yongliang,LIU Weiwei. Research and practice on gas extraction technology of high directional long drilling holes in working face initial mining stage[J]. Coal Technology,2023,42(2):143-146. DOI: 10.13301/j.cnki.ct.2023.02.033
[7] 崔传发. 采空区瓦斯抽采钻孔参数及注氮防灭火研究[J]. 工矿自动化,2020,46(3):12-20. DOI: 10.13272/j.issn.1671-251x.2019050049 CUI Chuanfa. Research on gas drainage drilling parameters and nitrogen injection for fire prevention in goaf[J]. Industry and Mine Automation,2020,46(3):12-20. DOI: 10.13272/j.issn.1671-251x.2019050049
[8] 施式亮,曾明圣,李贺,等. 煤自燃与瓦斯共生灾害演化与预警[J]. 煤矿安全,2022,53(9):9-16. SHI Shiliang,ZENG Mingsheng,LI He,et al. Coal spontaneous combustion and gas symbiotic disasters evolution and early warning[J]. Safety in Coal Mines,2022,53(9):9-16.
[9] 王飞,谷晓玲. 综放工作面采空区抽放注氮与遗煤自燃三耦合关系研究[J]. 煤炭技术,2021,40(2):145-147. DOI: 10.13301/j.cnki.ct.2021.02.040 WANG Fei,GU Xiaoling. Study on coupling relationship between nitrogen injection and coal spontaneous combustion in goaf of fully mechanized top coal caving face[J]. Coal Technology,2021,40(2):145-147. DOI: 10.13301/j.cnki.ct.2021.02.040
[10] 张京兆,王建国,闫涛,等. 高抽巷层位及负压的变化对采空区自燃氧化带影响的数值模拟[J]. 矿业研究与开发,2020,40(10):108-112. DOI: 10.13827/j.cnki.kyyk.2020.10.020 ZHANG Jingzhao,WANG Jianguo,YAN Tao,et al. Numerical simulation on the influence of the location of high extraction lane and the change of negative pressure on the spontaneous combustion oxidation zone in the goaf[J]. Mining Research and Development,2020,40(10):108-112. DOI: 10.13827/j.cnki.kyyk.2020.10.020
[11] 汪腾蛟,聂朝刚,杨小彬,等. 考虑温度变化的采空区瓦斯抽采数值模拟[J]. 煤炭科学技术,2021,49(7):85-94. DOI: 10.13199/j.cnki.cst.2021.07.012 WANG Tengjiao,NIE Chaogang,YANG Xiaobin,et al. Numerical simulation of gas drainage in gob considering temperature change[J]. Coal Science and Technology,2021,49(7):85-94. DOI: 10.13199/j.cnki.cst.2021.07.012
[12] 范加锋. 低位巷瓦斯抽采条件下采空区遗煤自燃规律研究[J]. 工矿自动化,2023,49(2):102-108,124. DOI: 10.13272/j.issn.1671-251x.2022070031 FAN Jiafeng. Study on spontaneous combustion law of residual coal in goaf under the condition of gas extraction in the low-level roadway[J]. Journal of Mine Automation,2023,49(2):102-108,124. DOI: 10.13272/j.issn.1671-251x.2022070031
[13] 王继仁,张英,黄戈,等. 采空区不同瓦斯抽采方法与自燃合理平衡的数值模拟[J]. 中国安全生产科学技术,2015,11(8):26-32. WANG Jiren,ZHANG Ying,HUANG Ge,et al. Numerical simulation on reasonable balance between different gas drainage methods and spontaneous combustion in gob area[J]. Journal of Safety Science and Technology,2015,11(8):26-32.
[14] 杜阳,翁旭泽,戚绪尧,等. 远距离抽采条件下采空区煤自燃区域分布规律[J]. 煤矿安全,2020,51(1):196-199,205. DOI: 10.13347/j.cnki.mkaq.2020.01.044 DU Yang,WENG Xuze,QI Xuyao,et al. Distribution law of spontaneous combustion danger zone of coal in goaf under long distance extraction[J]. Safety in Coal Mines,2020,51(1):196-199,205. DOI: 10.13347/j.cnki.mkaq.2020.01.044
[15] 文虎,王文,程小蛟,等. 不同抽采条件对采空区煤自燃“三带”的影响研究[J]. 矿业安全与环保,2020,47(6):1-7. DOI: 10.19835/j.issn.1008-4495.2020.06.001 WEN Hu,WANG Wen,CHENG Xiaojiao,et al. Study on the effect of different extraction conditions on "three zones" of coal spontaneous combustion in goaf[J]. Mining Safety & Environmental Protection,2020,47(6):1-7. DOI: 10.19835/j.issn.1008-4495.2020.06.001
[16] 邢旭东,庞奇,张宏斌,等. 不规则采空区防火注氮位置数值模拟研究[J]. 煤炭技术,2021,40(8):143-146. DOI: 10.13301/j.cnki.ct.2021.08.036 XING Xudong,PANG Qi,ZHANG Hongbin,et al. Numerical simulation of fire nitrogen injection parameters in irregular goaf[J]. Coal Technology,2021,40(8):143-146. DOI: 10.13301/j.cnki.ct.2021.08.036
[17] 刘轶康,牛会永,聂琦苗,等. 高地温矿井采空区煤自燃O2浓度场分布研究[J]. 工矿自动化,2021,47(8):108-114. LIU Yikang,NIU Huiyong,NIE Qimiao,et al. Study on the distribution of O2 concentration field of coal spontaneous combustion in high ground temperature goaf[J]. Industry and Mine Automation,2021,47(8):108-114.
[18] 黎力,李治刚,奚弦,等. 采空区自然发火多场耦合数值模拟研究[J]. 中国矿业,2017,26(3):157-160. DOI: 10.3969/j.issn.1004-4051.2017.03.032 LI Li,LI Zhigang,XI Xian,et al. Multi-filed coupling numerical simulation of spontaneous combustion in goaf[J]. China Mining Magazine,2017,26(3):157-160. DOI: 10.3969/j.issn.1004-4051.2017.03.032
[19] 高光超,李宗翔,张春,等. 基于三维“O”型圈的采空区多场分布特征数值模拟[J]. 安全与环境学报,2017,17(3):931-936. DOI: 10.13637/j.issn.1009-6094.2017.03.023 GAO Guangchao,LI Zongxiang,ZHANG Chun,et al. Numerical simulation for multi-field distribution characteristic features of the goaf based on 3D "O" type circle[J]. Journal of Safety and Environment,2017,17(3):931-936. DOI: 10.13637/j.issn.1009-6094.2017.03.023
[20] 屈世甲,安世岗,武福生,等. 大采高综采工作面采空区自燃“三带”研究[J]. 工矿自动化,2019,45(5):22-25. DOI: 10.13272/j.issn.1671-251x.17403 QU Shijia,AN Shigang,WU Fusheng,et al. Research on spontaneous combustion "three zones" in goaf of fully mechanized working face with large mining height[J]. Industry and Mine Automation,2019,45(5):22-25. DOI: 10.13272/j.issn.1671-251x.17403
[21] 孙留涛,段宇建,黄均泽. 青东煤矿10煤层标志性气体优选及自燃“三带”划分[J]. 工矿自动化,2018,44(11):56-61. DOI: 10.13272/j.issn.1671-251x.2018070050 SUN Liutao,DUAN Yujian,HUANG Junze. Optimization of index gases and division method of spontaneous combustion "three zones" in 10 coal seam of Qingdong Coal Mine[J]. Industry and Mine Automation,2018,44(11):56-61. DOI: 10.13272/j.issn.1671-251x.2018070050
计量
- 文章访问数: 190
- HTML全文浏览量: 47
- PDF下载量: 21
