叠加效应下多孔水力割缝联合抽采参数优化研究

倪兴

倪兴. 叠加效应下多孔水力割缝联合抽采参数优化研究[J]. 工矿自动化,2023,49(1):146-152. DOI: 10.13272/j.issn.1671-251x.2022060110
引用本文: 倪兴. 叠加效应下多孔水力割缝联合抽采参数优化研究[J]. 工矿自动化,2023,49(1):146-152. DOI: 10.13272/j.issn.1671-251x.2022060110
NI Xing. Optimization of multi-hole hydraulic cutting combined extraction parameters under superposition effect[J]. Journal of Mine Automation,2023,49(1):146-152. DOI: 10.13272/j.issn.1671-251x.2022060110
Citation: NI Xing. Optimization of multi-hole hydraulic cutting combined extraction parameters under superposition effect[J]. Journal of Mine Automation,2023,49(1):146-152. DOI: 10.13272/j.issn.1671-251x.2022060110

叠加效应下多孔水力割缝联合抽采参数优化研究

基金项目: 国家重点研发计划资助项目(2017YF080420701)。
详细信息
    作者简介:

    倪兴(1987—),男,山东临朐人,助理研究员,硕士,主要从事矿井灾害防治研究工作,E-mail:nixing1960@163.com

  • 中图分类号: TD712

Optimization of multi-hole hydraulic cutting combined extraction parameters under superposition effect

  • 摘要: 针对低透高瓦斯煤层在水力割缝过程中存在割缝扰动范围不清、割缝钻孔最佳布孔间距不明确的问题,以贵州豫能高山煤矿1908工作面为研究背景,在建立水力割缝煤体瓦斯抽采流固耦合模型的基础上,借助COMSOL数值模拟软件对高山煤矿1908工作面水力割缝钻孔有效抽采半径、孔周瓦斯压力变化情况进行了研究,并依据模拟结果深入分析了水力割缝钻孔在多孔布置时,受孔间抽采叠加效应影响下有效抽采范围及孔间瓦斯压力变化情况,最终得出其最佳布孔间距及抽采时间。结果表明:① 水力割缝钻孔单孔抽采效果随割缝深度显著提升,但钻孔有效抽采半径增速变缓,为得到最佳割缝深度,对各钻孔有效抽采半径进行三项式拟合,随着水力割缝深度的增加,有效抽采半径范围在快速增加后放缓且最终趋于平稳,并得出了高山煤矿最佳割缝深度为1.5 m,有效抽采半径达为3.1 m。② 在相同抽采时间下,煤体内瓦斯压力随两孔距的缩短而降低,说明孔间距越小,孔间受水力割缝所造成的扰动越剧烈,抽采叠加效应影响越显著。③ 在保证消突达标的前提下,选择孔距为7 m进行水力割缝钻孔布置效果最佳。④ 原本在“正方形”布孔方式中,孔心位置可能出现抽采盲区的点最大瓦斯压力仅为0.67 MPa,小于临界值,“正方形”布孔较“正三角”布孔的有效覆盖面积更大且减少了抽采重复区域,从而减少了钻孔施工量,提高了瓦斯治理效率。⑤ 通过现场试验得出在60 d抽采周期内,水力割缝钻孔布置采用孔距为7 m的“正方形”布孔可有效提高瓦斯抽采浓度及抽采纯量,并达到了延长高效抽采周期的效果,且可消除孔间煤体瓦斯抽采空白带,实现孔间区域煤体消突达标。
    Abstract: In the process of hydraulic cutting in low permeability and high gas coal seams, there are problems such as unclear cutting disturbance range and unclear optimal hole spacing for cutting drilling. In order to solve the above problems, the 1908 working face of Gaoshan Coal Mine in Yuneng, Guizhou Province is taken as the research background. On the basis of establishing the fluid-solid coupling model of gas extraction in coal body with hydraulic cutting, with the help of COMSOL numerical simulation software, the effective extraction radius of hydraulic cutting borehole and the change of gas pressure around the borehole in the 1908 working face of Gaoshan Coal Mine are studied. Based on the simulation results, the effective extraction range and gas pressure change between holes are analyzed under the influence of the extraction superposition effect between holes when the hydraulic cutting drilling holes are arranged in multiple holes. Finally, the optimal hole spacing and extraction time are obtained. The results show the following points. ① The single hole extraction effect of hydraulic cutting drilling is significantly improved with the cutting depth. However, the effective extraction radius of the borehole increases slowly. In order to obtain the best cutting depth, the effective extraction radius of each borehole is fitted in a trinomial way. With the increase of hydraulic cutting depth, the range of effective extraction radius slows down after rapid increase and finally tends to be stable. The optimal cutting depth of Gaoshan Coal Mine is 1.5 m, and the effective extraction radius is 3.1 m. ② Under the same extraction time, the gas pressure in the coal body decreases with the shortening of the distance between two holes. It shows that the smaller the hole spacing is, the more serious the disturbance caused by hydraulic cutting between holes is, and the more significant the influence of the extraction superposition effect is. ③ On the premise of ensuring that the outburst elimination meets the standard, it is best to choose a hole spacing of 7 m for arranging hydraulic cutting drilling. ④ Originally, in the "square" hole arrangement, the maximum gas pressure at the point where the blind area may occur at the hole center is only 0.67 MPa, which is less than the critical value. The effective coverage area of the "square" hole arrangement is larger than that of the "triangle" hole arrangement, and the repeated area of drainage is reduced. This reduces the amount of drilling and improves the efficiency of gas control. ⑤ Through field test, it is concluded that in the 60 d extraction period, the hydraulic cutting drilling arrangement with a hole spacing of 7 m and a "square" hole arrangement can effectively improve the concentration and purity of gas extraction. It can also extend the period of high efficiency extraction. It can eliminate the blank zone of gas extraction in the coal body between boreholes to eliminate the outburst of the coal body in the area between boreholes.
  • 火灾一直是煤矿的重点防治灾害,一般分为内因火灾和外因火灾[1-2]。内因火灾由矿井煤层自燃引起,主要影响煤矿正常开采。外因火灾主要由人员违规违章行为引起,如违章作业、设备检修不规范、违规堆放易燃物资等,一般火灾初期的火源较小,但常发生在生产区域,如果未及时发现,火情将会迅速扩大,造成煤矿人员伤亡和财产损失[3-5]。对煤矿外因火灾隐患进行检测,实现对初期火灾的可靠判识,对于提升煤矿火灾检测水平有重要意义,也是未来智能矿山建设的重要方向。

    现有的矿井外因火灾检测方法主要包括基于传感器的检测方法、基于可见光图像和红外图像的检测方法、基于深度学习的检测方法等。基于传感器的检测方法[6-8]通过传感器采集环境中的温度、烟雾浓度、气体浓度等信息,利用阈值来判断火灾的发生情况,该方法准确率较高,但对微小火源感知不明显,且判识相对滞后。基于可见光图像和红外图像的检测方法[9]主要依赖于图像识别技术,利用颜色空间进行火焰图像分割,进而提取出尖角数、圆形度、质心位移等特征,再通过支持向量机进行分类,该方法易受井下移动发光物体(如探照灯)的影响[10]。基于红外图像、可见光图像及传感器多信息融合的矿井外因火灾感知方法[10-11]与单一方法相比提升了火灾感知准确率,但该类方法采用“分布采集−集中处理−远程控制”的方式,传感器信息、控制信息的传输依赖网络可靠性,网络波动可能会导致响应延迟、报警滞后等问题。随着深度学习在图像分类[12]、目标检测[13]等方面取得进展,卷积神经网络[14]、改进Mask R−CNN[15]、改进Faster−CNN [16]等被应用于火焰特征检测,该类方法对特征的识别精度更高,但网络模型参数量、计算量较大,检测速度慢,应用于煤矿时,通常需要配置高性能处理器,在地面集中处理视频信息,对视频图像传输网络的可靠性有较高要求。

    YOLO[17]是一种单阶段目标检测网络模型,其检测速度快,适合部署在边缘侧硬件上,但对火灾初期小目标火源的识别能力不足。针对该问题,本文提出一种基于边缘智能的煤矿外因火灾感知方法。对YOLOv5s模型进行改进,在保证处理速度和轻量化的前提下,提高对火灾初期小目标火源的识别精度;对改进YOLOv5s模型提取的图像特征和传感器提取的物理特征进行融合分析,并将改进网络模型部署在智能边缘处理器上,用于煤矿外因火灾识别。这种煤矿灾害感知的新模式提高了火源检测的实时性和准确性,且不依赖长距离传输网络,提升了检测的可靠性,可用于矿山重点区域风险监控,为未来矿山的火源智能化巡检提供了算法支撑。

    基于边缘智能的煤矿外因火灾检测模型主要由视频检测模块、多源信息融合模块及智能边缘处理模块组成,如图1所示。在智能边缘处理器上部署轻量化的改进YOLOv5s模型和多源信息融合模块,分别提取火源的图像特征和环境信息的多维度时空特征,通过特征融合判断是否发生火灾。

    图  1  基于边缘智能的煤矿外因火灾检测模型
    Figure  1.  Detection model of coal mine external fire based on edge intelligence

    智能边缘处理器是基于嵌入式微控制单元(Microcontroller Unit,MCU)和国产神经网络处理单元(Neural Processor Unit,NPU)开发的一款矿用边缘处理器。其核心是思元220边缘计算模组,具备专门用于深度学习的系统级芯片(System on Chip,SOC),采用ARM+NPU架构,芯片内部集成了CPU、NPU、视频处理单元及图像编解码单元;CPU为四核ARM Cortex−A55,主频为1.5 GHz,单片功耗为12 W,核心算力为每秒12×1012次操作。智能边缘处理器支持深度学习网络AlexNet,GoogleNet,VGG,ResNet,YOLO,SSD等。

    采用矿用本安型网络摄像机KBA18(C)进行视频数据采集。摄像机在监测区域按一定距离部署,并通过网络接口与智能边缘处理器相连,为火灾检测提供视频图像数据。

    采用矿用一氧化碳传感器GTH1000、矿用烟雾传感器GQLQ5及矿用温度传感器GWD150进行环境数据采集。传感器部署在矿用本安型网络摄像机周围,通过Modbus总线与智能边缘处理器相连,为火灾检测提供传感器数据。

    YOLOv5s模型的基本框架可以分为输入端(Input)、主干网络(Backbone)、颈部(Neck)和输出端(Prediction)4个部分,如图2所示。输入端采用Mosaic数据增强方式,通过随机缩放、裁剪、排布对图像进行拼接。主干部分主要由跨阶段局部网络(Cross Stage Partial Network,CSPNet)模块组成,特征提取采用CSPDarknet53[18]网络结构,可降低计算损耗和内存成本。颈部使用特征金字塔网络(Feature Pyramid Network,FPN)和路径聚合网络(Path Aggregation Network, PANet)[19]来加强特征融合能力。输出部分主要由损失函数构成,采用CIOU_Loss作为损失函数,最后输出预测结果。

    图  2  YOLOv5s模型结构
    Figure  2.  Structure of YOLOv5s model

    为更适应火灾初期小目标火源的特征检测,提高小目标火源实时检测精度,综合考虑火焰检测精度和速度要求,在经典YOLOv5s模型基础上添加一个152×152的特征尺度,并改进为4尺度检测网络(图3),将目标的感受野变为4×4,使模型能够充分学习浅层特征,改善小目标检测性能。

    图  3  改进后的4尺度检测网络
    Figure  3.  Improved 4-scale detection network

    YOLOv5s模型中,颈部使用FPN和PANet来加强其特征融合能力,然而在采样过程中,高层特征图会因为特征通道数的减少而造成上下文信息损失,影响检测精度。针对该问题,在原有FPN基础上添加自适应注意模块,通过空间注意力机制为每个特征图生成空间权重图,通过权重图融合上下文特征,生成包含多尺度上下文信息的新特征图,以减少上下文信息损失。

    首先,将卷积得到的特征图$ {M}_{5} $(大小为$ S $)通过自适应平均池化层,获得不同尺度(${a }_{1}\times S,{a}_{2}\times S, {a}_{3}\times S$)的多个语境特征,池化系数$a$1$a$3可根据数据集中目标大小自适应变化。其次,将每个特征分别上采样后通过Concat层合并,得到特征图$ {C}_{5} $$ {C}_{5} $依次经过1×1卷积层、ReLU激活层、3×3卷积层及Sigmoid激活层,得到空间权重图$ {W}_{5} $。最后,将特征图$ {C}_{5} $和权重图$ {W}_{5} $进行Hadamard乘积运算,分离后与特征图$ {M}_{5} $相加,得到包含多尺度上下文信息的新特征图$ {A}_{5} $$ {A}_{5} $具有丰富的多尺度背景信息,在一定程度上缓解了由于通道数量减少而造成的信息损失,提高了模型的检测精度。自适应注意模块结构如图4所示。

    图  4  自适应注意模块结构
    Figure  4.  Structure of adaptive attention module

    为解决井下光线条件差、粉尘多及摄像机拍摄角度引起的图像检测误差和漏检问题,进一步提高火灾检测精度,本文采用多传感器辅助检测,并提出一种动态加权算法,对图像和传感信息进行加权融合判识,具体流程如图5所示。

    图  5  图像和传感信息加权融合判识流程
    Figure  5.  Weighted fusion identification process of image and sensor information

    计算图像和传感信息动态加权值:

    $$ F=\left[{\alpha }_{1}\;{\alpha }_{2}\;{\alpha }_{3}\;{\alpha }_{4}\right][{\beta }_{1}\;\;{{\beta }_{2}\;\;{\beta }_{3}\;\;{\beta }_{4}]}^{\mathrm{T}} $$ (1)

    式中:$ {\alpha }_{1}—{\alpha }_{4} $分别为摄像机、温度传感器、烟雾传感器、CO传感器的检测结果,取值为1或0;$ {\beta }_{1}—{\beta }_{4} $为对应$ {\alpha }_{1}—{\alpha }_{4}\mathrm{的} $权重参数,4个权重参数的和为1。

    $ {\alpha }_{1}=0 $表示摄像机未检测到火焰,$ {\alpha }_{1}=1 $表示摄像机检测到火焰;$ {\alpha }_{2}=0 $表示井下温度在正常范围内,$ {\alpha }_{2}=1 $表示井下温度已经超过正常情况;$ {\alpha }_{3}=0 $表示井下没有烟雾或者烟雾浓度忽略不计,$ {\alpha }_{3}=1 $表示井下烟雾浓度异常;$ {\alpha }_{4}=0 $表示井下CO浓度在正常范围内,$ {\alpha }_{4}=1 $表示井下CO浓度异常。

    根据文献[20]设定权重参数,并以此为基础进行多组实验,得出最优权重参数和阈值,实验结果见表1

    表  1  各权重对比分析结果
    Table  1.  Comparative analysis results of each weight
    $ {\beta }_{1} $$ {\beta }_{2} $$ {\beta }_{3} $$ {\beta }_{4} $阈值准确率
    0.700.10.10.10.810.83
    0.750.120.070.060.850.88
    0.810.080.060.050.880.90
    0.900.050.030.020.920.98
    00.650.250.10.70.75
    00.730.220.070.80.80
    00.780.140.080.830.87
    00.790.110.100.890.90
    下载: 导出CSV 
    | 显示表格

    当所有检测信息的动态加权值超过设定阈值时,表示检测到火灾发生。根据表1数据可得出,当视频检测到真实火焰时,设定$\; {\beta }_{1}—{\beta }_{4} $及阈值分别为0.90,0.05,0.03,0.02,0.92,检测准确率最高。当视频未检测到真实火焰时或者误检时,设定$\; {\beta }_{2}—{\beta }_{4} $及阈值分别为0.79,0.11,0.10,0.89,检测准确率最高。

    为了提升本文方法在煤矿井下的检测性能,制作了火源特征数据集。该数据集由公共数据集(VOC2007)、项目组拍摄的12 000张图像、100张井下各种灯光图像构成,包含了火焰燃烧整个过程(从初期到后期,直至熄灭)的图像,涵盖不同光线条件和粉尘浓度情况。基于混合数据集训练网络模型,可提升模型的泛化能力。

    图像拍摄地点为中国矿业大学火灾实验室和某煤矿提供的实验巷道(图6)。针对煤矿井下作业环境及相机拍摄角度的影响,采用多角度拍摄方式,拍摄参数见表2

    图  6  实验巷道
    Figure  6.  Experimental roadway
    表  2  图像拍摄参数
    Table  2.  Image capture parameters
    相机编号拍摄角度安装高度/cm图像/张光线粉尘
    1号正水平01 000正常
    2号正水平02 000较暗
    3号正45°2101 000正常
    4号正45°2102 000较暗
    5号后水平01 000正常
    6号后水平02 000较暗
    7号后45°2101 000正常
    8号后45°2102 000较暗
    下载: 导出CSV 
    | 显示表格

    1号和2号相机的安装高度为0,表示相机正对火焰拍摄。3号和4号相机拍摄角度为正45°,表示相机在火焰正前方45°拍摄。部分现场拍摄样本如图7所示。

    图  7  部分现场拍摄样本
    Figure  7.  Some samples taken on site

    设置所有模型训练批次为16,学习率为 0.001,交并比阈值为0.5,训练轮数为100,在NVIDIA TITAN Xp GPU上训练模型。以召回率、交并比为0.5时的平均精度均值(mAP@0.5)及每帧推理时间作为模型评估指标。召回率计算公式为

    $$ R=\frac{{n}_{\mathrm{T}\mathrm{P}}}{{n}_{\mathrm{F}\mathrm{N}}+{n}_{\mathrm{T}\mathrm{P}}} $$ (2)

    式中:R为召回率;$ {n}_{\mathrm{T}\mathrm{P}} $为模型检测结果为正值的正样本数;$ {n}_{\mathrm{F}\mathrm{N}} $为检测结果为负值的正样本数。

    mAP@0.5计算公式为

    $$ Q={\int }_{0}^{1}R P{\rm{d}}r $$ (3)
    $$ P=\frac{{n}_{\mathrm{T}\mathrm{P}}}{{n}_{\mathrm{F}\mathrm{P}}+{n}_{\mathrm{T}\mathrm{P}}} $$ (4)

    式中:Q为mAP@0.5的值;P为精确率;r为积分变量;$ {n}_{\mathrm{F}\mathrm{P}} $为虚假的正样本数。

    由于本文提出的方法由图像特征检测与传感器检测共同构成,为了与经典视频检测方法进行比较,先在YOLOv5s模型中加入小目标检测和自适应注意模块,得到YOLOv5s−a,再加入传感器信息融合判识,得到YOLOv5s−as。在各训练参数一致的前提下,与YOLOv5s,SSD−300[21],SSD−521[22]等经典图像识别模型比较召回率、mAP@0.5、每帧推理时间等,结果见表3。由表3可知,YOLOv5s−as模型由于通过图像特征和传感器感知特征共同判识,识别精度最高,但由于增加了传感器信息推理,每帧推理时间比YOLOv5s−a模型略有增加,但仍优于其他模型,原因在于改进模型对图像进行特征提取时视野更集中,处理速度更快。

    表  3  各模型移植前检测结果对比
    Table  3.  Comparison of detection results of each algorithm before transplantation
    模型召回率mAP@0.5每帧推理时间/ms
    SSD 300(VGG16)0.7640.73226
    SSD 521(VGG16)0.7790.75162
    YOLOv5s0.8250.81124
    YOLOv5s−a0.9150.90718
    YOLOv5s−as0.9670.94120
    下载: 导出CSV 
    | 显示表格

    将上述模型移植到智能边缘处理器上,并进行轻量化处理,在煤矿安全实验室模拟井下巷道场景,进行50次着火实验,以测试各模型在真实场景下的每帧推理时间及精度,实验结果见表4

    表  4  各模型移植后检测结果对比
    Table  4.  Comparison of detection results of each algorithm after transplantation
    模型每帧推理时间/msmAP@0.5
    SSD 300(VGG16)190.710
    SSD 521(VGG16)530.742
    YOLOv5s180.803
    YOLOv5s−a110.870
    YOLOv5s−as120.933
    下载: 导出CSV 
    | 显示表格

    表4可知,经过轻量化处理后,YOLOv5s−as模型的处理速度仍大于SSD 300(VGG16),SSD 521(VGG16)及YOLOv5s模型。但由于需对传感器信息和视频检测信息进行融合推理,每帧推理时间略长于YOLOv5s−a模型,但mAP@0.5提高了7.24%,与移植前的YOLOv5s模型相比,mAP@0.5提高了15.04%。

    为了验证YOLOv5s−as模型的泛化能力,分别进行大目标火源、小目标火源和混淆实验,结果如图8所示。对于大目标火源,所有模型均能正常识别;对于小目标火源,SSD 300,SSD 512及YOLOv5s模型无法识别,这3种模型对小目标火源的适应性较差。YOLOv5s−a,YOLOv5s−as模型能够检测出小目标火源,适应性较好。

    图  8  火灾检测实验结果
    Figure  8.  Fire detection test results

    在混淆实验中,控制火焰亮度和形状趋近灯光,进行对比实验,发现除YOLOv5s−as模型外所有模型都将其识别为灯光。这是由于YOLOv5s−as模型加入了传感器信息融合判别,得到了正确结果,并发出警报。

    为了比较边缘处理与传统的集中式处理2种方案的性能,将YOLOv5s−as模型从完成判识到报警输出的时间定义为响应周期,并进行对比测试。

    集中式处理:将传感器数据通过RS485总线转以太网模块,并接入KJJ148井下环网交换机;摄像机通过网口接入KJJ148井下环网交换机,交换机通过光纤接入服务器;在服务器上部署YOLOv5s−as模型,对采集的视频和传感器信息进行分析和识别。主机硬件:CPU为英特尔E5−2609,64 GB RAM 和1 TB固态磁盘,GPU为Nvidia TITAN Xp,网络测试带宽为300 Mbit/s,处理结果下行至现场的网络报警器。

    边缘处理:传感数据、视频数据、报警器均通过网络接口接入边缘智能处理器,处理器每秒钟可进行12×1012次操作,网络传输带宽为300 Mbit/s。

    对比结果见表5。可看出使用集中式处理方法时,需要经过5个步骤,响应周期为388 ms;使用边缘处理方式时,仅包括3个步骤,响应周期为238 ms,比集中式处理方法缩短了38.66%。

    表  5  边缘计算性能测试结果
    Table  5.  Edge computing performance test results
    步骤边缘处理集中式处理
    步骤1捕获图像用时39 ms捕获图像用时39 ms
    步骤2边缘计算用时157 ms上传图像用时154 ms
    步骤3响应警报用时42 ms算法计算用时49 ms
    步骤4反馈检测结果用时104 ms
    步骤5响应警报用时42 ms
    响应周期/ms238388
    下载: 导出CSV 
    | 显示表格

    (1) 针对火灾初期的小目标火源,对YOLOv5s模型主干网络特征尺度进行改进,充分学习浅层特征,提高对小目标检测的能力;对YOLOv5s模型的颈部进行改进,在原有的FPN基础上添加自适应注意模块,提高模型检测精度。

    (2) 提出基于多源信息融合对井下火灾进行判识,使用动态加权算法将视频检测信息与多传感器检测信息相融合,构建了YOLOv5s−as模型。利用YOLOv5s−as模型的轻量化特点,实现边缘智能设备部署。

    (3) 实验结果表明:与未加入传感器信息融合推理的YOLOv5s−a模型相比,YOLOv5s−as模型推理时间略长,但mAP@0.5提高了7.24%;与移植前的YOLOv5s模型相比,移植到智能边缘处理器上并进行轻量化处理的YOLOv5s−as模型mAP@0.5提高了15.04%;对于小目标火源,SSD 300、SSD 512及YOLOv5s模型无法识别,YOLOv5s−a,YOLOv5s−as模型能够检测出小目标火源,适应性较好;使用边缘处理方式时,YOLOv5s−as模型的响应周期为238 ms,比集中式处理方法缩短了38.66%。

    (4) 基于边缘智能的煤矿外因火灾感知方法准确率较高,响应周期短,满足煤矿井下对火灾检测的实时性要求,适用于井下重点区域的外因火灾检测,也可用于未来智能矿山的智能巡检。

  • 图  1   几何模型

    Figure  1.   Geometric model

    图  2   抽采60 d后各钻孔四周煤体瓦斯压力分布

    Figure  2.   The gas pressure distribution around each borehole after 60 days of extraction

    图  3   钻孔四周瓦斯压力变化曲线

    Figure  3.   Gas pressure variation curves around the borehole

    图  4   有效抽采半径随割缝深度变化趋势

    Figure  4.   The variation trend of the effective extraction radius varies with the cutting depth

    图  5   不同孔距双孔模型

    Figure  5.   The double borehde model with different borehole spacing

    图  6   不同孔距钻孔瓦斯压力随抽采时间变化云图

    Figure  6.   Cloud chart of gas pressure variation with extraction time in boreholes with different borehole spacing

    图  7   不同孔距及抽采时间下孔周瓦斯压力分布曲线

    Figure  7.   Distribution curves of borehole gas pressure under different borehole distance and extraction time

    图  8   布孔方式

    Figure  8.   The layout method of boreholes

    图  9   不同布孔方式的瓦斯抽采空白区域对消突的效果

    Figure  9.   Outburst elimination effect of gas extraction blank zone with different borehole layout methods

    图  10   不同布孔方式抽采60 d孔周瓦斯压力分布曲线

    Figure  10.   Gas pressure distribution curve around boreholes for 60 days with different borehole layout methods

    图  11   钻孔现场布置

    Figure  11.   Site layout of boreholes

    图  12   未使用水力割缝的抽采钻孔瓦斯参数

    Figure  12.   Gas parameters of extraction boreholes without hydraulic cutting

    图  13   水力割缝抽采钻孔瓦斯参数

    Figure  13.   Gas parameters of extraction borehole with hydraulic cutting

    表  1   数值模拟基础参数

    Table  1   Numerical simulation of the basic parameters

    参数 参数值
    煤层初始瓦斯压力/MPa 1.04
    孔隙率 0.048
    煤体初始渗透率/m2 5.7×10−15
    割裂煤体渗透率/m2 3.4×10−11
    煤密度/(kg·m−3) 1 492
    瓦斯密度/(kg·m−3) 0.719
    泊松比 0.29
    黏聚力/MPa 0.92
    瓦斯动力黏度/(Pa·s) 1.71×10−5
    空气动力黏度/(Pa·s) 1.07×10−5
    下载: 导出CSV

    表  2   试验测点残余瓦斯压力、瓦斯含量

    Table  2   Residual gas pressure and gas content of test measuring points

    孔号 残余瓦斯压力/MPa 残余瓦斯含量/(m3·t−1) 抽采率/%
    1 0.61 2.7 62.50
    2 0.57 3.3 54.17
    3 0.59 3.1 57.04
    4 0.62 2.9 59.72
    下载: 导出CSV
  • [1] 荆俊杰,于丽雅,延婧. 高瓦斯低渗煤层水力造穴增透技术优化研究[J]. 煤矿安全,2022,53(1):8-14,23.

    JING Junjie,YU Liya,YAN Jing. Research on optimization of hydraulic flushing and permeability enhancement technology in high gas and low permeability coal seam[J]. Safety in Coal Mines,2022,53(1):8-14,23.

    [2] 袁亮,林柏泉,杨威. 我国煤矿水力化技术瓦斯治理研究进展及发展方向[J]. 煤炭科学技术,2015,43(1):45-49. DOI: 10.13199/j.cnki.cst.2015.01.011

    YUAN Liang,LIN Baiquan,YANG Wei. Research progress and development direction of gas control with mine hydraulic technology in China coal mine[J]. Coal Science and Technology,2015,43(1):45-49. DOI: 10.13199/j.cnki.cst.2015.01.011

    [3] 许克南,王佰顺,刘青宏. 基于动态流固耦合模型的瓦斯 抽采半径及孔间距研究[J]. 煤炭科学术,2018,46(5):102-108.

    XU Kenan,WANG Baishun,LIU Qinghong. Study on gas drainage radius and distance between boreholes based on dynamic fluid-solid coupling model[J]. Coal Science and Technology,2018,46(5):102-108.

    [4] 杜金磊,张民波,张电吉,等. 低透气突出煤层水力割缝协同卸压增透技术[J]. 工矿自动化,2021,47(7):98-105. DOI: 10.13272/j.issn.1671-251x.17698

    DU Jinlei,ZHANG Minbo,ZHANG Dianji,et al. Hydraulic cutting cooperative pressure relief and premeability enhancement technology in low permeability outburst coal seam[J]. Industry and Mine Automation,2021,47(7):98-105. DOI: 10.13272/j.issn.1671-251x.17698

    [5] 刘生龙,朱传杰,林柏泉,等. 水力割缝空间分布模式对煤层卸压增透的作用规律[J]. 采矿与安全工程学报,2020,37(5):983-990. DOI: 10.13545/j.cnki.jmse.2020.05.015

    LIU Shenglong,ZHU Chuanjie,LIN Baiquan,et al. The effect of spatial distribution mode of hydraulic slotting on pressure relief and permeability enhancement of the coal seam[J]. Journal of Mining & Safety Engineering,2020,37(5):983-990. DOI: 10.13545/j.cnki.jmse.2020.05.015

    [6] 孙鑫,王海东,路丽刚. 煤层水力割缝转速对切割半径影 响规律研究[J]. 煤炭工程,2020,52(5):116-120.

    SUN Xin,WANG Haidong,LU Ligang. Research on the influence of coal seam hydraulic cutting speed on cutting radius[J]. Coal Engineering,2020,52(5):116-120.

    [7] 袁本庆. 煤巷条带水力化增透技术措施适用条件及评价指标初探[J]. 煤矿安全,2018,49(12):164-168. DOI: 10.13347/j.cnki.mkaq.2018.12.042

    YUAN Benqing. Application conditions and evaluation indexes of hydraulic permeability enhancement technology in coal roadway strip mining[J]. Safety in Coal Mines,2018,49(12):164-168. DOI: 10.13347/j.cnki.mkaq.2018.12.042

    [8] 林柏泉,赵洋,刘厅,等. 水力割缝煤体多场耦合响应规律研究[J]. 西安科技大学学报,2017,37(5):662-667. DOI: 10.13800/j.cnki.xakjdxxb.2017.0510

    LIN Baiquan,ZHAO Yang,LIU Ting,et al. Coupling response law of multi-field in coal seam after hydraulic slotting[J]. Journal of Xi'an University of Science and Technology,2017,37(5):662-667. DOI: 10.13800/j.cnki.xakjdxxb.2017.0510

    [9] 徐刚,张剀文,范亚飞. 叠加效应影响下钻孔有效抽采半径的数值模拟及布孔间距优化[J]. 矿业安全与环保,2021,48(1):91-96. DOI: 10.19835/j.issn.1008-4495.2021.01.018

    XU Gang,ZHANG Kaiwen,FAN Yafei. Numerical simulation of effective drainage radius and optimization of hole spacing under the influence of stack effect[J]. Mining Safety & Environmental Protection,2021,48(1):91-96. DOI: 10.19835/j.issn.1008-4495.2021.01.018

    [10]

    ZHANG Hongbin,LIU Jishan,ELSWORTH D. How sorption-induced matrix deformation affects gas flow in coal seams:a new FE model[J]. International Journal of Rock Mechanics and Mining Sciences,2008,45(8):1226-1236. DOI: 10.1016/j.ijrmms.2007.11.007

    [11] 刘泉霖,王恩元,李忠辉,等. 夹矸对煤层瓦斯抽采影响的数值模拟研究[J]. 工矿自动化,2018,44(2):55-62. DOI: 10.13272/j.issn.1671-251x.2017100046

    LIU Quanlin,WANG Enyuan,LI Zhonghui,et al. Numerical simulation study on influence of gangue on coal seam gas drainage[J]. Industry and Mine Automation,2018,44(2):55-62. DOI: 10.13272/j.issn.1671-251x.2017100046

    [12] 李文,王广宏,欧聪,等. 不同布孔方式下梳状定向长钻孔水力压裂数值模拟及工程应用[J]. 煤矿安全,2021,52(5):72-77. DOI: 10.13347/j.cnki.mkaq.2021.05.013

    LI Wen,WANG Guanghong,OU Cong,et al. Numerical simulation and engineering application of comb-shaped directional long borehole hydraulic fracturing under different arrangement of holes[J]. Safety in Coal Mines,2021,52(5):72-77. DOI: 10.13347/j.cnki.mkaq.2021.05.013

  • 期刊类型引用(4)

    1. 邓军,李鑫,王凯,王伟峰,闫军,汤宗情,康付如,任帅京. 矿井火灾智能监测预警技术近20年研究进展及展望. 煤炭科学技术. 2024(01): 154-177 . 百度学术
    2. 刘慧敏,张彬. 永定庄煤业3-5#煤层系统性防灭火设计分析. 山西化工. 2024(04): 195-196+223 . 百度学术
    3. 杨莹,吴爱祥,王先成,王国立. 基于RAdam算法优化ResNet50模型膏体图像识别方法研究. 中国矿业. 2023(07): 79-86 . 百度学术
    4. 杜雨馨,张贺,王树臣,张建化. 综掘系统视觉处理技术研究现状及发展趋势. 工矿自动化. 2023(11): 22-38+75 . 本站查看

    其他类型引用(6)

图(13)  /  表(2)
计量
  • 文章访问数:  160
  • HTML全文浏览量:  56
  • PDF下载量:  25
  • 被引次数: 10
出版历程
  • 收稿日期:  2022-06-29
  • 修回日期:  2022-08-28
  • 网络出版日期:  2022-08-29
  • 刊出日期:  2023-02-01

目录

/

返回文章
返回