基于褶皱区微震多参量指标前兆信息特征的冲击地压预警方法

doi:10.19286/j.cnki.cci.2026.01.008

摘要
图/表
参考文献(23)
相关文章 (15)

全文: PDF (0 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要

在全面有效捕捉冲击地压灾变前监测信息的前提下，如何面对不同类型冲击时提高监测预警的准确性成为未来冲击地压监测预警发展的关键因素。本文初步尝试建立了适用于褶皱区工作面冲击地压监测预警的新方法，以胡家河煤矿402103工作面为工程基础，提取4次冲击显现的指标数据特征，结合神经网络模式识别，建立了包括指标及权重的适用于褶皱区工作面冲击预警的多参量预警模型。研究结果表明，危险预测效果较好的指标包括b值、活动度、活动标度、等效能级参数；求解神经网络预测模型的准确率达到87%，优秀指标预警权重为活动度（0.42）>b值（0.34）>等效能级（0.21）=活动标度（0.21）。后续冲击预测时，8个预警指标中7个做出有效预警。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	王盛川1
	2
	郑庆学2
	刘建庄1
	李应骞1

关键词 ：冲击地压, 褶皱构造, 微震前兆, 神经网络, 权重模型

Abstract：

Under the premise of fully and effectively capturing the monitoring information before the rock burst disaster, how to improve the accuracy of monitoring and forewarning in the face of different types of burst has become a key factor in the development of rock burst monitoring and forewarning in the future. In this paper, a new method for monitoring and forewarning of rock burst in working face of fold area was preliminarily established. Based on No.402103 Face of a mine, the index data characteristics of four times of burst appearance were extracted. Combined with neural network pattern recognition, a multi-parameter forewarning model including index and weight suitable for burst forewarning of working face in fold area was established. The results showed that the indicators with better risk prediction effect included b value, activity, activity scale and equivalent energy level parameters. The accuracy of solving the neural network prediction model reached 87 %, and the forewarning weight of excellent indicators was activity ( 0.42 ) > b value ( 0.34 ) > equivalent energy level ( 0.21 ) = activity scale ( 0.21 ). In the subsequent burst prediction, seven of the eight forewarning indicators made effective forewarning.

Key words： rock burst fold structure microseism precursor neural network weight model

作者简介: 王盛川（ 1992— ），男，河北唐山人，讲师。

引用本文:

王盛川1,2，郑庆学2，刘建庄1，李应骞1. 基于褶皱区微震多参量指标前兆信息特征的冲击地压预警方法[J]. 煤炭与化工, 2026, 49(1): 55-63，115.. Wang Shengchuan1, 2, Zheng Qingxue2, Liu Jianzhuang1, Li Yingqian1. Rock burst forewarning method based on precursory information characteristics of microseism multi-parameter index in fold area. CCI, 2026, 49(1): 55-63，115..

链接本文:

http://www.mtyhg.com.cn/CN/10.19286/j.cnki.cci.2026.01.008 或 http://www.mtyhg.com.cn/CN/Y2026/V49/I1/55

[ 1 ]       赵本均. 冲击矿压及防治[ M ]. 北京：煤炭工业出版社，1995.
[ 2 ]       窦林名，何学秋．冲击矿压防治理论与技术[M].徐州：中国矿业大学出版社，2001.
[ 3 ]       窦林名，赵从国，杨思光，等．煤矿开采冲击矿压灾害防治[ M ]. 徐州：中国矿业大学出版，2006.
[ 4 ]       窦林名，周坤友，宋士康，等. 煤矿冲击矿压机理监测预警及防控技术研究[ J ]. 工程地质学报，2021，29（ 4 ）：16.
[ 5 ]       阿维尔申. 冲击地压[ M ]. 北京：煤炭工业出版社，1959.
[ 6 ]       齐庆新，窦林名. 冲击地压理论与技术[ M ]. 徐州：中国矿业大学出版社，2008.
[ 7 ]       王    军，李树刚，邓    军. 西北矿区可持续发展与环境管理体系研究[ J ]. 西安科技学院学报，2000（ S1 ）：51 - 54.
[ 8 ]       王盛川. 褶皱区顶板型冲击矿压“三场”监测原理及其应用[ D ]. 徐州：中国矿业大学，2021.
[ 9 ]       齐庆新，欧阳振华，赵善坤，等. 我国冲击地压矿井类型及防治方法研究[ J ]. 煤炭科学技术，2014，42（ 10 ）：1 - 5.
[ 10 ]     姜福兴，杨淑华，陈云海，等. 煤矿冲击地压的微地震监测研究[ J ]. 地球物理学报，2006（ 5 ）：1 511 - 1 516.
[ 11 ]     潘一山，赵扬锋，官福海，等. 矿震监测定位系统的研究及应用[ J ]. 岩石力学与工程学报，2007（ 5 ）：1 002-1 011.
[ 12 ]     窦林名，牟宗龙，陆菜平，等. 采矿地球物理理论与技术[ M ]. 北京：科学出版社，2014.
[ 13 ]     刘建坡. 深井矿山地压活动与微震时空演化关系研究[ D ]. 辽宁：东北大学，2011.
[ 14 ]     唐礼忠. 深井矿山地震活动与岩爆监测及预测研究[ D ]. 长沙：中南大学，2008.
[ 15 ]     夏永学，康立军，齐庆新，等. 基于微震监测的5个指标及其在冲击地压预测中的应用[ J ].煤炭学报，2010，35（ 12 ）：
2 011 - 2 015.
[ 16 ]     刘    辉，陆菜平，窦林名，等. 微震法在煤与瓦斯突出监测与预报中的应用[ J ]. 煤矿安全，2012，43（ 4 ）：82 - 85.
[ 17 ]     蔡    武. 断层型冲击矿压的动静载叠加诱发原理及其监测预警研究[ D ]. 徐州：中国矿业大学，2015.
[ 18 ]     Cai, WuBai, XianxiSi, GuangyaoCao, WenzhuoGong, SiyuanDou, Linming. A Monitoring Investigation into Rock Burst Mechanism Based on the Coupled Theory of Static and Dynamic Stresses[ J ]. Rock Mechanics and Rock Engineering, 2020, 53( 12 ).
[ 19 ]     田向辉，李振雷，宋大钊，等. 某冲击地压频发工作面微震冲击前兆信息特征及预警方法研究[ J ]. 岩石力学与工程学报，2020，39（ 12 ）：2 471 - 2 482.
[ 20 ]     曹安业，刘耀琪，杨    旭，等. 物理指标与数据特征融合驱动的冲击地压时序预测方法[ J ]. 煤炭学报，2023，48（ 10 ）：3 659-3 673.
[ 21 ]     孙臣生. 基于改进MATLAB-BP 神经网络算法的隧道岩爆预测模型[ J ]. 重庆交通大学学报（自然科学版），2019，38（ 10 ）：41 - 49.
[ 22 ]     葛启发，冯夏庭. 基于AdaBoost 组合学习方法的岩爆分类预测研究[ J ]. 岩土力学，2008（ 4 ）：943 - 948.
[ 23 ]     田    睿，孟海东，陈世江，等. 基于深度神经网络的岩爆烈度分级预测[ J ]. 煤炭学报，2020，45（ S1 ）：191 - 201.