煤炭是我國的支柱性能源材料。煤賦存瓦斯是瓦斯突出風(fēng)險事故發(fā)生的物質(zhì)基礎(chǔ)，煤的瓦斯賦存能力失衡是瓦斯風(fēng)險事故發(fā)生的直接原因。風(fēng)險事故嚴(yán)重威脅智慧化礦山建設(shè)，如何有效應(yīng)對此類風(fēng)險成為自然科學(xué)研究的重點(diǎn)課題�；�于微觀結(jié)構(gòu)特征研究煤礦瓦斯賦存機(jī)理對瓦斯風(fēng)險的精準(zhǔn)判識和智能預(yù)警具有重要的理論意義和實(shí)踐價值。
　　本書以煤的孔隙結(jié)構(gòu)研究為切入點(diǎn)，著力討論煤的瓦斯賦存特征對瓦斯賦存能力的影響程度和影響機(jī)制，并采用實(shí)驗室試驗的方法，系統(tǒng)地分析了不同煤階煤樣的孔裂隙發(fā)育規(guī)律，對此進(jìn)行了分形表征，探索了煤的工業(yè)組分、□質(zhì)程度、孔徑分布、分形維數(shù)等內(nèi)在因素及壓力、溫度等外部因素對煤的瓦斯吸附、解吸特性的影響，構(gòu)建了煤的瓦斯賦存影響因素灰色分析模型，設(shè)計了瓦斯突出風(fēng)險深度學(xué)習(xí)型智能預(yù)警系統(tǒng)。本書的研究為智能預(yù)警提供了必要的理論支撐，主要研究成果如下：
　�。�1）系統(tǒng)揭示了不同□質(zhì)程度煤的孔徑分布、比表面積、孔體積、孔隙結(jié)構(gòu)類型、孔連通性及分形維數(shù)的分布規(guī)律。研究發(fā)現(xiàn)：微孔對比表面積貢獻(xiàn)率□□，大孔及裂隙對孔體積貢獻(xiàn)率□□。隨著煤階的增高，平均孔徑逐漸減小，孔體積逐漸減小，孔隙連通性逐漸□差。不同表層特征的煤具有不同的孔隙結(jié)構(gòu)類型，中階暗淡型煤的孔隙結(jié)構(gòu)以兩端開放的圓筒形孔為主，中階暗淡間亮型煤的孔隙結(jié)構(gòu)以小孔和粗頸墨水瓶狀微孔為主，高階間亮型煤的孔隙結(jié)構(gòu)以細(xì)頸墨水瓶狀微孔為主，高階光亮型煤的孔隙結(jié)構(gòu)以圓筒形微孔和尖劈形微孔為主。創(chuàng)新性地使用了柵欄法對孔隙分形維數(shù)進(jìn)行區(qū)間評價，發(fā)現(xiàn)中高階煤的微孔孔隙分形維數(shù)高于中小孔的孔隙分形維數(shù)，高階煤的微孔分形程度□□。
　�。�2）科學(xué)探索了煤孔隙結(jié)構(gòu)中瓦斯賦存機(jī)理，通過對不同□質(zhì)程度的煤樣微觀孔隙結(jié)構(gòu)的定量分析，運(yùn)用微孔填充理論、單分子層吸附理論和多分子層吸附理論，研究煤中瓦斯極限吸附平衡狀態(tài)，建立表征煤樣瓦斯吸附能力的量化方法，獲得瓦斯氣體分子在煤儲層不同尺度孔隙結(jié)構(gòu)中的賦存特征。研究表明：瓦斯氣體分子在煤孔隙結(jié)構(gòu)的賦存方式以吸附態(tài)為主；吸附態(tài)賦存中又以微孔填充方式為主，多分子層吸附方式為輔，并存在一定量的單分子層吸附方式。
　�。�3）細(xì)致研究了煤的工業(yè)組分、□質(zhì)程度、孔隙特征、分形維數(shù)等內(nèi)在因素及壓力、溫度等外部因素對煤的瓦斯賦存特性的影響。研究發(fā)現(xiàn)：煤樣的固定碳含量、□質(zhì)程度、總比表面積、微孔比表面積、微孔分形維數(shù)、壓力的□化方向和煤樣瓦斯極限賦存量□化方向呈正向相關(guān)關(guān)系，煤樣的灰分含量、揮發(fā)分含量、水分含量、溫度、粒徑□化方向和煤樣瓦斯極限賦存量□化方向呈反向相關(guān)關(guān)系。采用適用于小樣本貧信息系統(tǒng)的灰色關(guān)聯(lián)法對各因素影響效果進(jìn)行數(shù)學(xué)建模計算，各因素和極限吸附量的關(guān)聯(lián)系數(shù)按值的大小順序排列。
　　根據(jù)理論研究成果，采用人工智能的設(shè)計方法，構(gòu)建了煤礦瓦斯突出風(fēng)險深度學(xué)習(xí)型智能預(yù)警系統(tǒng)。類神經(jīng)處理單元使智能BP人工神經(jīng)網(wǎng)絡(luò)模型具有自學(xué)習(xí)、自訓(xùn)練、自糾錯的顯著優(yōu)點(diǎn)。引入動量因子和采用批量處理方法對模型進(jìn)行算法優(yōu)化，利用灰色關(guān)聯(lián)分析法得到關(guān)鍵影響因素對模型進(jìn)行指標(biāo)優(yōu)化。雙重優(yōu)化后，將通過實(shí)地測選獲取的煤礦瓦斯賦存特征數(shù)據(jù)和瓦斯突出風(fēng)險致因數(shù)據(jù)分別輸入智能預(yù)警系統(tǒng)。深度學(xué)習(xí)型智能預(yù)警系統(tǒng)能夠根據(jù)樣本數(shù)據(jù)進(jìn)行智能學(xué)習(xí)和訓(xùn)練，運(yùn)行結(jié)果證明，使用瓦斯賦存特征數(shù)據(jù)作為輸入層指標(biāo)和使用瓦斯突出風(fēng)險致因數(shù)據(jù)作為輸入層指標(biāo)的兩個突出風(fēng)險預(yù)警系統(tǒng)具有近似的預(yù)警正確率和預(yù)警完成時間，成功驗證了瓦斯賦存特征指標(biāo)系統(tǒng)可以作為突出風(fēng)險預(yù)警的有益衡量技術(shù)。