基于太赫兹光谱技术的煤岩识别方法_王昕.pdf

开开采采技技术术与与装装备备 基于太赫兹光谱技术的煤岩识别方法 王昕1， 2，赵端2，丁恩杰2 1. 江苏建筑职业技术学院，江苏 徐州 221008; 2. 中国矿业大学 物联网 感知矿山研究中心，江苏 徐州 221008 ［ 摘 要］煤岩识别是无人化开采中的重大问题，为了研究基于太赫兹谱的煤岩识别方法，首 先应用太赫兹时域光谱技术对不同矿井采集来的煤岩样本进行了实验，得到了煤岩样本的太赫兹谱。 然后计算出煤岩样本的折射率谱和吸收谱，并分别将其作为训练集和测试集。研究不同支持向量机参 数对建模以及煤岩分类结果的影响。结果表明，通过合理的寻优方式，并利用煤岩的吸收特性和折射 特性等样本的固有属性，可以建立稳定的 THz－SVM 的煤岩识别模型，从而可以快速稳定地区分出煤 岩介质，这也意味着可以通过该方法来描述采煤机的截割状态 割煤/割岩 ，从而为采煤机自动调高 提供依据。 ［ 关键词］太赫兹时域光谱; 煤岩界面; 煤岩识别; 支持向量机 ［ 中图分类号］ TD67［ 文献标识码］ A［ 文章编号］ 1006- 6225 201801- 0013- 05 Coal- rock Identification Based on Terahertz Spectroscopy Technology WANG Xin1， 2，ZHAO Duan2，DING En- jie2 1. Jiangsu Vocational Institute of Architectural Technology，Xuzhou 221008，China; 2. Internet of things Sensor MineResearch Center，China University of Mining Technology，Xuzhou 221008，China Abstract Coal- rock identification is an important problem of minerless mining，in order to study terahertz spectroscopy tech- nology of coal- rock identification ，firstly，the coal- rock samples that collected from different mine was tested by terahertz time- domain spectroscopy technology，and then terahertz spectroscopy of coal- rock mass was obtained. And then refractive index spectrum and absorption spectrum were calculated，and then these were done as training set and test set，respectively. The influence that differ- ent support vector machine parameters to building model and coal- rock classification results were studied. The results showed that stabil- ity THz- SVM coal- rock identification model could be built according reasonable optimization and using coal- rock absorption characters and refraction characters and so on，so coal- rock media could be distinguished quickly and stability，so it meaning that cut- ting state cutting coal/cutting rock of coal cutter could be described，and provided the basis for coal cutter height- adjustment auto- matic. Key words terahertz time- domain spectroscopy; coal- rock interface; coal- rock identification; support vector machine ［收稿日期］ 2017－12－12［ DOI］ 10. 13532/j. cnki. cn11－3677/td. 2018. 01. 004 ［基金项目］ 国家重点基础研究发展计划 973 计划资助项目 2014CB046300 ;江苏建筑节能与建造技术协同创新中心博士专项 SJXTBS1708 ; 江苏省普通高校研究生科研创新计划资助项目 KYLX_1385 。 ［ 作者简介］ 王昕 1982－ ，男，江苏徐州人，讲师，博士，研究方向为矿山物联网。 ［引用格式］ 王昕，赵端，丁恩杰 . 基于太赫兹光谱技术的煤岩识别方法 ［J］． 煤矿开采，2018，23 1 13－17，91. 无人化/智能化工作面开采技术是一种高效的 安全开采方式。煤炭科技 “十三五”明确指出要 全面实施创新驱动发展战略，攻克智能矿山中的相 关关键技术，将智能化控制技术带入到煤炭主要生 产环节中。要达到这一目的，首先要解决煤岩智能 识别问题，这也是当前制约智能化采煤装备的重大 难题。煤岩识别是指采煤机切割煤层时应尽量沿着 煤层和岩层的分界面开采，当切割到岩层时要及时 调整采煤机滚筒高度避免造成欠/过切割。这一问 题一直是国内外的研究热点，诸多学者也提出了许 多具有代表性的研究方法，如图像分析法、截割数 据法、电磁法等 ［1－5 ］。在诸多方法中，基于太赫兹 谱的煤岩识别方法是一种较新颖的研究方法，且展 现出了巨大的潜力 ［6－7 ］。 通常而言，太赫兹 Terahertz，THz波是指 频率 介 于 微 波 和 红 外 之 间 的 电 磁 波 0. 10 ～ 10. 0THz ，其波长为 0. 03～3. 00mm，所以又被称 为亚毫米波或者远红外波。近 20 年来，随着太赫 兹技术的巨大进展，太赫兹光谱技术渐渐引起了各 个领域学者的广泛关注。相对于其他红外光谱而 言，太赫兹光谱具有更高的信噪比、穿透性以及对 物质成分的辨识度，此外太赫兹光谱可以直接得到 电场的相位，而不需要利用 Kramers－Kronig 方程求 解相位角，相对于其他光谱技术极大地减少了计算 31 第 23 卷 第 1 期 总第 140 期 2018 年 2 月 煤矿开采 COAL MINING TECHNOLOGY Vol. 23No. 1 Series No. 140 February2018 ChaoXing 量和复杂度 ［8－11 ］。目前该方法已经被广泛应用到了 食品 监 测、环 境 监 测、物 质 成 分 分 析 等 领 域 中 ［12－17 ］ 我们期望能够在太赫兹频段内解决煤岩识别问 题，因此选取了 7 种常见的烟煤和 3 种常见的砂岩 作为研究对象，利用 SVM Support Vector Ma- chine等数学和计算机工具构建了煤岩分类模型 并进行分类测试，并分析了不同的系统参数对模型 建立以及识别结果的影响，着力于研究基于太赫兹 谱数据的 SVM 参数寻优方法，从而提出一种优化 的 THz－SVM 煤岩识别方法。实验结果表明基于 THz －SVM 的煤岩识别方法可以快速稳定地区分出 煤岩介质，这也意味着可以通过该方法来描述采煤 机的截割状态 割煤/割岩 。虽然目前距离太赫 兹设备应用到现场还有着一定的距离，但研究成果 表明这种方法有着广阔的应用前景，本文的研究成 果也为提出自适应煤岩性状差异性规律的采掘装备 截割路径控制理论奠定了基础。 1相关原理 当电磁波频率达到太赫兹频段时，由于太赫兹 光子能级和许多电介质以及材料的振动能级相当， 因此太赫兹波照射物体后其光子能量会被吸收，其 光强将会产生变化从而形成太赫兹光谱，通过研究 太赫兹光谱将能获取检测物质的物理信息 如吸 收光谱和折射率谱 。太赫兹光谱通常通过太赫兹 时域光谱系统获得，典型的光谱系统包括了飞秒激 光器、发射天线、样品测试区、接收天线以及延迟 线 5 个部分 ［18 ］，如图 1 所示。其中飞秒激光器用 于产生光源，发射和接收天线分别用于产生和接收 太赫兹脉冲，延迟线用于调整飞秒激光和太赫兹脉 冲之间的时间差，从而获取整个时域上的波形。 图 1太赫兹时域光谱系统 在每次实验时，将每种样品放置在样品测试区 测量多次取平均值作为样品信号; 以未加样品时的 太赫兹信号为参考信号，当获得了测试样品和参考 样品的太赫兹时域数据后，对时域数据进行 FFT 变换，然后可以通过 Dorney 等人提出的模型计算 出样品的折射率 n ω 、消光系数 k ω 和吸收系 数 α ω ，计算公式如下 ［19 ］ n ω φ ω c ωd 1 1 k ω c ωd ln 4n ω ρ ωn2 ω 1[ ] 2{} 2 α ω 2ωk ω c 3 式中， φ ω 项为测试样品信号与参考信号的相位 差; ρ ω 项为测试样品信号与参考信号幅度的比 值; d 为样品厚度，m; c 为光速，m/s; ω 为角频 率，rad/s。 支持向量机是一种常用的分类算法，其方法可 以描述为一个二分类问题，也即寻找出一个超平面 实现两类特征数据的分割，其中超平面的表达式如 式 4所示 f x ωTx b 0 4 当存在线性不可分的情况时，其解决思路是先 将数据变为线性可分，然后再解决线性可分的问 题。通常的做法是将线性不可分数据映射到高维空 间，令 ω∑ n i 1 αiyixi，将超平面表达式 4转化 为公式 5 f x ∑ n i 1 αiyixi Tx b ∑ n i 1 αiyi xi，x b 5 通过计算训练数据和预测数据的内积将其变为 线性可分数据，然后即可用线性可分的方法完成分 类。对于多分类问题，通常是采用 one－versus－one 的分类方法，即采用至少 k k － 1 2 个分类器实现 多次 2 分类。 2实验 为了使所选取的实验样本具有一定的代表性， 从山东兖矿集团兴隆庄矿、联想集团郭庄煤矿、淮 北矿务集团岱河矿、神华集团黑岱沟矿、邢台矿务 集团东庞矿等地分别采集了细砂岩、粉砂岩和中砂 岩 3 种岩石顶板样本以及贫煤、焦煤、1/3 焦煤、 气煤、气肥煤、不粘煤和长焰煤等煤样多份。按照 文献 ［ 20］ 的方法，对煤岩样本进行了破碎、研 磨、烘干等步骤，并利用压片机制作了煤岩样品压 片共 100 个，利用前文所描述的太赫兹实验系统， 获取了 100 组实验数据，其中煤样数据 70 组，岩 样数据 30 组，每种煤岩数据如图 2 所示。 利用公式 1和 3计算出煤岩的吸收谱 和折射率谱共 100 组，图 3 展示了 10 组数据。其 41 总第 140 期煤矿开采2018 年第 1 期 ChaoXing 图 2煤样 a 和岩样 b的太赫兹谱数据 图 37 种煤和 3 种岩石的吸收谱和折射率谱 中 C1～ C7 分别为贫煤、焦煤、1/3 焦煤、气煤、 气肥煤、不粘煤和长焰煤的特性曲线;R1～ R3 分 别表示中砂岩、粉砂岩和细砂岩的特性曲线。通过 曲线特征可以发现在固定频率下低阶煤 C6 和 C7的吸收特性要强于高阶煤 C1 和 C2 ; 岩石 的吸收特性要强于高阶煤以及气煤等。由于碳含量 是反映煤阶的主要因素，岩石混入煤中会增加煤的 灰分，因此煤中的碳含量降低与灰分的增加会使煤 在太赫兹频段的吸收效应增强。 分别将煤岩样本在太赫兹频段 0. 2 ～ 1. 6 THz的吸收谱和折射率谱随机地分为训练集和测 试集。其中训练集包括了 42 组煤样数据和 18 组岩 样数据，总计 60 组数据; 测试集包括了 28 组煤样 数据和 12 组岩样数据，总计 40 组数据，每组数据 的维度为 179 维。直接利用 SVM 对太赫兹数据进 行建模分类，THz－SVM 的分类结果与参数如表 1 所示。在实验中 SVM 核函数设为线性核，其余参 数设置如表 1 所示，其中分类准确率为 50 次分类 的平均值。从表 1 中可以看出，利用煤岩吸收谱数 据集进行交叉验证建模时，并不能够建立一个准确 的分类模型，其模型准确率仅有 95，其预测准 确度也有所欠缺，仅为 95;利用煤岩折射率谱 数据集进行交叉验证建模时，可以构建一个准确的 分类模型，其预测结果虽然略高于前者达到了约 98，但也并不十分理想。其中的错误为将 C6 和 C7 误判为岩石，对比图 3 中的煤岩吸收谱和折射 率谱可发现，C6，C7 的吸收与折射特性与岩石相 近/相似属于 “异物同谱” ，这也是在分类过程中 造成错误的主要原因。 表 1 THz－SVM 的参数与结果 数据集 类别 数 数据 维度 参数 cg 结果 训练集测试集 吸收谱21790. 500. 1495 57/6095 38/40 折射率谱21790. 2516. 00 100 60/60 97.5 39/40 为了解决异物同谱的问题，引入了主成分分析 Principal components analysis，PCA线性降维方 法，用来提取煤岩太赫兹光谱中的特征值，并研究 支持向量机的参数和核函数对模型的建立和分类结 果的影响，相关参数和结果如表 2 所示，在核函数 类型一列中 “0”代表线性核函数 ，“1”代表多项 式核函数 ， “2”代表径向积核函数 ， “3”代表 Sigmoid 核函数，表中的数据集 包括训练集和测 试集均经过 PCA Principal components analysis 预处理，分类结果为 50 次分类的平均值。从表 2 中可以看出，当核函数发生变化时无论是吸收谱数 据集还是折射率谱数据集在经过 PCA 后均可以通 过交叉验证训练出一个精确的识别模型。从识别率 的角度来看，线性核函数和径向积核函数可以获得 最高的识别准确率，均为 100; Sigmoid 核函数识 51 王昕等 基于太赫兹光谱技术的煤岩识别方法2018 年第 1 期 ChaoXing 别准 确 率 稍 低，识 别 准 确 率 分 别 为 97. 5 和 100; 而多项式核函数的识别准确率仅为 70和 80，这也说明多项式核函数不适用于该数据集。 此外核函数的变化对折射率谱数据集识别率影响较 小，对吸收谱数据集识别率影响较大，结合文献 ［ 6］ 的结论可以发现，利用煤岩吸收谱数据集可 以较好地区分不同的煤种，利用煤岩折射率谱数据 集可以较好地区分煤岩介质。 表 2不同核函数对分类结果的影响 数据集 核函数 类型 参数 cg 结果 训练集测试集 吸收谱 032. 0 0. 06100 60/60100 40/40 132. 0 0. 06100 60/6070 28/40 232. 0 0. 06100 60/60100 40/40 332. 0 0. 06100 60/6097. 5 39/40 折射率谱 00. 50. 25100 60/60100 40/40 10. 50. 25100 60/6080 32/40 20. 50. 25100 60/60100 40/40 30. 50. 25100 60/60100 40/40 支持向量机中的 2 个主要参数分别为惩罚参数 c 和核参数 g。最佳的参数往往对应着最高的训练 集分类准确率，当有多组参数同时满足训练集最高 分类准确率时，往往选取较小的 c 来避免过学习和 欠学习的现象。下面对比几种参数优化选择方法。 这里以经过 PCA 后的煤岩样本折射率谱为训 练集和测试集，结合网格搜索的方法寻找煤岩分类 模型的最优参数，为了减少搜索时间，将 c 的范围 设定在 0. 1 ～ 20之间，将 g 的范围设定在 0. 01～20之间，将测试集分为 5 部分进行交叉 验证，准确率等高线的步进大小设为 2. 5，结果如 图 4 所示。 图 4网格搜索法参数寻优 图 4 横坐标和纵坐标分别表示以参数 c 和 g 取 2 为底的对数值，等高线表示取相应参数时所对应 的煤岩分类模型的准确率。从图中不难看出有多组 参数均可以使得测试集达到最高分类准确率，整个 建模过程耗时 27. 8s。上述方法可以找到全局最优 解，但是当数据集较为庞大时进行全局网格搜索最 优参数会耗费大量时间。 粒子群优化算法 Particle Swarm Optimization， PSO是一种基于群体智能的优化算法，与 GA 相 比其没有选择、交叉、变异等过程，而是通过当前 最优值来寻找全局最优值。将 PSO 的相关参数进 行如下设置 学习因子 C1 代表局部搜索能力，设 为 0. 7; C2 代表全局搜索能力，设为 0. 9; 进化代 数设为 100; 种群数设为 100;将 c 的范围设定在 0. 1～20之间;将 g 的范围设定在 0. 01～20 之间; 交叉验证数设为 5，其仿真结果如图 5 a 所示。从图中可以看出利用粒子群算法寻找出的最 优参数 c 2. 9，g 0. 39可以使训练集分类准 确率达到 100，算法的平均适应度约为 80，整 个建模过程耗时 31. 5s。 遗传算法 Genetic Algorithm，GA起源于对 生物系统的模拟，其通过选择、交叉、变异等方法 来寻求最优解。将 GA 的相关参数进行如下设置 最大进化代数设为 100;种群数量设为 100;交叉 概率设为 0. 6; 变异概率设为 0. 01; 将 c 的范围设 定在 0. 1～20之间;将 g 的范围设定在 0. 01 ～20之间; 交叉验证数设为 5。其仿真结果如图 5 b所示。从图中可以看出利用遗传算法寻找 出的最优参数 c11. 4，g 0. 15可以使训练集 分类准确率达到 100，算法的平均适应度约为 78，整个建模过程耗时 29. 3s。 图 5粒子群算法及遗传算法参数寻优 61 总第 140 期煤矿开采2018 年第 1 期 ChaoXing 将 3 种支持向量机参数优化方法进行对比，相 关参数见表 3，其中分类模型只需要建立 1 次，分 类准确率为 50 次分类的平均值，预测耗时为 50 次 分类预测的总时间。从表中可以看出 3 种优化方法 均可获取分类器的最优参数，虽然参数并不相同但 都可以实现 100的正确分类;从耗时来看，3 种 方法耗时大致相同，其中网格搜索的方法相对耗时 较少，这是由于智能算法受初值影响较大，且网格 搜索范围较小。通过上述分析可以发现，通过 PCA 特征提取结合 SVM 参数寻优可以构建准确的 THz－SVM 煤岩分类模型，并达到 100准确的分类 结果，解决了煤岩太赫兹光谱中 “异物同谱”的 识别问题。这也说明该方法可以快速、高效、准确 地辨别出煤岩介质，将其应用在无人化/智能化开 采领域，可以实现采煤机的截割状态 割煤/割 岩 的准确识别，解决采煤机自动调高问题。 表 3三种优化方法对比 优化方法 建模耗 时/s 预测耗 时/ms 最优参数 cg 分类结果 训练集测试集 网格搜索27. 8100. 50. 2510060/60 10040/40 遗传算法29. 31211. 4 0. 1510060/60 10040/40 粒子群算法 31. 5122. 90. 3910060/60 10040/40 3结论 1选取了 7 种煤和 3 种砂岩利用太赫兹谱 技术进行了测试，得到了煤岩样本的吸收谱和折射 率谱，发现长焰煤和不粘煤的太赫兹光谱特性与岩 石相近，在分类过程中由于 “异物同谱”而产生 错误，因此引入了线性特征提取方法 PCA 结合 SVM 技术构建了煤岩分类模型并进行了参数优化 和分类测试。 2 实验结果表明通过合理的寻优方式，并利用 煤岩的吸收特性和折射特性等样本的固有属性，可以 建立稳定的 THz －SVM 煤岩识别模型，从而可以快速 稳定地区分出煤岩介质，这也意味着可以通过该方法 来描述采煤机的截割状态 割煤/割岩 。 3目前距离太赫兹设备应用到煤矿开采现 场还有着一定的距离，但随着太赫兹波导技术的发 展，可以利用光纤波导的传输方式让太赫兹设备远 离现场的复杂环境，而将太赫兹发射信号引入到现 场，通过对煤/岩块或煤/岩粉尘的检测实现采煤机 截割状态的判定。此外，基于电子学的太赫兹设备 相对于其他光谱设备有着更大的现场应用潜力。本 文的研究成果提出了一种新的煤岩识别方法，也为 提出自适应煤岩性状差异性规律的采掘装备截割路 径控制理论奠定了基础。 参考文献 ［ 1］ Sun J，Bo S. Coal- rock interface detection on the basis of image texture features ［J］． International Journal of Mining Science and Technology，2013，23 5 681－687. ［ 2］ 李亮，王昕，胡克想，等 . 探地雷达探测煤岩界面的方 法与试验 ［J］． 工矿自动化，2015，41 9 8－11. ［ 3］ 李一鸣，符世琛，焦亚博，等 . 基于分形盒维数和小波包能 量矩的垮落煤岩性状识别 ［J］． 煤炭学报，2017，42 3 803－808. ［ 4］ 王昕，丁恩杰，胡克想，等 . 煤岩散射特性对探地雷达探 测煤岩界面的影响 ［J］． 中国矿业大学学报，2016，45 1 34 －41. ［ 5］ 张强，张石磊，王海舰，等 . 基于声发射信号的煤岩界面 识别研究 ［J］． 电子测量与仪器学报，2017，31 2 230－ 237. ［ 6］ WANG X，HU K X，ZHANG L，et al. Characterization and Clas- sification of Coals and Rocks Using Terahertz Time- Domain Spec- troscopy ［J］． Journal of Infrared Millimeter ＆ Terahertz Waves， 2016 1－13. ［ 7］ 王昕，胡克想，俞 啸，等 . 基于太赫兹时域光谱技术的 煤岩界面识别 ［J］． 工矿自动化，2017，43 1 29－34. ［ 8］ Haddad J E，Bousquet B，Canioni L，et al. Review in terahertz spectral analysis ［J］． Trac Trends in Analytical Chemistry，2013 44 98－105. ［ 9］ JEPSEN P U，COOKE D G，KOCH M. Terahertz spectroscopy and imaging － Modern techniques and applications ［J］． Laser ＆ Photonics Review，2011，5 1 124－166. ［ 10］ Liu J，Fan L.A novel ADPSO- SVM combined with terahertz spectroscopy for recognition of transgenic organisms ［J］． Optik- International Journal for Light and Electron Optics，2016，127 4 1957－1961. ［ 11］ Liu J，Li Z，Hu F，et al. Identification of GMOs by terahertz spectroscopy and ALAP- SVM ［J］． Optical ＆ Quantum Electron- ics，2014，47 3 1－11. ［ 12］ Zhan H，Xi J，Zhao K，et al. A spectral- mathematical strategy for the identification of edible and swill- cooked dirty oils using ter- ahertz spectroscopy ［J］． Food Control，2016 67 114－118. ［ 13］ Pohl A，Deβmann N，Dutzi K，et al. Identification of Unknown Substances by Terahertz Spectroscopy and Multivariate Data Analy- sis ［J］． Journal of Infrared Millimeter ＆ Terahertz Waves，2016， 37 2 175－188. ［ 14］ Adbul－Munaim A M，Reuter M，Koch M，et al. Distinguishing Gasoline Engine Oils of Different Viscosities Using Terahertz Time- Domain Spectroscopy ［J］． Journal of Infrared Millimeter ＆ Tera- hertz Waves，2015，36 7 687－696. ［ 15］ Fan W，Jia C，Hu W，et al. Dielectric properties of coals in the low- terahertz frequency region ［J］． Fuel，2015 162 294－ 304. ［ 16］ Leng W，Zhan H，Ge L，et al. Rapidly determinating the prin- cipal components of natural gas distilled from shale with terahertz spectroscopy ［J］． Fuel，2015 159 84－88. 下转 91 页 71 王昕等 基于太赫兹光谱技术的煤岩识别方法2018 年第 1 期 ChaoXing 图 5CB －t 拟合曲线 幂衰减趋势，瓦斯体积分数随着时间增加而逐渐减 少最后达到平稳;不同点CB－t 拟合曲线宽度变 窄，倾角变大。说明在遇到断层后，采面煤壁瓦斯 涌出量依旧会随着时间而减少，最终达到稳定，但 是采面煤壁在暴露初期的绝对瓦斯涌出量变大，达 到稳定释放所需时间变短。由此可知，遇到断层 后，采面煤层透气性变大。因此可以根据对实时瓦 斯浓度监测曲线进行分源处理获得采面煤壁瓦斯涌 出状态与特征，通过与正常瓦斯地质条件下采煤工 序阶段采面煤壁瓦斯涌出曲线进行对比分析得知， 在当前生产过程中，采面煤壁瓦斯涌出是否异常， 结合实际情况判断是否需要采取防治措施，从而达 到预测的效果。 3结论 1通过不同生产工序、矿井布置的瓦斯传 感器探头，结合实时瓦斯浓度监测曲线进行分析与 数据提取，能够实现通过实时监测曲线对采面煤壁 瓦斯涌出分源。 2在正常瓦斯地质条件下，一个工作日内 一次正常生产工序中，采煤工作面煤壁瓦斯体积分 数与暴露时间拟合曲线呈负指数幂衰减形态，采面 煤壁瓦斯涌出随着时间的延长而逐渐减少，最后达 到平稳释放，CB－t* 曲线宽度约为 55min，曲线最 大倾角约为 35。 3在煤矿生产中，应当更大程度利用实时 瓦斯监测曲线和数据对采面瓦斯进行分源分析与研 究，针对异常变化，结合实际情况判断是否需要进 行超前预测，从而采取相应的防治措施。 ［ 参考文献］ ［ 1］ 范维唐，卢鉴章，申宝宏，等 . 煤矿灾害防治的技术与对策 ［M］． 徐州 中国矿业大学出版社，2007. ［ 2］ 张浪，刘永茜 . 断层应力状态对煤与瓦斯突出的控制 ［J］． 岩土工程学报，2016，38 4 712－717. ［ 3］ 俞启香，王凯，杨胜强 . 中国采煤工作面瓦斯涌出规律及 其控制研究 ［J］． 中国矿业大学学报，2000，29 1 9－14. ［ 4］ 史国华 . 采煤概论 ［M］ . 徐州 中国矿业大学出版社， 2003. ［ 5］ 徐小马 . 李雅庄煤矿瓦斯涌出量预测及瓦斯涌出影响因素的 研究 ［D］． 太原 太原理工大学，2007 1－10. ［ 6］ 胡云志 . 基于分源预测法对矿井瓦斯涌出量预测研究 ［J］． 能源与节能，2014 5 56－57. ［ 7］ 梁秀龙 . 分源预测法预测煤矿瓦斯涌出量 ［J］． 山东煤炭科 技，2017 9 86－91. ［ 8］ 安鸿涛，宋国文，张云中，等 . 人工神经网络在瓦斯涌出量 预测中的应用 ［J］． 河南理工大学学报，2006，25 4 275 －278. ［ 9］ 张伟，刘增亮，王海东，等 . 高产高效工作面瓦斯涌出量 动态预测技术 ［J］． 煤矿安全，2014，45 10 110－112. ［ 10］ 温廷新，于凤娥，邵良杉 . 基于灰色关联熵的煤与瓦斯突出 概率神经网络预测模型 ［J］． 计算机应用研究，2017，35 11. ［ 11］ 付华，谢森，徐耀松，等 . 基于 MPSO－WLS－SVM 的矿 井瓦斯涌出量预测模型研究 ［J］． 中国安全科学学报，2013， 23 5 56－61. ［ 12］ 崔洪庆，樊帅帅，关金峰 . 采煤工作面瓦斯涌出量分源计算 ［J］． 中国安全科学学报，2015，25 10 78－83. ［ 13］ 杨永清，孙炳兴，王二宽 . 阿刀亥煤矿水平分段综放开采工 作面瓦斯涌出量预测数学模型研究 ［J］． 煤炭工程，2017， 49 8 155－162. ［ 14］ 于红 . 双巷掘进工作面煤壁瓦斯涌出规律研究 ［D］． 焦 作 河南理工大学，2008. ［ 15］ 温永言 . 寺河煤矿综掘工作面煤壁瓦斯涌出参数测试与分析 ［J］． 煤矿安全，2012，43 5 115－117. ［ 16］ 张锋，邹银辉，杨贵儒 . 特厚煤层综掘工作面瓦斯涌出规 律分析 ［J］． 能源与环保，2017，39 6 204－207. ［ 17］ 叶青，林柏泉，姜文忠 . 回采工作面瓦斯涌出规律研究 ［J］． 中国矿业，2006，15 5 38－41. ［ 18］ 郭海东 . 综采工作面瓦斯涌出量的预测及瓦斯运移规律的研 究 ［D］． 太原 太原理工大学，2009. ［ 19］ 刘侃，朱鹏飞. 气压变化影响采空区瓦斯涌出的分析 ［J］． 山东煤炭科技，2016 9 88－90. ［ 20］ 李岗 . 关于采空区瓦斯涌出量影响因素的分析 ［J］． 能源 与节能，2017 9 39－41.［责任编辑 施红霞］ 檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶 上接 17 页 ［ 17］ 刘陵玉，杨传法，张献生，等 . 太赫兹波段煤的湿度与介电 特性关系 ［J］． 煤炭学报，2016，41 2 497－501. ［ 18］ LI Q，TIAN Z，ZHANG X，et al. Dual control of active gra- phene- silicon hybrid metamaterial devices ［J］ ． Carbon，2015 90 146 －153. ［ 19］ DORNEY T D，BARANIUK R G，MITTLEMAN D M. Material parameter estimation with terahertz time- domain spectroscopy ［J］． Journal of the Optical Society of America A Optics Image Science ＆ Vision，2001，18 7 1562－1571. ［ 20］ 王昕，苗曙光，丁恩杰 . 煤岩介质在太赫兹频段的介电特 性研究 ［J］． 中国矿业大学学报，2016，45 4 739－746. ［责任编辑 王兴库］ 19 韦柳屾等 采煤工作面煤壁瓦斯涌出分源预测方法研究2018 年第 1 期 ChaoXing