Water-inrush Assessment Using a GIS-based Bayesian Network for the 12-2 Coal Seam of the Kailuan Donghuantuo Coal Mine in China

Abstract

The Donghuantuo coal mine is geologically unusual, with 60 normal faults, 18 reverse faults, and 1 syncline. The coal seam floor is highly fractured and the fractures act as conduits for groundwater, which flows from the Ordina limestone aquifer into the no. 12 coal seam. From 2005 to 2010, there were 7 water-inrush disasters through the floor of this coal seam. The largest water-inrush event exceeded 63 m³/min; there are five points where the water-inrush continues to exceed 1.0 m³/min. Comprehensive modeling of the probability of water-inrush through the floor is required to reduce the likelihood and severity of such events. The water-inrush situation was assessed using a GIS-based Bayesian network (BN). In the developed BN-GIS model, the geometry of the coal mine working face was incorporated in suitable detail and resolution. The results of the modeling compared well with field water-inrush observations. Based on documented water-inrush events, the accuracy of the fit of the model data is 83.4 %, and the probability of making an incorrect prediction is less than 0.5, which means that using this method could significantly enhance coal production at the mine.

Zusammenfassung

Mit 60 Abschiebungen, 18 Aufschiebungen und einer Mulde ist das Kohlenbergwerk Kailuan Donghuantuo geologisch ungewöhnlich. Die Sohle des Flözes ist extrem zerklüftet und stellt daher eine Wasserwegsamkeit für Grundwasser dar, das vom Ordina-Kalksteinaquifer in das Flöz Nr. 12 fließt. Zwischen 2005 und 2010 kam es zu sieben Wassereinbrüchen durch die Sohle dieses Flözes. Während des größten Wassereinbruches wurden mehr als 63 m³/min gemessen und an fünf Stellen fließt noch immer mehr als 1,0 m³/min Wasser. Eine umfassende Modellierung möglicher Wassereinbrüche durch die Sohle ist erforderlich, um die Wahrscheinlichkeit und die Schwere solcher Ereignisse zu reduzieren. Um die Umstände beurteilen zu können, die zu den Wassereinbrüchen führen, wurde ein GIS-basiertes Bayesisches Netzwerk (BN) genutzt. Die Geometrie des Kohlenabbauortes wurde in geeignetem Detail und Maßstab in das fertige BN-GIS Modell aufgenommen. Die Ergebnisse der Modellierung stimmten gut mit den beobachteten Wassereinbrüchen überein. Verglichen mit den dokumentierten Wassereinbrüchen beträgt die Anpassungsgenauigkeit des Modells 85,7 % und die Wahrscheinlichkeit einer falschen Vorhersage liegt bei weniger als 50 %. Somit könnte durch die Verwendung dieser Methode die Kohlenförderung im Bergwerk signifikant verbessert werden.

Resumen

La mina de carbón Donghuantuo es geológicamente inusual, con 60 fallas normales, 18 fallas reversas y 1 sinclinal. El piso de la veta de carbón está altamente fracturado y las fracturas actúan como conductos para el agua subterránea que fluye desde el acuífero Ordina dentro de la veta de carbón n^o 12. Desde 2005 a 2010, hubo 7 desastres de irrupciones de agua a través del piso de esta veta de carbón. El mayor evento de irrupción de agua excedió los 63 m³/min; hay 5 puntos donde la irrupción de agua sigue superando 1,0 m³/min. Se requiere un modelo integral que indique la probabilidad de irrupción de agua a través del piso para reducir la frecuencia y gravedad de tales eventos. La situación de irrupción de agua fue relevada usando una red Bayesiana con base GIS (BN). En el modelo BN-GIS desarrollado, la geometría del área de trabajo de la mina de carbón fue incorporada en adecuado detalle y resolución. Los resultados del modelo ajustaron bien con las observaciones de irrupciones de agua. Basado en eventos de irrupciones de agua documentadas, la precisión de los datos del modelo es 85,7%, y la probabilidad de hacer una predicción incorrecta es menor que 0,5, que significa que usar este método podría incrementar significativamente la producción en la mina.

抽象

东欢坨煤矿地质构造主要由60条正断层、18条逆断层和1个向斜构成。该井田12煤层底板裂隙发育;底板裂隙是12煤奥灰水充水的主要通道。从2005年到2010年,该矿已经发生7次煤层底板突水事故。最大一次突水事故的突水流量超过63 m³/min,其中5个突水点的突水量超过1 m³/min。为尽可能减少突水事故发生,需要建立底板突水概率预测模型。文章利用基于GIS的贝叶斯网络预测底板突水。GIS-贝叶斯网络预测模型较好地融合了矿井工作面几何形状及其分辨率等信息。模型预测结果与突水现场观测结果吻合。基于突水案例分析,模型拟合精度达85.7%,错误预测的概率不足0.5。该预测模型的使用有助于提高煤炭安全生产产量。