CN111325461A - 基于振动监测技术的煤层冲击危险性实时评估方法 - Google Patents
基于振动监测技术的煤层冲击危险性实时评估方法 Download PDFInfo
- Publication number
- CN111325461A CN111325461A CN202010099179.6A CN202010099179A CN111325461A CN 111325461 A CN111325461 A CN 111325461A CN 202010099179 A CN202010099179 A CN 202010099179A CN 111325461 A CN111325461 A CN 111325461A
- Authority
- CN
- China
- Prior art keywords
- drilling
- optimal
- training set
- value
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 102
- 239000003245 coal Substances 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 238000005553 drilling Methods 0.000 claims abstract description 187
- 238000005520 cutting process Methods 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012417 linear regression Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 145
- 238000012360 testing method Methods 0.000 claims description 135
- 239000011435 rock Substances 0.000 claims description 35
- 238000005065 mining Methods 0.000 claims description 34
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005641 tunneling Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 108010074864 Factor XI Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 5
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 230000001133 acceleration Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 3
- 239000002817 coal dust Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Agronomy & Crop Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本发明公开了一种基于振动监测技术的煤层冲击危险性实时评估方法，主要是对煤体进行钻进的同时同步采集钻机的横向、纵向振动信号和钻屑量数据作为样本数据，建立多元线性回归模型、神经网络模型和优化的神经网络预测模型，将振动信号作为预测模型的输入，钻屑量作为输出，对比选择最优的模型作为最终的预测模型并自动更新至现场施工移动终端和地上电脑终端，在对煤层进行日常冲击危险性评估时，利用最终的预测模型对从预评估的煤体采集得到的钻孔振动信号进行自动分析，以此来对该煤体进行冲击危险性评估；本发明减少了钻屑量的收集工作，大大简化了煤体的冲击危险性评估程序，缩短了评估时间。
Description
技术领域
本发明涉及采矿工程冲击地压评估领域，尤其涉及一种基于振动监测技术的煤层冲击危险性实时评估方法。
背景技术
从能源需求角度看，我国以煤炭为主的能源格局短时间内不会改变，煤炭比重较长时间内将保持在50％左右，且煤炭开采95％左右以地下井工开采为主。目前，煤炭开采以每年10-20m的速度向深部延伸，深部开采在中东部已逐渐成为常态，伴随开采深度的增加，煤层面临高瓦斯、高地应力、高岩溶水压的作用，同时开采过程中煤层应力场异常复杂且受反复扰动影响，极易发生冲击地压。我国冲击地压灾害预防技术经过多年发展，基本明确了发生冲击地压煤岩体物理力学特性，即冲击多发生在具有冲击倾向性且积聚大量弹性能区域煤岩体。
冲击地压的预测方法，除了以往的经验类比法外，大致可以分为两类。一类是以钻屑法为主的局部探测法，包括煤岩体变形观测法、煤岩体应力测量法、流动地音检测法、岩饼法等。这类方法主要用于探测采掘局部区段的冲击危险程度，操作工艺简单易行，工人容易掌握，已经得到广泛应用。但这类方法的缺点是预测工作在时间、空间上不连续，费工费时。
第二类是地球物理系统监测方法，包括地音系统监测法和微震系统监测法，以及其他地球物理方法，如：电磁辐射、地温、地磁等。该类方法可以实现在空间和时间上的连续监测。但采用此方法投入成本较大，并且数据维护管理较困难，分析数据和判定煤岩体的力学状态难度较大，需要经过长期试验，积累大量经验数据才可准确预测。
中国专利授权公告号CN 103104294 B公开了一种冲击地压的预测方法，它是根据利用人工分析主振频率随时间或钻孔深度变化曲线的畸变点个数来预测煤层的冲击地压倾向性，再结合钻屑量和预钻孔时所得到的振动频谱曲线综合预测冲击地压。该方法与传统钻屑法相比，不同之处是将钻屑法中的辅助参数(吸钻、卡钻和钻孔冲击现象)数字化，在一定程度上提高了冲击地压预测的准确性，但是预测冲击地压时，仍然需要对每个钻孔进行煤粉量的收集工作，对于每个回采工作面或者掘进工作面需要钻进几百甚至上千个钻孔，这种煤粉量的收集工作大大降低了冲击地压预测的效率，另外由于采用人工处理振动数据，导致处理结果误差大，效率低，时效差。
因此，开发一种基于振动监测技术的煤层冲击危险性实时评估方法，在煤岩体钻孔过程中，通过采集钻机的振动信号数据，建立多元线性回归模型、神经网络模型和优化的神经网络预测模型并对比选定最优的预测性能，再利用选定的最优预测模型直接实时评估煤体的冲击危险性等级，则可大大简化评估程序，缩短评估时间，提高评估精度，避免现行技术存在的技术瓶颈。
发明内容
为了真正实现煤层冲击危险性预测的正确性、客观性和高效性，本发明提出了一种基于振动监测技术的煤层冲击危险性实时评估方法。
为实现上述目的，本发明采用如下技术方案：
一种基于振动监测技术的煤层冲击危险性实时评估方法，其特征在于，包括如下步骤：
第一步：样本信号采集
对于每个开采阶段水平，依据工作面布置和开采顺序，对于初次开采到的冲击地压危险性等级为弱冲击、中等冲击或强冲击的掘进工作面和回采工作面，分别利用钻屑法对煤体钻孔，钻孔过程中从第一米开始每钻孔一米后停止钻进，收集钻屑量数据，同步采集钻进时钻机的横向和纵向振动信号；
第二步：样本信号预处理
将步骤一采集到的每个等级的所有样本信号中的振动信号，均通过时域分析分别统计每1米钻孔对应的横向和纵向振动信号的6个振动指标(无量纲幅域参数)：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标和均方根值。为了消除数量级的影响，将6个横向和6个纵向振动指标数据归一化处理，同样对相应的钻屑量数据也进行归一化到处理，归一化后的一组12个振动指标数据和一个钻屑量数据构成一个数据集，每个等级所有的数据集分别构成各自的样本数据库；
第三步：确定最优预测模型及参数
将每个等级采集到的样本数据库分别按80％和20％的比例划分为训练集和测试集，振动指标数据作为预测模型的输入，钻屑量作为预测模型的输出；具体方法分为：
3.1：采用多元线性回归模型钻屑量的预测，得到最优的模型评价指标值；
对训练集进行多元线性回归拟合，得到包含有振动指标和钻屑量变量的拟合方程，再将测试集的振动指标数据代入到得到的拟合方程，求出对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算模型评价指标值，即均方根误差(RMSE)、决定系数(R2)、方差占比(VAF)值,该模型评价指标值便是通过多元线性回归模型得到的最优的模型评价指标值；
3.2：采用神经网络模型对钻屑量进行预测，确定神经网络模型的主要参数,同时得到最优的模型评价指标值,具体方法分为：
3.2.1、对于神经网络的输入维度，12个振动指标数据全部作为神经网络的输入，即神经网络的输入维度为12；
3.2.2、神经网络的隐含层设置为1层；
3.2.3、采用试错法确定最优的神经网络的学习率、动量系数、激活函数；
3.2.4、为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100；
3.2.5、对训练集进行训练后得到训练集对应的钻屑量预测值，将测试集的振动指标数据输入训练后的神经网络，得到测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值；分别对训练集和测试集得到的模型评价指标进行排序，排序原则为，越小的RMSE值、越大的R2和VAF值获得的排序序号值越大；将训练集和测试集的三个模型评价指标排序序号值分别进行相加，得到三个指标的总排序序号值,最大的总排序序号值即为最优的模型评价指标值，确定最优的模型评价指标值同时确定最优的隐含层节点数,进而确定最优的神经网络模型参数；
3.3：采用遗传算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用3.2中确定的最优的神经网络模型参数，从而确定遗传算法的主要参数,最终得到最优的模型评价指标值：
3.3.1、采用试错法确定最优的变异概率和交叉概率参数；
3.3.2、对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用3.2.5中的排序原则，确定最优的种群数量；
3.3.3、最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；
3.3.4、采用3.3.1、3.3.2、3.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行5次训练和5次测试，分别记录训练集和测试集对应的钻屑量预测值，根据训练集和测试集钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用3.2.5中的排序原则，确定5次结果中最优的模型评价指标值；
3.4：采用种群算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的参数,从而确定种群算法的主要参数，最终得到最优的模型评价指标值：
3.4.1、采用试错法确定最优的自适应参数c1,c2和惯性因子参数；
3.4.2、对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定最优的种群数量；
3.4.3、最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；
3.4.4、采用步骤3.4.1、步骤3.4.2和步骤3.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定最优的模型评价指标值；
3.5：采用帝国竞争算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样用步骤3.2中确定的最优的参数，从而确定种群算法的主要参数，最终得到最优的模型评价指标值：
3.5.1、采用试错法确定最优的随机数β、偏移方向θ和殖民地影响因子ξ参数；
3.5.2、对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定最优的总国家数量；
3.5.3、对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为b中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值。利用步骤3.2.5中的排序原则，确定最优的帝国主义国家数量；
3.5.4、最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义国家数量设置为步骤3.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
3.5.5、采用步骤3.5.1到步骤3.5.4确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行5次训练和5次测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定5次结果中最优的模型评价指标值；
3.6：对步骤3.1-3.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，同样利用步骤3.2.5中的排序原则，最终确定最优的模型评价指标值，进而确定最优的钻屑量预测模型及参数，从而获得各个冲击地压危险性等级下的最优的钻屑量预测模型及参数；
第四步：冲击危险性快速实时评估
当开采到下一个相同冲击地压危险性等级工作面时，仅对预评估的工作面煤体进行钻孔作业和采集每米钻机振动信号，不记录钻屑量，采集的钻机振动信号采用第二步中的信号预处理得到归一化后振动指标数据，再利用最优预测模型对归一化后的振动指标数据进行分析，预测出相对应的钻屑量；将预测得的钻屑量与事先设定的钻屑量临界值进行对比，进而对冲击危险性等级进行评定；
第五步：在开采进入下一个阶段水平时，重复步骤一至步骤四。
上述步骤除了钻进作业、钻屑量数据采集是由人工进行操作，其余过程均由程序自动运行，无需人工干预。
本发明在采集钻机钻动信号时用的加速度传感器采用内置电荷放大器的压电式加速度传感器，钻机采用气动手持式或者支架式钻机，1m插接式麻花钻杆和Φ42mm钻头。
本发明所带来的有益技术效果是：
煤矿井下每个开采水平阶段往往有一二十个工作面，现有技术对于具有冲击倾向性的煤层每开采完一个工作面就需要对下一个工作面的冲击地压危险等级进行综合评估，每次评估的时候都需要获取钻屑量，而本发明方法只需对每个开采水平阶段采用钻屑法对初次遇到的不同危险等级的部分工作面进行常规钻屑收集称重作业，获取样本数据后，当开采到下一个同危险等级的工作面时仅需钻孔作业，不再进行钻屑的搜集称重作业，只需用本发明的方法即可快速获得该工作面冲击地压的危险程度，大大简化了煤岩体的冲击危险性评估程序，缩短了评估时间，降低了评估成本；根据钻杆的振动参数来评估煤体冲击危险性，大大降低了人工评估的主观因素的影响，从而保证了评估结果的客观准确性；同时，对比使用多元线性回归模型、神经网络模型和优化的神经网络模型进行振动参数到钻屑量的预测，进而实现煤岩体冲击危险性等级的评估，保证了评估的精度；另外，使用评估结果可以实时显示在现场移动终端获和地上电脑端，实现了评估的实时化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述基于振动监测技术的煤层冲击危险性实时评估方法实施例的示意图；
图2为本发明一种实施方式的流程示意图。
图中，1、加速度传感器；2、钻机底座；3、信号收发器；4、数据物理存储端；5、煤体；6、地上电脑终端；7、现场施工移动终端。
具体实施方式
为了更加简明扼要叙述本发明整体操作过程，以某矿井-300米水平开采阶段为例，该水平阶段共开采一层煤(3#煤)，该层煤已完成煤层冲击倾向性鉴定，鉴定结果为具有冲击倾向性，该水平开采阶段设计规划共有10个回采工作面和20个掘进工作面，对于所有工作面开采和掘进前均需要先进行冲击危险性综合评估，对于综合评估结果为弱、中等和强冲击等级的工作面需要在开采或掘进过程中进行冲击地压的监测评估，在开采或掘进过程中则利用本发明方法高效快速准确地预测冲击地压危险程度。为了便于叙述，该开采水平阶段各工作面按照开采顺序，依次称为第一工作面，第二工作面，第三工作面，……以此类推。
下面结合附图1-2详述利用本发明方法对该矿井-300米水平开采阶段煤层冲击危险性实时评估过程如下：
第一步：连接信号采集装置
参阅图2，将加速度传感器1固接在钻机底座2，加速度传感器1采集的振动数据信号通过无线传输至信号收发器3，所述信号收发器3并入煤矿采场有线(或无线)传输网络，实现采集的信号实时传送至地上的数据物理存储端4和现场施工移动终端7；加速度传感器1安装之后，调试并确保加速度传感器1的振动信号传输正常。
所述的加速度传感器2和钻机均为市售产品，加速度传感器2内置纵向和横向加速度传感器，采用内置电荷放大器的压电式加速度传感器，钻机采用气动手持式或者支架式钻机，1m插接式麻花钻杆和Φ42mm钻头。
第二步：样本信号采集
对于该矿井-300米水平开采阶段，首先进行第一回采工作面的开采，按照常规，在开采前首选利用现有技术(比如综合指数法)综合评估第一回采工作面冲击地压危险程度，经评估为最高危险等级-强冲击，需要在开采过程中进行冲击地压的监测评估，利用钻屑法在第一回采工作面煤体5钻若干个有代表性的钻孔进行监测评估，每3-4天监测一次，监测钻孔布置方式为：距工作面煤壁15-20米范围内开始，向回采方向100米范围内进行布置监测钻孔，监测钻孔数量为4-5个，钻孔间距为25-20米，钻孔地点、孔距可根据现场实际情况进行适当调整；钻孔布置在采高中部、平行于层面，垂直于煤壁，选取煤壁中较为完整、破碎较少的部分；钻孔孔深10m。每个钻孔在钻进过程中从第一米开始每钻孔一米后停止钻进，收集钻屑量数据，同步采集钻进时钻机的横向和纵向振动信号。具体为：采用钻屑法对煤体5钻孔时加速度传感器1同步采集钻进时钻机的振动信号，将振动信号通过信号收发器3传送至数据物理存储端4，每钻孔一米后停止钻进，收集钻屑量数据，记录至现场施工移动终端7，经信号收发器3传输至数据物理存储端4。对于需要进行冲击地压监测评估的掘进工作面，当进行掘进期间的钻屑法监测时，采用同样的方法收集监测钻孔的钻屑量和振动信号数据。
第三步：样本信号预处理
将步骤二采集到的所有样本信号中的振动信号，通过时域分析分别统计每1米钻孔对应的横向和纵向振动信号的6个振动指标(无量纲幅域参数)：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标、均方根值；为了消除数量级的影响，将12个振动指标数据归一化到[0-1]数值，同样对相应的钻屑量数据进行归一化到[0-1]，归一化后的一组12个振动指标数据和一个钻屑量数据构成一个数据集。所有的数据集构成危险等级为强冲击工作面的样本数据库。
第四步：确定最优预测模型及参数
将采集到的样本数据库分别按80％和20％的比例划分为训练集和测试集，其中振动指标数据作为预测模型的输入，钻屑量作为预测模型的输出。
4.1：采用多元线性回归模型钻屑量的预测
对训练集进行多元线性回归拟合，得到拟合方程：Y＝b1x1+b2x2+…+bnxn+c，其中Y为钻屑量，n为振动指标的数量，x1-xn为振动指标，b1-bn分别为各振动指标对应的回归系数，再将测试集的振动指标数据代入到得到的拟合方程，求出对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算模型评价指标值，即均方根误差(RMSE)、决定系数(R2)、方差占比(VAF)值。
4.2：采用神经网络模型对钻屑量进行预测，以确定神经网络模型的主要参数
4.2.1：对于神经网络的输入维度，12个振动指标数据全部作为神经网络的输入，即神经网络的输入维度为12；
4.2.2：神将网络的隐含层设置为1层；
4.2.3、采用试错法确定最优的神经网络的学习率、动量系数、激活函数；
4.2.4：为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100；
4.2.5：对训练集进行训练后，将测试集的振动指标数据输入训练后的神经网络，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值。分别对训练集和测试集得到的模型评价指标进行排序。排序原则为，越小的RMSE值、越大的R2和VAF值获得的排序序号值越大。将训练集和测试集的三个模型评价指标排序序号值分别进行相加，得到三个指标的总排序序号值。最大的序号值对应的结果即为最优的模型评价指标值。以此来确定最优的隐含层节点数，进而确定最优的神经网络模型参数。
4.3：采用遗传算法优化的神经网络模型对钻屑量进行预测，采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤4.2中确定的最优的参数，从而确定遗传算法的主要参数。
4.3.1：采用试错法确定最优的变异概率和交叉概率参数；
4.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.5中的排序原则，确定最优的种群数量；
4.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；
4.3.4：采用步骤4.3.1，4.3.2，4.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.5中的排序原则，确定最优的模型评价指标值。
4.4：采用种群算法优化的神经网络模型对钻屑量进行预测，采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤4.2.5中确定的最优的参数，以确定种群算法的主要参数。
4.4.1：采用试错法确定最优的自适应参数c1,c2和惯性因子参数；
4.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值。利用步骤4.2.5中的排序原则，确定最优的种群数量；
4.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；
4.4.4：采用步骤4.4.1、步骤4.4.2和步骤4.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.5中的排序原则，确定最优的模型评价指标值；
4.5：采用帝国竞争算法优化的神经网络模型对钻屑量进行预测，采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤4.2.5中确定的最优的参数，以确定种群算法的主要参数；
4.5.1：采用试错法确定最优的随机数β、偏移方向θ和殖民地影响因子ξ参数；
4.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值；利用步骤4.2.5中的排序原则，确定最优的总国家数量；
4.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为步骤4.5.2中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值；利用4.2.5中的排序原则，确定最优的帝国主义国家数量；
4.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为步骤4.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
4.5.5：采用步骤4.5.1、步骤4.5.2、步骤4.5.3和步骤4.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.5中的排序原则，确定最优的模型评价指标值；
4.6：对步骤4.1到步骤4.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，同样利用步骤4.2.5中的排序原则，最终确定最优的模型评价指标值，进而获得该矿井-300米水平开采阶段冲击地压危险等级为强冲击的回采或掘进工作面最优的钻屑量预测模型及参数；
第五步：冲击危险性快速实时评估
现场施工移动终端7和地上电脑终端6的预测模型自动设置为第四步获得的最优预测模型及参数；当开采或掘进完第一工作面的时候，对第二工作面的冲击地压危险强度进行综合评估，此时会出现两种情况：
第一种情况：如果评估结果和第一工作面一样，即为强冲击危险强度，此时仅需对第二工作面煤体进行钻孔作业和采集每米钻机振动信号，不记录钻屑量，采集的钻机振动信号通过无线传输至信号收发器，经振动经信号收发器分传输至现场施工移动终端和地上电脑终端，两终端的预测程序自动进行步骤三中的信号预处理得到归一化后振动指标数据，再利用最优预测模型对归一化后的振动指标数据进行分析，预测出相对应的钻屑量；将预测得的钻屑量与事先设定的钻屑量临界值进行对比，进而对第二工作面进行高效、快速、准确地冲击危险性等级进行评定。
第二种情况，如果评估结果和第一工作面不一样，即不是强冲击危险强度，此时需要重复步骤一到四，从而获得与第二工作面评估危险程度一致的最优的煤层钻屑量预测模型及参数。以后在该开采水平阶段，只要开采或掘进到与第一或第二工作面相同评估危险等级的工作面，都只需用本发明方法快速预测危险等级即可，以此类推。
第六步：在开采进入下一个阶段水平时，重复步骤一到步骤五。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的指导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (1)
1.一种基于振动监测技术的煤层冲击危险性实时评估方法，其特征在于，包括如下步骤：
第一步：样本信号采集
对于每个开采阶段水平，依据工作面布置和开采顺序，对于初次开采到的冲击地压危险性等级为弱冲击、中等冲击或强冲击的掘进工作面和回采工作面，分别利用钻屑法对煤体钻孔，钻孔过程中从第一米开始每钻孔一米后停止钻进，收集钻屑量数据，同步采集钻进时钻机的横向和纵向振动信号；
第二步：样本信号预处理
将步骤一采集到的每个等级的所有样本信号中的振动信号，均通过时域分析分别统计每1米钻孔对应的横向和纵向振动信号的6个振动指标波形指标、峰值指标、脉冲指标、裕度指标、峭度指标和均方根值，将6个横向和6个纵向振动指标数据归一化处理，同样对相应的钻屑量数据也进行归一化到处理，归一化后的一组12个振动指标数据和一个钻屑量数据构成一个数据集，每个等级所有的数据集分别构成各自的样本数据库；
第三步：确定最优预测模型及参数
将每个等级采集到的样本数据库分别按80％和20％的比例划分为训练集和测试集，振动指标数据作为预测模型的输入，钻屑量作为预测模型的输出；具体方法为：
3.1：采用多元线性回归模型钻屑量的预测,得到最优的模型评价指标值；
对训练集进行多元线性回归拟合，得到包含有振动指标和钻屑量变量的拟合方程，再将测试集的振动指标数据代入到得到的拟合方程，求出对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算得到最优的模型评价指标值，即均方根误差RMSE、决定系数R2、方差占比VAF值；
3.2：采用神经网络模型对钻屑量进行预测，得到最优的模型评价指标值，同时确定神经网络模型的主要参数；
3.2.1、对于神经网络的输入维度，12个振动指标数据全部作为神经网络的输入，即神经网络的输入维度为12；
3.2.2、神经网络的隐含层设置为1层；
3.2.3、采用试错法确定最优的神经网络的学习率、动量系数、激活函数；
3.2.4、为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100；
3.2.5、对训练集进行训练后得到训练集对应的钻屑量预测值，将测试集的振动指标数据输入训练后的神经网络，得到测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值；分别对训练集和测试集得到的模型评价指标进行排序；排序原则为：越小的RMSE值、越大的R2和VAF值获得的排序序号值越大；将训练集和测试集的三个模型评价指标排序序号值分别进行相加，得到三个指标的总排序序号值,最大的总排序序号值即为最优的模型评价指标值，以此来确定最优的隐含层节点数，进而确定最优的神经网络模型参数；
3.3：采用遗传算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2中确定的最优的神经网络模型参数，从而确定遗传算法的主要参数，最终得到最优的模型评价指标值：
3.3.1、采用试错法确定最优的变异概率和交叉概率参数；
3.3.2、对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定最优的种群数量；
3.3.3、最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；
3.3.4、采用步骤3.3.1、步骤3.3.2和步骤3.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行5次训练和5次测试，分别记录训练集和测试集对应的钻屑量预测值，根据训练集和测试集钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定5次结果中最优的模型评价指标值；
3.4：采用种群算法优化的神经网络模型对钻屑量进行预测，该优化采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的参数，从而确定种群算法的主要参数，最终得到最优的模型评价指标值：
3.4.1、采用试错法确定最优的自适应参数c1,c2和惯性因子参数；
3.4.2、对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定最优的种群数量；
3.4.3、最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；
3.4.4、采用步骤3.4.1、步骤3.4.2和步骤3.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定最优的模型评价指标值；
3.5：采用帝国竞争算法优化的神经网络模型对钻屑量进行预测，该优化采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的参数，确定种群算法的主要参数，最终得到最优的模型评价指标值，：
3.5.1、采用试错法确定最优的随机数β、偏移方向θ和殖民地影响因子ξ参数；
3.5.2、对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定最优的总国家数量；
3.5.3、对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为b中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定最优的帝国主义国家数量；
3.5.4、最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义国家数量设置为3.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
3.5.5、采用步骤3.5.1到步骤3.5.4确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行5次训练和5次测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.5中的排序原则，确定5次结果中最优的模型评价指标值；
3.6：对步骤3.1-3.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，同样利用步骤3.2.5中的排序原则，最终确定最优的模型评价指标值，进而确定最优的钻屑量预测模型及参数，从而获得各个冲击地压危险性等级下的最优的钻屑量预测模型及参数；
第四步：冲击危险性快速实时评估
当开采到下一个相同冲击地压危险性等级工作面时，仅对预评估的工作面煤体进行钻孔作业和采集每米钻机振动信号，不记录钻屑量，采集的钻机振动信号采用第二步中的信号预处理得到归一化后振动指标数据，再利用最优预测模型对归一化后的振动指标数据进行分析，预测出相对应的钻屑量；将预测得的钻屑量与事先设定的钻屑量临界值进行对比，进而对冲击危险性等级进行评定；
第五步：在开采进入下一个阶段水平时，重复步骤一至步骤四。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099179.6A CN111325461B (zh) | 2020-02-18 | 2020-02-18 | 基于振动监测技术的煤层冲击危险性实时评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099179.6A CN111325461B (zh) | 2020-02-18 | 2020-02-18 | 基于振动监测技术的煤层冲击危险性实时评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325461A true CN111325461A (zh) | 2020-06-23 |
| CN111325461B CN111325461B (zh) | 2022-03-08 |
Family
ID=71163527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010099179.6A Active CN111325461B (zh) | 2020-02-18 | 2020-02-18 | 基于振动监测技术的煤层冲击危险性实时评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325461B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069740A (zh) * | 2020-09-21 | 2020-12-11 | 吴学松 | 一种冲击地压危险性评估方法及平台 |
| CN113268799A (zh) * | 2021-05-27 | 2021-08-17 | 深圳市岩土综合勘察设计有限公司 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 |
| CN113298299A (zh) * | 2021-05-13 | 2021-08-24 | 华北科技学院(中国煤矿安全技术培训中心) | 基于bp神经网络的煤层冲击危险性智能化评价方法 |
| CN115234303A (zh) * | 2022-07-28 | 2022-10-25 | 华北科技学院 | 一种定力钻屑预测冲击地压危险的方法与装置 |
| CN115860582A (zh) * | 2023-02-28 | 2023-03-28 | 山东科技大学 | 一种基于自适应提升算法的冲击危险性智能预警方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103104294A (zh) * | 2013-02-01 | 2013-05-15 | 湖南科技大学 | 一种冲击地压的预测方法 |
| CN107122860A (zh) * | 2017-04-28 | 2017-09-01 | 辽宁工程技术大学 | 基于网格搜索和极限学习机的冲击地压危险等级预测方法 |
| CN109447837A (zh) * | 2018-11-15 | 2019-03-08 | 国家能源投资集团有限责任公司 | 一种矿区冲击地压的危险性评估方法 |
| CN110458369A (zh) * | 2019-08-16 | 2019-11-15 | 西安科技大学 | 一种煤与瓦斯突出煤层采掘工作面危险性综合评估系统 |
-
2020
- 2020-02-18 CN CN202010099179.6A patent/CN111325461B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103104294A (zh) * | 2013-02-01 | 2013-05-15 | 湖南科技大学 | 一种冲击地压的预测方法 |
| CN107122860A (zh) * | 2017-04-28 | 2017-09-01 | 辽宁工程技术大学 | 基于网格搜索和极限学习机的冲击地压危险等级预测方法 |
| CN109447837A (zh) * | 2018-11-15 | 2019-03-08 | 国家能源投资集团有限责任公司 | 一种矿区冲击地压的危险性评估方法 |
| CN110458369A (zh) * | 2019-08-16 | 2019-11-15 | 西安科技大学 | 一种煤与瓦斯突出煤层采掘工作面危险性综合评估系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈峰: "利用钻屑法预测冲击地压危险性的试验研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069740A (zh) * | 2020-09-21 | 2020-12-11 | 吴学松 | 一种冲击地压危险性评估方法及平台 |
| CN112069740B (zh) * | 2020-09-21 | 2023-11-24 | 吴学松 | 一种冲击地压危险性评估方法及平台 |
| CN113298299A (zh) * | 2021-05-13 | 2021-08-24 | 华北科技学院(中国煤矿安全技术培训中心) | 基于bp神经网络的煤层冲击危险性智能化评价方法 |
| CN113268799A (zh) * | 2021-05-27 | 2021-08-17 | 深圳市岩土综合勘察设计有限公司 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 |
| CN115234303A (zh) * | 2022-07-28 | 2022-10-25 | 华北科技学院 | 一种定力钻屑预测冲击地压危险的方法与装置 |
| CN115860582A (zh) * | 2023-02-28 | 2023-03-28 | 山东科技大学 | 一种基于自适应提升算法的冲击危险性智能预警方法 |
| CN115860582B (zh) * | 2023-02-28 | 2023-05-26 | 山东科技大学 | 一种基于自适应提升算法的冲击危险性智能预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325461B (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325461B (zh) | 基于振动监测技术的煤层冲击危险性实时评估方法 | |
| CN111291997B (zh) | 基于随钻测量技术的煤层冲击危险性实时评估方法 | |
| CN111291934B (zh) | 一种隧道施工过程中围岩实时分级预测及自检方法 | |
| CN105785471B (zh) | 一种矿井预开采煤层的冲击危险性评价方法 | |
| CN101770038B (zh) | 矿山微震源智能定位方法 | |
| US11789173B1 (en) | Real-time microseismic magnitude calculation method and device based on deep learning | |
| CN109597124B (zh) | 一种工作面应力集中区槽波地震精细探测方法 | |
| CN104533400A (zh) | 一种重构测井曲线的方法 | |
| CN113294143A (zh) | 一种煤层底板灰岩水害地面超前区域探查治理效果评价方法 | |
| CN113074695A (zh) | 一种基于掌子面三维变形监测的隧道稳定性判释方法 | |
| CN116522692B (zh) | 地下工程围岩结构特征原位探测与分级方法 | |
| CN116384112A (zh) | 一种用于矿山灾害模拟和预警的方法及系统 | |
| CN110795793A (zh) | 一种隧道围岩快速分级设备系统及其操作方法 | |
| CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
| CN114357750A (zh) | 一种采空区充水状态评估方法 | |
| CN113484910A (zh) | 基于地震干涉法的隧道超前地质预报方法及系统 | |
| CN115327616A (zh) | 一种海量数据驱动的矿山微震震源自动定位方法 | |
| CN113279746A (zh) | 一种套管变形风险区域的确定方法及应用 | |
| CN113569487A (zh) | 一种基于bp神经网络预测台阶爆破抛掷效果的方法 | |
| CN117350144A (zh) | 一种基于机器学习的岩体强度特征预测方法 | |
| CN116816340A (zh) | 一种地层岩性及地质结构随钻智能识别方法及系统 | |
| CN113468646B (zh) | 基于地质力学模型和机器学习检测地热井风险的方法 | |
| CN115950947A (zh) | 一种tbm隧洞基于振动信号实时的地质参数预测方法 | |
| CN112347424B (zh) | 一种基于Weibull函数的超高温高压开发安全钻井概率的评估方法 | |
| CN114692410A (zh) | 基于地应力场反演数值距平分析的矿井动力灾害预估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |