一种基于FLAC3D数值软件的巷道围岩热物理参数反演方法
技术领域
本发明涉及巷道围岩领域,具体的是一种基于FLAC3D数值软件的巷道围岩热物理参数反演方法。
背景技术
随着矿井开采深度和范围的逐渐增加,各种散热源放热和扩散量的增加,使高温矿井的数目日益增多,深井矿井地热灾害问题日益严重。我国于1954年开始对井田地温场与井巷围岩温度进行观测研究,到20世纪70年代,对全国矿山地热状况进行了调查研究。近些年,随着对温度场与降温机理研究不断深入,井下地温测试数据逐渐增多,热环境控制措施也不断趋于完善。目前,对于井下热环境的研究,集中在理论研究、数值计算及室内试验等几个方面。
由于矿井热害的存在,矿井内高温高湿的作业环境一方面对矿工的身体健康、安全和生产造成危害,另一方面还降低了工人的劳动生产率、影响矿井的经济效益。矿井内热量的来源主要是井巷围岩的放热和散湿,故准确计算巷道温度场是矿井热害防治的基础,而且计算的精确性关系到矿井降温设计的合理性和经济性。温度场的准确计算与围岩热力学参数有着很大关系。
目前热参数主要靠室内测试,需要花费大量人力物力,且样本的选取随机性很大,同时也存在着试样尺度、结构扰动等问题,可能会反映不了巷道围岩的实际情况。采用热参数反演分析是一种行之有效的方法,但目前在系统依据巷道实测温度值反求热参数的技术还未见有专利报道。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种基于FLAC3D数值软件的巷道围岩热物理参数反演方法,本发明降低了人力、物力的消耗,提出通过巷道的实测温度值,并依据实验室所测值反求围岩热参数,可有效减小实际操作中的误差,为准确计算巷道围岩温度场提供了可能。
本发明的目的可以通过以下技术方案实现:
一种基于FLAC3D数值软件的巷道围岩热物理参数反演方法,包括以下步骤:
一、井下现场测温,为参数反演提供基础;
二、运用正交试验法给出模拟工况;
三、建立运用FLAC3D软件的热分析模块建立热传导数值计算模型;
四、获取每种工况的计算结果;
五、运用神经网络预测模型给出围岩热物理参数最优值;
六、验证反分析的计算结果,把上述参量代入FLAC3D模型进行计算,并和实际的量测结果进行比较。
进一步地,所述步骤一中的测点布设在大巷同一断面,具体方法为:分别向不同方向打不同深度的钻孔,在钻孔内埋上温度探头,实测不同深度圈岩温度,待其稳定后,得出测试数据。从测试数据可以看出当距离巷壁一定距离后,温度计读数已不再变化,故可以得出巷道所处的围岩温度。
进一步地,所述步骤二中的具体方法为:根据热力学反分析计算的要求,确定出各反演参数的计算范围,设定参数取值水平,采用正交试验的方法来确定需要数值模拟的试验方案数,以求获得有效全面的计算数据的同时,减少计算的工作量。
进一步地,所述步骤三中的具体方法为:根据巷道地温场分布特点,建立基于FLAC3D的某巷道围岩散热正分析平面应变计算模型,模型中设置初始底部温度场,根据区域地温场资料,模型中初始温度根据底部温度按照一定数值的地温梯度递减。
进一步地,所述模型的热力学边界条件为:四周皆为隔热边界,巷道与围岩为对流换热边界;
所述模型的力学边界条件为:底部为固定边界,上部为应力边界,左右限制水平向位移,在数值模型中,距离巷道不同距离布设温度监测点,动态获取监测点温度值。
进一步地,所述步骤四中的具体方法为:按照正交试验方案,对每种方案进行FLAC3D正分析计算,模拟获得监测点的温度值。
进一步地,所述步骤五中的具体方法为:根据实际测试的温度值及工程经验,先确定出各反演参数的计算范围,以实测温度为输入,以热力学参数热导率k、比热容c、对流换热系数λ作为输出组成进化神经网络的训练样本集对神经网络进行训练,进化训练中,选取合适的神经网络的输入节点数为、输出节点数等网络参数,同时限定最佳个体的最优误差,最终训练得出最佳热力学参数。
进一步地,所述步骤六中的具体方法为:验证反分析的计算结果,把得到的参量代入FLAC3D模型进行计算,并和实际的量测结果进行比较,得出结果。
本发明的有益效果:
1、目前矿井热害问题日益严重,准确获取围岩热物理参数进而掌握巷道温度场分布规律是解决矿井热害问题前提基础,本发明涉及的参数反演方法适用性强,应用性广,原理简单,操作容易,给围岩热物理参数的获取提供了一种新的方法和手段。
2、本发明降低了人力、物力的消耗,提出通过巷道的实测温度值,并依据实验室所测值反求围岩热参数,可有效减小实际操作中的误差,为准确计算巷道围岩温度场提供了可能。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明围岩热参数反分析计算模型示意图;
图2是本发明初始温度分布图示意图;
图3是本发明工况15计算出三天后的巷道温度及热矢量分布示意图;
图4是本发明工况15计算出的距离巷边不同距离处的温度随时间变化曲线示意图,监测点为1、2、3和4;
图5是本发明本发明工况15计算出的距离巷边不同距离处的温度随时间变化曲线示意图,监测点为5、6、7和8。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种基于FLAC3D数值软件的巷道围岩热物理参数反演方法,包括以下步骤:
一、井下现场测温,为参数反演提供基础;
二、运用正交试验法给出模拟工况;
三、建立运用FLAC3D软件的热分析模块建立热传导数值计算模型;
四、获取每种工况的计算结果;
五、运用神经网络预测模型给出围岩热物理参数最优值;
六、验证反分析的计算结果,把上述参量代入FLAC3D模型进行计算,并和实际的量测结果进行比较。
其中,步骤一中的测点布设在大巷同一断面,具体方法为:分别向不同方向打不同深度的钻孔,在钻孔内埋上温度探头,实测不同深度圈岩温度,待其稳定后,得出测试数据。从测试数据可以看出当距离巷壁一定距离后,温度计读数已不再变化,故可以得出巷道所处的围岩温度。
其中,步骤二中的具体方法为:根据热力学反分析计算的要求,确定出各反演参数的计算范围,设定参数取值水平,采用正交试验的方法来确定需要数值模拟的试验方案数,以求获得有效全面的计算数据的同时,减少计算的工作量。
其中,步骤三中的具体方法为:根据巷道地温场分布特点,建立基于FLAC3D的某巷道围岩散热正分析平面应变计算模型,模型中设置初始底部温度场,根据区域地温场资料,模型中初始温度根据底部温度按照一定数值的地温梯度递减。
所述模型的热力学边界条件为:四周皆为隔热边界,巷道与围岩为对流换热边界;
所述模型的力学边界条件为:底部为固定边界,上部为应力边界,左右限制水平向位移,在数值模型中,距离巷道不同距离布设温度监测点,动态获取监测点温度值。
其中,步骤四中的具体方法为:按照正交试验方案,对每种方案进行FLAC3D正分析计算,模拟获得监测点的温度值。
其中,步骤五中的具体方法为:根据实际测试的温度值及工程经验,先确定出各反演参数的计算范围,以实测温度为输入,以热力学参数热导率k、比热容c、对流换热系数λ作为输出组成进化神经网络的训练样本集对神经网络进行训练,进化训练中,选取合适的神经网络的输入节点数为、输出节点数等网络参数,同时限定最佳个体的最优误差,最终训练得出最佳热力学参数。
其中,步骤六中的具体方法为:验证反分析的计算结果,把得到的参量代入FLAC3D模型进行计算,并和实际的量测结果进行比较,得出结果。
实施例:
以某巷道为例,测点在某-780m新掘进瓦斯抽采巷道,在大巷同一断面分别向不同方向打0.5m、1m、1.5m、2.0m、2.5、3.0m的钻孔,在钻孔内埋上温度探头,实测不同深度圈岩温度,待其稳定后,测试数据如表1所示。已知巷道风温为26℃,从表中可以看出,当距离巷壁2.5m后,温度计读数已不再变化,故该巷道所处的围岩温度是39.85℃。
表1:巷道围岩温度测定结果
根据热力学反分析计算的要求,先确定出各反演参数的计算范围,根据实测结果及工程经验,3个参数的计算搜索范围如下:
k∈[0.6,4],c∈[500,1500],λ∈[5,20]
对于上述多水平因素研究,需要的算例较多,计算工作量是比较大的。而采用正交试验的方法,在确定计算方案的有效性,代表性的前提下又可以简化数值计算的工作。所以对数值模拟计算模型,采用正交试验的方法来确定需要数值模拟的试验方案数,以求获得有效全面的计算数据的同时,减少计算的工作量。本次具体的试验因素、水平见表2。
表2:数值模拟试验因素及水平取值
本次正交试验是一个3因素4水平试验,不考虑因素之间的相互作用,故选用L16(43)正交表安排试验,试验计划见表3。
表3:L16(43)正交设计的计算方案
建立基于FLAC3D的潘三巷道围岩散热正分析计算模型,其中巷道直径5m,距离巷壁不同距离共布置7个温度监测点,见附图1。模型中初始底部温度场为40℃,按照3℃/hm的地温梯度递减。模型的热力学以及力学边界如前所述。初始温度分布情况见附图2。
按照表3所列各参数的组合进行FLAC3D数值正分析计算得到模拟计算出的温度值如表4所示。附图3给出了工况15计算出三天后的巷道温度及热矢量分布情况。附图4和附图5给出了工况15计算出的距离巷边不同距离处的温度随时间变化曲线。
表4:各种方案计算结果表(单位:℃)
运用神经网络预测模型给出最优参数值。以表4所列水平收敛和顶底板收敛作为进化神经网络的输入,以其对应的参数组合(K、c、λ)作为网络输出组成网络的训练样本对进化神经网络进行训练。进化训练中,各算法的参数取值依次为,神经网络的输入节点数为5,输出节点数为4,隐层节点的取值范围为(1~30),连接权值的初始取值为(1.0~1.0)。而进化算法的群体规模为150,进化代数阈值为200,同时限定最佳个体的最优误差为10-5。
把16组位移—物性参数样本代入进化神经网络算法进行训练,最终在误差为0.0056的情况下,得到结构为2-4-4的神经网络能很好地实现上述样本所代表的映射,并具有良好的泛化预测能力。采用该网络进行围岩参数反分析计算,反分析结果如表5所示。
表5围岩参数反分析结果
验证反分析的计算结果,把上述参量代入FLAC3D模型进行计算,并和实际的量测结果进行比较,其结果如表6所示。
表6巷道围岩温度测定结果
由上表可见,计算结果和监测结果的误差在0.15%以内,说明本次计算的反分析结果良好,基本得到了反映巷道围岩热力学特性的物性参数。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。