CN111859781A - 一种采动煤岩多场响应快速获取方法 - Google Patents
一种采动煤岩多场响应快速获取方法 Download PDFInfo
- Publication number
- CN111859781A CN111859781A CN202010546115.6A CN202010546115A CN111859781A CN 111859781 A CN111859781 A CN 111859781A CN 202010546115 A CN202010546115 A CN 202010546115A CN 111859781 A CN111859781 A CN 111859781A
- Authority
- CN
- China
- Prior art keywords
- mining
- coal
- model
- neural network
- coal rock
- 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.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y80/00—Products made by additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/10—Processes of additive manufacturing
- B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
- B29C64/118—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material using filamentary material being melted, e.g. fused deposition modelling [FDM]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y70/00—Materials specially adapted for additive manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y10/00—Processes of additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y70/00—Materials specially adapted for additive manufacturing
- B33Y70/10—Composites of different types of material, e.g. mixtures of ceramics and polymers or mixtures of metals and biomaterials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
发明提供一种采动煤岩多场响应快速获取方法。该方法包括选取打印线材、3D打印粗模型等步骤。该方法在3D打印的基础上通过控制材料的变形从3D走向了4D,从而节约了人力资源,材料资源,缩短了实验周期、保证每次打印后仍能在大致相同的情况下进行实验,而且能够重复进行模拟实验,且能够多次进行调整,使相似模拟的相似性大大提高,更加便于得到更稳定、可靠的科学规律。而且能够在相似模拟采集数据的基础上构建BP神经网络模型,适用于更加广泛的煤矿开采条件预测,能够对煤层采响应进行更为快速准确真实的获取。
Description
技术领域
本发明涉及机械和矿山技术工程领域,特别涉及一种采动煤岩多场响应快速获取方法。
背景技术
煤炭是我国的主体能源,在煤矿的开采前,对于煤矿的模拟开采对于煤矿的开采能够安全高效进行有着非常重要的作用,为了能够获得更加可靠的相关矿山压力显现规律,煤岩应力特征,采场裂隙发育分布等规律,需要一种较为准确快速且可靠的获取方法。
以前的相似模型试验能够模拟地质构造不太复杂的煤矿,能够进行在确定的情况下的开采模拟,解决了那些开采条件较为复杂的煤矿的开采模拟。但是其中仍然存在许多局限性,在模拟研究矿山压力显现规律,煤岩应力特征,采场裂隙发育分布等规律时,所需要的时间较长,而且只能就特定的煤矿进行相关模拟,没有办法进行重复实验,所以每次实验成本较高,模拟结果也具有相应的局限性,只能用于该煤矿的开采应用,无法对相关的数据进行二次利用,没有完全挖掘出每次实验数据的所有价值。而且无法实现在同一次实验过程中改变岩层参数和地质构造参数从而进行对比获得比较可靠、稳定的岩层运动演化规律,同样也不能重复进行模拟,更不要说更进一步的,构建一种能快速获取,煤岩多场响应的获取方法。
因此,亟需开发一种煤岩多场响应的获取方法来弥补相关不足。
发明内容
本发明的目的是提供一种采动煤岩多场响应快速获取方法,以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种采动煤岩多场响应快速获取方法,包括以下步骤:
1)选取形状记忆聚合物作为打印线材。设置煤岩层倾角和厚度。进行相似模型3D打印,得到煤层相似模拟粗模型。
2)对煤层相似模拟粗模型中不同位置的材料施加不同外场激励,使模型不同位置获得预设的初始物理力学参数,得到煤层重复采动相似模拟模型。其中,所述物理力学性质参数主要包括煤岩容重、抗压、抗剪、抗拉强度和切向刚度。
3)设置煤层开采参数。进行煤层开采模拟,观测煤层重复采动相似模拟模型在采动过程中煤岩层多场响应。所述煤岩层多场响应包括煤岩应力场变化、变形场变化和裂隙场变化。
4)施加外场激励使煤岩层恢复至煤层重复采动相似模拟模型的初始状态。将模型开挖记忆材料放回原煤层重复采动相似模拟模型,并通过外场激励使整个煤层重复采动相似模拟模型恢复至初始状态。
5)分别改变煤层开采参数,重复步骤3)~步骤4),获得不同开采参数下煤岩多场响应。
6)收集煤岩层多场响应数据,处理得到样本数据。对样本数据进行筛选,得到在预设初始物理力学参数下煤岩多场响应的建模样本和检验样本数据库。
7)改变煤岩层初始物理力学参数,重复步骤2)~步骤6),得到在不同初始物理力学参数条件下煤岩多场响应的模样本和检验样本总数据库。
8)改变煤岩层倾角、厚度,重复步骤1)~步骤7),得到不同煤岩层倾角、厚度下煤岩多场响应的模样本和检验样本总数据库。
9)对建模样本数据进行多元回归分析。分析不同煤岩层倾角、厚度、煤岩层初始物理力学参数和开采参数与煤岩应力场变化、变形场变化和裂隙场变化的相关性。
10)确定BP神经网络的输入节点数、输出节点数和隐层节点数,构建BP神经网络预测模型的结构初始模型。所述BP神经网络结构初始模型包括输入层、输出层和隐含层。各层间通过权连接。
11)使用粒子群算法优化BP神经网络的连接权值和阈值,得到最终的BP神经网络预测模型。
12)采集实际矿井基本资料。根据相似原理,获得实验室相似模拟尺度下矿井的基本参数。将参数输入BP神经网络预测模型得出实验室尺度下矿井煤层采动下煤岩多场响应。根据相似比,得到矿井真实的煤层重复采动下煤岩多场响应。
进一步,所述煤层重复采动相似模拟模型为单一煤层重复采动相似模拟模型。所述煤层开采参数包括采高和开采速度。
进一步,所述煤层重复采动相似模拟模型为煤层群重复采动相似模拟模型。所述煤层开采参数包括开采顺序、采高和开采速度。
进一步,所述形状记忆聚合物的组成和质量份数如下:石英细砂岩43份、石蜡5~8份、光热膨胀变形剂20份、泥质粉砂岩13份、防锈剂7份和大白粉10份。
进一步,步骤1)中,以形状记忆聚合物从下往上重复层叠进行打印。层与层之间的分离材料采用云母粉。
进一步,步骤5)中,通过激光干涉的高精度多自由度光栅传感系统获得开挖模拟时模型位移数字信息,通过图像处理获得围岩应力场变化的数据及相关图像、煤岩层变形场变化的数据及图像和裂隙场的数据及图像。
进一步,步骤9)之前,还具有针对原始数据中存在的异常值和缺失值进行数据清洗的相关步骤。采用邻近均值法替代异常数据值,利用缺失值的前一个非空数值补全缺失值。
进一步,步骤11)中,使用归一化处理的方法避免神经元出现饱和,使输入分量有同等重要地位,也防止神经网络出现局部极小现象。
进一步,步骤11)中,采用Matlab神经网络工具箱对样本数据进行训练与仿真,以动量BP算法的traingdm()函数进行训练。
进一步,步骤11)具体包括以下步骤:
11.1)根据BP神经网络的阈值和权值确定粒子维数,并产生初始粒子群。
11.2)通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代,使得BP神经网络总误差小于设定值或者达到迭代次数。
11.3)确定BP神经网络的初始连接权值和阈值。
11.4)训练BP神经网络。
11.5)使用基于大数据的SP-HDF储存算法对神经网络初步输出数据加以修饰,得到最终的BP神经网络预测模型。
本发明的技术效果是毋庸置疑的:
A.缩短了实验周期,保证在构建得到最终的BP神经网络模型后,能够仅输入岩层倾角、厚度、煤岩层初始物理力学参数、煤层开采顺序,采高和开采速度,就能够输出相应的煤岩应力场变化、变形场变化和裂隙场变化数据和图像,使采动后的多场参数更加便于得到更稳定、可靠的科学规律;
B.能够对煤层采响应进行更为快速准确真实的采动响应;
C.可以对未开采的煤矿的煤层开采采场围岩应力场变化、岩层变形运移破坏位移变化和裂隙场发育进行预测,而且预测值的可靠性较强,预测效果较好。
附图说明
图1为方法流程图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1,本实施例公开一种采动煤岩多场响应快速获取方法,包括以下步骤:
1)选取形状记忆聚合物作为打印线材。设置煤岩层倾角和厚度。进行相似模型3D打印,得到煤层相似模拟粗模型。以形状记忆聚合物从下往上重复层叠进行打印。层与层之间的分离材料采用云母粉。
形状记忆聚合物是一种新型智能材料,可以在不同的外界环境激励下,由初始形状变成临时需要的形状并完成形状的固定,当再次受到相同的外界激励时,又可以回复到初始形状,即形状记忆效应。在本实施例中,所述形状记忆聚合物的组成和质量份数如下:石英细砂岩43份、石蜡5~8份、光热膨胀变形剂20份、泥质粉砂岩13份、防锈剂7份和大白粉10份。
2)对煤层相似模拟粗模型中不同位置的材料施加不同外场激励,完成形状的赋予,使模型不同位置获得预设的初始物理力学参数,得到煤层重复采动相似模拟模型。其中,所述物理力学性质参数主要包括煤岩容重、抗压、抗剪、抗拉强度和切向刚度。
3)设置煤层开采参数。进行煤层开采模拟,观测煤层重复采动相似模拟模型在采动过程中煤岩层多场响应。所述煤岩层多场响应包括煤岩应力场变化、变形场变化和裂隙场变化。
4)施加外场激励使煤岩层恢复至煤层重复采动相似模拟模型的初始状态。将模型开挖记忆材料放回原煤层重复采动相似模拟模型,并通过外场激励使整个煤层重复采动相似模拟模型恢复至初始状态。
5)分别改变煤层开采参数,重复步骤3)~步骤4),获得不同开采参数下煤岩多场响应。
6)收集煤岩层多场响应数据,处理得到样本数据。对样本数据进行筛选,得到在预设初始物理力学参数下煤岩多场响应的建模样本和检验样本数据库。
7)改变煤岩层初始物理力学参数,重复步骤2)~步骤6),得到在不同初始物理力学参数条件下煤岩多场响应的模样本和检验样本总数据库。
8)改变煤岩层倾角、厚度,重复步骤1)~步骤7),得到不同煤岩层倾角、厚度下煤岩多场响应的模样本和检验样本总数据库。
9)针对原始数据中存在的异常值和缺失值进行数据清洗的相关步骤。采用邻近均值法替代异常数据值,利用缺失值的前一个非空数值补全缺失值。针对数据中存在不同量纲数值的特点,采用Min Max Scala方法将数据缩放,提高模型运行效率。
10)对建模样本数据进行多元回归分析。分析不同煤岩层倾角、厚度、煤岩层初始物理力学参数和开采参数与煤岩应力场变化、变形场变化和裂隙场变化的相关性。
11)确定BP神经网络的输入节点数、输出节点数和隐层节点数,构建BP神经网络预测模型的结构初始模型。
12)使用PSO(Particle Swarm Optimization,粒子群算法)优化BP(Backpropagation)神经网络的连接权值和阈值,使用遗传图像定位算法加以修饰,得到最终的BP神经网络预测模型。
12.1)根据BP神经网络的阈值和权值确定粒子维数,并产生初始粒子群。
12.2)通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代,使得BP神经网络总误差小于设定值或者达到迭代次数。其中第i次调整速度公式为:
Vi=ηivi+μ1ω1[pi-xi]+μ2ω2[pi-xi]
惯性传递权重因子公式为:
ηi=ηmax-t(ηmax-ηmin)/tmax
式中,η为惯性权重因子,μ为学习因子,ω为[0,1]内的随机数,t为迭代步数。
12.3)确定BP神经网络的初始连接权值和阈值。
12.4)训练BP神经网络。采用Matlab神经网络工具箱对样本数据进行训练与仿真,以动量BP算法的traingdm()函数进行训练。所述BP神经网络结构初始模型包括输入层、输出层和隐含层。各层间通过权连接。
12.5)使用基于大数据的SP-HDF储存算法与神经网络结合,对神经网络初步输出数据加以修饰,得到最终的BP神经网络预测模型。SP-HDF采用层次式的数据结构方式来进行科学的管理存储数据。在本实施例中,对于算法的修饰主要包括数据转换构建数据表、可视映射构建可视结构、视图变换构建视图和评估验证和通过神经网络连接贯通。得到的数据可视、易用且便于管理。
13)采集实际矿井基本资料。根据相似原理,获得实验室相似模拟尺度下矿井的基本参数。将参数输入BP神经网络预测模型得出实验室尺度下矿井煤层采动下煤岩多场响应。根据相似比,得到矿井真实的煤层重复采动下煤岩多场响应。
值得说明的是,所述煤层重复采动相似模拟模型为单一煤层重复采动相似模拟模型时,煤层开采参数包括采高和开采速度。所述煤层重复采动相似模拟模型为煤层群重复采动相似模拟模型时,所述煤层开采参数包括开采顺序、采高和开采速度。
实施例2:
本实施例公开一种采动煤岩多场响应快速获取方法,包括以下步骤:
1)选取形状记忆聚合物作为打印线材。设置煤岩层倾角和厚度。进行相似模型3D打印,得到煤层相似模拟粗模型。
2)对煤层相似模拟粗模型中不同位置的材料施加不同外场激励,使模型不同位置获得预设的初始物理力学参数,得到煤层重复采动相似模拟模型。其中,所述物理力学性质参数主要包括煤岩容重、抗压、抗剪、抗拉强度和切向刚度。
3)设置煤层开采参数。进行煤层开采模拟,观测煤层重复采动相似模拟模型在采动过程中煤岩层多场响应。所述煤岩层多场响应包括煤岩应力场变化、变形场变化和裂隙场变化。
4)施加外场激励使煤岩层恢复至煤层重复采动相似模拟模型的初始状态。将模型开挖记忆材料放回原煤层重复采动相似模拟模型,并通过外场激励使整个煤层重复采动相似模拟模型恢复至初始状态。
5)分别改变煤层开采参数,重复步骤3)~步骤4),获得不同开采参数下煤岩多场响应。
6)收集煤岩层多场响应数据,处理得到样本数据。对样本数据进行筛选,得到在预设初始物理力学参数下煤岩多场响应的建模样本和检验样本数据库。
7)改变煤岩层初始物理力学参数,重复步骤2)~步骤6),得到在不同初始物理力学参数条件下煤岩多场响应的模样本和检验样本总数据库。
8)改变煤岩层倾角、厚度,重复步骤1)~步骤7),得到不同煤岩层倾角、厚度下煤岩多场响应的模样本和检验样本总数据库。
9)对建模样本数据进行多元回归分析。分析不同煤岩层倾角、厚度、煤岩层初始物理力学参数和开采参数与煤岩应力场变化、变形场变化和裂隙场变化的相关性。
10)确定BP神经网络的输入节点数、输出节点数和隐层节点数,构建BP神经网络预测模型的结构初始模型。所述BP神经网络结构初始模型包括输入层、输出层和隐含层。各层间通过权连接。
11)使用粒子群算法优化BP神经网络的连接权值和阈值,得到最终的BP神经网络预测模型。
12)采集实际矿井基本资料。根据相似原理,获得实验室相似模拟尺度下矿井的基本参数。将参数输入BP神经网络预测模型得出实验室尺度下矿井煤层采动下煤岩多场响应。根据相似比,得到矿井真实的煤层重复采动下煤岩多场响应。
实施例3:
本实施例主要步骤同实施例2,其中,所述煤层重复采动相似模拟模型为单一煤层重复采动相似模拟模型。所述煤层开采参数包括采高和开采速度。
实施例4:
本实施例主要步骤同实施例2,其中,所述煤层重复采动相似模拟模型为煤层群重复采动相似模拟模型。所述煤层开采参数包括开采顺序、采高和开采速度。
实施例5:
本实施例主要步骤同实施例2,其中,所述形状记忆聚合物的组成和质量份数如下:石英细砂岩43份、石蜡5~8份、光热膨胀变形剂20份、泥质粉砂岩13份、防锈剂7份和大白粉10份。步骤1)中,以形状记忆聚合物从下往上重复层叠进行打印。层与层之间的分离材料采用云母粉。
实施例6:
本实施例主要步骤同实施例2,其中,步骤5)中,通过激光干涉的高精度多自由度光栅传感系统获得开挖模拟时模型位移数字信息,通过图像处理获得围岩应力场变化的数据及相关图像、煤岩层变形场变化的数据及图像和裂隙场的数据及图像。
实施例7:
本实施例主要步骤同实施例2,其中,步骤9)之前,还具有针对原始数据中存在的异常值和缺失值进行数据清洗的相关步骤。采用邻近均值法替代异常数据值,利用缺失值的前一个非空数值补全缺失值。其次针对数据中存在不同量纲数值的特点,采用Min MaxScala方法将数据缩放,提高模型运行效率。
实施例8:
本实施例主要步骤同实施例2,其中,步骤11)中,使用归一化处理的方法避免神经元出现饱和,使输入分量有同等重要地位,也防止神经网络出现局部极小现象。
实施例9:
本实施例主要步骤同实施例2,其中,步骤11)具体包括以下步骤:
11.1)根据BP神经网络的阈值和权值确定粒子维数,并产生初始粒子群。
11.2)通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代,使得BP神经网络总误差小于设定值或者达到迭代次数。
11.3)确定BP神经网络的初始连接权值和阈值。
11.4)训练BP神经网络。采用Matlab神经网络工具箱对样本数据进行训练与仿真,以动量BP算法的traingdm()函数进行训练。
11.5)使用基于大数据的SP-HDF储存算法对神经网络初步输出数据加以修饰,得到最终的BP神经网络预测模型。
实施例10:
本实施例主要步骤同实施例2,其中,褶曲的打印方法为:采用双层结构从下往上重复打印,双层结构由不同配比的材料组成,根据不同褶曲程度的形态来调整,最后精确光强和温度得到不同的4D变形形状。打印过程中印刷的角度在0±22.5度或45±22.5度范围内,实际通过光强或声音强弱变化后轴面的弯曲变形,若要更大的弯曲程度则需设计更大的打印角度范围,二者角度相差越大,能实现的褶曲弯曲程度也越大。
实施例11:
本实施例提供一种采动煤岩多场响应快速获取方法,包括以下步骤:
1)根据相似原理确定相似比,并选取形状记忆聚合物作为打印线材。所述形状记忆聚合物的组成和质量份数如下:石英细砂岩43份、石蜡5~8份、光热膨胀变形剂20份、泥质粉砂岩13份、防锈剂7份和大白粉10份。
2)采集待模拟矿井岩样。对岩样进行物理力学测试和电镜能谱分析后得到模拟岩层物理力学性质的相关模拟范围,并根据模型与原型的力学相似比确定模型的力学强度。
3)根据待模拟矿井的实际地质资料和相似比确定模型岩层几何相似比及几何尺寸。进行相似模型3D打印,得到煤矿地质结构相似粗模型。在本实施例中,以形状记忆聚合物从下往上重复层叠进行打印。层与层之间的分离材料采用云母粉。
4)对地质结构相似粗模型中不同位置的材料施加不同外场激励,完成临时形状的赋予,使模型不同位置获得不同的物理力学性质参数。其中,所述物理力学性质参数包括岩石容重、抗压、抗剪、抗拉强度和切向刚度。类比步骤2)确定的相关力学性质,根据所需形成的煤层倾角控制相关外场刺激的强弱。在本实施例中,通过温度控制褶曲的产状大小。
5)设置煤层开采顺序(若为单一煤层,则不考虑该参数)、采高和开采速度,进行煤层开采模拟,观测相似模型在采动过程中煤岩层多场响应。所述煤岩层多场响应包括煤岩应力场变化、变形场变化和裂隙场变化
6)由上往下施加外场激励使保护层顶板岩层、保护层下围岩、保护层底板和被保护层顶板岩层恢复模型的初始形状。将开挖模型记忆材料用机械手臂放回至原模型中保护层和被保护层,并通过外场激励使已经破断的各层覆岩记忆材料愈合。施加外场激励使煤岩层恢复至模型的初始状态。将模型开挖记忆材料放回原模型,并通过外场激励使整个相似模型恢复至本次实验循环确定的物理状态的初始状态。
7)收集煤岩层多场响应数据,处理得到样本数据。对样本数据进行筛选,得到在上述初始物理力学参数下煤岩多场响应的模样本和检验样本数据库。
8)改变煤层初始条件,重复步骤4)~步骤7),得到在不同初始条件下的,不同开采顺序,不同采高和不同开采速率下的岩层演化规律,得到在不同煤层初始条件下的模样本和检验样本总数据库。
9)改变煤岩层初始物理力学参数,重复步骤2)~步骤7),得到在不同初始物理力学参数条件下煤岩多场响应的模样本和检验样本总数据库。
10)构建BP神经网络结构初始模型。所述BP神经网络结构初始模型由输入层、输出层和隐含层组成。各层间通过权连接。
11)在Matlab环境下对所构建的BP神经网络初始模型进行训练,得到不同网络层数、训练函数、隐含层节点数和节点传递函数条件下的误差均值和误差标准差,确定BP神经网络最终模型。BP神经网络最终模型中神经网络的隐含层神经元的传递函数采用Tansig函数,输出层神经元的传递函数采用Logsig函数,训练函数采用Traingdm函数。
12)得到最终训练成熟的BP神经网络最终模型,输入不同的煤矿原始参数及开采的信息,包括开采顺序,采高和开采顺序,输出相应的围岩应力场变化的数据及相关图像、岩层变形运移破坏位移变化的数据及图像和裂隙场发育的数据及图像。
实施例12:
本实施例公开一种采动煤岩多场响应快速获取方法,包括以下步骤:
1)根据根据相似原理确定相似比,选取形状记忆聚合物作为打印线材,所述形状记忆聚合物的组成和质量份数为石英细砂岩43份石蜡5-8份光热膨胀变形剂20份泥质粉砂岩23份防锈剂7份大白粉10份。所述形状记忆聚合物可以均匀吸水脱水性且吸水变形不明显,材料光和热激励膨胀变形后,其质量或体积可均匀膨胀为原来的数十倍,能够达到使模型进行调整的目的。
2)所述形状记忆聚合物满足相似材料相似实验的几何相似比,质量相似比,满足相似原理。将实地采集的岩样进行物理力学测试和电镜能谱分析,得到所要模拟的大倾角煤矿岩层物理力学性质模拟范围,
3)根据模型与原型的力学相似比确定模型的力学强度,针对相关的强度和参数,对材料配比进行调整,使符合相关要求。
4)根据待打印的岩层实地考察相关地质资料进行几何相似模板及地质构造相似模拟,根据模拟模型进行3D打印,得到大倾角煤矿的结构粗模型。3D打印过程中,层与层之间的分离材料采用云母粉。采用双层结构,以形状记忆聚合物从下往上重复层叠进行打印。其中,双层结构由不同配比的材料组成,材料组成以理论模拟结果为指导。
5)设置煤层开采顺序(若为单一煤层,则不考虑该参数)、采高和开采速度,进行煤层开采模拟,观测相似模型在采动过程中煤岩层多场响应。所述煤岩层多场响应包括煤岩应力场变化、变形场变化和裂隙场变化。
6)开挖完成后,通过温度激励或光激励使上覆岩层恢复模型的初始形状。将开挖模型记忆材料用机械手臂放回至原模型,并使上覆岩破断记忆材料愈合。使模型恢复开挖前的状态。
7)分别改变煤层开采顺序,采高和开采速度,重复步骤3)~步骤6),获得不同开采顺序、不同采高和不同开采速度下煤岩多场响应。并且预留不同开采顺序和不同工作面间距的情况各3次数据单独分离出来,作为最后神经网络检验样本。
8)收集煤岩层多场响应数据,处理得到样本数据。对样本数据进行筛选,得到在上述初始物理力学参数下煤岩多场响应的模样本和检验样本数据库
9)改变煤岩层初始物理力学参数,重复步骤2)~步骤8),得到在不同初始物理力学参数条件下煤岩多场响应的模样本和检验样本总数据库。
10)改变煤岩层倾角、厚度,重复步骤2)~步骤9),得到不同煤岩层倾角、厚度下煤岩多场响应的模样本和检验样本总数据库
11)针对原始数据中存在的异常值和缺失值等问题进行数据清洗,采用邻近均值法替代异常数据值,利用缺失值的前一个非空数值补全缺失值。其次针对数据中存在不同量纲数值的特点,采用Min Max Scala方法将数据缩放,提高模型运行效率。
12)使用多元线性回归分析原理对所采集的应力场变化,裂隙场发育变化,及顶板岩层变形运移位移场变化进行线性回归分析,多元线性回归分析采用SPSS软件进行回归分析,分析几个岩石几个力学性质参数和开采顺序及工作面间距分别对于采场矿压显现、围岩移动、裂隙发育以及综采面断破的影响相关性,并且初步验证模型可靠性。
13)通过线性回归分析,确立输入层神经元选取因素,包括岩石物理性质煤岩层倾角、厚度,开采顺序和工作面间距,结合Kolmogorov定理和工程实际构建模型BP神经网络的BP神经网络。所建立的网络模型结构中,首层为输入神经元节点,包括煤层开采顺序,采高和开采速度,数量由上线性回归分析得到的主要影响因素决定,中层为神经隐单元,下层为输出层得到预测结果,各层间通过权连接。
14)使用Matlab语言编写算法计算程序,使用PSO算法优化的BP神经网络预测模型,并且加入。在初始化参数其中包括种群规模、迭代次数、学习因子及不同煤岩层倾角、厚度、不同煤岩层初始物理力学参数、不同开采顺序,不同采高和不同开采速度的限定区间,根据模拟开采得到的数据总库对所构建的BP神经网络初始模型进行训练,得到不同网络层数、训练函数、隐含层节点数和节点传递函数条件下的误差均值和误差标准差,确定BP神经网络最终模型。
15)然后使用采用Matlab神经网络工具箱对样本数据进行训练和仿真,用训练好的BP神经网络预测模型,分别对前实验预留的各种情况的3次实验结果进行检验,通过输入相关影响因素,包括岩层力学性质,开采顺序,工作面间距,得到工作面间距的采场矿压显现、围岩移动、裂隙发育以及对于综采面断破规律,并且与前实验所得结果进行对比。
16)使用BP神经网络改进的遗传算法,进行定位输出应力场变化图像、岩层变形运移破坏位移变化图像和裂隙场发育图像。
Claims (10)
1.一种采动煤岩多场响应快速获取方法,其特征在于,包括以下步骤:
1)选取形状记忆聚合物作为打印线材;设置煤岩层倾角和厚度;进行相似模型3D打印,得到煤层相似模拟粗模型;
2)对煤层相似模拟粗模型中不同位置的材料施加不同外场激励,使模型不同位置获得预设的初始物理力学参数,得到煤层重复采动相似模拟模型;其中,所述物理力学性质参数主要包括煤岩容重、抗压、抗剪、抗拉强度和切向刚度;
3)设置煤层开采参数。进行煤层开采模拟,观测煤层重复采动相似模拟模型在采动过程中煤岩层多场响应;所述煤岩层多场响应包括煤岩应力场变化、变形场变化和裂隙场变化;
4)施加外场激励使煤岩层恢复至煤层重复采动相似模拟模型的初始状态。将模型开挖记忆材料放回原煤层重复采动相似模拟模型,并通过外场激励使整个煤层重复采动相似模拟模型恢复至初始状态;
5)分别改变煤层开采参数,重复步骤3)~步骤4),获得不同开采参数下煤岩多场响应;
6)收集煤岩层多场响应数据,处理得到样本数据;对样本数据进行筛选,得到在预设初始物理力学参数下煤岩多场响应的建模样本和检验样本数据库;
7)改变煤岩层初始物理力学参数,重复步骤2)~步骤6),得到在不同初始物理力学参数条件下煤岩多场响应的模样本和检验样本总数据库;
8)改变煤岩层倾角、厚度,重复步骤1)~步骤7),得到不同煤岩层倾角、厚度下煤岩多场响应的模样本和检验样本总数据库;
9)对建模样本数据进行多元回归分析;分析不同煤岩层倾角、厚度、煤岩层初始物理力学参数和开采参数与煤岩应力场变化、变形场变化和裂隙场变化的相关性;
10)确定BP神经网络的输入节点数、输出节点数和隐层节点数,构建BP神经网络预测模型的结构初始模型;所述BP神经网络结构初始模型包括输入层、输出层和隐含层;各层间通过权连接;
11)使用粒子群算法优化BP神经网络的连接权值和阈值,得到最终的BP神经网络预测模型;
12)采集实际矿井基本资料;根据相似原理,获得实验室相似模拟尺度下矿井的基本参数;将参数输入BP神经网络预测模型得出实验室尺度下矿井煤层采动下煤岩多场响应;根据相似比,得到矿井真实的煤层重复采动下煤岩多场响应。
2.根据权利要求1或2所述的一种采动煤岩多场响应快速获取方法,其特征在于:所述煤层重复采动相似模拟模型为单一煤层重复采动相似模拟模型;所述煤层开采参数包括采高和开采速度。
3.根据权利要求1或2所述的一种采动煤岩多场响应快速获取方法,其特征在于:所述煤层重复采动相似模拟模型为煤层群重复采动相似模拟模型;所述煤层开采参数包括开采顺序、采高和开采速度。
4.根据权利要求1或3所述的一种采动煤岩多场响应快速获取方法,其特征在于,所述形状记忆聚合物的组成和质量份数如下:石英细砂岩43份、石蜡5~8份、光热膨胀变形剂20份、泥质粉砂岩13份、防锈剂7份和大白粉10份。
5.根据权利要求2所述的一种采动煤岩多场响应快速获取方法,其特征在于:步骤1)中,以形状记忆聚合物从下往上重复层叠进行打印;层与层之间的分离材料采用云母粉。
6.根据权利要求1所述的一种采动煤岩多场响应快速获取方法,其特征在于:步骤5)中,通过激光干涉的高精度多自由度光栅传感系统获得开挖模拟时模型位移数字信息,通过图像处理获得围岩应力场变化的数据及相关图像、煤岩层变形场变化的数据及图像和裂隙场的数据及图像。
7.根据权利要求1所述的一种采动煤岩多场响应快速获取方法,其特征在于:步骤9)之前,还具有针对原始数据中存在的异常值和缺失值进行数据清洗的相关步骤;采用邻近均值法替代异常数据值,利用缺失值的前一个非空数值补全缺失值。
8.根据权利要求1所述的一种采动煤岩多场响应快速获取方法,其特征在于:步骤11)中,使用归一化处理的方法避免神经元出现饱和,使输入分量有同等重要地位,也防止神经网络出现局部极小现象。
9.根据权利要求1所述的一种采动煤岩多场响应快速获取方法,其特征在于:步骤11)中,采用Matlab神经网络工具箱对样本数据进行训练与仿真,以动量BP算法的traingdm()函数进行训练。
10.根据权利要求1所述的一种采动煤岩多场响应快速获取方法,其特征在于,步骤11)具体包括以下步骤:
11.1)根据BP神经网络的阈值和权值确定粒子维数,并产生初始粒子群;
11.2)通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代,使得BP神经网络总误差小于设定值或者达到迭代次数;
11.3)确定BP神经网络的初始连接权值和阈值;
11.4)训练BP神经网络;
11.5)使用基于大数据的SP-HDF储存算法对神经网络初步输出数据加以修饰,得到最终的BP神经网络预测模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546115.6A CN111859781A (zh) | 2020-06-16 | 2020-06-16 | 一种采动煤岩多场响应快速获取方法 |
US17/349,110 US20210390231A1 (en) | 2020-06-16 | 2021-06-16 | Method for Rapidly Acquiring Multi-Field Response of Mining-induced Coal Rock |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546115.6A CN111859781A (zh) | 2020-06-16 | 2020-06-16 | 一种采动煤岩多场响应快速获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111859781A true CN111859781A (zh) | 2020-10-30 |
Family
ID=72987672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010546115.6A Pending CN111859781A (zh) | 2020-06-16 | 2020-06-16 | 一种采动煤岩多场响应快速获取方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210390231A1 (zh) |
CN (1) | CN111859781A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688572A (zh) * | 2021-08-30 | 2021-11-23 | 桂林电子科技大学 | 基于主动激励红外温度表征的煤岩体三维感知重构方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230186615A1 (en) * | 2021-12-13 | 2023-06-15 | National Technology & Engineering Solutions Of Sandia, Llc | Design and Analysis of 3D Printed Structures using Machine Learning |
CN115165727B (zh) * | 2022-06-21 | 2024-05-10 | 辽宁工程技术大学 | 一种可调节倾角和倾向的岩层相似模拟实验装置及方法 |
CN115964931B (zh) * | 2022-11-04 | 2023-09-05 | 广西大学 | 岩石高强高脆动静特性相似的材料配制理论、方法和配方 |
CN116167147B (zh) * | 2023-04-25 | 2023-07-07 | 煤炭科学研究总院有限公司 | 基于多层感知机算法的煤岩冲击倾向性直接指数评价方法 |
CN117074171B (zh) * | 2023-07-21 | 2024-03-08 | 中国矿业大学(北京) | 一种深部煤岩应力场耦合诱发煤岩失稳预警方法 |
CN117494617B (zh) * | 2023-12-29 | 2024-04-16 | 中国石油大学(华东) | 基于内嵌物理信息神经网络的二氧化碳驱油快速模拟方法 |
CN117495967B (zh) * | 2023-12-29 | 2024-04-05 | 四川高速公路建设开发集团有限公司 | 一种隧道掌子面位移场监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866241A (zh) * | 2012-09-29 | 2013-01-09 | 重庆大学 | 三向加载大型三维相似模拟试验方法 |
US20190071967A1 (en) * | 2016-04-29 | 2019-03-07 | China University Of Mining And Technology | Design method for mining upper protective seam close to total rock for use in coal-bed mining |
CN109779633A (zh) * | 2019-01-17 | 2019-05-21 | 中煤科工集团重庆研究院有限公司 | 煤矿坚硬顶板液压式定向致裂弱化方法 |
-
2020
- 2020-06-16 CN CN202010546115.6A patent/CN111859781A/zh active Pending
-
2021
- 2021-06-16 US US17/349,110 patent/US20210390231A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866241A (zh) * | 2012-09-29 | 2013-01-09 | 重庆大学 | 三向加载大型三维相似模拟试验方法 |
US20190071967A1 (en) * | 2016-04-29 | 2019-03-07 | China University Of Mining And Technology | Design method for mining upper protective seam close to total rock for use in coal-bed mining |
CN109779633A (zh) * | 2019-01-17 | 2019-05-21 | 中煤科工集团重庆研究院有限公司 | 煤矿坚硬顶板液压式定向致裂弱化方法 |
Non-Patent Citations (3)
Title |
---|
JIA-TAO MIAO 等: "Dynamic Imine Bond-Based Shape Memory Polymers with Permanent Shape Reconfigurability for 4D Printing", 《ACS APPLIED MATERIALS & INTERFACES》 * |
XIAO KUANG 等: "3D Printing of Highly Stretchable, Shape-Memory, and Self-Healing Elastomer toward Novel 4D Printing", 《ACS APPLIED MATERIALS & INTERFACES》 * |
郑荣宗: "可自修复电致变色材料的制备及物性研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688572A (zh) * | 2021-08-30 | 2021-11-23 | 桂林电子科技大学 | 基于主动激励红外温度表征的煤岩体三维感知重构方法 |
CN113688572B (zh) * | 2021-08-30 | 2023-08-15 | 桂林电子科技大学 | 基于主动激励红外温度表征的煤岩体三维感知重构方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210390231A1 (en) | 2021-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859781A (zh) | 一种采动煤岩多场响应快速获取方法 | |
WO2023185735A1 (zh) | 全时空采掘过程的矿山应力场孪生建模同化系统及方法 | |
CN113534291B (zh) | 岩石力学层约束下的低渗透储层不同尺度裂缝定量预测方法 | |
Xie et al. | Integration of shale-gas-production data and microseismic for fracture and reservoir properties with the fast marching method | |
CN109241588B (zh) | 一种基于拟连续地质力学模型的单裂缝扩展的模拟方法 | |
Aimene et al. | Geomechanical modeling of hydraulic fractures interacting with natural fractures—Validation with microseismic and tracer data from the Marcellus and Eagle Ford | |
CN113901681B (zh) | 一种全寿命周期页岩气储层双甜点三维可压性评估方法 | |
CN111553000A (zh) | 钻爆法隧道智能建造方法 | |
Zhao et al. | Numerical study of fracture dynamics in different shale fabric facies by integrating machine learning and 3-D lattice method: a case from Cangdong Sag, Bohai Bay basin, China | |
CN103913772B (zh) | 基于储层地质力学参数的微地震事件正演模拟方法 | |
CN113820750A (zh) | 基于弹塑性力学定量预测泥岩构造裂缝的方法 | |
CN112035939B (zh) | 一种双侧壁导坑隧道的岩土体参数随机场建模方法 | |
CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
CN114429057A (zh) | 天然裂缝建模及压裂模拟方法、装置、计算机和存储介质 | |
CN110705168A (zh) | 构造应力场的模拟方法 | |
CN105719342A (zh) | 一种地裂缝地质体的三维建模可视化方法及装置 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN115310319A (zh) | 模拟地层条件下射孔完井的仿真方法 | |
CN113392595A (zh) | 砾岩油藏水平井压裂缝网表征方法 | |
Hao et al. | Multi-sensor optimal deployment based efficient and synchronous data acquisition in large three-dimensional physical similarity simulation | |
CN113221368B (zh) | 一种将二维地质剖面转换为flac3d计算模型的方法 | |
Liu et al. | Fine geological modeling of complex fault block reservoir based on deep learning | |
CN116152456A (zh) | 一种三维地层结构可视化方法及系统 | |
CN106887041A (zh) | 模拟地质现象空间发育趋势的地质三维建模方法和系统 | |
van Dijk | Application of Artificial Intelligence in 3D Modelling of Fault and Fracture Systems: Closing in on the Complexity of Geologic Reality |
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 |