CN111932387A - 基于改进Boltzmann函数的开采沉陷预测方法 - Google Patents
基于改进Boltzmann函数的开采沉陷预测方法 Download PDFInfo
- Publication number
- CN111932387A CN111932387A CN202010468314.XA CN202010468314A CN111932387A CN 111932387 A CN111932387 A CN 111932387A CN 202010468314 A CN202010468314 A CN 202010468314A CN 111932387 A CN111932387 A CN 111932387A
- Authority
- CN
- China
- Prior art keywords
- mining
- function
- value
- model
- subsidence
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000003245 coal Substances 0.000 claims abstract description 30
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000002068 genetic effect Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 239000002096 quantum dot Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 11
- 238000005755 formation reaction Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012937 correction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013598 vector Substances 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
Abstract
本发明针对厚松散矿区地表沉陷边界收敛缓慢而导致移动变形预计精度低的问题,提出了一种基于改进Boltmann函数的开采沉陷预测方法,属于煤矿开采沉陷分析技术领域,该方法以2个不同重要影响半径的单元下沉盆地按一定比例的组合来表示单元下沉盆地,按照叠加原理建立了地表走向主断面、倾向主断面以及任意点的预计公式,并给出了求取参数的量子遗传算法。本发明相对于Boltmann函数模型、概率积分法模型,无论是总的拟合效果还是边界处的拟合效果都更接近于现场实际,为厚松散层开采条件下协调井上下开采提供依据。
Description
技术领域
本发明涉及煤矿开采沉陷分析技术领域,尤其涉及一种改进Boltzmann函数的开采沉陷预测方法。
背景技术
松散层为第四系与新近系地层,主要由土质、砂、砾石、卵石层等组成,一般认为,松散层厚度超过50m时称为厚松散层,在我国的华东大部分的煤田,如淮南、淮北、兖州、徐州、大屯等矿区,多为厚松散层覆盖矿区。地表开采沉陷实测资料表明,这些矿区存在地表移动范围更广、沉陷边界收敛缓慢、地表最大下沉值大于煤层采高等特殊现象,这些现象引起了专家和学者的关注。如何建立厚松散层开采条件下的高精度地表沉陷预计方法,对于准确获取地表移动范围边界,协调地下开采和保护地表建筑物的关系有着重要意义。
目前针对厚松散层矿区已有的沉陷预测模型主要有概率积分法及其修正模型、基于力学理论模型的方法和基于相关拟合函数的方法。韩奎峰(韩奎峰,康建荣.厚冲积层矿区概率积分法预计修正模型研究[J].湖北农业科学,2009,48(12):3003-3006.)根据淮南新矿区厚冲积层的特点利用地表实测数据以及淮南老矿区薄冲积层矿区开采沉陷预计结果,利用叠加理论建立概率积分法修正后的模型。任迎华(任迎华.概率积分法多项式修正模型研究[J].矿山测量,2018,46(02):65-67+79.)利用概率积分法预测结果与实测之差,建立差值与距离和采深比值的多项式关系,构建多项式修正补偿的概率积分法的多项式修正模型,取得了较好的效果;余华中(余华中,李德海,李明金.厚松散层下开采预计的概率积分法修正模型[J].焦作工学院学报(自然科学版),2004(04):255-257.)将煤层上覆岩层分为松散层和基岩两部分,基岩部分仍然用传统的概率积分法进行预计,并假定在基岩表面形成一个沉陷盆地,以此盆地作为一个变采厚的煤层,然后采用概率积分法预计地表形变,从而达到修正的目的。项正道(项正道.厚松散层下采煤塌陷预测研究[D].合肥工业大学,2015.)以弹性理论为基础建立基岩下沉计算模型,然后采用基岩下沉作为开采厚度对冲击层下沉进行预计,同时还考虑了含水冲击层失水对下沉产生的影响。徐平、周跃进等(徐平,周跃进,张敏霞,李佳伟,曹正正.厚松散层薄基岩充填开采覆岩裂隙发育分析[J].采矿与安全工程学报,2015,32(04):617-622.)以力学模型为基础,建立了厚冲击层薄基岩Winkler梁模型,分析了厚冲击层覆盖矿区充填开采裂隙发育规律。王宁(王宁,吴侃,刘锦,安士凯.基于Boltzmann函数的开采沉陷预测模型[J].煤炭学报,2013,38(08):1352-1356.)等提出基于Bothmann函数建立了适用于厚冲击层条件的新的开采沉陷模型。
通过阅读文献和进行相关研究发现,已有的模型主要有以下不足:
(1)基于概率积分法及其修正模型方法中,多数改进模型参数多、参数意义不明确,且模型多为高度非线性函数,参数求取困难,求取结果并不理想,即边界收敛精度低;
(2)基于力学理论的预计方法,在推导过程中假设太多,模型参数选取困难,难以得到广泛应用;
(3)用户在使用bolthmann函数应用到相关矿区时发现,虽然在边界处bothmann拟合效果好,但是整体精度有时可能低于概率积分法预计模型。
因此厚松散层开采条件下更为成熟的预测模型尚未形成。
发明内容
为了解决上述技术问题,本发明提供了一种基于改进Boltmann函数的开采沉陷预测方法,以提供一种更成熟的针对厚松散层开采条件下的沉陷预测模型,解决厚松散矿区地表沉陷边界收敛缓慢而导致移动变形预计精度低等技术问题。
本发明采用以下技术方案来实现:
本发明提供了一种基于改进Boltmann函数的开采沉陷预测方法,包括以下步骤:
步骤S1:基于Boltmann函数构建地表移动盆地走向主断面的预测模型,将构建的预测模型的表达式拆分成两个不同重要影响半径的单元下沉盆地按一定比例系数P的组合,再按照叠加原理建立地表移动变形预计公式,构建得到基于改进Boltmann函数的开采沉陷预测模型;
步骤S2:利用基于改进Boltmann函数的开采沉陷预测模型,构建待测开采区域B(s,t)地表走向主断面、倾向主断面以及任意点A(x,y)的移动和变形预测模型;
步骤S3:求解步骤S2预测模型中与地表移动盆地开采沉陷相关的参数。
作为本发明进一步的优化方案,所述步骤S1的基于改进Boltmann函数的开采沉陷预测模型包括:
步骤S101:半无限开采引起的下沉值w(x)计算函数模型:
式中,w0为最大下沉值,P是比例系数,R1和R2为主要影响半径。
步骤S102:半无限开采引起的倾斜值i(x)计算函数模型:
步骤S103:半无限开采引起的曲率值k(x)计算函数模型:
步骤S104:半无限开采走向主断面水平移动值u(x)计算函数模型:
步骤S105:半无限开采走向主断面水平变形值ε(x)计算函数模型:
作为本发明的进一步优化方案,所述步骤S2的构建待测开采区域B(s,t)中任意点A(x,y)的移动和变形预测模型的方法,包括以下步骤:
步骤S201:构建地表平面坐标系xOy和煤层坐标系tO1s,设煤层相对于地表平面的煤层倾角为α,待测开采区域B(s,t)的宽度为D3、长度为D1、最大下沉值为w0;
步骤S202:构建地表移动盆地走向主断面开采沉陷预测模型为:
式中,w0(x)、i0(x)、k0(x)、u0(x)、ε0(x)分别为任意点A(x,y)在走向主断面的下沉值、倾斜值、曲率值、水平移动值和水平变形值,l3为走向有限开采的计算长度,l3=D3-s3-s4,s3、s4分别为左、右方向拐点偏移距;
步骤S203:构建地表移动盆地倾向主断面开采沉陷预测模型为:
式中,w0(y)、i0(y)、k0(y)、u0(y)、ε0(y)分别为任意点A(x,y)在走向主断面的下沉值、倾斜值、曲率值、水平移动值和水平变形值,l1为倾向有限开采的计算长度,s1、s2分别为下山方向、上山方向拐点偏移距,θ0为开采影响角;
步骤S204:构建地表移动盆地任意点A(x,y)的移动和变形预测模型,包括:
①构建地表移动盆地任意点A(x,y)的下沉值w(x,y)计算模型
式中,w0=mqcosα,m为煤层厚度,q为下沉系数。
作为本发明的进一步优化方案,利用量子遗传算法求解预测模型中与地表移动盆地开采沉陷相关的参数,包括下沉系数q,比例系数P,水平移动系数b,开采影响角θ0,拐点偏移距s1、s2、s3、s4,主要影响角正切tanβ1、tanβ2
作为本发明的进一步优化方案,所述步骤S3中,利用量子遗传算法求解步骤S2构建的预测模型中与地表移动盆地开采沉陷相关的参数。
作为本发明的进一步优化方案,利用量子遗传算法求解预测模型中参数的方法,包括以下步骤:
步骤S301:确定量子遗传算法的适应度函数;
步骤S302:编码和种群的生成:根据地质采矿条件确定与地表移动盆地开采沉陷相关的参数的初值和范围,将确定的参数编码为量子遗传算法中的量子比特染色体,生成初始种群;
步骤S303:解码并计算适应度函数值;
将种群进行解码还原为相应的预计参数,计算出适应度函数的值,并记录当前种群最优个体的适应度值;
步骤S304:判断结果是否满足条件,模型中以拟合中误差和迭代次数作为判断条件,满足精度要求或达到最大遗传代数时,则解码输出当前种群的最优个体,即为最优反演参数;否则,执行步骤S305;
步骤S305:更新个体并计算适应度函数的值
采用量子旋转门对个体实施调整,得到新的种群,并记录最优个体和其对应的适应度函数值;
步骤S306:迭代计算,重复步骤S302-S306,直至满足迭代终止条件;
步骤S307:最终解码得到最优的概率积分法参数。
作为本发明的进一步优化方案,所述步骤S301的量子遗传算法的适应度函数的确定方法为:假设实测下沉和水平移动值分别为Ws、Us,预测下沉值和水平移动值分别为Wi、Ui,则以预测值和观测值之差平方和最小为准则,得到适应度函数为:
f=∑((Ws-Wi)2+(Us-Ui)2)。
本发明的有益效果是:本发明提供了一种基于改进Boltmann函数的开采沉陷预测方法,该方法以2个不同重要影响半径的单元下沉盆地按一定比例的组合来表示单元下沉盆地,按照叠加原理建立了地表走向主断面、倾向主断面以及任意点的预计公式,并给出了求取参数的量子遗传算法。实验分析结果表明,新改进模型相对于Boltmann函数模型、概率积分法模型,无论是总的拟合效果还是边界处的拟合效果都更接近于现场实际,为厚松散层开采条件下协调井上下开采提供依据。
附图说明
图1为单元开采下沉与参数R之间的关系;
图2为三维坐标系下开采沉陷区移动和变形计算原理图;
图3为走向主断面的移动和变形计算原理图;
图4为倾向主断面的移动和变形计算原理图;
图5为量子遗传算法求参技术路线图;
图6为1222(1)工作面观测线布置图;
图7为1222(1)工作面拟合下沉值与实测下沉值对比图;
图8为1222(1)工作面拟合水平移动值与实测水平移动值对比图;
图9为1613(1)工作面点位布置图;
图10为1613(1)工作面拟合下沉值与实测下沉值对比图;
图11为1613(1)工作面拟合水平移动值与实测水平值对比图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
本发明提供了一种基于改进Boltmann函数的开采沉陷预测模型方法,步骤包括:
步骤S1:基于Boltmann函数构建地表移动盆地走向主断面的预测模型,将构建的预测模型的表达式拆分成两个不同重要影响半径的单元下沉盆地按一定比例系数P的组合,再按照叠加原理建立地表移动变形预计公式,构建得到基于改进Boltmann函数的开采沉陷预测模型。
式中,k为比例系数,w0为最大下沉值,s为拐点偏移距,R为主要影响半径,Boltmann函数曲线表现为边界收敛更为缓慢。
对上式微分,可求的Boltzmann函数的单元影响函数为:
图1中为单元开采下沉与参数R之间的关系,从图中可以看出R越小,其边界收敛越快,最大下沉值越大,参数R值越大,边界收敛越缓慢,最大值越小。
步骤S101:构建半无限开采引起的下沉值w(x)计算函数模型:
本发明考虑将地表单元下沉盆地的表达式变为由两个不同参数R的下沉盆地按一定的比例的组合,然后按叠加法建立地表移动变形预计公式,叠加后的单元开采下沉预计公式如下所示:
半无限开采引起的下沉值为w(x):
式中,w0为最大下沉值,P是比例系数,R1和R2为主要影响半径。
步骤S102:构建半无限开采引起的倾斜值i(x)计算函数模型:
步骤S103:构建半无限开采引起的曲率值k(x)计算函数模型:
步骤S104:构建半无限开采走向主断面水平移动值u(x)计算函数模型:
利用概率积分法推导经验和弹性力学知识,可确定单元水平移动的形式:
式中B为常数。
对上式进行积分,即可求出半无限开采走向主断面水平移动计算公式u(x)::
在这里近似的令水平移动系数b为
步骤S105:构建半无限开采走向主断面水平变形值ε(x)计算函数模型:
步骤S2:利用步骤S1改进Boltmann函数模型构建开采沉陷预测模型,步骤包括:
步骤S201:如图2所示,构建地表平面坐标系xOy和煤层坐标系tO1s,设煤层相对于地表平面的煤层倾角为α,待测开采区域B(s,t)的宽度为D3、长度为D1、最大下沉值为w0;
步骤S202:根据改进Boltmann函数模型构建地表移动盆地走向主断面开采沉陷预测模型:
走向有限开采指煤层沿倾斜方向已达到充分采动,沿走向方向没有达到充分开采的情况,走向有限开采主断面的移动和变形计算原理如图3所示,满足:
式中,w0(x)、i0(x)、k0(x)、u0(x)、ε0(x)分别为任意点A(x,y)在走向主断面的下沉值、倾斜值、曲率值、水平移动值和水平变形值,l3为走向有限开采的计算长度,l3=D3-s3-s4,s3、s4分别为左、右方向拐点偏移距。
步骤S203:根据改进Boltmann函数模型构建地表移动盆地倾向主断面开采沉陷预测模型:
倾向有限开采指煤层沿走向方向已达到充分采动,沿倾向方向没有达到充分开采,倾向有限开采主断面的移动和变形计算原理如图4所示,满足:
式中,w0(y)、i0(y)、k0(y)、u0(y)、ε0(y)分别为任意点A(x,y)在走向主断面的下沉值、倾斜值、曲率值、水平移动值和水平变形值,l1为倾向有限开采的计算长度,s1、s2分别为下山方向、上山方向拐点偏移距,θ0为开采影响角。
步骤S203:,根据改进Boltmann函数模型构建地表任意点A(x,y)的移动和变形预测模型:
三维坐标系下地表移动盆地移动和变形计算原理如图4所示,包括:
①构建地表移动盆地任意点A(x,y)的下沉值w(x,y)计算模型
式中,w0=mqcosα,m为煤层厚度,q为下沉系数。
步骤S3:利用量子遗传算法对步骤S2构建的计算模型进行求解
在新模型中,包括10个参数:q、P、b、θ0、s1、s2、s3、s4、tanβ1、tanβ2,其中其中下沉系数q、开采影响角θ0、拐点偏移距s1,s2,s3,s4、水平移动系数b与概率积分法定义的意义相同,参数相近,新模型中R1、R2为重要影响半径,tanβ1、tanβ2为主要影响角正切,H为平均采深,P为比例系数。
如上述模型表述所示,模型函数为高度非线性函数,如何获取模型参数的全局最优解是一个难点。量子遗传算法是量子计算与遗传算法相结合的产物,是一种新发展的概率进化算法。量子遗传算法编码的过程中采用量子编码,将染色体用量子的态矢量表示,增加了种群的多样性,使得算法在较小的种群规模下获得最优解,并在遗传的过程中摒弃了传统的选择、交叉、变异操作,引用了量子门,提高了搜索效率。
本发明将量子遗传算法引入到新模型的解算过程,如图5所示,具体包括以下步骤:
步骤S301:假设实测下沉和水平移动值分别为Ws、Us,预测下沉值和水平移动值分别为Wi、Ui,则以预测值和观测值之差平方和最小为准则,确定量子遗传算法的适应度函数:
f=∑((Ws-Wi)2+(Us-Ui)2)
步骤S302:编码和种群的生成:根据地质采矿条件确定与地表移动盆地开采沉陷相关的参数的初值和范围,将确定的参数编码为量子遗传算法中的量子比特染色体,生成初始种群;
步骤S303:解码并计算适应度函数值;
将种群进行解码还原为相应的预计参数,计算出适应度函数的值,并记录当前种群最优个体的适应度值;
步骤S304:判断结果是否满足条件,模型中以拟合中误差和迭代次数作为判断条件,满足精度要求或达到最大遗传代数时,则解码输出当前种群的最优个体,即为最优反演参数;否则,执行步骤S305;
步骤S305:更新个体并计算适应度函数的值
采用量子旋转门对个体实施调整,得到新的种群,并记录最优个体和其对应的适应度函数值;
步骤S306:迭代计算,重复步骤S302-S306,直至满足迭代终止条件;
步骤S307:最终解码得到最优的概率积分法参数,包括参数q、P、b、θ0、s1、s2、s3、s4、tanβ1、tanβ2。
为验证模型的正确性以淮南厚冲击层矿区两个典型的工作面为例,同时采用概率积分法预计模型、Bolthmann函数预计模型、改进Bolthmann函数预计模型三种模型进行拟合比较,求参方法均基于量子遗传算法。
实施例1
淮南朱集东矿1222(1)工作面,平均采高1.9m,工作面走向长805m,倾向宽230m,回采速度平均为3.7m/d,煤层倾角平均3°,为近水平煤层,平均采深为945m;松散层厚度平均为321m,1222(1)工作面采用综合机械化采煤工艺,全部垮落法管理顶板。其工作面监测点布置图如图6所示;改进的预测模型曲线和实测模型曲线对比如图7、图8所示,分别计算了全部测点的拟合中误差,边界处的下沉和水平移动的边界拟合中误差。
实施例2
淮南顾桥矿1613(1)工作面,平均采高2.9m,工作面走向长1528m,倾向宽251m,回采速度平均为5.56m/d,煤层倾角平均3°,为近水平煤层,平均采深为668m;松散层厚度平均为420m,1613(1)工作面采用综合机械化采煤工艺,全部垮落法管理顶板。其工作面监测点布置图如图9所示;预测模型曲线和实测模型曲线对比如图10、图11所示。
实施例1-2的拟合参数及中误差见下表1:
表1:不同预测模型实测参数汇总表
实施例1-2中两个矿区均属于巨厚松散层下开采,从两个工作面的拟合效果来看(表1),改进的Boltzmann函数法预测模型相对Boltzmann函数法和概率积分预测模型,无论是的总拟合效果,还是边界处的拟合效果都表现的更优。改进模型较好的修复了传统模型边界不收敛的问题。
实施例3
在厚冲积层矿区预计结果表明,使用改进的Bothmann函数模型预计结果相比于概率积分法模型和Bothmann函数模型拥有更高的预计精度,如何在开采前提前获取模型参数对工作面的设计、观测站的设计以及建筑物的保护措施措施设计有着重要意义。本发明通过已经收集得到的淮南厚松散层下的实测资料,研究模型参数与地质采矿条件之间的关系,建立的多重线性回归模型如下所示:
Pa=β0+β1V1+…+βmVm
式中:β0,β1,……,βm为回归系数,V1,……,Vm为地质采矿条件。
在整理多个工作面的地表移动观测站的基础上,采用量子遗传算法求取改进Bothmann函数模型的参数,反演结果见表2。
表2参数反演结果
工作面编号 | q | P | b | θ | s1 | s2 | s3 | s4 | tanβ1 | tanβ2 |
1222(1) | 0.93 | 0.12 | 0.41 | 82.1 | 23.0 | 18.9 | -6.9 | -6.4 | 1.65 | 3.01 |
1613(1) | 0.81 | 0.44 | 0.32 | 89.8 | -27.6 | -14.5 | 49.3 | 44.7 | 1.69 | 2.70 |
1414(1) | 0.97 | 0.54 | 0.43 | 81.0 | -29.9 | -27.0 | 38.6 | 37.0 | 1.22 | 3.61 |
1312(1) | 1.01 | 0.16 | 0.31 | 88.2 | -76.9 | -82.6 | 98.5 | 99.3 | 1.28 | 4.70 |
121303 | 0.99 | 0.45 | 0.35 | 80.0 | -44.5 | -82.4 | 4.5 | 98.8 | 1.85 | 3.41 |
2111(3) | 0.7 | 0.06 | 0.34 | 88.0 | -41.8 | -97.5 | 77.8 | -43.0 | 1.47 | 3.27 |
1111(1) | 0.52 | 0.11 | 0.39 | 88.6 | 0.9 | -7.8 | 28.5 | -97.1 | 1.03 | 4.45 |
本发明收集到的地质采矿条件包括:采厚m、采深H、松散层厚度hs、煤层倾角α、走向采动程度D3/H(走向长比采深)、倾向采动程度D1/H(倾向长比采深)、工作面推进速度v。由于拐点偏移距波动范围大,淮南矿区可取0.1H0,回归公式暂不考虑,采用采用线性回归的方法对建立上述参数与地质采矿条件之间的的参数如下表3所示:
表3回归拟合系数
参数 | m | a | D1/H | D3/H | v | hs/H | 常数项 | R<sup>2</sup> |
q | -1.4056 | 0.2413 | 1.6282 | -21.5548 | -1.1764 | 16.7186 | 4.5661 | 0.99 |
P | -0.5482 | 0.082 | 0.6152 | -1.4692 | -0.2852 | 3.5933 | 0.2546 | 0.99 |
b | -0.2652 | 0.0413 | 0.3645 | -5.7391 | -0.2089 | 3.3182 | 1.3627 | 0.99 |
θ | 32.5272 | -5.7425 | -39.0934 | 547.9511 | 25.2137 | -372.4054 | -9.8109 | 0.99 |
tanb1 | -1.1315 | 0.1996 | 0.9466 | 1.4598 | -1.1233 | 8.2598 | 2.7111 | 0.99 |
tanb2 | 4.182 | -0.6241 | -4.8855 | 25.0156 | 4.4206 | -39.8573 | -5.2983 | 0.99 |
拟合系数的大小代表该自变量对因变量参数的影响大小,正负号代表影响方向,根据以上公式可以在未开采时就可以提前获取所需参数。
结论:
针对厚冲积层矿区地表边界收敛较慢的问题,本发明提出将两个不同的重要影响半径的单元下沉盆地按照一定的比例组合表示修正后的下沉盆地,建立了基于改进Boltmann函数的边缘修正模型,并将量子遗传算法应用到新模型的求参过程中,有效的解决了模型求参困难的问题。
在1222(1)工作面拟合中,总的拟合中误差为46.7mm,下沉边界拟合中误差为27.6mm,水平移动边界拟合中误差为34.8mm,在1613(1)工作面拟合中,总的拟合中误差为95.7mm,下沉边界拟合中误差为32.9mm,水平移动边界拟合中误差为55.1mm,拟合精度均高于Boltmann函数模型和概率积分法模型。
此外,本发明基于淮南矿区已收集得到的7个典型工作面的实测数据,建立了新模型参数与地质采矿条件之间的线性关系,为参数的求取提供依据。
以上显示和描述了本发明的基本原理、主要特征和优点。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。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于改进Boltmann函数的开采沉陷预测方法,其特征在于,包括以下步骤:
步骤S1:基于Boltmann函数构建地表移动盆地走向主断面的预测模型,将构建的预测模型的表达式拆分成两个不同重要影响半径的单元下沉盆地按一定比例系数P的组合,再按照叠加原理建立地表移动变形预计公式,构建得到基于改进Boltmann函数的开采沉陷预测模型;
步骤S2:利用基于改进Boltmann函数的开采沉陷预测模型,构建待测开采区域B(s,t)地表走向主断面、倾向主断面以及任意点A(x,y)的移动和变形预测模型;
步骤S3:求解步骤S2构建的预测模型中与地表移动盆地开采沉陷相关的参数。
3.根据权利要求2所述的一种基于改进Boltmann函数的开采沉陷预测方法,其特征在于,所述步骤S2的构建待测开采区域B(s,t)中任意点A(x,y)的移动和变形预测模型的方法,包括以下步骤:
步骤S201:构建地表平面坐标系xOy和煤层坐标系tO1s,设煤层相对于地表平面的煤层倾角为α,待测开采区域B(s,t)的宽度为D3、长度为D1、最大下沉值w0;
步骤S202:根据改进Boltmann函数模型构建地表移动盆地走向主断面开采沉陷预测模型,满足:
式中,w0(x)、i0(x)、k0(x)、u0(x)、ε0(x)分别为任意点A(x,y)在走向主断面的下沉值、倾斜值、曲率值、水平移动值和水平变形值,l3为走向有限开采的计算长度,l3=D3-s3-s4,s3、s4分别为左、右方向拐点偏移距;
步骤S203:根据改进Boltmann函数模型构建地表移动盆地倾向主断面开采沉陷预测模型,满足:
式中,w0(y)、i0(y)、k0(y)、u0(y)、ε0(y)分别为任意点A(x,y)在走向主断面的下沉值、倾斜值、曲率值、水平移动值和水平变形值,l1为倾向有限开采的计算长度,s1、s2分别为下山方向、上山方向拐点偏移距,θ0为开采影响角;
步骤S204:构建地表移动盆地任意点A(x,y)的移动和变形预测模型,包括:
①构建地表移动盆地任意点A(x,y)的下沉值w(x,y)计算模型
式中,w0=mqcosα,m为煤层厚度,q为下沉系数。
4.根据权利要求3所述的一种基于改进Boltmann函数的开采沉陷预测方法,其特征在于,利用量子遗传算法求解预测模型中与地表移动盆地开采沉陷相关的参数,包括下沉系数q,比例系数P,水平移动系数b,开采影响角θ0,拐点偏移距s1、s2、s3、s4,主要影响角正切tanβ1、tanβ2。
5.根据权利要求1所述的一种基于改进Boltmann函数的开采沉陷预测方法,其特征在于,所述步骤S3中,利用量子遗传算法求解步骤S2构建的预测模型中与地表移动盆地开采沉陷相关的参数。
6.根据权利要求5所述的一种基于改进Boltmann函数的开采沉陷预测方法,其特征在于,利用量子遗传算法求解预测模型中参数的方法,包括以下步骤:
步骤S301:确定量子遗传算法的适应度函数;
步骤S302:编码和种群的生成:根据地质采矿条件确定与地表移动盆地开采沉陷相关的参数的初值和范围,将确定的参数编码为量子遗传算法中的量子比特染色体,生成初始种群;
步骤S303:解码并计算适应度函数值;
将种群进行解码还原为相应的预计参数,计算出适应度函数的值,并记录当前种群最优个体的适应度值;
步骤S304:判断结果是否满足条件,模型中以拟合中误差和迭代次数作为判断条件,满足精度要求或达到最大遗传代数时,则解码输出当前种群的最优个体,即为最优反演参数;否则,执行步骤S305;
步骤S305:更新个体并计算适应度函数的值
采用量子旋转门对个体实施调整,得到新的种群,并记录最优个体和其对应的适应度函数值;
步骤S306:迭代计算,重复步骤S302-S306,直至满足迭代终止条件;
步骤S307:最终解码得到最优的概率积分法参数。
7.根据权利要求6所述的一种基于改进Boltmann函数的开采沉陷预测方法,其特征在于,所述步骤S301的量子遗传算法的适应度函数的确定方法为:假设实测下沉和水平移动值分别为Ws、Us,预测下沉值和水平移动值分别为Wi、Ui,则以预测值和观测值之差平方和最小为准则,得到适应度函数为:
f=∑((Ws-Wi)2+(Us-Ui)2)。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468314.XA CN111932387B (zh) | 2020-05-28 | 2020-05-28 | 基于改进Boltzmann函数的开采沉陷预测方法 |
ZA2021/03540A ZA202103540B (en) | 2020-05-28 | 2021-05-25 | Mining subsidence prediction method based on improved boltzmann function |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468314.XA CN111932387B (zh) | 2020-05-28 | 2020-05-28 | 基于改进Boltzmann函数的开采沉陷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932387A true CN111932387A (zh) | 2020-11-13 |
CN111932387B CN111932387B (zh) | 2022-06-07 |
Family
ID=73316480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010468314.XA Active CN111932387B (zh) | 2020-05-28 | 2020-05-28 | 基于改进Boltzmann函数的开采沉陷预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111932387B (zh) |
ZA (1) | ZA202103540B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784214A (zh) * | 2021-01-13 | 2021-05-11 | 辽宁工程技术大学 | 一种获取主断面上的点在任意时刻的下沉值的方法 |
CN114089335A (zh) * | 2021-11-16 | 2022-02-25 | 安徽理工大学 | 一种基于单轨道InSAR的山区开采沉陷三维变形提取方法 |
CN115829133A (zh) * | 2022-12-12 | 2023-03-21 | 通用技术集团工程设计有限公司 | 一种充填工艺回收条带煤柱的地表沉陷预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100982448B1 (ko) * | 2010-03-03 | 2010-09-16 | 한국지질자원연구원 | 지공간 상관관계 통합기법을 이용한 지반침하 발생 예측시스템 및 이를 이용한 지반침하 발생 예측방법 |
CN103726481A (zh) * | 2014-01-09 | 2014-04-16 | 辽宁工程技术大学 | 一种重复开采地表变形预测方法 |
CN104763464A (zh) * | 2015-01-30 | 2015-07-08 | 河北煤炭科学研究院 | 基于曲形梁岩层结构的充填采煤地表变形预计方法 |
CN107092740A (zh) * | 2017-04-12 | 2017-08-25 | 乌鲁木齐城市轨道集团有限公司 | 一种急倾斜特厚煤层老采空区残余变形预计方法 |
CN107131867A (zh) * | 2017-04-20 | 2017-09-05 | 中国矿业大学(北京) | 厚松散层条件煤层开采地表下沉率交迭双波兹曼拟合方法 |
CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学(武汉) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
CN109918781A (zh) * | 2019-03-06 | 2019-06-21 | 长沙理工大学 | 一种钻井水溶盐矿开采沉陷InSAR预计方法 |
CN109992837A (zh) * | 2019-03-06 | 2019-07-09 | 太原理工大学 | 一种使用偏态影响函数预测山区采煤沉陷的方法 |
CN110750866A (zh) * | 2019-09-17 | 2020-02-04 | 中国矿业大学 | 一种利用无人机技术快速获得矿区开采沉陷预计参数的方法 |
CN111144032A (zh) * | 2020-01-13 | 2020-05-12 | 贵州工程应用技术学院 | 一种预计近水平煤层长壁开采地表沉陷的剖面函数方法 |
CN111159643A (zh) * | 2019-12-09 | 2020-05-15 | 西安科技大学 | 一种基于实测数据的Weibull时间函数对地面沉陷影响的方法 |
-
2020
- 2020-05-28 CN CN202010468314.XA patent/CN111932387B/zh active Active
-
2021
- 2021-05-25 ZA ZA2021/03540A patent/ZA202103540B/en unknown
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100982448B1 (ko) * | 2010-03-03 | 2010-09-16 | 한국지질자원연구원 | 지공간 상관관계 통합기법을 이용한 지반침하 발생 예측시스템 및 이를 이용한 지반침하 발생 예측방법 |
CN103726481A (zh) * | 2014-01-09 | 2014-04-16 | 辽宁工程技术大学 | 一种重复开采地表变形预测方法 |
CN104763464A (zh) * | 2015-01-30 | 2015-07-08 | 河北煤炭科学研究院 | 基于曲形梁岩层结构的充填采煤地表变形预计方法 |
CN107092740A (zh) * | 2017-04-12 | 2017-08-25 | 乌鲁木齐城市轨道集团有限公司 | 一种急倾斜特厚煤层老采空区残余变形预计方法 |
CN107131867A (zh) * | 2017-04-20 | 2017-09-05 | 中国矿业大学(北京) | 厚松散层条件煤层开采地表下沉率交迭双波兹曼拟合方法 |
CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学(武汉) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
CN109918781A (zh) * | 2019-03-06 | 2019-06-21 | 长沙理工大学 | 一种钻井水溶盐矿开采沉陷InSAR预计方法 |
CN109992837A (zh) * | 2019-03-06 | 2019-07-09 | 太原理工大学 | 一种使用偏态影响函数预测山区采煤沉陷的方法 |
CN110750866A (zh) * | 2019-09-17 | 2020-02-04 | 中国矿业大学 | 一种利用无人机技术快速获得矿区开采沉陷预计参数的方法 |
CN111159643A (zh) * | 2019-12-09 | 2020-05-15 | 西安科技大学 | 一种基于实测数据的Weibull时间函数对地面沉陷影响的方法 |
CN111144032A (zh) * | 2020-01-13 | 2020-05-12 | 贵州工程应用技术学院 | 一种预计近水平煤层长壁开采地表沉陷的剖面函数方法 |
Non-Patent Citations (4)
Title |
---|
LEI WANG ET AL: "Research on probability integration parameter inversion of mining-induced surface subsidence based on quantum annealing", 《ENVIRONMENTAL EARTH SCIENCES》 * |
史卫平: "基于覆岩移动的厚松散层下煤层开采地表移动规律研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
池深深等: "顾及数据新鲜度函数Knotte的开采沉陷最优组合预测模型及应用", 《煤矿安全》 * |
王宁: "厚松散层矿区采煤沉陷预测模型研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784214A (zh) * | 2021-01-13 | 2021-05-11 | 辽宁工程技术大学 | 一种获取主断面上的点在任意时刻的下沉值的方法 |
CN112784214B (zh) * | 2021-01-13 | 2024-04-05 | 辽宁工程技术大学 | 一种获取主断面上的点在任意时刻的下沉值的方法 |
CN114089335A (zh) * | 2021-11-16 | 2022-02-25 | 安徽理工大学 | 一种基于单轨道InSAR的山区开采沉陷三维变形提取方法 |
CN114089335B (zh) * | 2021-11-16 | 2022-09-06 | 安徽理工大学 | 一种基于单轨道InSAR的山区开采沉陷三维变形提取方法 |
CN115829133A (zh) * | 2022-12-12 | 2023-03-21 | 通用技术集团工程设计有限公司 | 一种充填工艺回收条带煤柱的地表沉陷预测方法 |
CN115829133B (zh) * | 2022-12-12 | 2023-07-18 | 通用技术集团工程设计有限公司 | 一种充填工艺回收条带煤柱的地表沉陷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111932387B (zh) | 2022-06-07 |
ZA202103540B (en) | 2022-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932387B (zh) | 基于改进Boltzmann函数的开采沉陷预测方法 | |
CN111750822B (zh) | 一种采煤诱发的覆岩与地表沉陷协同动态预测方法 | |
CN103091675B (zh) | 一种基于InSAR技术的矿区开采监测方法 | |
CN106326528B (zh) | 一种露天矿端帮地下开采诱发地表裂缝分布规律预测方法 | |
CN109299578A (zh) | 基坑开挖引起下卧既有盾构隧道隆起变形的计算方法 | |
Li et al. | Risk assessment model for water and mud inrush in deep and long tunnels based on normal grey cloud clustering method | |
CN104965994A (zh) | 地铁隧道施工引起地表沉降特征参数的测定和估计方法 | |
CN107092740A (zh) | 一种急倾斜特厚煤层老采空区残余变形预计方法 | |
Protosenya et al. | Geomechanics of low-subsidence construction during the development of underground space in large cities and megalopolises | |
CN105180888B (zh) | 高地应力软弱围岩隧道开挖预留变形量确定方法 | |
CN103810524A (zh) | 一种预测地下铁路建设过程中地表沉降的方法 | |
CN110163965A (zh) | 一种单斜岩层构造地貌的实体三维模型构建方法 | |
CN107013209A (zh) | 采动影响条件下工作面上覆层状岩体移动的预测方法 | |
CN103541376B (zh) | 采煤沉陷区地基在重复开采条件下的基础变形预测方法 | |
CN112131748A (zh) | 一种城市隧道施工中复合成层地层的变形预测方法及系统 | |
Kong et al. | Analysis and intelligent prediction for displacement of stratum and tunnel lining by shield tunnel excavation in complex geological conditions: A case study | |
CN104123454A (zh) | 单节理硬岩地下开挖地表沉降预测方法 | |
Wang et al. | Multi-source data integration and multi-scale modeling framework for progressive prediction of complex geological interfaces in tunneling | |
Yang et al. | Surface settlement control in the excavation of a shallow intersection between a double-arched tunnel and a connection tunnel | |
CN113761463A (zh) | 一种地下矿体开采引起地表变形范围的预测方法 | |
CN112862964B (zh) | 一种顺煤层巷道掘进地质剖面动态更新方法 | |
Shi et al. | Study on numerical models in predicting surface deformation caused by underground coal mining | |
CN113324506A (zh) | 双模态盾构隧道下穿水库引起导水裂隙带高度的预测方法 | |
CN110687591B (zh) | 基于先验数据的波形匹配确定煤层及围岩物性参数的方法 | |
Liu | Back analysis of rock mass properties in the regional fault zone under Lake Mälaren |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: 232000 Tian Jia An District, Huainan City, Anhui Patentee after: Anhui University of Science and Technology Address before: 232000 tianjia'an District, Hefei City, Anhui Province Patentee before: Anhui University of Science and Technology |
|
CP02 | Change in the address of a patent holder |