CN114183195A - 一种基于离层分布规律的地表沉陷控制注浆填充系统 - Google Patents
一种基于离层分布规律的地表沉陷控制注浆填充系统 Download PDFInfo
- Publication number
- CN114183195A CN114183195A CN202210135701.0A CN202210135701A CN114183195A CN 114183195 A CN114183195 A CN 114183195A CN 202210135701 A CN202210135701 A CN 202210135701A CN 114183195 A CN114183195 A CN 114183195A
- Authority
- CN
- China
- Prior art keywords
- working area
- sliding window
- longitudinal
- batch
- gaussian mixture
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 55
- 238000000926 separation method Methods 0.000 title claims abstract description 47
- 239000000203 mixture Substances 0.000 claims abstract description 113
- 239000011435 rock Substances 0.000 claims abstract description 57
- 230000032798 delamination Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000005065 mining Methods 0.000 claims abstract description 24
- 238000005314 correlation function Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006578 abscission Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims 1
- 239000003245 coal Substances 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007569 slipcasting Methods 0.000 description 3
- 238000005429 filling process Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004537 pulping Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F15/00—Methods or devices for placing filling-up materials in underground workings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Abstract
本发明涉及煤矿开采技术领域，具体涉及一种基于离层分布规律的地表沉陷控制注浆填充系统，可实现：在采矿工作过程中，获取矿井当前及其之前各工作区纵向深度下对应的各横向工作区宽度、各离层带分布深度、离层带各覆岩层的岩石膨胀率和含水率、当前工作区纵向深度下对应的注浆填充总量；根据各横向工作区宽度和各离层带分布深度，获取各高斯混合模型，并根据各离层带分布深度，确定各高斯混合模型参数；将各高斯混合模型参数、离层带的各覆岩层的岩石膨胀率和含水率，输入到注浆填充量预测网络中，得到下一工作区纵向深度下对应的注浆填充总量预测值，进而确定注浆速率。本发明可以实现注浆填充总量的准确预测，提高了离层注浆填充效果。
Description
技术领域
本发明涉及煤矿开采技术领域，具体涉及一种基于离层分布规律的地表沉陷控制注浆填充系统。
背景技术
随着我国绿色矿山建设的推进，为了实现环境生态化、资源利用高效化，将资源节约和循环利用有机结合，形成“资源-产品-废弃产品-再生资源”的良性循环。为了避免覆岩层出现沉陷情况，出现了离层注浆填充技术控制地表沉陷，通过地面布置钻孔向在岩移过程中覆岩内部形成的离层空洞充填进煤矸石粉磨浆液来对上覆岩层起到支撑作用，从而降低覆岩向地面的移动变形速度和地表下沉量。离层注浆填充技术的充填区域在采空区上覆岩层间充填而不同于采空区内充填，因此离层注浆充填工作不会影响井下工作面正常生产。
在现有的离层注浆填充技术中，对离层空间的注浆量控制主要依赖于传感器或测量设备获取数据，并利用空间等量关系对离层注浆量进行等量计算，测量过程过于繁琐和复杂，无法对未来更深的工作深度开采造成的离层空间分布规律的变化进行预测。同时，当离层空间中存在岩石属性变化或含水率变化时，可能会对真实注浆量造成影响，从而影响注浆量控制精度，导致离层注浆填充效果不够理想。
发明内容
本发明的目的在于提供一种基于离层分布规律的地表沉陷控制注浆填充系统，用于解决现有的离层注浆填充效果相对较差的问题。
为解决上述技术问题，本发明提供了一种基于离层分布规律的地表沉陷控制注浆填充系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令，以实现如下步骤：
在采矿工作过程中，获取矿井当前及其之前的各个工作区纵向深度下所对应的各个横向工作区宽度、各个离层带分布深度、离层带的各个覆岩层的岩石膨胀率和含水率以及当前工作区纵向深度下所对应的注浆填充总量；
根据当前及其之前的各个工作区纵向深度下所对应的各个横向工作区宽度和各个离层带分布深度，获取当前及其之前的各个工作区纵向深度下所对应的高斯混合模型；
根据当前及其之前的各个工作区纵向深度下所对应的高斯混合模型和各个离层带分布深度，确定当前及其之前的各个工作区纵向深度下所对应的高斯混合模型参数；
将当前及其之前的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率，输入到预先训练好的注浆填充量预测网络中，得到下一工作区纵向深度下所对应的注浆填充总量预测值；
根据下一工作区纵向深度下所对应的注浆填充总量预测值、当前工作区纵向深度下所对应的注浆填充总量以及注浆填充时间，确定注浆速率。
进一步的，获取预先训练好的注浆填充量预测网络的步骤包括：
利用TCN预测网络构建注浆填充量预测网络，获取训练样本集，所述训练样本集的获取步骤包括：
在历史采矿工作过程中，获取同一地质条件下不同矿井的各个工作区纵向深度下所对应的各个横向工作区宽度、各个离层带分布深度、离层带的各个覆岩层的岩石膨胀率和含水率以及注浆填充总量；
根据不同矿井的各个工作区纵向深度下所对应的各个横向工作区宽度和各个离层带分布深度，获取不同矿井的各个工作区纵向深度下所对应的高斯混合模型；
根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型以及不同矿井的各个工作区纵向深度下所对应的各个离层带分布深度，确定不同矿井的各个工作区纵向深度下所对应的高斯混合模型参数；
根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型，获取不同矿井的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵，进而获取协方差矩阵的目标特征向量；
根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型以及各个横向工作区宽度，确定不同矿井的各个工作区纵向深度下所对应的高斯混合模型的权重系数；
根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率、注浆填充总量、高斯混合模型的协方差矩阵的特征向量以及高斯混合模型的权重系数，确定训练样本集；
构建注浆填充量预测网络的损失函数，并利用训练样本集对构建的注浆填充量预测网络进行训练，从而得到训练好的注浆填充量预测网络。
进一步的，注浆填充量预测网络的损失函数对应的表达式为：
其中，
为注浆填充量预测网络的损失函数，
为第一损失函数，
,n为一个批次的训练样本的样本滑窗的个数，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量预测值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量标签值，
为第二损失函数，
，
为一个批次的训练样本的第i个样本滑窗所对应的影响系数，
，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的各个覆岩层的岩石膨胀率均值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的各个覆岩层的含水率均值，
为归一化函数，
为一个批次的训练样本的第i个样本滑窗所对应的下一个样本滑窗内各个工作区纵向深度下的周期长度预测值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个样本滑窗内各个工作区纵向深度下的周期长度标签值。
进一步的，利用训练样本集对构建的注浆填充量预测网络进行训练时包括：
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量和高斯混合模型的权重系数，对一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度进行分组，得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组；
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组所对应的各高斯混合模型的权重系数，确定一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和；
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和，计算任意两个相邻的工作区纵向深度组之间的组内样本差距总和的差距值，进而确定一个批次的训练样本的每个样本滑窗对应的关联函数曲线；
对一个批次的训练样本的每个样本滑窗对应的关联函数曲线进行周期性检测，得到关联函数曲线对应的周期长度；
将一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率以及每个样本滑窗对应的关联函数曲线的周期长度作为注浆填充量预测网络的输入，由注浆填充量预测网络预测对应样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量和对应的下一个样本滑窗内各个工作区纵向深度下的周期长度，并根据注浆填充量预测网络的损失函数，实现对注浆填充量预测网络的训练。
进一步的，对一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度进行分组，得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的步骤包括：
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量和高斯混合模型的权重系数，计算每个样本滑窗内的任意两个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量之间的相似度以及高斯混合模型的权重系数之间的相似度；
根据每个样本滑窗内的任意两个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量之间的相似度以及高斯混合模型的权重系数之间的相似度，对一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度进行分组，得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组。
进一步的，确定一个批次的训练样本的每个样本滑窗对应的关联函数曲线的步骤包括：
对一个批次的训练样本的每个样本滑窗内的任意两个相邻的工作区纵向深度组之间的组内样本差距总和的差距值进行编号，并以每个差距值的编号为横坐标、以每个差距值为纵坐标，得到各个差距值坐标点；
对一个批次的训练样本的每个样本滑窗内的所有差距值坐标点进行曲线拟合，从而得到一个批次的训练样本的每个样本滑窗对应的关联函数曲线。
进一步的，确定一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和的步骤包括：
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组所对应的各高斯混合模型的权重系数，分别计算各个工作区纵向深度组中任意两个权重系数之间的余弦距离；
将一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组中任意两个权重系数之间的余弦距离进行累加，从而得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和。
进一步的，工作区纵向深度下所对应的高斯混合模型参数包括：该工作区纵向深度下所对应的各个离层带分布深度、该工作区纵向深度下所对应的高斯混合模型的离层带分布深度均值和数据维度。
进一步的，工作区纵向深度下所对应的高斯混合模型的权重系数对应的计算公式为：
其中，
为工作区纵向深度下所对应的高斯混合模型的权重系数，
为该工作区纵向深度下所对应的各个横向工作区宽度构成的序列，
为该工作区纵向深度对应的深度值，
为该工作区纵向深度下所对应的高斯混合模型的数据维度。
本发明具有如下有益效果：通过构建各个工作区纵向深度下所对应的高斯混合模型，能够准确地模拟开采过程中离层分布变化规律，得到各层之间空间结构参数的变化模型，从而准确地得到下一工作区纵向深度下所对应的注浆填充总量预测值，并基于该注浆填充总量预测值，确定合理的注浆速率，有效提高了离层注浆填充效果。
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和优点，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的介绍，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它附图。
图1为本发明的基于离层分布规律的地表沉陷控制注浆填充系统对应的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的具体场景为：矿山煤矿注浆填充场景，煤矿注浆填充过程包括：采用煤矸石（煤基固废）进行处理的生产线设备。煤矸石经输送-粗破-细破-粉磨制浆-注浆等工艺流程，最终变成合格浆液注入到煤矿井下采空区进行回填。整体项目主要包括球磨机、强力对辊制砂机、细碎鄂式破碎机、带式输送机、注浆孔压力传感器及其他附属设施。
针对上述具体场景，本实施例提供了一种基于离层分布规律的地表沉陷控制注浆填充系统，通过对离层分布规律和覆岩中离层带的移动规律以及影响进行研究，根据当前离层分布规律对注浆填充进行控制优化，保证采空区能够被填充完全，有效提高了离层注浆填充效果。
该基于离层分布规律的地表沉陷控制注浆填充系统包括处理器和存储器，处理器用于处理存储在存储器中的指令，以实现如下步骤：
（1）在采矿工作过程中，获取矿井当前及其之前的各个工作区纵向深度下所对应的各个横向工作区宽度、各个离层带分布深度、离层带的各个覆岩层的岩石膨胀率和含水率以及当前工作区纵向深度下所对应的注浆填充总量。
采矿的工作面（工作区在最下方）的推进由采空区顶板依次向上发展，在冒落带范围内，各层岩梁发生离层继而破坏。在冒落带以上，岩梁在形成离层后发生断裂，形成断裂带，在断裂带以上，一定范围内岩梁形成离层带。整个形成过程中，离层的变化规律是由下向上呈拱形发展，同时满足开采厚度越大，离层量值越大。
在采矿工作过程中，通过数据采集设备，可以获取采空区空间结构信息、各岩层空间结构信息、岩层表面图像等，这些采集的数据会随着时间和采矿进度在动态变化。上述的各岩层是指：1.地表沉陷层（弯曲下沉带），2.离层带，3.断裂带，4冒落带。
在工作区不断向下深入的过程中，根据上述采集的数据中的采空区空间结构信息和各岩层空间结构信息，可以获取各个工作区纵向深度
，且对于每一个工作区纵向深度
，可以获取不同时刻的横向工作面的宽度
以及这些不同时刻所对应的离层带分布深度
。
同时，在工作区不断向下深入的过程中，根据上述采集的数据中的图像信息，可以获取离层带的各个覆岩层对应的图像，对这些图像进行预处理，预处理包括：除噪（中值滤波）、图像增强（直方图均衡化）。然后利用岩石分类网络对预处理后的图像进行岩石属性分类，从而得到图像中离层带的各个覆岩层的岩石属性。岩石分类网络的结构为：Encoder-FC，网络的输入为各岩层图像，网络输出为各岩石图像属性的置信度，岩石分类网络为提前训练好的网络，直接用于识别岩石属性，具体的网络训练过程不再赘述。当然，作为其他的实施方式，也可以直接通过地质测量仪来对属性离层带的各个覆岩层的岩石属性进行检测，从而得到离层带的各个覆岩层的岩石属性。根据离层带的各个覆岩层的岩石属性，获取对应各个覆岩层的岩石膨胀率
，岩石膨胀率表示单位体积下的膨胀率，具体获取过程属于现有技术，此处不再赘述。同时，在工作区不断向下深入的过程中，根据上述采集的数据中的各岩层空间结构信息，对于每一个工作区纵向深度
，可以获取离层带的各个覆岩层的含水率
，含水率表示单位体积下的含水率。
通过获取采矿工作过程中各覆岩层的含水率和膨胀率，以对工作区推进过程中的下一工作区纵向深度下所对应的注浆填充总量进行预测，能够提高注浆填充量的精准控制，避免过填充或欠填充。
另外，根据历史开采数据，对于每一个工作区纵向深度
，还可以得到该工作区纵向深度下所对应的注浆填充总量Z，这里的注浆填充总量是指从采矿工作开始，到该工作区纵向深度对应的工作区完成开采，总共所需要的注浆填充总量。
综上，对于每一个工作区纵向深度
，可以对应获取该工作区最后完成开采后各个覆岩层的岩石膨胀率
和含水率
以及注浆填充总量Z。并且，根据工作区在固定深度下所持续工作的时间序列长度，可以获取各个横向工作区宽度和各个离层带分布深度构成的序列，即横向工作区宽度序列和离层带分布深度序列。
（2）根据当前及其之前的各个工作区纵向深度下所对应的各个横向工作区宽度和各个离层带分布深度，获取当前及其之前的各个工作区纵向深度下所对应的高斯混合模型。
在上述步骤（1）的基础上，对于每一个工作区纵向深度
，由于横向工作区宽度序列直接影响离层带分布深度序列，因此基于离层带分布深度序列，构建高斯混合模型：
其中，
表示参数集合，也就是高斯混合模型参数，
为离层带分布深度序列，
为高斯混合模型中离层带分布深度的均值，
为高斯混合模型的数据维度，
表示高斯混合模型的协方差矩阵，T表示转置。
需要说明的是，在本实施例中，是利用EM算法对开采的历史数据中不同时刻所对应的离层带分布深度进行高斯混合模型拟合，从而得到各个工作区纵向深度下所对应的高斯混合模型，并利用该高斯混合模型模拟离层带分布深度的变化规律。由于EM算法为公知算法，不再过多赘述。
（3）根据当前及其之前的各个工作区纵向深度下所对应的高斯混合模型和各个离层带分布深度，确定当前及其之前的各个工作区纵向深度下所对应的高斯混合模型参数。
在上述步骤（2）的基础上，对于每一个工作区纵向深度
，根据高斯混合模型中离层带分布深度均值
、高斯混合模型的数据维度
以及离层带分布深度序列，可以确定该工作区纵向深度
所对应的高斯混合模型参数
。
（4）将当前及其之前的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率，输入到预先训练好的注浆填充量预测网络中，得到下一工作区纵向深度下所对应的注浆填充总量。
由于获取下一工作区纵向深度下所对应的注浆填充总量的关键在于预先获取训练好的注浆填充量预测网络，下面对该注浆填充量预测网络的具体获取过程进行详细介绍。
（4-1）利用TCN预测网络构建注浆填充量预测网络，获取训练样本集。
利用TCN预测网络构建注浆填充量预测网络，该TCN预测网络的结构为：Encoder-FC。由于根据实际需要，利用TCN预测网络构构建相应的预测网络的具体实现过程属于现有技术，此处不再赘述。在构建好注浆填充量预测网络之后，获取该注浆填充量预测网络对应的训练样本集，该训练样本集的获取步骤包括：
（4-1-1）在历史采矿工作过程中，获取同一地质条件下不同矿井的各个工作区纵向深度下所对应的各个横向工作区宽度、各个离层带分布深度、离层带的各个覆岩层的岩石膨胀率和含水率以及注浆填充总量。
其中，在历史采矿工作过程中，获取同一地质条件下的不同矿井的各个工作区纵向深度下所对应的各种数据，由于这些数据的获取过程与上述步骤（1）完全相同，此处不再赘述。需要强调的是，这里的不同矿井与步骤（1）中的矿井的地质条件均是完全相同的。
（4-1-2）根据不同矿井的各个工作区纵向深度下所对应的各个横向工作区宽度和各个离层带分布深度，获取不同矿井的各个工作区纵向深度下所对应的高斯混合模型。
由于这里获取不同矿井的各个工作区纵向深度下所对应的高斯混合模型的具体步骤与上述步骤（2）是完全相同的，此处不再赘述。
（4-1-3）根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型以及不同矿井的各个工作区纵向深度下所对应的各个离层带分布深度，确定不同矿井的各个工作区纵向深度下所对应的高斯混合模型参数。
由于这里确定不同矿井的各个工作区纵向深度下所对应的高斯混合模型参数的具体步骤与上述步骤（3）是完全相同的，这里不再赘述。
（4-1-4）根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型，获取不同矿井的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵，进而获取协方差矩阵的目标特征向量。
在上述（4-1-3）的基础上，可以获取不同矿井的各个工作区纵向深度下所对应的高斯混合模型，进而可以获的这些高斯混合模型的协方差矩阵
，计算每一个协方差矩阵
所对应的各特征向量，并将其中一个特征向量作为对应该协方差矩阵
的目标特征向量。
（4-1-5）根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型以及各个横向工作区宽度，确定不同矿井的各个工作区纵向深度下所对应的高斯混合模型的权重系数，对应的计算公式为：
其中，
为工作区纵向深度下所对应的高斯混合模型的权重系数，该权重系数实际上一个序列，
为该工作区纵向深度下所对应的各个横向工作区宽度构成的序列，
为该工作区纵向深度对应的深度值，
为该工作区纵向深度下所对应的高斯混合模型的数据维度。
（4-1-6）根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率、注浆填充总量、高斯混合模型的协方差矩阵的特征向量以及高斯混合模型的权重系数，确定训练样本集。
其中，在本实施例中，在确定训练样本集时，对于每一个矿井，确定各个批次的训练样本，每一个批次的训练样本包括设定数目个连续的工作区纵向深度，每一个工作区纵向深度下均有其对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率。另外，后续在对注浆填充量预测网络进行训练时，是将每一个批次的训练样本输入到网络中，并采用样本滑窗的方式进行预测，即将每一个样本滑窗中的各个训练样本作为输入，并由注浆填充量预测网络对该样本滑窗的下一个工作区纵向深度下所对应的注浆填充总量进行预测。
为了提高注浆填充量预测网络的预测准确性，在本实施例中，对于每一个样本滑窗，还需要根据该样本滑窗内的各个工作区纵向深度所对应的高斯混合模型的协方差矩阵的特征向量以及高斯混合模型的权重系数，获取该样本滑窗对应的关联函数曲线的周期长度，并同时将该周期长度作为注浆填充量预测网络的输入。所以，在本实施例中，所确定的训练样本集包括多个批次的训练样本，每个批次的训练样本均包括网络输入和样本标签，网络输入包括：
设定数目个连续的工作区纵向深度所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率、各个样本滑窗对应的关联函数曲线的周期长度；样本标签包括：设定数目个连续的工作区纵向深度所对应的注浆填充总量和各个样本滑窗对应的关联函数曲线的周期长度。由于获取样本滑窗对应的关联函数曲线的周期长度的具体过程以及网络输入和网络输出之间的具体关系会在后续的步骤（4-2）中进行详细介绍，此处不再赘述。
（4-2）构建注浆填充量预测网络的损失函数，并利用训练样本集对构建的注浆填充量预测网络进行训练，从而得到训练好的注浆填充量预测网络。
其中，在本实施例中，所构建的注浆填充量预测网络的损失函数对应的表达式为：
其中，
为注浆填充量预测网络的损失函数，
为第一损失函数，
,n为一个批次的训练样本的样本滑窗的个数，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量预测值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量标签值，
为第二损失函数，
，
为一个批次的训练样本的第i个样本滑窗所对应的影响系数，
，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的各个覆岩层的岩石膨胀率均值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的各个覆岩层的含水率均值，
为归一化函数，
为一个批次的训练样本的第i个样本滑窗所对应的下一个样本滑窗内各个工作区纵向深度下的周期长度预测值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个样本滑窗内各个工作区纵向深度下的周期长度标签值。
根据上述的步骤（4-1）可知，一个批次的训练样本还包括各个样本滑窗对应的关联函数曲线的周期长度，下面结合具体的训练过程，对该周期长度的具体确定过程进行详细介绍。
（4-2-1）根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量和高斯混合模型的权重系数，对一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度进行分组，得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组，具体实现步骤包括：
（4-2-1-1）根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量和高斯混合模型的权重系数，计算每个样本滑窗内的任意两个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量之间的相似度以及高斯混合模型的权重系数之间的相似度。
其中，在本实施例中，在计算两个目标特征向量之间的相似度时，是计算这两个目标特征向量之间的余弦相似度，同时，计算两个权重系数之间的相似度时，也是计算这两个权重系数之间的余弦相似度。由于计算余弦相似度的具体实现过程属于现有技术，此处不再赘述。
（4-2-1-2）根据每个样本滑窗内的任意两个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量之间的相似度以及高斯混合模型的权重系数之间的相似度，对一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度进行分组，得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组。
基于任意两个目标特征向量之间的余弦相似度和任意两个权重系数之间的余弦相似度，将每个样本滑窗内的目标特征向量和权重系数相接近的工作区纵向深度聚集到一起，从而得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组。
需要说明的是，由于越邻近的工作区纵向深度下所对应的目标特征向量和权重系数越接近，因此通过分组后，所得到的每个工作区纵向深度组中的各个工作区纵向深度是一段连续的工作区纵向深度。
（4-2-2）根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组所对应的各高斯混合模型的权重系数，确定一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和，具体实现步骤包括：
（4-2-2-1）根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组所对应的各高斯混合模型的权重系数，分别计算各个工作区纵向深度组中任意两个权重系数之间的余弦距离。
（4-2-2-2）将一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组中任意两个权重系数之间的余弦距离进行累加，从而得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和。
（4-2-3）根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和，计算任意两个相邻的工作区纵向深度组之间的组内样本差距总和的差距值，进而确定一个批次的训练样本的每个样本滑窗对应的关联函数曲线。
根据上述步骤（4-2-1）可知，对于每一个样本滑窗，所得到的每个工作区纵向深度组中的各个工作区纵向深度是一段连续的工作区纵向深度，因此，对这些工作区纵向深度组按照工作区纵向深度从小到大的顺序进行排列，并计算任意两个相邻的工作区纵向深度组之间的组内样本差距总和的差距值，这里的差距值是指两个组内样本差距总和的差值的绝对值。同样的，对这些差距值也按照工作区纵向深度从小到大的顺序进行排列，从而得到一个差距值序列。基于一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组所得到的差距值序列，可以确定该样本滑窗对应的关联函数曲线，具体实现步骤包括：
（4-2-3-1）对一个批次的训练样本的每个样本滑窗内的任意两个相邻的工作区纵向深度组之间的组内样本差距总和的差距值进行编号，并以每个差距值的编号为横坐标、以每个差距值为纵坐标，得到各个差距值坐标点。
基于一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组所得到的差距值序列，按照从前往后的顺序对这些差距值进行编号，然后以每个差距值的编号为横坐标、以每个差距值为纵坐标，从而得到一个批次的训练样本的每个样本滑窗所对应的各个差距值坐标点。
（4-2-3-2）对一个批次的训练样本的每个样本滑窗内的所有差距值坐标点进行曲线拟合，从而得到一个批次的训练样本的每个样本滑窗对应的关联函数曲线。
（4-2-4）对一个批次的训练样本的每个样本滑窗对应的关联函数曲线进行周期性检测，得到关联函数曲线对应的周期长度。
根据一个批次的训练样本的每个样本滑窗对应的关联函数曲线的变化，对该关联函数曲线进行周期判断，从而获取该关联函数曲线对应的周期长度O。通过这种方式，可以得到每一个批次的训练样本的各个样本滑窗对应的关联函数曲线的周期长度。
（4-2-5）将一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率以及每个样本滑窗对应的关联函数曲线的周期长度作为注浆填充量预测网络的输入，由注浆填充量预测网络预测对应样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量和对应的下一个样本滑窗内各个工作区纵向深度下的周期长度，并根据注浆填充量预测网络的损失函数，实现对注浆填充量预测网络的训练。
在通过上述步骤（4-2-4）获得每一个批次的训练样本的各个样本滑窗对应的关联函数曲线的周期长度之后，结合步骤（4-1-6），可以得到注浆填充量预测网络的训练样本集。根据注浆填充量预测网络的损失函数，分别利用这些训练样本集中的每个批次的训练样本对注浆填充量预测网络进行训练，从而可以得到训练好的注浆填充量预测网络。
在对注浆填充量预测网络进行训练时，将一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率以及每个样本滑窗对应的关联函数曲线的周期长度输入到注浆填充量预测网络中，注浆填充量预测网络对该对应样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量进行预测，从而得到该对应样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量预测值，该注浆填充总量预测值会作为网络的实际输出。同时，注浆填充量预测网络对该对应样本滑窗所对应的下一个样本滑窗内各个工作区纵向深度下的周期长度进行预测，从而得到该对应样本滑窗所对应的下一个样本滑窗内各个工作区纵向深度下的周期长度预测值，该周期长度预测值不会作为网络的实际输出。这里需要说明的是，这里的下一个样本滑窗是指将当前样本滑窗滑窗向后移动一个工作区纵向深度之后，所得到的样本滑窗。在得到各个样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量预测值和下一个样本滑窗内各个工作区纵向深度下的周期长度预测值之后，再结合各个样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量标签值和下一个样本滑窗内各个工作区纵向深度下的周期长度标签值，计算注浆填充量预测网络的损失函数，并结合损失函数对网络参数进行调整，从而实现对注浆填充量预测网络的训练。
通过上述步骤，即可获取训练好的注浆填充量预测网络，需要强调的是，该获取训练好的注浆填充量预测网络的步骤实际上是在当前采矿工作进行前就完成的。在获取训练好的注浆填充量预测网络之后，将通过步骤（1）-（3）所获得的当前及其之前的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率，输入到该注浆填充量预测网络中，由该注浆填充量预测网络对下一工作区纵向深度下所对应的注浆填充总量进行预测，得到下一工作区纵向深度下所对应的注浆填充总量预测值。
（5）根据下一工作区纵向深度下所对应的注浆填充总量、当前工作区纵向深度下所对应的注浆填充总量以及注浆填充时间，确定注浆速率。
通过上述步骤（4），可以得到实际煤矿开采的过程中，下一工作区纵向深度下所对应的注浆孔的注浆填充量参数，也就是下一工作区纵向深度下所对应的注浆填充总量，根据该下一工作区纵向深度下所对应的注浆填充总量，对注浆孔的注浆速率V进行调节，满足
，其中，
表示注浆填充时间，
表示注浆速率，
表示下一工作区纵向深度下所对应的注浆填充总量，
表示当前工作区纵向深度下所对应的注浆填充总量。
本发明通过构建各个工作区纵向深度下所对应的高斯混合模型，能够准确的模拟开采过程中离层分布变化规律，得到各层之间空间结构参数的变化模型。通过覆岩层各层的含水率和膨胀率对注浆填充过程中注浆量的影响，构建时间序列相关的注浆填充量预测网络，能够准确的得到注浆填充量与注浆时间、离层空间分布结构信息以及含水率和膨胀率的关系，得到准确的动态注浆量，并利用动态注浆量实现最终的注浆参数动态调节。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令，以实现如下步骤：
在采矿工作过程中，获取矿井当前及其之前的各个工作区纵向深度下所对应的各个横向工作区宽度、各个离层带分布深度、离层带的各个覆岩层的岩石膨胀率和含水率以及当前工作区纵向深度下所对应的注浆填充总量；
根据当前及其之前的各个工作区纵向深度下所对应的各个横向工作区宽度和各个离层带分布深度，获取当前及其之前的各个工作区纵向深度下所对应的高斯混合模型；
根据当前及其之前的各个工作区纵向深度下所对应的高斯混合模型和各个离层带分布深度，确定当前及其之前的各个工作区纵向深度下所对应的高斯混合模型参数；
将当前及其之前的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率，输入到预先训练好的注浆填充量预测网络中，得到下一工作区纵向深度下所对应的注浆填充总量预测值；
根据下一工作区纵向深度下所对应的注浆填充总量预测值、当前工作区纵向深度下所对应的注浆填充总量以及注浆填充时间，确定注浆速率。
2.根据权利要求1所述的基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，获取预先训练好的注浆填充量预测网络的步骤包括：
利用TCN预测网络构建注浆填充量预测网络，获取训练样本集，所述训练样本集的获取步骤包括：
在历史采矿工作过程中，获取同一地质条件下不同矿井的各个工作区纵向深度下所对应的各个横向工作区宽度、各个离层带分布深度、离层带的各个覆岩层的岩石膨胀率和含水率以及注浆填充总量；
根据不同矿井的各个工作区纵向深度下所对应的各个横向工作区宽度和各个离层带分布深度，获取不同矿井的各个工作区纵向深度下所对应的高斯混合模型；
根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型以及不同矿井的各个工作区纵向深度下所对应的各个离层带分布深度，确定不同矿井的各个工作区纵向深度下所对应的高斯混合模型参数；
根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型，获取不同矿井的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵，进而获取协方差矩阵的目标特征向量；
根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型以及各个横向工作区宽度，确定不同矿井的各个工作区纵向深度下所对应的高斯混合模型的权重系数；
根据不同矿井的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率、注浆填充总量、高斯混合模型的协方差矩阵的特征向量以及高斯混合模型的权重系数，确定训练样本集；
构建注浆填充量预测网络的损失函数，并利用训练样本集对构建的注浆填充量预测网络进行训练，从而得到训练好的注浆填充量预测网络。
3.根据权利要求2所述的基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，注浆填充量预测网络的损失函数对应的表达式为：
其中，
为注浆填充量预测网络的损失函数，
为第一损失函数，
, n为一个批次的训练样本的样本滑窗的个数，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量预测值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量标签值，
为第二损失函数，
，
为一个批次的训练样本的第i个样本滑窗所对应的影响系数，
，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的各个覆岩层的岩石膨胀率均值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个工作区纵向深度下的各个覆岩层的含水率均值，
为归一化函数，
为一个批次的训练样本的第i个样本滑窗所对应的下一个样本滑窗内各个工作区纵向深度下的周期长度预测值，
为一个批次的训练样本的第i个样本滑窗所对应的下一个样本滑窗内各个工作区纵向深度下的周期长度标签值。
4.根据权利要求2所述的基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，利用训练样本集对构建的注浆填充量预测网络进行训练时包括：
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量和高斯混合模型的权重系数，对一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度进行分组，得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组；
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组所对应的各高斯混合模型的权重系数，确定一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和；
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和，计算任意两个相邻的工作区纵向深度组之间的组内样本差距总和的差距值，进而确定一个批次的训练样本的每个样本滑窗对应的关联函数曲线；
对一个批次的训练样本的每个样本滑窗对应的关联函数曲线进行周期性检测，得到关联函数曲线对应的周期长度；
将一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型参数、离层带的各个覆岩层的岩石膨胀率和含水率以及每个样本滑窗对应的关联函数曲线的周期长度作为注浆填充量预测网络的输入，由注浆填充量预测网络预测对应样本滑窗所对应的下一个工作区纵向深度下的注浆填充总量和对应的下一个样本滑窗内各个工作区纵向深度下的周期长度，并根据注浆填充量预测网络的损失函数，实现对注浆填充量预测网络的训练。
5.根据权利要求4所述的基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，对一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度进行分组，得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的步骤包括：
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量和高斯混合模型的权重系数，计算每个样本滑窗内的任意两个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量之间的相似度以及高斯混合模型的权重系数之间的相似度；
根据每个样本滑窗内的任意两个工作区纵向深度下所对应的高斯混合模型的协方差矩阵的目标特征向量之间的相似度以及高斯混合模型的权重系数之间的相似度，对一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度进行分组，得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组。
6.根据权利要求4所述的基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，确定一个批次的训练样本的每个样本滑窗对应的关联函数曲线的步骤包括：
对一个批次的训练样本的每个样本滑窗内的任意两个相邻的工作区纵向深度组之间的组内样本差距总和的差距值进行编号，并以每个差距值的编号为横坐标、以每个差距值为纵坐标，得到各个差距值坐标点；
对一个批次的训练样本的每个样本滑窗内的所有差距值坐标点进行曲线拟合，从而得到一个批次的训练样本的每个样本滑窗对应的关联函数曲线。
7.根据权利要求4所述的基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，确定一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和的步骤包括：
根据一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组所对应的各高斯混合模型的权重系数，分别计算各个工作区纵向深度组中任意两个权重系数之间的余弦距离；
将一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组中任意两个权重系数之间的余弦距离进行累加，从而得到一个批次的训练样本的每个样本滑窗内的各个工作区纵向深度组的组内样本差距总和。
8.根据权利要求1所述的基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，
工作区纵向深度下所对应的高斯混合模型参数包括：该工作区纵向深度下所对应的各个离层带分布深度、该工作区纵向深度下所对应的高斯混合模型的离层带分布深度均值和数据维度。
9.根据权利要求2所述的基于离层分布规律的地表沉陷控制注浆填充系统，其特征在于，工作区纵向深度下所对应的高斯混合模型的权重系数对应的计算公式为：
其中，
为工作区纵向深度下所对应的高斯混合模型的权重系数，
为该工作区纵向深度下所对应的各个横向工作区宽度构成的序列，
为该工作区纵向深度对应的深度值，
为该工作区纵向深度下所对应的高斯混合模型的数据维度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210135701.0A CN114183195B (zh) | 2022-02-15 | 2022-02-15 | 一种基于离层分布规律的地表沉陷控制注浆填充系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210135701.0A CN114183195B (zh) | 2022-02-15 | 2022-02-15 | 一种基于离层分布规律的地表沉陷控制注浆填充系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114183195A true CN114183195A (zh) | 2022-03-15 |
| CN114183195B CN114183195B (zh) | 2022-04-29 |
Family
ID=80545943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210135701.0A Active CN114183195B (zh) | 2022-02-15 | 2022-02-15 | 一种基于离层分布规律的地表沉陷控制注浆填充系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114183195B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8516599D0 (en) * | 1985-07-01 | 1985-08-07 | Mitsubishi Mining & Cement Co | Filling & solidifying grout slurry in coal pit |
| CN101021162A (zh) * | 2007-03-23 | 2007-08-22 | 开滦（集团）有限责任公司 | 覆岩离层注浆充填装置及注浆充填系统 |
| CN105804752A (zh) * | 2016-03-15 | 2016-07-27 | 淮北矿业（集团）勘探工程有限责任公司 | 一种煤矿条带开采中覆岩离层注浆减沉工艺 |
| CN106014476A (zh) * | 2016-05-20 | 2016-10-12 | 河海大学 | 一种覆岩离层注浆工艺及装置 |
| CN108757022A (zh) * | 2018-05-29 | 2018-11-06 | 中国煤炭地质总局勘查研究总院 | 采空塌陷区的修复方法 |
| CN109086519A (zh) * | 2018-08-01 | 2018-12-25 | 长沙理工大学 | 自适应施工环境的灌浆参数计算方法及系统 |
| CN112096380A (zh) * | 2020-01-17 | 2020-12-18 | 中国矿业大学(北京) | 一种高强度开采岩层运移注浆控制及注浆量计算方法 |
| CN112326785A (zh) * | 2020-09-16 | 2021-02-05 | 中铁十九局集团轨道交通工程有限公司 | 同步注浆充填效果冲击映像法检测与评价方法 |
| CN113012719A (zh) * | 2021-02-04 | 2021-06-22 | 上海小芃科技有限公司 | 睡眠声音信号疲劳评估方法、系统、电子设备及存储介质 |
| CN113175348A (zh) * | 2021-04-26 | 2021-07-27 | 河南城建学院 | 一种采煤塌陷区修复方法 |
| CN113433132A (zh) * | 2021-07-26 | 2021-09-24 | 安徽理工大学 | 一种模拟覆岩离层注浆充填的装置及方法 |
-
2022
- 2022-02-15 CN CN202210135701.0A patent/CN114183195B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8516599D0 (en) * | 1985-07-01 | 1985-08-07 | Mitsubishi Mining & Cement Co | Filling & solidifying grout slurry in coal pit |
| CN101021162A (zh) * | 2007-03-23 | 2007-08-22 | 开滦（集团）有限责任公司 | 覆岩离层注浆充填装置及注浆充填系统 |
| CN105804752A (zh) * | 2016-03-15 | 2016-07-27 | 淮北矿业（集团）勘探工程有限责任公司 | 一种煤矿条带开采中覆岩离层注浆减沉工艺 |
| CN106014476A (zh) * | 2016-05-20 | 2016-10-12 | 河海大学 | 一种覆岩离层注浆工艺及装置 |
| CN108757022A (zh) * | 2018-05-29 | 2018-11-06 | 中国煤炭地质总局勘查研究总院 | 采空塌陷区的修复方法 |
| CN109086519A (zh) * | 2018-08-01 | 2018-12-25 | 长沙理工大学 | 自适应施工环境的灌浆参数计算方法及系统 |
| CN112096380A (zh) * | 2020-01-17 | 2020-12-18 | 中国矿业大学(北京) | 一种高强度开采岩层运移注浆控制及注浆量计算方法 |
| CN112326785A (zh) * | 2020-09-16 | 2021-02-05 | 中铁十九局集团轨道交通工程有限公司 | 同步注浆充填效果冲击映像法检测与评价方法 |
| CN113012719A (zh) * | 2021-02-04 | 2021-06-22 | 上海小芃科技有限公司 | 睡眠声音信号疲劳评估方法、系统、电子设备及存储介质 |
| CN113175348A (zh) * | 2021-04-26 | 2021-07-27 | 河南城建学院 | 一种采煤塌陷区修复方法 |
| CN113433132A (zh) * | 2021-07-26 | 2021-09-24 | 安徽理工大学 | 一种模拟覆岩离层注浆充填的装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 麻凤海: "《地层沉降控制的可变形离散单元模拟》", 《岩石力学与工程学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114183195B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230144184A1 (en) | Advanced geological prediction method and system based on perception while drilling | |
| CN102509087B (zh) | 一种基于图像灰度共生矩阵的煤岩识别方法 | |
| CN106194181B (zh) | 基于地质数据的智能化工作面煤岩界面识别方法 | |
| CN110889532B (zh) | 一种隧道开挖及支护参数的智能选择及优化方法、系统 | |
| CN110617074B (zh) | 一种盾构施工中地面沉降量与掘进参数的关联关系方法 | |
| CN114547721B (zh) | 深埋隧道局部区域差异定向断裂控制爆破方法 | |
| CN110244344A (zh) | 一种基于深度学习的tbm超前地质预报方法 | |
| US20230296800A1 (en) | DAS Same-Well Monitoring Real-Time Microseismic Effective Event Identification Method Based on Deep Learning | |
| Shi et al. | A fuzzy c-means algorithm guided by attribute correlations and its application in the big data analysis of tunnel boring machine | |
| CN111612643B (zh) | 一种瓦斯抽采对象与抽采措施优选匹配方法 | |
| CN103065051A (zh) | 一种对岩体自动进行分级分区的方法 | |
| CN111666624A (zh) | 一种无支护条件下巨跨地下洞室围岩稳定性评价方法 | |
| CN114183195B (zh) | 一种基于离层分布规律的地表沉陷控制注浆填充系统 | |
| CN112948924A (zh) | 基于覆岩结构的近松散层开采导水裂隙带高度确定方法 | |
| FANG et al. | Intelligent recognition of tunnel stratum based on advanced drilling tests | |
| Niu et al. | An intelligent prediction method of the karst curtain grouting volume based on support vector machine | |
| CN105824042A (zh) | 基于照明能量最优的最大纵向距设计方法 | |
| Yu-wei et al. | Intelligent recognition of tunnel stratum based on advanced drilling tests | |
| CN116127788B (zh) | 定向切顶碎胀充填开采工作面地表损害智能预测方法 | |
| CN112412507B (zh) | 一种巷道锚杆注浆判定及分段实施方法 | |
| CN116973550B (zh) | 一种基于超前地质钻探的爆破参数确定方法 | |
| CN113820750B (zh) | 基于弹塑性力学定量预测泥岩构造裂缝的方法 | |
| CN117211758B (zh) | 用于浅孔取芯的智能钻进控制系统及方法 | |
| CN113762635B (zh) | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 | |
| Liu et al. | Research on metro safety factors assessment based on comprehensive fuzzy algorithm |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A grouting filling system for surface subsidence control based on the law of separation layer distribution Effective date of registration: 20220722 Granted publication date: 20220429 Pledgee: Jining Branch of Rizhao Bank Co.,Ltd. Pledgor: SHANDONG SHANKUANG MACHINERY Co.,Ltd. Registration number: Y2022980010896 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230705 Granted publication date: 20220429 Pledgee: Jining Branch of Rizhao Bank Co.,Ltd. Pledgor: SHANDONG SHANKUANG MACHINERY Co.,Ltd. Registration number: Y2022980010896 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Surface Subsidence Control Grouting Filling System Based on the Distribution Law of Separation Layer Effective date of registration: 20230801 Granted publication date: 20220429 Pledgee: Jining Branch of Rizhao Bank Co.,Ltd. Pledgor: SHANDONG SHANKUANG MACHINERY Co.,Ltd. Registration number: Y2023980050506 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20240103 Granted publication date: 20220429 Pledgee: Jining Branch of Rizhao Bank Co.,Ltd. Pledgor: SHANDONG SHANKUANG MACHINERY Co.,Ltd. Registration number: Y2023980050506 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |