CN116127752B - 一种冲击地压的预测方法及系统 - Google Patents

一种冲击地压的预测方法及系统 Download PDF

Info

Publication number
CN116127752B
CN116127752B CN202310073133.0A CN202310073133A CN116127752B CN 116127752 B CN116127752 B CN 116127752B CN 202310073133 A CN202310073133 A CN 202310073133A CN 116127752 B CN116127752 B CN 116127752B
Authority
CN
China
Prior art keywords
neural network
coal
layer
rock burst
convolution
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.)
Active
Application number
CN202310073133.0A
Other languages
English (en)
Other versions
CN116127752A (zh
Inventor
冯小军
丁增
赵雪
胡秦境
曹智伟
王冬明
王勇
邓川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202310073133.0A priority Critical patent/CN116127752B/zh
Publication of CN116127752A publication Critical patent/CN116127752A/zh
Application granted granted Critical
Publication of CN116127752B publication Critical patent/CN116127752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本申请公开了一种冲击地压的预测方法及系统，方法包括：获取发生过冲击地压的矿井数据；根据矿井数据进行细观参数标定，得到标定结果；标定结果包括：煤的冲击倾向和采场支承应力带特征；对标定结果进行初步预测，得到预测值；基于预测值，构建递归神经网络模型进行预测，得到预测结果。本申请通过构建递归神经网络来对冲击地压触发条件进行预测，解决了维护管理较困难，分析数据和判定煤岩体的力学状态难度较大的问题；同时也避免了现有方法需要经过长期试验，积累大量经验数据，方可准确预测的情况。

Description

一种冲击地压的预测方法及系统
技术领域
本申请涉及冲击地压预测领域，具体涉及一种冲击地压的预测方法及系统。
背景技术
冲击地压的预测是基于对冲击地压发生机理的认识。目前冲击地压的预测都是围绕冲击地压发生的强度条件和能量条件进行的。通过对煤岩体的应力水平和分布状态以及能量积蓄和释放等变化进行监测，在时空上判断煤岩体破坏形式、规模和释放能量的大小，并以此来进行冲击地压的预测。
发明内容
本申请通过对收集到矿井数据进行细观参数标定，并对触发冲击地压的两个条件分别进行估测，得到估测值，基于估测值构建递归神经网络来完成预测。
为实现上述目的，本申请提供了一种冲击地压的预测方法，步骤包括：
获取发生过冲击地压的矿井数据；
根据所述矿井数据进行细观参数标定，得到标定结果；所述标定结果包括：煤的冲击倾向和采场支承应力带特征；
对所述标定结果进行初步预测，得到预测值；
基于所述预测值，构建递归神经网络模型进行预测，得到预测结果。
优选的，所述矿井数据包括：开采深度、煤层的物理力学特性、顶板岩层的结构特征和地质构造。
优选的，得到所述标定结果的方法包括：采用平行粘结模型建立矿井围岩标准煤岩样的单轴压缩颗粒流数值模型，通过试错法得到细观力学参数，得到标定结果。
优选的，进行所述初步预测的方法包括：采用经验类比法对所述煤的冲击危险性进行估测；采用数值模拟分析方法确定煤的冲击倾向性；采用钻屑法对所述采场支承压力带参数进行测定。
优选的，所述经验类比法步骤包括：
通过对地质条件和开采技术条件进行分析，确定采掘工作面周围采矿地质条件的每个因素对冲击地压的影响程度；
根据所述影响程度确定各个所述因素对冲击地压危险状态影响的指数；
综合所述影响程度和所述指数，形成冲击地压危险状态等级评定的综合指数，完成对所述煤的冲击倾向性的估测。
优选的，所述钻屑法步骤包括：方法基于受压煤层中钻小直径钻孔，当钻孔进入煤体高应力区域时，钻进过程呈现动态特征，孔壁煤体部分可能突然挤入孔内，并伴有振动、声响或微冲击等钻孔效应，单位长度上排出的煤粉量大于正常排粉量，钻屑粒度增大，以及随之出现的卡钻现象；当单位长度的排粉率增大到标定值时，表示高应力和冲击危险状态。
本申请还提供了一种冲击地压的预测系统，包括：采集模块、标定模块、预测模块和构建模块；
所述采集模块用于获取发生过冲击地压的矿井数据；
所述标定模块用于根据所述矿井数据进行细观参数标定，得到标定结果；所述标定结果包括：煤的冲击倾向和采场支承应力带特征；
所述预测模块用于对所述标定结果进行初步预测，得到预测值；
所述构建模块用于基于所述预测值，构建递归神经网络模型进行预测，得到预测结果。
优选的，所述标定模块的工作流程包括：采用平行粘结模型建立矿井围岩标准煤岩样的单轴压缩颗粒流数值模型，通过试错法得到细观力学参数，得到标定结果。
优选的，所述预测模块的工作流程包括：采用经验类比法对所述煤的冲击倾向进行估测；采用钻屑法对所述采场支承压力带参数进行测定。
与现有技术相比，本申请的有益效果如下：
通过构建递归神经网络来对冲击地压触发条件进行预测，解决了维护管理较困难，分析数据和判定煤岩体的力学状态难度较大的问题；同时也避免了现有方法需要经过长期试验，积累大量经验数据，方可准确预测的情况。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例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是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一的方法流程示意图；
图2为本申请实施例二的系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示，为本申请实施例一的方法流程示意图，步骤包括：
S1.获取发生过冲击地压的矿井数据。
收集的数据包括：开采深度、煤层的物理力学特性、顶板岩层的结构特征和地质构造。
S2.根据矿井数据进行细观参数标定，得到标定结果。
之后，根据采集到的矿井数据，采用平行粘结模型建立矿井周边标准岩样的单轴压缩颗粒流数值模型，通过试错法得到细观力学参数，得到标定结果。标定结果包括：煤的冲击倾向和支承应力带特征。
S3.对标定结果进行初步预测，得到预测值。
采用经验类比法对所述煤的冲击倾向进行估测；采用钻屑法对所述采场支承压力带参数进行测定。
其中，通过对以往经验教训做出规律性的总结，并用于指导本矿或相似条件的其它矿井冲击地压煤层安全开采的方法称为经验类比法。在本实施例一中，应着重考虑下列因素：本矿和邻矿的冲击地压现状和发展趋势；本煤层或邻层、邻区已发生过冲击地压；煤层老顶为厚5m以上、单轴抗压强度大于70MPa的坚硬岩层；岛形或半岛形煤柱；支承压力影响区；上部或下部遗留煤柱或回采边界，煤层厚度或倾角突然变化区；褶曲或断裂构造带等。就整个矿井而言，通过地质条件和开采技术条件的分析，可以圈定冲击地压可能发生的区域。随着开采深度的延深，当煤岩体应力满足强度条件时就可能发生冲击地压。始发冲击的深度通常称临界深度。从始发深度起，冲击地压就可能在煤柱、煤层凸出部位和邻近煤柱的上下煤层区段发生，并随着开采水平的延深，冲击地压发生地点和范围也随之扩大。所有靠近采掘工作面的区域，煤层厚度和倾角突然变化的区域，以及地质构造带都可能成为发生冲击地压的危险区域。在本实施例一中，首先应该圈定以下区域为冲击地压特别危险区：
1)断层、褶曲、煤层突然变化区域。
2)采空区周围。
3)本层或邻层的开采边界或遗留煤柱影响区。
4)工作面前方回采巷道或其它巷道。
在掘进巷道和进行回采时，冲击危险的客观标志是生产过程(打眼放炮、风镐落煤、采煤机割煤等)中伴随有弹射、微冲击现象。这些现象通常不是个别出现的，而是伴随一定采掘过程而出现的性质相同的一系列现象。例如掘进工作面中的弹射，通常是在每次掏槽爆破之后立即发生。在采煤工作面，每次放炮以后半小时内出现相当强烈的弹射。如果是在有冲击危险的煤层中打眼和割煤就会频繁地发生弹射和微冲击现象。影响冲击地压的主要因素有地质方面的因素(如开采深度、煤层的物理力学特性、顶板岩层的结构特征、地质构造等)，也有开采技术方面的因素(如上覆煤层的停采线、残采区、采空区、煤柱、老巷、开采区域的大小等)。根据这些冲击地压影响因素的分析，确定采掘工作面周围采矿地质条件的每个因素对冲击地压的影响程度，以及确定各个因素对冲击地压危险状态的影响程度。
而钻屑法是通过在煤层中打直径为42～50mm的钻孔，根据排出的煤粉量及其变化规律和有关动力效应，鉴别冲击危险的一种方法。由于这种方法能同时检测多项与冲击地压有关的因素，而且简便易行，所以成为普遍采用的一种方法。《煤矿安全规程》中规定“开采有冲击地压的煤层时，冲击危险程度和采取措施后的实际效果，可采用钻粉率指标、地音法、微震法等方法确定”，在《冲击地压煤层安全开采暂行规定》中不仅规定了采用钻屑法预测冲击危险程度，而且制定了钻屑法试行技术规范。因此钻屑法的实施应该按照技术规范进行。该方法基于受压煤层中钻小直径钻孔，当钻孔进入煤体高应力区域时，钻进过程呈现动态特征，孔壁煤体部分可能突然挤入孔内，并伴有振动、声响或微冲击等钻孔效应，单位长度上排出的煤粉量大于正常排粉量，钻屑粒度增大，以及随之出现的卡钻现象。当单位长度的排粉率增大到标定值时，表示高应力和冲击危险状态。
S4.基于预测值，构建递归神经网络模型进行预测，得到预测结果。
根据从上述步骤得到的标定结果，构建递归神经网络。
在本实施例一中，构建的递归神经网络分为两大部分，对于第一部分，在本实施例一中，根据上述标定结果得到的预测值作为训练集来构建神经网络架构Net1，该结构有三种神经网络层。①Conv1d+ReLU：该方法为神经网络的第一层，有64个长度为3的卷积核，能产生64张特征图，激活函数ReLU被用于增加神经网络的非线性。②Conv1d+BN+ReLU：该层总共有5层，每层有64个长度为3的卷积核，每个卷积层之后有一个一维批归一化层，之后为ReLU函数。③Conv1d：该层为卷积层，有1个长度为3的卷积核，能生成1个特征图。该神经网络架构使用开源PyTorch架构实现。神经网络Net1在训练集上训练之后，可以对输入的矿井数据进行处理，得到煤的冲击倾向和采场支承压力带参数。
第二部分为多参数信息反演框架。该框架构建了深度神经网络Net2和Net3，分别对第一部分得到的煤的冲击倾向和采场支承压力带参数进行反演。本实施例一中，将神经网络Net2和Net3设置了相同的网络架构。该架构有两种神经网络层。①5层一维卷积神经网络，每层卷积核的数量分别为64，32，16，8，4，卷积核的长度为3。每层一维卷积层之后使用relu作为激活函数。②多层感知机。该层为全连接层。该框架通过训练，可实现通过煤的冲击倾向和采场支承压力带参数来预测冲击地压。
实施例二
如图2所示为本申请实施例二的系统结构示意图，包括：采集模块、标定模块、预测模块和构建模块。其中，采集模块用于获取发生过冲击地压的矿井数据；标定模块用于根据矿井数据进行细观参数标定，得到标定结果；预测模块用于对标定结果进行初步预测，得到预测值；构建模块用于基于预测值，构建递归神经网络模型进行预测，得到预测结果。
下面将结合本实施例详细说明本申请如何解决实际生活中的技术问题。
首先利用采集模块进行数据收集，收集的数据包括：开采深度、煤层的物理力学特性、顶板岩层的结构特征和地质构造。
之后利用标定模块根据矿井数据进行细观参数标定，得到标定结果。工作流程包括：根据采集到的矿井数据，采用平行粘结模型建立矿井周边标准岩样的单轴压缩颗粒流数值模型，通过试错法得到细观力学参数，得到标定结果。标定结果包括：煤的冲击倾向和支承应力带特征。
预测模块用于对标定结果进行初步预测，得到预测值。
在本实施例中，预测模块采用经验类比法对所述煤的冲击倾向进行估测；采用钻屑法对所述采场支承压力带参数进行测定。
其中，通过对以往经验教训做出规律性的总结，并用于指导本矿或相似条件的其它矿井冲击地压煤层安全开采的方法称为经验类比法。在本实施例中，应着重考虑下列因素：本矿和邻矿的冲击地压现状和发展趋势；本煤层或邻层、邻区已发生过冲击地压；煤层老顶为厚5m以上、单轴抗压强度大于70MPa的坚硬岩层；岛形或半岛形煤柱；支承压力影响区；上部或下部遗留煤柱或回采边界，煤层厚度或倾角突然变化区；褶曲或断裂构造带等。就整个矿井而言，通过地质条件和开采技术条件的分析，可以圈定冲击地压可能发生的区域。随着开采深度的延深，当煤岩体应力满足强度条件时就可能发生冲击地压。始发冲击的深度通常称临界深度。从始发深度起，冲击地压就可能在煤柱、煤层凸出部位和邻近煤柱的上下煤层区段发生，并随着开采水平的延深，冲击地压发生地点和范围也随之扩大。所有靠近采掘工作面的区域，煤层厚度和倾角突然变化的区域，以及地质构造带都可能成为发生冲击地压的危险区域。在本实施例中，首先应该圈定以下区域为冲击地压特别危险区：
1)断层、褶曲、煤层突然变化区域。
2)采空区周围。
3)本层或邻层的开采边界或遗留煤柱影响区。
4)工作面前方回采巷道或其它巷道。
在掘进巷道和进行回采时，冲击危险的客观标志是生产过程(打眼放炮、风镐落煤、采煤机割煤等)中伴随有弹射、微冲击现象。这些现象通常不是个别出现的，而是伴随一定采掘过程而出现的性质相同的一系列现象。例如掘进工作面中的弹射，通常是在每次掏槽爆破之后立即发生。在采煤工作面，每次放炮以后半小时内出现相当强烈的弹射。如果是在有冲击危险的煤层中打眼和割煤就会频繁地发生弹射和微冲击现象。影响冲击地压的主要因素有地质方面的因素(如开采深度、煤层的物理力学特性、顶板岩层的结构特征、地质构造等)，也有开采技术方面的因素(如上覆煤层的停采线、残采区、采空区、煤柱、老巷、开采区域的大小等)。根据这些冲击地压影响因素的分析，确定采掘工作面周围采矿地质条件的每个因素对冲击地压的影响程度，以及确定各个因素对冲击地压危险状态的影响程度。
而钻屑法是通过在煤层中打直径为42～50mm的钻孔，根据排出的煤粉量及其变化规律和有关动力效应，鉴别冲击危险的一种方法。由于这种方法能同时检测多项与冲击地压有关的因素，而且简便易行，所以成为普遍采用的一种方法。《煤矿安全规程》中规定“开采有冲击地压的煤层时，冲击危险程度和采取措施后的实际效果，可采用钻粉率指标、地音法、微震法等方法确定”，在《冲击地压煤层安全开采暂行规定》中不仅规定了采用钻屑法预测冲击危险程度，而且制定了钻屑法试行技术规范。因此钻屑法的实施应该按照技术规范进行。该方法基于受压煤层中钻小直径钻孔，当钻孔进入煤体高应力区域时，钻进过程呈现动态特征，孔壁煤体部分可能突然挤入孔内，并伴有振动、声响或微冲击等钻孔效应，单位长度上排出的煤粉量大于正常排粉量，钻屑粒度增大，以及随之出现的卡钻现象。当单位长度的排粉率增大到标定值时，表示高应力和冲击危险状态。
之后构建模块基于预测值，构建递归神经网络模型进行预测，得到预测结果。
根据从标定模块传输来的标定结果，利用构建模块构建递归神经网络。在本实施例二中，构建的递归神经网络分为两大部分，对于第一部分，在本实施例二中，根据上述标定结果得到的预测值作为训练集来构建神经网络架构Net1，该结构有三种神经网络层。①Conv1d+ReLU：该方法为神经网络的第一层，有64个长度为3的卷积核，能产生64张特征图，激活函数ReLU被用于增加神经网络的非线性。②Conv1d+BN+ReLU：该层总共有5层，每层有64个长度为3的卷积核，每个卷积层之后有一个一维批归一化层，之后为ReLU函数。③Conv1d：该层为卷积层，有1个长度为3的卷积核，能生成1个特征图。该神经网络架构使用开源PyTorch架构实现。神经网络Net1在训练集上训练之后，可以对输入的矿井数据进行处理，得到煤的冲击倾向和采场支承压力带参数。
第二部分为多参数信息反演框架。该框架构建了深度神经网络Net2和Net3，分别对第一部分得到的煤的冲击倾向和采场支承压力带参数进行反演。本实施例二中，将神经网络Net2和Net3设置了相同的网络架构。该架构有两种神经网络层。①5层一维卷积神经网络，每层卷积核的数量分别为64，32，16，8，4，卷积核的长度为3。每层一维卷积层之后使用ReLU作为激活函数。②多层感知机。该层为全连接层。该框架通过训练，可实现通过煤的冲击倾向和采场支承压力带参数来预测冲击地压。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (7)

1.一种冲击地压的预测方法，其特征在于，步骤包括：
获取发生过冲击地压的矿井数据；
根据所述矿井数据进行细观参数标定，得到标定结果；
对所述标定结果进行初步预测，得到预测值；进行所述初步预测的方法包括：采用经验类比法对煤的冲击倾向性进行测定；采用钻屑法对采场支承压力带参数进行测定；
基于所述预测值，构建递归神经网络模型进行预测，得到预测结果；所述递归神经网络包括两大部分；
第一部分为根据所述预测值作为训练集来构建神经网络架构Net1，所述神经网络架构Net1有三种神经网络层：
①Conv1d+ReLU：神经网络的第一层，有64个长度为3的卷积核，能产生64张特征图，激活函数ReLU被用于增加神经网络的非线性；
②Conv1d+BN+ReLU：总共有5层，每层有64个长度为3的卷积核，每个卷积层之后有一个一维批归一化层，之后为ReLU函数；
③Conv1d：卷积层，有1个长度为3的卷积核，能生成1个特征图；所述神经网络架构Net1在训练集上训练之后，对输入的矿井数据进行处理，得到所述煤的冲击倾向和所述采场支承压力带参数；
第二部分为多参数信息反演框架；所述多参数信息反演框架构建了深度神经网络Net2和Net3，分别对所述煤的冲击倾向和所述采场支承压力带参数进行反演；所述Net2和所述Net3设置相同的网络架构；该架构有两种神经网络层：
①5层一维卷积神经网络，每层卷积核的数量分别为64，32，16，8，4，卷积核的长度为3；每层一维卷积层之后使用relu作为激活函数；
②多层感知机；全连接层；所述多参数信息反演框架通过训练，实现通过所述煤的冲击倾向和所述采场支承压力带参数来预测冲击地压。
2.根据权利要求1所述的冲击地压的预测方法，其特征在于，所述矿井数据包括：开采深度、煤层的物理力学特性、顶板岩层的结构特征和地质构造。
3.根据权利要求1所述的冲击地压的预测方法，其特征在于，得到所述标定结果的方法包括：采用平行粘结模型建立矿井围岩标准煤岩样的单轴压缩颗粒流数值模型，通过试错法得到细观力学参数，得到所述标定结果。
4.根据权利要求1所述的冲击地压的预测方法，其特征在于，所述经验类比法步骤包括：
通过对地质条件和开采技术条件进行分析，确定采掘工作面周围采矿地质条件的每个因素对冲击地压的影响程度；
根据所述影响程度确定各个所述因素对冲击地压危险状态影响的指数；
综合所述影响程度和所述指数，形成冲击地压危险状态等级评定的综合指数，完成对所述煤的冲击倾向性的估测。
5.据权利要求1所述的冲击地压的预测方法，其特征在于，所述钻屑法步骤包括：方法基于受压煤层中钻小直径钻孔，当钻孔进入煤体高应力区域时，钻进过程呈现动态特征，孔壁煤体部分突然挤入孔内，并伴有振动、声响或微冲击等钻孔效应，单位长度上排出的煤粉量大于正常排粉量，钻屑粒度增大，以及随之出现的卡钻现象；当单位长度的排粉率增大到标定值时，表示高应力和冲击危险状态。
6.一种冲击地压的预测系统，其特征在于，包括：采集模块、标定模块、预测模块和构建模块；
所述采集模块用于获取发生过冲击地压的矿井数据；
所述标定模块用于根据所述矿井数据进行细观参数标定，得到标定结果；
所述预测模块用于对所述标定结果进行初步预测，得到预测值；进行所述初步预测的方法包括：采用经验类比法对煤的冲击倾向性进行测定；采用钻屑法对采场支承压力带参数进行测定；
所述构建模块用于基于所述预测值，构建递归神经网络模型进行预测，得到预测结果；所述递归神经网络包括两大部分；
第一部分为根据所述预测值作为训练集来构建神经网络架构Net1，所述神经网络架构Net1有三种神经网络层：
①Conv1d+ReLU：神经网络的第一层，有64个长度为3的卷积核，能产生64张特征图，激活函数ReLU被用于增加神经网络的非线性；
②Conv1d+BN+ReLU：总共有5层，每层有64个长度为3的卷积核，每个卷积层之后有一个一维批归一化层，之后为ReLU函数；
③Conv1d：卷积层，有1个长度为3的卷积核，能生成1个特征图；所述神经网络架构Net1在训练集上训练之后，对输入的矿井数据进行处理，得到所述煤的冲击倾向和所述采场支承压力带参数；
第二部分为多参数信息反演框架；所述多参数信息反演框架构建了深度神经网络Net2和Net3，分别对所述煤的冲击倾向和所述采场支承压力带参数进行反演；所述Net2和所述Net3设置相同的网络架构；该架构有两种神经网络层：
①5层一维卷积神经网络，每层卷积核的数量分别为64，32，16，8，4，卷积核的长度为3；每层一维卷积层之后使用relu作为激活函数；
②多层感知机；全连接层；所述多参数信息反演框架通过训练，实现通过所述煤的冲击倾向和所述采场支承压力带参数来预测冲击地压。
7.根据权利要求6所述的冲击地压的预测系统，其特征在于，所述标定模块的工作流程包括：采用平行粘结模型建立矿井围岩标准煤岩样的单轴压缩颗粒流数值模型，通过试错法得到细观力学参数，得到标定结果。
CN202310073133.0A 2023-02-07 2023-02-07 一种冲击地压的预测方法及系统 Active CN116127752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310073133.0A CN116127752B (zh) 2023-02-07 2023-02-07 一种冲击地压的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310073133.0A CN116127752B (zh) 2023-02-07 2023-02-07 一种冲击地压的预测方法及系统

Publications (2)

Publication Number Publication Date
CN116127752A CN116127752A (zh) 2023-05-16
CN116127752B true CN116127752B (zh) 2023-07-04

Family

ID=86296966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310073133.0A Active CN116127752B (zh) 2023-02-07 2023-02-07 一种冲击地压的预测方法及系统

Country Status (1)

Country Link
CN (1) CN116127752B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910886B (zh) * 2023-08-25 2024-05-07 山东大学 一种岩溶地区的冲击能量预警方法及系统
CN117709541A (zh) * 2023-12-20 2024-03-15 中国矿业大学 一种断层区域工作面开采冲击地压预测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019148788A1 (zh) * 2018-01-31 2019-08-08 中国矿业大学 一种主动强化支护与主动卸压防治冲击地压的方法
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
CN114757266A (zh) * 2022-03-27 2022-07-15 中国矿业大学 专家知识与数据融合驱动的冲击地压预测模型构建方法
CN115405363A (zh) * 2022-08-30 2022-11-29 华北科技学院 一种基于lstm神经网络的煤矿冲击地压监测预警系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019148788A1 (zh) * 2018-01-31 2019-08-08 中国矿业大学 一种主动强化支护与主动卸压防治冲击地压的方法
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
CN114757266A (zh) * 2022-03-27 2022-07-15 中国矿业大学 专家知识与数据融合驱动的冲击地压预测模型构建方法
CN115405363A (zh) * 2022-08-30 2022-11-29 华北科技学院 一种基于lstm神经网络的煤矿冲击地压监测预警系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
3D modeling of the strength effect of backfill-rocks on controlling rockburst ris: a case study;Xiaojun Feng等;《Arabian Journal of Geosciences》;第13卷;128页 *
Prediction and Evaluation of Rockburst Based on Depth Neural Network;Jin Zhang等;《Advances in Civil Engineering》;第2021卷;8248443页 *
基于BP神经网络的超前支承压力分布预测;李宏亮等;《煤矿安全》;第46卷(第02期);209-212页 *
基于BP网络理论的岩爆预测方法;郭雷等;工业安全与环保(第10期);32-35页 *
基于PSO-RBF神经网络模型的岩爆倾向性预测;李任豪等;黄金科学技术;第28卷(第01期);134-141页 *
基于三维地应力场反演的宏观区域冲击危险性评价;邓志刚等;煤炭科学技术;第46卷(第10期);78-82页 *
煤矿瓦斯灾害风险隐患大数据监测预警云平台与应用;王恩元等;《煤炭科学技术》;第50卷(第01期);142-150页 *

Also Published As

Publication number Publication date
CN116127752A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN116127752B (zh) 一种冲击地压的预测方法及系统
He et al. Rockburst laboratory tests database—application of data mining techniques
Mondal et al. Fractal and seismic b-value study during dynamic roof displacements (roof fall and surface blasting) for enhancing safety in the longwall coal mines
Wang et al. An ultrasonic-based method for longwall top-coal cavability assessment
CN104533443B (zh) 一种坚硬顶板矿井冲击地压灾害危险性预测分析方法
Rostami et al. Rock characterization while drilling and application of roof bolter drilling data for evaluation of ground conditions
Mandal et al. Assessment of roof convergence during driving roadways in underground coal mines by continuous miner
CN109597124B (zh) 一种工作面应力集中区槽波地震精细探测方法
CN105741029A (zh) 一种基于累积应力集中系数的冲击危险评价方法
Andrieux et al. The destressability index methodology for the assessment of the likelihood of success of a large-scale confined destress blast in an underground mine pillar
CN109707453A (zh) 一种煤矿永久硐室冲击安全性论证方法
Basarir et al. The use of soft computing methods for the prediction of rock properties based on measurement while drilling data
Li et al. Case study on the mining‐induced stress evolution of an extra‐thick coal seam under hard roof conditions
Morissette et al. Validating a support performance database based on passive monitoring data
CN115929408B (zh) 一种巷道掘进过程煤矿顶板裂隙实时监测系统与方法
CN109339760B (zh) 一种水平井一段多簇压裂裂缝条数诊断方法
Sheng et al. Assessment of uncertainties in wellbore stability analysis
Manzoor et al. Modelling the relationship between oversize fragments and nature of rock mass for a sublevel caving operation
Wu et al. Profiling of weathered argillaceous limestone rock with MWD data from advanced drilling for tunnelling along Wu-Kai expressway in Chongqing, China
CN114329935A (zh) 煤矿巷道围岩三维采动应力的测试方法及装置
Fillion et al. Implications of collecting additional data for slope design in an open pit operation
Dehkhoda et al. Numerically simulated Rate of Energy Release and its correlation with measured seismic potency
Sivakumar et al. Real time microseismic monitoring to study geomechanics of underground structures
Esterhuizen Controlling the effects of stress and seismicity in a sublevel caving operation
Forster et al. Mining and rock mass factors influencing hangingwall dilution

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