CN116127788B - 定向切顶碎胀充填开采工作面地表损害智能预测方法 - Google Patents
定向切顶碎胀充填开采工作面地表损害智能预测方法 Download PDFInfo
- Publication number
- CN116127788B CN116127788B CN202310382935.XA CN202310382935A CN116127788B CN 116127788 B CN116127788 B CN 116127788B CN 202310382935 A CN202310382935 A CN 202310382935A CN 116127788 B CN116127788 B CN 116127788B
- Authority
- CN
- China
- Prior art keywords
- surface damage
- crack
- parameters
- working surface
- earth surface
- 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
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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Abstract
本公开涉及煤炭开采技术领域,具体涉及一种定向切顶碎胀充填开采工作面地表损害智能预测方法。该方法包括构建训练数据集,训练数据集包括工作面参数和地表损害指标,工作面参数为模型输入数据,地表损害指标为标签,地表损害指标为对应工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和;构建地表损害预测模型;利用训练数据集训练地表损害预测模型得到目标地表损害预测模型;在实际定向切顶碎胀开采前获取预设工作面参数,将预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测。由本公开方法能够量化地表损害情况,以便更准确地进行定向切顶碎胀充填开采工作面地表损害预测。
Description
技术领域
本公开属于煤炭开采技术领域,尤其涉及一种定向切顶碎胀充填开采工作面地表损害智能预测方法。
背景技术
在立足以煤为主的基本国情,抓好煤炭清洁高效利用,增加新能源消纳能力,推动煤炭和新能源优化组合,深入推动能源革命,加快建设能源强国的当下,标志着我国对保障能源安全和能源绿色低碳转型发展提出了新的更高要求。
在开采煤炭过程中,随着煤矿开采深度的增加地表生态环境的破坏也愈发严重。传统全部垮落法开采形成采煤塌陷的面积令人触目惊心,2020年煤炭开采引起的土地沉陷110万亩。非连续变形产生的地表裂缝显著改变土壤孔性,损伤植物根系性状和微生物活性密切相关,越靠近采动地裂缝,土壤潜在侵蚀能力越高,抗侵蚀能力越差。因此减小煤炭开采对地表的破坏是实现绿色开采、低碳发展的核心。
由于我国资源条件特征,煤炭在我国能源消费结构中仍将牢牢占据第一位置。但目前的全部垮落煤矿开采法造成的沉陷区问题较为突出,地表建筑物损害严重,地表裂缝、台阶错动现象明显。
矸石充填、膏体充填和建筑物垃圾充填等充填开采方式能减少地表下沉,减弱地表水平移动和水平变形,但充填成本是开采成本30%,同时充填速度、充填工艺严重制约了开采进度,影响工作面产量。同时煤炭资源开采量,所需充填矸石、膏体等材料不能完全满足矿井的充填需求,此方法只能在矿井的局部地区推广使用。离层注浆技术是根据通过在地面施工注浆钻孔,在工作面上方关键层发生产生离层空间时,从地面通过注浆孔实施注浆,这种工艺需要对注浆时间的把握高度准确,对离层部位进行精准估算,同时注浆充填成本大,消耗大量水泥,同样不利于可持续发展。
为从根本上解决煤炭开采引起的地表破坏问题,需要一种廉价、便于施工、便于大规模应用的地表减沉及岩层运动控制技术。在众多控制技术中,20世纪初提出的110工法在我国各大矿区得到广泛应用,引领了第三次矿业技术革命。110工法的核心技术是采用聚能管进行超前定向预裂爆破。该核心技术可以人为控制切顶高度,通过切顶使原本正常开采条件下不会充分垮落的部分直接顶在工作面端头沿着切缝线依次充分垮落,使原本不能定向断裂的基本顶能沿着切缝线断裂,理论上能一次充满采空区,能有效阻止岩层发生回转变形。由于切顶后垮落的矸石块体较小,碎胀程度高,不仅能减弱矿压,实现自成巷,同时切顶岩层的碎胀充填作用能较好的控制岩层运动,减弱地表移动的剧烈的程度。
为了加强我国的行业优势,将为贯彻新发展理念、进一步加快实施新发展理念、实现煤炭行业高质量发展提供坚强保障,还需要在“定向切顶碎胀充填开采工作面地表损害预测”方面进行进一步研究。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本公开提供了一种定向切顶碎胀充填开采工作面地表损害智能预测方法及系统,主要目的在于量化地表损害情况,以便更准确地进行定向切顶碎胀充填开采工作面地表损害预测。
根据本公开的第一方面,提供了一种定向切顶碎胀充填开采工作面地表损害智能预测方法,包括:
构建训练数据集,所述训练数据集包括工作面参数和地表损害指标,所述工作面参数作为模型输入数据,所述地表损害指标作为标签,其中所述工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,所述地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和;
构建地表损害预测模型,所述地表损害预测模型采用多层感知器神经网络模型;
利用所述训练数据集训练地表损害预测模型得到目标地表损害预测模型;
在实际进行定向切顶碎胀开采前获取预设工作面参数,将所述预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测。
在本公开的一个实施例中,还包括:构建智能调控模型,所述智能调控模型包括地表损害预测单元和优化单元,所述地表损害预测单元基于输入的工作面参数采用所述目标地表损害预测模型生成地表损害指标,所述优化单元用于获取所述地表损害预测单元输出的地表损害指标,并利用算法选择输入的工作面参数中的工作面宽度、切顶角度、切顶高度任一个作为变量进行调节,并将调节后的变量送至所述地表损害预测单元,当所述输出的地表损害指标出现最小值,将所述最小值对应的工作面参数作为最优工作面参数输出;将所述预设工作面参数输入所述智能调控模型输出最优工作面参数,基于所述最优工作面参数进行定向切顶碎胀开采。
在本公开的一个实施例中,所述优化单元利用的算法为面向对象编程算法。
在本公开的一个实施例中,所述构建训练数据集,包括:利用数值模拟实验分析不同工作面参数下地表裂缝分布规律,以得到不同工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距;对各工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距的负值求和,以获得对应工作面参数下的地表损害指标;基于所有工作面参数和对应工作面参数下的地表损害指标构建得到训练数据集。
在本公开的一个实施例中,在数值模拟实验时采用离散元-有限差分数值分析方法分析不同工作面参数下地表裂缝分布规律。
在本公开的一个实施例中,训练地表损害预测模型时采用随机梯度下降算法。
根据本公开的第二方面,提供了一种定向切顶碎胀充填开采工作面地表损害智能预测系统,包括:
数据构建模块,用于构建训练数据集,所述训练数据集包括工作面参数和地表损害指标,所述工作面参数作为模型输入数据,所述地表损害指标作为标签,其中所述工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,所述地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和;
预测模型构建模块,用于构建地表损害预测模型,所述地表损害预测模型采用多层感知器神经网络模型;
训练模块,用于利用所述训练数据集训练地表损害预测模型得到目标地表损害预测模型;
预测模块,用于在实际进行定向切顶碎胀开采前获取预设工作面参数,将所述预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测。
在本公开的一个实施例中,还包括调控模型构建模块和优化控制模块;所述调控模型构建模块,用于构建智能调控模型,所述智能调控模型包括地表损害预测单元和优化单元,所述地表损害预测单元基于输入的工作面参数采用所述目标地表损害预测模型生成地表损害指标,所述优化单元用于获取所述地表损害预测单元输出的地表损害指标,并利用算法选择输入的工作面参数中的工作面宽度、切顶角度、切顶高度任一个作为变量进行调节,并将调节后的变量送至所述地表损害预测单元,当所述输出的地表损害指标出现最小值,将所述最小值对应的工作面参数作为最优工作面参数输出;所述优化控制模块,用于将所述预设工作面参数输入所述智能调控模型输出最优工作面参数,基于所述最优工作面参数进行定向切顶碎胀开采。
在本公开的一个实施例中,所述数据构建模块,具体用于:利用数值模拟实验分析不同工作面参数下地表裂缝分布规律,以得到不同工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距;对各工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距的负值求和,以获得对应工作面参数下的地表损害指标;基于所有工作面参数和对应工作面参数下的地表损害指标构建得到训练数据集。
根据本公开的第三方面,提供了一种定向切顶碎胀充填开采工作面地表损害智能预测设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面的任一项所述的定向切顶碎胀充填开采工作面地表损害智能预测方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开的第一方面的任一项所述的定向切顶碎胀充填开采工作面地表损害智能预测方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开的第一方面的任一项所述的定向切顶碎胀充填开采工作面地表损害智能预测方法。
在本公开一个或多个实施例中,构建训练数据集,训练数据集包括工作面参数和地表损害指标,工作面参数作为模型输入数据,地表损害指标作为标签,其中工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和;构建地表损害预测模型,地表损害预测模型采用多层感知器神经网络模型;利用训练数据集训练地表损害预测模型得到目标地表损害预测模型;在实际进行定向切顶碎胀开采前获取预设工作面参数,将预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测。在这种情况下,构建的训练数据集包括工作面参数和地表损害指标,利用训练数据集训练地表损害预测模型得到目标地表损害预测模型;然后在实际开采前,把将要实行进行定向切顶碎胀开采的预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测,其中地表损害指标是裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和,该地表损害指标是一个综合指标值,通过地表损害指标可以更好地量化地表损害情况、以及能够准确地衡量地表裂缝的分布情况,由此能够更准确地进行定向切顶碎胀充填开采工作面地表损害预测。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为现有技术的超前定向预裂主动致胀充填孔示意图;
图2为现有技术的工作面推进后定向预裂切顶效果图;
图3为本公开实施例所提供的一种定向切顶碎胀充填开采工作面地表损害智能预测方法的流程示意图;
图4为本公开实施例所提供的一种定向切顶碎胀充填开采工作面地表损害智能预测方法的流程框图;
图5为本公开实施例所提供的离散元-有限差分数值分析方法的数值模拟网格划分模型;
图6为本公开实施例提供的一种定向切顶碎胀充填开采工作面地表损害智能预测系统的框图;
图7为用来实现本公开实施例的定向切顶碎胀充填开采工作面地表损害智能预测方法的定向切顶碎胀充填开采工作面地表损害智能预测设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。还应当理解,本公开中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
由于我国资源条件特征,煤炭在我国能源消费结构中仍将牢牢占据第一位置。煤炭开采虽然很大程度上解决了人们日常生产生活的能源需求,但也给环境带来了不利影响。例如在开采煤炭过程中,随着煤矿开采深度的增加地表生态环境的破坏也愈发严重。传统全部垮落法开采形成采煤塌陷的面积令人触目惊心,2020年煤炭开采引起的土地沉陷110万亩。非连续变形产生的地表裂缝显著改变土壤孔性,损伤植物根系性状和微生物活性密切相关,越靠近采动地裂缝,土壤潜在侵蚀能力越高,抗侵蚀能力越差。因此减小煤炭开采对地表的破坏是实现绿色开采、低碳发展的核心。
为从根本上解决煤炭开采引起的地表破坏问题,人们开始提出一些廉价、便于施工、便于大规模应用的地表减沉及岩层运动控制技术。在众多控制技术中,20世纪初提出的110工法在我国各大矿区得到广泛应用,引领了第三次矿业技术革命。110工法的核心技术是采用聚能管进行超前定向预裂爆破。该核心技术可以人为控制切顶高度,通过切顶使原本正常开采条件下不会充分垮落的部分直接顶在工作面端头沿着切缝线依次充分垮落,使原本不能定向断裂的基本顶能沿着切缝线断裂,理论上能一次充满采空区,能有效阻止岩层发生回转变形。由于切顶后垮落的矸石块体较小,碎胀程度高,不仅能减弱矿压,实现自成巷,同时切顶岩层的碎胀充填作用能较好的控制岩层运动,减弱地表移动的剧烈的程度。
图1为现有技术的超前定向预裂主动致胀充填孔示意图。图2为现有技术的工作面推进后定向预裂切顶效果图。如图1所示,图1为一些地区的地表至煤层的各层岩性的柱状图。该地区地表至煤层的岩性依次是泥性、细砂性、砂质泥岩和煤层。利用110工法进行煤炭开采时从地表打孔至煤层,并采用聚能管进行超前定向预裂爆破。该孔即为超前定向预裂主动致胀充填孔,也称定向切顶爆破孔。如图2所示,利用110工法,距离被切顶碎胀充填的采空区较近的上方岩层的运动较轻,地表无破坏,从煤层到地表也可以看分作为垮落带、轻微裂隙带和无弯曲下沉带。具体地,利用110工法人为控制切顶高度,如图2所示,在综采工作面设置恒阻锚索进行支护,在煤层开采结束后,采空区被切顶碎胀充填,得到矸石帮,通过切顶使原本正常开采条件下不会充分垮落的部分直接顶在工作面端头沿着切缝线依次充分垮落,使原本不能定向断裂的基本顶能沿着切缝线断裂,理论上能一次充满采空区,能有效阻止岩层发生回转变形。由于切顶后垮落的矸石块体较小,碎胀程度高,不仅能减弱矿压,实现自成巷,同时切顶岩层的碎胀充填作用能较好的控制岩层运动,减弱地表移动的剧烈的程度。
现有的110工法尽管能够减弱地表移动的剧烈的程度,但随着煤炭行业的发展,人们对地表损害的研究有了新的量化评估要求,因此还需要在“定向切顶碎胀充填开采工作面地表损害预测”方面进行进一步研究。
本公开提供了一种定向切顶碎胀充填开采工作面地表损害智能预测方法、系统、设备和存储介质,主要目的在于量化地表损害情况,以便更准确地进行定向切顶碎胀充填开采工作面地表损害预测。
下面结合具体的实施例对本公开进行详细说明。
在第一个实施例中,图3为本公开实施例所提供的一种定向切顶碎胀充填开采工作面地表损害智能预测方法的流程示意图。图4为本公开实施例所提供的一种定向切顶碎胀充填开采工作面地表损害智能预测方法的流程框图。
具体地,如图3所示,本公开的定向切顶碎胀充填开采工作面地表损害智能预测方法包括以下步骤:
步骤S11,构建训练数据集,训练数据集包括工作面参数和地表损害指标,工作面参数作为模型输入数据,地表损害指标作为标签,其中工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和。
具体地,在本实施例中,步骤S11中的构建训练数据集,包括:利用数值模拟实验分析不同工作面参数下地表裂缝分布规律,以得到不同工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距(步骤S111);对各工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距的负值求和,以获得对应工作面参数下的地表损害指标(步骤S112);基于所有工作面参数和对应工作面参数下的地表损害指标构建得到训练数据集(步骤S113)。
在步骤S111中,在数值模拟实验时采用离散元-有限差分数值分析方法分析不同工作面参数下地表裂缝分布规律。
图5为本公开实施例所提供的离散元-有限差分数值分析方法的数值模拟网格划分模型。利用FLAC-PFC(离散元-有限差分数值分析)耦合模拟方法,以某地一矿4502工作面为工程背景,结合顶板岩性、开采厚度等建立数值模拟网格划分模型,如图5所示,对切顶线以下至煤层的各层岩层利用3D离散元(FLAC 3D)进行网格划分,对切顶线以上至地表的各层岩层利用有限差分(PFC)进行网格划分,划分后如图4所示,从埋深、工作面宽度、采厚(即采高)、切顶高度、切顶角度五个参数入手进行不同条件(即不同参数)下定向切顶碎胀充填地表裂缝分布规律分析,以得出裂缝宽度、裂缝深度、裂缝台阶错动量、裂缝长度、裂缝间距。其中切顶高度为定向切顶高度,切顶角度为定向切顶角度。
在具体分析时,可以进行五组分析,每组选择工作面参数中的一个参数为变量,剩余的工作面参数为定量进行地表裂缝分布规律分析。具体地:
第一组:分析埋深、宽度、采厚、切顶高度相同条件下,切顶角度分别为0°、5°、15°、30°时,切顶侧和非切顶侧地表变形规律,以得到裂缝宽度、裂缝深度、裂缝台阶错动量、裂缝长度、裂缝间距。
第二组:分析埋深、宽度、采厚、切顶角度相同情况下,切顶高度分别为2倍采厚、3倍采厚、4倍采厚、5倍采厚时,地表变形规律,以得到裂缝宽度、裂缝深度、裂缝台阶错动量、裂缝长度、裂缝间距。
第三组:分析埋深、宽度、切顶角度、切顶高度相同情况下,煤层厚度为1m、2m、3m、4m、5m时地表变形规律,以得到裂缝宽度、裂缝深度、裂缝台阶错动量、裂缝长度、裂缝间距。
第四组:分析埋深、采厚、切顶角度、切顶高度相同情况下,工作面布置宽度为100m、150m、200m时地表变形规律,以得到裂缝宽度、裂缝深度、裂缝台阶错动量、裂缝长度、裂缝间距。
第五组:分析采厚、宽度、切顶角度、切顶高度相同情况下,煤层埋深为60m、80m、100m、120m、150m时地表变形规律,以得到裂缝宽度、裂缝深度、裂缝台阶错动量、裂缝长度、裂缝间距。
基于上述五组分析,得到五组工作面参数以及对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距。需要说明的是,本公开的实施例中的分析组数以及各组中变量的取值不限于此。
在步骤S111中对五组工作面参数以及对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距进行记录存储。
在本实施例中,步骤S112为了便于进行特征判断,提出裂缝综合评价指标概念,以便对地表损害进行量化评估。具体地,在完成不同条件下定向切顶碎胀充填地表裂缝分布后,得到裂缝综合评价指标(参见图4)。
在步骤S112中,对步骤S111中各工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距的负值求和,以获得对应工作面参数下的地表损害指标。地表损害指标也称裂缝综合评价指标。
在步骤S112中,裂缝深度可以用符号h表示,单位是厘米(cm)。裂缝宽度可以用符号k表示,单位是厘米(cm)。裂缝台阶错动量可以用符号t表示,单位是厘米(cm)。裂缝长度可以用符号表示c,单位是米(m)。裂缝间距可以用符号表示l,单位是米(m)。
在步骤S112中,在对各工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距的负值求和之前还需要对裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距进行无量纲化处理。在无量纲化处理后再进行求和得到地表损害指标,即地表损害指标满足:
p=k+h+t+c-l
其中,p为地表损害指标,-l为裂缝间距的负值。地表损害指标越大,说明对地表的破坏越大。
在步骤S113中,基于所有工作面参数和对应工作面参数下的地表损害指标构建得到训练数据集。其中工作面参数作为模型输入数据,对应的地表损害指标作为标签。
步骤S12,构建地表损害预测模型,地表损害预测模型采用多层感知器神经网络模型。
在本实施例中,步骤S12中的地表损害预测模型的输入数据为工作面参数。地表损害预测模型的输出数据为地表损害指标。
在本实施例中,步骤S12中的地表损害预测模型采用深度神经网络,深度神经网络例如为多层感知器神经网络模型。
步骤S13,利用训练数据集训练地表损害预测模型得到目标地表损害预测模型。
在本实施例中,步骤S13中利用训练数据集训练地表损害预测模型。具体地,以训练数据集为样本,其中70%的数据样本被设置为训练集合,30%的数据样本被设定为验证集合。
在本实施例中,步骤S13中以多层感知器神经网络模型为例,在训练过程中,以训练集合中工作面参数即煤层埋深、工作面开采宽度(即工作面宽度)、煤层开采厚度(即采厚)、定向切顶角度、定向切顶高度为输入变量,以训练集合中的裂缝综合评价指标(即地表损害指标)为标签,建立多层感知器神经网络预测模型,利用前向传播和反向传播梯度迭代完成模型参数训练(参见图4)。在验证过程中,通过输入验证集合中的工作面参数进行前向传播,求得裂缝综合评价指标数值。
在本实施例中,步骤S13中训练地表损害预测模型时采用随机梯度下降算法。
在步骤S13中,完成训练的地表损害预测模型即为目标地表损害预测模型。
在步骤S13中,得到目标地表损害预测模型后保存该模型(参见图4)。
步骤S14,在实际进行定向切顶碎胀开采前获取预设工作面参数,将预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测。
在本实施例中,步骤S14中用于实际进行定向切顶碎胀开采的预设工作面参数的参数种类与步骤S11中的工作面参数的参数种类一致,即预设工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度。
在步骤S14中,如图4所示,利用保存的目标地表损害预测模型进行地表损害预测。具体地,在实际进行定向切顶碎胀开采前获取预设工作面参数即获取预设的采高、埋深、工作面宽度、切顶角度、切顶高度输入目标地表损害预测模型中输出预测地表损害指标(即地表损害指标预测值)。基于预测地表损害指标可以量化地预测反映地表损害的情况。
在本公开的实施例中,定向切顶碎胀充填开采工作面地表损害智能预测方法还包括地表损害调控步骤(参见图4),地表损害调控步骤包括:
构建智能调控模型,智能调控模型包括地表损害预测单元和优化单元,地表损害预测单元基于输入的工作面参数采用目标地表损害预测模型生成地表损害指标,优化单元用于获取地表损害预测单元输出的地表损害指标,并利用算法选择输入的工作面参数中的工作面宽度、切顶角度、切顶高度任一个作为变量进行调节,并将调节后的变量送至地表损害预测单元,当输出的地表损害指标出现最小值,将最小值对应的工作面参数作为最优工作面参数输出;将预设工作面参数输入智能调控模型输出最优工作面参数,基于最优工作面参数进行定向切顶碎胀开采。
在调控步骤中,优化单元利用的算法为面向对象编程算法。
在调控步骤中,预设的采高、埋深基于岩层确定,一般为固定参数,因此以得到地表损害指标出现最小值为目标,变换调节切顶角度、切顶高度和工作面宽度等三个特征值,由此,能够实现对切顶角度、切顶高度和工作面开采宽度的最优设定,以使地表的裂缝值综合指标参量值达到最小。在调控步骤的整体优化过程可以通过Python语言进行面向对象开发。
在调控步骤中,基于最优工作面参数进行定向切顶碎胀开采,能够使得实际的地表损伤最小化。
在本实施例中,可以选用一个某煤矿工作面为试验场景,将调控步骤得到的最优工作面参数,在工作面开采后,及时观测地表裂缝宽度、深度、长度、间距和台阶错动量,检验智能预测结果的准确性。
本公开实施例提出的定向切顶碎胀充填开采工作面地表损害智能预测方法,构建训练数据集,训练数据集包括工作面参数和地表损害指标,工作面参数作为模型输入数据,地表损害指标作为标签,其中工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和;构建地表损害预测模型,地表损害预测模型采用多层感知器神经网络模型;利用训练数据集训练地表损害预测模型得到目标地表损害预测模型;在实际进行定向切顶碎胀开采前获取预设工作面参数,将预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测。在这种情况下,构建的训练数据集包括工作面参数和地表损害指标,利用训练数据集训练地表损害预测模型得到目标地表损害预测模型;然后在实际开采前,把将要实行进行定向切顶碎胀开采的预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测,其中地表损害指标是裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和,该地表损害指标是一个综合指标值,通过地表损害指标可以更好地量化地表损害情况、以及能够准确地衡量地表裂缝的分布情况,由此能够更准确地进行定向切顶碎胀充填开采工作面地表损害预测。
本公开实施例提出的定向切顶碎胀充填开采工作面地表损害智能预测方法,利用数值模拟实验,采用离散元-有限差分数值分析方法分析不同采高、埋深、工作面宽度、切顶角度、切顶高度情况下地表裂缝分布规律,确定不同条件下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距等5个裂缝参数;采用深度学习神经网络模型,以采高、埋深、工作面宽度、切顶角度、切顶高度为输入特征变量,以5个裂缝参数组合而成的地表的裂缝综合评价指标为标签,采用随机梯度下降算法,进行模型训练;固化训练模型后,把将要实行进行定向切顶碎胀开采的工作面基本参数输入预测模型,预计地表裂缝综合评价指标。在此基础上,还以实现地表裂缝综合评价值指标最小为目标,变换切顶角度、切顶高度和工作面宽度等三个特征值,实现对切顶角度、切顶高度和工作面开采宽度的最优设定,使地表裂缝值综合指标参量值达到最小。故本公开实施例提出的定向切顶碎胀充填开采工作面地表损害智能预测方法,也是一种定向切顶碎胀充填开采工作面地表损害智能预测与调控方法,该方法结合测试、试验所得的认知性结论,应用定向切顶碎胀充填减损开采的潜力,具有下列有益效果:提出了地表裂缝综合评价指标的概念及其量化方法,该指标包含裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距、裂缝长度,采用一个综合指标值,衡量地表裂缝的分布情况,综合指标值越大,裂缝对地表的破坏越大,该指标易获得、易理解、易评价;基于深度多层神经网络,能够针对定向切顶碎胀充填开采工作面的地表损害情况进行预测和智能调控;将神经网络、机器学习等人工智能领域的算法引入地表裂缝智能预测中,具有前瞻性、先进性和智能性;丰富了基于定向切顶碎胀充填开采地表裂缝减损智能调控方法,可以与其他方法共同应用,可以一定程度上提高调控程度的准确度与精度;为实现绿色开采、生态保护提供理论基础。
为了实现上述实施例,本公开还提出一种定向切顶碎胀充填开采工作面地表损害智能预测系统。图6为本公开实施例提供的一种定向切顶碎胀充填开采工作面地表损害智能预测系统的框图。
如图6所示,该定向切顶碎胀充填开采工作面地表损害智能预测系统10包括数据构建模块11、预测模型构建模块12、训练模块13和预测模块14,其中:
数据构建模块11,用于构建训练数据集,训练数据集包括工作面参数和地表损害指标,工作面参数作为模型输入数据,地表损害指标作为标签,其中工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和;
预测模型构建模块12,用于构建地表损害预测模型,地表损害预测模型采用多层感知器神经网络模型;
训练模块13,用于利用训练数据集训练地表损害预测模型得到目标地表损害预测模型;
预测模块14,用于在实际进行定向切顶碎胀开采前获取预设工作面参数,将预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测。
可选地,定向切顶碎胀充填开采工作面地表损害智能预测系统10还包括调控模型构建模块和优化控制模块。调控模型构建模块,用于构建智能调控模型,智能调控模型包括地表损害预测单元和优化单元,地表损害预测单元基于输入的工作面参数采用目标地表损害预测模型生成地表损害指标,优化单元用于获取地表损害预测单元输出的地表损害指标,并利用算法选择输入的工作面参数中的工作面宽度、切顶角度、切顶高度任一个作为变量进行调节,并将调节后的变量送至地表损害预测单元,当输出的地表损害指标出现最小值,将最小值对应的工作面参数作为最优工作面参数输出;优化控制模块,用于将预设工作面参数输入智能调控模型输出最优工作面参数,基于最优工作面参数进行定向切顶碎胀开采。
可选地,数据构建模块11,具体用于:利用数值模拟实验分析不同工作面参数下地表裂缝分布规律,以得到不同工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距;对各工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距的负值求和,以获得对应工作面参数下的地表损害指标;基于所有工作面参数和对应工作面参数下的地表损害指标构建得到训练数据集。
可选地,优化单元利用的算法为面向对象编程算法。
可选地,数据构建模块11在数值模拟实验时采用离散元-有限差分数值分析方法分析不同工作面参数下地表裂缝分布规律。
可选地,训练模块13训练地表损害预测模型时采用随机梯度下降算法。
需要说明的是,上述实施例提供的定向切顶碎胀充填开采工作面地表损害智能预测系统在执行定向切顶碎胀充填开采工作面地表损害智能预测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的定向切顶碎胀充填开采工作面地表损害智能预测系统与定向切顶碎胀充填开采工作面地表损害智能预测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本公开实施例提出的定向切顶碎胀充填开采工作面地表损害智能预测系统中,数据构建模块用于构建训练数据集,训练数据集包括工作面参数和地表损害指标,工作面参数作为模型输入数据,地表损害指标作为标签,其中工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和;预测模型构建模块用于构建地表损害预测模型,地表损害预测模型采用多层感知器神经网络模型;训练模块用于利用训练数据集训练地表损害预测模型得到目标地表损害预测模型;预测模块用于在实际进行定向切顶碎胀开采前获取预设工作面参数,将预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测。在这种情况下,构建的训练数据集包括工作面参数和地表损害指标,利用训练数据集训练地表损害预测模型得到目标地表损害预测模型;然后在实际开采前,把将要实行进行定向切顶碎胀开采的预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测,其中地表损害指标是裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和,该地表损害指标是一个综合指标值,通过地表损害指标可以更好地量化地表损害情况、以及能够准确地衡量地表裂缝的分布情况,由此能够更准确地进行定向切顶碎胀充填开采工作面地表损害预测。
根据本公开的实施例,本公开还提供了一种定向切顶碎胀充填开采工作面地表损害智能预测设备、一种存储有计算机指令的非瞬时计算机可读存储介质(可以简称为可读存储介质)和一种计算机程序产品。
图7为用来实现本公开实施例的定向切顶碎胀充填开采工作面地表损害智能预测方法的定向切顶碎胀充填开采工作面地表损害智能预测设备的框图。定向切顶碎胀充填开采工作面地表损害智能预测设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。定向切顶碎胀充填开采工作面地表损害智能预测设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴电子设备和其它类似的计算装置。本公开所示的部件、部件的连接和关系、以及部件的功能仅仅作为示例,并且不意在限制本公开中描述的和/或者要求的本公开的实现。
如图7所示,定向切顶碎胀充填开采工作面地表损害智能预测设备20包括计算单元21,其可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机存取存储器(RAM)23中的计算机程序,来执行各种适当的动作和处理。在RAM 23中,还可存储定向切顶碎胀充填开采工作面地表损害智能预测设备20操作所需的各种程序和数据。计算单元21、ROM 22以及RAM 23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。定向切顶碎胀充填开采工作面地表损害智能预测设备20中的多个部件连接至I/O接口25,包括:输入单元26,例如键盘、鼠标等;输出单元27,例如各种类型的显示器、扬声器等;存储单元28,例如磁盘、光盘等,存储单元28与计算单元21通信连接;以及通信单元29,例如网卡、调制解调器、无线通信收发机等。通信单元29允许定向切顶碎胀充填开采工作面地表损害智能预测设备20通过诸如因特网的计算机网络和/或各种电信网络与其他电子设备交换信息/数据。
计算单元21可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元21的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元21执行上述所描述的各个方法和处理,例如执行定向切顶碎胀充填开采工作面地表损害智能预测方法。例如,在一些实施例中,执行定向切顶碎胀充填开采工作面地表损害智能预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元28。在一些实施例中,计算机程序的部分或者全部可以经由ROM 22和/或通信单元29而被载入和/或安装到定向切顶碎胀充填开采工作面地表损害智能预测设备20上。当计算机程序加载到RAM 23并由计算单元21执行时,可以执行上述描述的执行定向切顶碎胀充填开采工作面地表损害智能预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元21可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行定向切顶碎胀充填开采工作面地表损害智能预测方法。
本公开中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑电子设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或电子设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存电子设备、磁储存电子设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本公开在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (5)
1.一种定向切顶碎胀充填开采工作面地表损害智能预测方法,其特征在于,包括:
构建训练数据集,所述训练数据集包括工作面参数和地表损害指标,所述工作面参数作为模型输入数据,所述地表损害指标作为标签,其中所述工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,所述地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和,
所述构建训练数据集,包括:
利用数值模拟实验分析不同工作面参数下地表裂缝分布规律,以得到不同工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距;
对各工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距的负值求和,以获得对应工作面参数下的地表损害指标;
基于所有工作面参数和对应工作面参数下的地表损害指标构建得到训练数据集;
构建地表损害预测模型,所述地表损害预测模型采用多层感知器神经网络模型;
利用所述训练数据集训练地表损害预测模型得到目标地表损害预测模型;
在实际进行定向切顶碎胀开采前获取预设工作面参数,将所述预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测;
构建智能调控模型,所述智能调控模型包括地表损害预测单元和优化单元,所述地表损害预测单元基于输入的工作面参数采用所述目标地表损害预测模型生成地表损害指标,所述优化单元用于获取所述地表损害预测单元输出的地表损害指标,并利用算法选择输入的工作面参数中的工作面宽度、切顶角度、切顶高度任一个作为变量进行调节,并将调节后的变量送至所述地表损害预测单元,当所述输出的地表损害指标出现最小值,将所述最小值对应的工作面参数作为最优工作面参数输出,其中,所述优化单元利用的算法为面向对象编程算法;
将所述预设工作面参数输入所述智能调控模型输出最优工作面参数,基于所述最优工作面参数进行定向切顶碎胀开采。
2.如权利要求1所述的定向切顶碎胀充填开采工作面地表损害智能预测方法,其特征在于,在数值模拟实验时采用离散元-有限差分数值分析方法分析不同工作面参数下地表裂缝分布规律。
3.如权利要求1所述的定向切顶碎胀充填开采工作面地表损害智能预测方法,其特征在于,训练地表损害预测模型时采用随机梯度下降算法。
4.一种定向切顶碎胀充填开采工作面地表损害智能预测系统,其特征在于,包括:
数据构建模块,用于构建训练数据集,所述训练数据集包括工作面参数和地表损害指标,所述工作面参数作为模型输入数据,所述地表损害指标作为标签,其中所述工作面参数包括采高、埋深、工作面宽度、切顶角度、切顶高度,所述地表损害指标为对应的工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝间距的负值、裂缝长度之和;
预测模型构建模块,用于构建地表损害预测模型,所述地表损害预测模型采用多层感知器神经网络模型;
训练模块,用于利用所述训练数据集训练地表损害预测模型得到目标地表损害预测模型;
预测模块,用于在实际进行定向切顶碎胀开采前获取预设工作面参数,将所述预设工作面参数输入目标地表损害预测模型输出预测地表损害指标,以实现地表损害预测;
所述数据构建模块,具体用于:
利用数值模拟实验分析不同工作面参数下地表裂缝分布规律,以得到不同工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距;对各工作面参数下的裂缝深度、裂缝宽度、裂缝台阶错动量、裂缝长度、裂缝间距的负值求和,以获得对应工作面参数下的地表损害指标;基于所有工作面参数和对应工作面参数下的地表损害指标构建得到训练数据集;
调控模型构建模块和优化控制模块;
所述调控模型构建模块,用于构建智能调控模型,所述智能调控模型包括地表损害预测单元和优化单元,所述地表损害预测单元基于输入的工作面参数采用所述目标地表损害预测模型生成地表损害指标,所述优化单元用于获取所述地表损害预测单元输出的地表损害指标,并利用算法选择输入的工作面参数中的工作面宽度、切顶角度、切顶高度任一个作为变量进行调节,并将调节后的变量送至所述地表损害预测单元,当所述输出的地表损害指标出现最小值,将所述最小值对应的工作面参数作为最优工作面参数输出,所述优化单元利用的算法为面向对象编程算法;
所述优化控制模块,用于将所述预设工作面参数输入所述智能调控模型输出最优工作面参数,基于所述最优工作面参数进行定向切顶碎胀开采。
5.一种定向切顶碎胀充填开采工作面地表损害智能预测设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的定向切顶碎胀充填开采工作面地表损害智能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382935.XA CN116127788B (zh) | 2023-04-12 | 2023-04-12 | 定向切顶碎胀充填开采工作面地表损害智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382935.XA CN116127788B (zh) | 2023-04-12 | 2023-04-12 | 定向切顶碎胀充填开采工作面地表损害智能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127788A CN116127788A (zh) | 2023-05-16 |
CN116127788B true CN116127788B (zh) | 2023-06-16 |
Family
ID=86299416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310382935.XA Active CN116127788B (zh) | 2023-04-12 | 2023-04-12 | 定向切顶碎胀充填开采工作面地表损害智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127788B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113914861A (zh) * | 2021-12-15 | 2022-01-11 | 中国矿业大学(北京) | 无煤柱自成巷平衡开采方法与装备 |
CN115559728A (zh) * | 2022-11-10 | 2023-01-03 | 中国矿业大学(北京) | 无煤柱自成巷平衡开采方法与装备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8494827B2 (en) * | 2009-09-25 | 2013-07-23 | Exxonmobil Upstream Research Company | Method of predicting natural fractures and damage in a subsurface region |
CN113450333B (zh) * | 2021-06-30 | 2022-01-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
CN114707744B (zh) * | 2022-04-18 | 2023-08-22 | 煤炭科学研究总院有限公司 | 切顶碎胀填充施工参数确定方法、装置及电子设备 |
-
2023
- 2023-04-12 CN CN202310382935.XA patent/CN116127788B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113914861A (zh) * | 2021-12-15 | 2022-01-11 | 中国矿业大学(北京) | 无煤柱自成巷平衡开采方法与装备 |
CN115559728A (zh) * | 2022-11-10 | 2023-01-03 | 中国矿业大学(北京) | 无煤柱自成巷平衡开采方法与装备 |
Non-Patent Citations (2)
Title |
---|
无煤柱自成巷预裂切顶机理及其对矿压显现的影响;高玉兵;杨军;王琦;王亚军;何满潮;;煤炭学报(第11期);全文 * |
西部生态脆弱区地表开采损害特征;赵兵朝;同超;刘樟荣;刘浪;余学义;;中南大学学报(自然科学版)(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116127788A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111058855B (zh) | 一种盾构下穿的结构物的形变控制方法及评估系统 | |
CN105653811B (zh) | 高压变电站深回填区旋挖钻进中的入岩深度确定方法 | |
CN111119902B (zh) | 一种基于bp神经网络的隧道动态施工方法 | |
CN106593524A (zh) | 一种固体充填开采地表沉陷动态预计方法 | |
Ma et al. | Prediction of water inflow from fault by particle swarm optimization-based modified grey models | |
CN110489926A (zh) | 一种基于地层变形的海底隧道施工过程控制方法及系统 | |
CN112488455A (zh) | 边坡稳定性分析与评价方法、系统、介质、设备、终端 | |
CN110516407B (zh) | 一种裂缝性储层水平井段内多簇压裂裂缝复杂度计算方法 | |
Sheng et al. | Investigation of the optimization of unloading mining scheme in large deep deposit based on vague set theory and its application | |
Bai et al. | Coal mining method with near-zero impact on the ecological environment in a high-intensity mining area of Northwest China | |
CN104564069A (zh) | 一种基于方格网法的地面动态沉陷预测与复垦方法 | |
CN106815445A (zh) | 一种浅埋煤层区段煤柱载荷计算模型及其计算方法 | |
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 | |
CN108150171A (zh) | 一种大埋深薄基岩区厚煤层综放开采压架突水防治方法 | |
CN101915106B (zh) | 一种盾构下穿已建隧道的最佳掘进速度控制方法 | |
Jia et al. | Stability analysis of shallow goaf based on field monitoring and numerical simulation: A case study at an Open-Pit Iron Mine, China | |
CN110675272A (zh) | 一种煤炭超大工作面地下开采减损关键参数的确定方法 | |
CN111598366A (zh) | 一种实时钻井辅助决策方法及系统 | |
CN111912953B (zh) | 一种基于挖方量监测的深凹矿山开采边坡稳定性测定方法 | |
Liu et al. | Evaluation of the construction effectiveness for shield tunneling in complex ground based on FCE and AHP | |
Niu et al. | An intelligent prediction method of the karst curtain grouting volume based on support vector machine | |
Gu et al. | Research on the Prediction Model of Mine Subsidence Based on Object-Oriented and Probability Integration Method | |
CN114139432A (zh) | 利用神经网络技术的裂缝性油藏co2驱流动模拟方法 | |
Wang et al. | Study on steep slope stability of coal mine under open-pit and underground mining | |
Cao et al. | Construction and Application of “Active Prediction-Passive Warning” Joint Impact Ground Pressure Resilience Prevention System: Take the Kuan Gou Coal Mine as an Example |
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 |