基于超声横波测试的Na基膨润土充填体强度预测模型研究

充填体作为充填采矿法的核心单元,其强度是保障安全开采的重要指标。Na基膨润土的亚甲基蓝吸附量和生坯抗压强度较高,是制备充填体的优质添加剂,然而鲜有其掺量与充填体强度之间关系的研究成果。本文基于超声波测试技术和单轴压缩试验,分析不同Na基膨润土掺量充填体的横波波速、主频幅值、幅值衰减系数、波形分形维数在各龄期的变化规律,结合敏感性分析遴选出对抗压强度变化最敏感的声学参数。建立了不同Na基膨润土掺量下充填体强度的预测模型,并结合显著性检验及对比分析,对强度预测模型进行了验证。研究成果可为开展充填体单轴抗压强度预测的相关理论研究和工程应用提供参考和帮助。

基于NNGA模型的纤维膏体充填复合材料强度预测

为了更快更准确获取添加聚丙烯纤维情况下不同配合比对矿山膏体充填材料强度的影响,构建了一种基于遗传算法反向传播神经网络NNGA模型,利用模型对纤维增强膏体充填材料的3d、7d和28d龄期的抗压强度进行预测和分析,R2值为0.98317,7d样本中绝对误差最小达到了0.008080,两个模型的最大相对误差下降了约44.18%,对比NNGA和BPNN模型的预测结果表明,NNGA混合模型预测的泛化能力更强,波动程度更小和稳定性更好,在工程实际中更具有可行性。

基于强度折减与智能算法的井下充填体强度预测

矿山充填系统在试运行期间的充填料浆配合比变化较大,如何快速准确地获得井下各采场的充填体强度对相邻采场的安全开采来说至关重要。本文首先以料浆浓度(质量分数)、水泥掺量、人工砂尾砂比和养护时间作为输入因子,以室内实验充填体单轴抗压强度S_(L)作为输出因子,建立了一种ANN-PSO预测模型。然后定义了充填体强度预测折减系数k的概念,并通过对比大量相同配合比下的室内实验充填体强度值S_(L)和实际生产充填体强度值S_(E),计算获得了两者之间的k值。该模型对室内实验充填体强度值S_(L)的预测性能较好,在预测时其平均相对误差为2.41%,可决系数R^(2)为0.992。采用所建模型并联合强度折减系数k,成功预测并分析了某矿山井下263条进路内充填体的实际生产测定值S_(E),为开采充填采场相邻矿体的支护工作提供了及时有效的指导。

井下采空区全尾砂充填材料试验研究

银鑫矿经过多年开采,井下形成较大采空区,为充填治理井下采空区,需要进行实验室充填材料试验。通过进行流动性和强度试验,并在室内和矿山井下采场中进行养护,优选得到最佳的充填料浆质量浓度和材料配比,确定了银鑫矿的充填工艺。结果表明,使用胶固粉G料作为胶凝材料,74%质量浓度、灰砂比1∶10可以达到3 d强度1 MPa以上;74%质量浓度、灰砂比1∶6可以达到28 d强度4 MPa以上,银鑫矿充填料浆在其井下采场条件下,充填体的强度明显降低,采场中的充填体强度只有室内试验试块强度的80%左右。

正交试验协同BP神经网络模型预测充填体强度

为准确预测充填体强度,基于18组混合水平的正交试验样本,以水泥熟料、脱硫灰渣、芒硝和钢渣的掺量作为4个输入因子,以充填体的7d和28d抗压强度作为输出因子,建立4×Y×2的BP神经网络充填体强度预测模型,并通过训练误差和预测强度误差的对比获得当隐含层神经元的个数Y取值为9时,模型的预测强度误差最小,其平均误差为0.7%。研究表明,该预测模型拟合的相关系数R高达0.999 89,7d和28d预测强度的最大相对误差分别为4.33%和0.84%,通过正交试验协同BP神经网络模型预测充填体强度可行性较强、准确度较高。该方法具有输入数据均匀分散、齐整可比和非线性优化的优点,为充填体强度的准确预测提供了新思路。

改进的BP神经网络模型预测充填体强度

为了准确评价和预测充填体强度,采用改进的BP神经网络算法,利用实验室做的18组充填体单轴抗压强度试验结果,建立了充填体强度与影响因素之间的5-7-1网络模型结构(输入层为5个神经元,隐含层为7个神经元,输出层为1个神经元,输入为胶砂比及各胶凝材料掺量,输出为充填体28 d单轴抗压强度).结果表明,改进的BP神经网络对于充填体的强度具有良好的预测能力,建立的网络模型不仅收敛速度快而且训练精度高,对充填体强度的预测结果与训练数据和测试数据的最大相对误差仅为4.23%.

胶结充填体波速-密度双参数强度预测模型研究

抗压强度是表征胶结充填体力学性质的重要指标,是确定采场充填方案的基本依据,快速、准确地确定胶结充填体抗压强度值,对于保障采场安全意义重大。分析了胶结充填体强度的影响因素,为克服单一预测指标的不准确性和预测指标过多的复杂性,选取了较易获取的胶结充填体初始超声波波速和密度两个参数,构建了波速-密度双参数预测指标T,运用预测指标构建了胶结充填体强度预测模型,并进行了验证。研究表明:①胶结充填体单轴抗压强度的影响因素有组成成分、结构尺寸以及养护环境,主要影响因素为组成成分;②将试验数据应用所构建的强度预测模型、典型强度预测模型分别进行了曲线拟合,对比分析得出所构建的强度预测模型拟合结果良好,相关系数均达到0.98以上,可以较好地预测胶结充填体强度。利用波速-密度双参数进行胶结充填体强度预测具有可行性,为准确预测胶结充填体强度提供了新的思路。

基于灰色-神经网络的充填体强度预测

为了解各因素对充填体强度的影响规律,准确预测其强度,在综合分析影响充填体料浆质量的各种因素的基础上,基于灰色关联度理论,确定人工神经网络的输入参数,建立充填体强度预测的神经网络模型。用试验所得数据作为训练样本和测试样本,将经过网络预测的结果与实际值进行对比分析。研究表明该灰色-神经网络模型预测精度高,可以满足充填体强度预测的要求。

充填体强度的RBF神经网络预测

基于RBF神经网络的突出优点，利用RBF神经网络研究外加刺对充填体强度的影响规律，利用训练好的RBF神经网络模型对掺入外加剂的充填体强度进行预测分析。训练样本的预测值与实测值的相对误差为0．00％～1．19％；测试样本的预测值与实测值的相对误差为4．76％～6．08％。结果表明：该预测模型不仅可以提高实验工作效率，节省人力、物力，而且具有较高精度。

考虑龄期的全尾砂胶结充填体强度预测模型建立及试验验证

为了探究养护龄期对充填体强度的影响规律,制作了标准的全尾砂胶结充填体圆柱试件,在标准养护条件下养护了不同的时间,再对其进行单轴压缩试验,记录不同龄期试件的破坏形式和应力应变曲线,分析破坏形式,最后寻找合适的函数模型对充填体的强度进行拟合验证。结果表明,不同养护龄期下的胶结充填体的抗拉性能均较弱,破坏形式均为拉伸破坏;混凝土的2个经典强度预测模型对全尾砂胶结充填体较为合适,尤其是ACI 209模型可以简明准确地预测不同龄期下胶结充填体的强度。

基于ANFIS模型的充填体抗压强度预测研究

以新城金矿充填尾砂为试验料浆,采用正交设计法设计试验方案,研究灰砂比、质量浓度、养护龄期对充填体抗压强度的影响规律。运用极差和方差分析结果,并采用ANFIS建立预测充填体抗压强度的模型。结果表明,灰砂比是影响充填体抗压强度的最重要的因素;ANFIS模型具有95.8%的预测精度,它是预测充填体抗压强度的一种有效方法。

基于PCA-BP神经网络模型的充填体强度预测

充填体强度预测对矿山充填设计具有重要意义。选取胶砂比、水泥、石灰、石膏及矿渣含量作为充填体强度影响因素,借助主成分分析(PCA)消除自变量间相关性,降低数据维数,再结合BP神经网络具有较好预测性的特点,建立了PCA-BP模型以预测充填体强度。对18组充填体试验数据进行主成分分析,5个影响因子降维为3个主成分,将其作为BP神经网络的输入因子,进而探讨了隐含层神经元个数对充填体强度训练和预测精度的影响,并比较了PCA-BP神经网络、标准BP神经网络和二次线性回归效果。结果表明:PCA-BP模型最佳预测结构为3-7-1;PCA-BP神经网络结果优于BP神经网络和二次线性回归;PCA-BP神经网络训练和预测的最大相对误差仅为3.65%,实现了充填体强度的准确预测。PCA-BP模型为充填体强度预测提供了一种高精度的分析方法。

基于核主成分分析和粒子群优化神经网络的充填体强度预测

以磷石膏、粉煤灰、磷渣等为主要原材料制备磷石膏胶结充填体,分析了主要原材料的理化特性,测定了磷石膏胶结充填体28d单轴抗压强度。通过核主成分分析对磷石膏胶结充填体单轴抗压强度影响因子进行非线性特征提取,基于获得的主成分构建粒子群优化BP人工神经网络(PSO-BP-ANN)预测模型。结果表明,核主成分分析能较好地实现充填体单轴抗压强度影响因子非线性特征的提取和降维的目的,同时,PSO-BP-ANN模型训练和预测值可决系数分别为0.995和0.991,均方根误差分别为3.660E-4和5.805E-2,平均相对误差分别为1.699%和3.602%,总体性能表现优于传统BP-ANN模型,对矿山充填体的配比设计具有指导意义。

基于基因表达式编程的充填体强度预测模型

为准确预测尾砂胶结充填体强度，建立了以孔隙率、粒级不均匀系数、曲率系数、充填料浆浓度、1／灰砂比、养护龄期6个因素作为输入因子，尾砂胶结充填体强度为输出因子的GEP充填体强度预测模型。以多个矿山室内充填物料配比试验数据为例，验证GEP预测模型的可行性。结果表明，GEP预测结果与实际值相对误差仅为5．13%。与BP神经网络模型的预测值进行对比，结果表明，GEP预测模型比BP神经网络模型预测结果（平均相对误差14．09％）更加精确，与实测值的拟合度更好。

全尾砂充填体正交-BP神经网络强度预测

某矿山采用全尾砂胶结充填,需加入减水剂以保证充填料浆流动性能,其充填体强度各影响因素之间存在着更为复杂的化学物理作用。为了解各因素对充填体强度的影响规律,准确预测其强度,建立了基于正交试验的BP神经网络全尾砂胶结充填体强度预测模型。预测过程中,为提高样本可信度,以料浆浓度、灰砂比、减水剂比例为影响因素,设计了3因素、4水平正交试验方案作为研究数据基础。采用灰色关联度理论分析了各因素对全尾砂充填体强度的影响规律,结果表明:对充填体早期强度(7 d)影响最大的是料浆质量浓度,其次为灰砂比、减水剂比例,对充填体后期强度(28 d)影响最大的是灰砂比,其次为料浆浓度、减水剂。以7 d、28 d强度为输出因子,运用BP神经网络对充填体强度进行预测,预测结果与试验结果最大误差为9.98%,平均误差为2.71%,精度较高,预测可靠性强,具有较好的工程应用价值。

基于GRA—BP神经网络的固体废弃物充填体强度预测

为解决煤矿采空区充填材料不足和固体废弃物引起的生态环境问题,研究分析了膏体充填体强度的影响因素,采用正交试验测定了充填体样本强度,通过灰关联分析法确定了各影响因素与充填体强度之间的关联度,用改进的BP神经网络建立了以固体废弃物膏体充填体强度影响因素为输入层节点,充填体强度为输出层节点的强度预测模型;基于正交试验获得的强度试验数据作为网络的训练样本和测试样本,通过对建立的网络进行仿真模拟,检验了网络数据拟合能力和泛化能力。检验结果表明:建立的预测模型收敛速度快而且精度高,网络预测精度达到了93.75%,能够实现对充填体强度的准确预测。

基于灰色系统理论充填体强度预测模型及应用

块石胶结充填体抗压强度是矿山充填效果的一个重要指标,分析研究不同块石质量分数下的抗压强度值有利于指导矿山充填。根据室内单轴抗压试验得出的抗压强度值,基于灰色系统理论的GM(1,1)预测模型,得到了块石抗压强度的预测模型表达式及后验差比值0.4102和小误差概率0.8933。结果表明基于灰色系统理论的GM(1,1)预测模型得到的抗压强度表达式是合格的;根据预测模型强度变化规律,可以用于指导块石胶结充填法开采的优化骨料配比,从而提高经济效益。

基于BP神经网络模型的充填体强度值预测

在探究充填体强度值大小时为了减少人力、物力的损耗,尝试利用BP神经网络模型对某矿山的四种尾砂材料浇筑的充填体试块进行预测。建立了输入层为8,隐含层为9,输出层为2的BP神经网络模型,并用该模型对某矿山四种不同尾砂材料浇筑的充填体试块进行预测试验。在随机选择的8种试块预测试验结果中,去除误差较大的情况后,充填体27 d强度预测平均误差5.8%,充填体60 d强度预测平均误差为5%,其中最优预测值与实际偏差值仅为1%。实现了利用BP神经网络模型在不同胶凝材料、不同灰砂比、不同浓度等多个条件下对充填体强度的预测。为其它矿山充填体强度的预测提供一种新的思路。

基于P波模量的原位胶结充填体强度预测模型研究

原位胶结充填体质量评价通常采用单轴抗压强度作为表征指标,由于在现场工程中无法快速、准确获取充填体的强度值,因此需要建立一种参数易于获取且准确的原位胶结充填体强度预测模型。基于胶结充填体物理力学参数的内在联系,从量纲平衡的角度探索了胶结充填体单轴抗压强度与P波模量的关系。根据C矿和I矿两种原位胶结充填体的密度、P波速度及取芯强度的测试数据,采用线性拟合的方法获得了基于P波模量的原位胶结充填体强度预测模型。通过对C矿和I矿的强度预测模型拟合效果分析可知,P波模量与取芯强度呈正相关性,且拟合效果较好,证明原位胶结充填体强度预测模型精度高,具有很强的实用性。

SVM模型预测充填体强度

为了准确评价和预测充填体强度,提出基于支持向量机(Support vector machine SVM)的强度预测模型,建立了充填体强度与影响因素之间的SVM模型(建立胶凝材料掺量与胶砂比与充填体28d单轴抗压强度),首先分别采用不同的寻优算法来计算模型关键参数即核函数的参数g和惩罚系数c,分析每种算法的结果参数与预测结论影响,从中选出最优对充填体预测强度的参数寻优算法SVM回归模型。通过分析:PSO算法、GA寻优算法、网格寻优的训练集回归参数各为0.88931、0.9727、0.88605。PSO算法、网格寻优、GA寻优算法的测试集回归系数分别为0.9842、0.97868、0.86683,三种算法中GA-SVM的泛化能力较差,PSO算法的推广性较强。改进的GA-SVM模型的泛化能力较强,预测得到的相关系数R=0.9877,高于传统GA寻优算法。SVM为充填体强度预测提供了新的技术手段。