科学技术与工程

水平	因素
L1	74	0.30	0.20	0.10	0.20
L2	76	0.40	0.25	0.15	0.30
L3	78	0.50	0.30	0.20	0.40
L4	80	0.60	0.35	0.25	0.50

水平	因素
L1	74	0.30	0.20	0.10	0.20
L2	76	0.40	0.25	0.15	0.30
L3	78	0.50	0.30	0.20	0.40
L4	80	0.60	0.35	0.25	0.50

组号	因素	单轴抗压强度/MPa	泌水率/%
S1	1	1	1	1	1	0.184	0.272	0.254	1.98
S2	1	2	2	2	2	0.161	0.270	0.310	2.39
S3	1	3	3	3	3	0.188	0.361	0.350	2.42
S4	1	4	4	4	4	0.175	0.245	0.261	4.76
S5	2	1	2	3	4	0.147	0.369	0.448	2.78
S6	2	2	1	4	3	0.173	0.396	0.604	3.16
S7	2	3	4	1	2	0.193	0.345	0.411	1.22
S8	2	4	3	2	1	0.343	0.621	0.796	1.15
S9	3	1	3	4	2	0.368	0.764	0.626	1.23
S10	3	2	1	3	1	0.324	0.583	0.704	2.01
S11	3	3	4	2	4	0.276	0.571	0.433	1.49
S12	3	4	2	1	3	0.365	0.971	1.723	0.50
S13	4	1	4	2	3	0.348	0.601	0.616	4.89
S14	4	2	3	1	4	0.317	0.643	0.697	0.55
S15	4	3	2	4	1	0.454	0.809	0.839	1.08
S16	4	4	1	3	2	0.406	0.582	0.574	0.53

组号	因素	单轴抗压强度/MPa	泌水率/%
S1	1	1	1	1	1	0.184	0.272	0.254	1.98
S2	1	2	2	2	2	0.161	0.270	0.310	2.39
S3	1	3	3	3	3	0.188	0.361	0.350	2.42
S4	1	4	4	4	4	0.175	0.245	0.261	4.76
S5	2	1	2	3	4	0.147	0.369	0.448	2.78
S6	2	2	1	4	3	0.173	0.396	0.604	3.16
S7	2	3	4	1	2	0.193	0.345	0.411	1.22
S8	2	4	3	2	1	0.343	0.621	0.796	1.15
S9	3	1	3	4	2	0.368	0.764	0.626	1.23
S10	3	2	1	3	1	0.324	0.583	0.704	2.01
S11	3	3	4	2	4	0.276	0.571	0.433	1.49
S12	3	4	2	1	3	0.365	0.971	1.723	0.50
S13	4	1	4	2	3	0.348	0.601	0.616	4.89
S14	4	2	3	1	4	0.317	0.643	0.697	0.55
S15	4	3	2	4	1	0.454	0.809	0.839	1.08
S16	4	4	1	3	2	0.406	0.582	0.574	0.53

神经元数量	平均相对误差/%	相对平均误差/%
2	7.207 781	16.934 080	37.812 55	20.651 47
3	5.026 197	14.044 470	29.140 75	16.070 47
4	4.596 087	11.571 610	29.003 82	15.057 17
5	6.751 470	12.540 530	26.812 11	15.368 04
6	4.668 387	13.385 170	27.683 15	15.245 57
7	3.870 420	11.800 980	24.663 33	13.444 91
8	7.376 976	9.197 673	23.897 81	13.490 82
9	8.618 736	9.572 023	15.312 64	11.167 80
10	5.594 761	7.986 225	23.745 55	12.442 18
11	3.955 781	8.210 314	19.597 45	10.587 85
12	2.952 257	8.844 902	23.514 62	11.770 59

神经元数量	平均相对误差/%	相对平均误差/%
2	7.207 781	16.934 080	37.812 55	20.651 47
3	5.026 197	14.044 470	29.140 75	16.070 47
4	4.596 087	11.571 610	29.003 82	15.057 17
5	6.751 470	12.540 530	26.812 11	15.368 04
6	4.668 387	13.385 170	27.683 15	15.245 57
7	3.870 420	11.800 980	24.663 33	13.444 91
8	7.376 976	9.197 673	23.897 81	13.490 82
9	8.618 736	9.572 023	15.312 64	11.167 80
10	5.594 761	7.986 225	23.745 55	12.442 18
11	3.955 781	8.210 314	19.597 45	10.587 85
12	2.952 257	8.844 902	23.514 62	11.770 59

多源煤基固废充填体强度影响规律及预测

PDF下载

韩磊 ¹^,² , 张继强 ²^,^* , 何祥 ² , 许起 ¹ , 刘云龙 ¹ , 苏松嵘 ¹ , 秦宇鹏 ¹

科学技术与工程 | 论文·矿冶工程 2025,25(16): 6690-6697

收起

科学技术与工程 | 论文·矿冶工程 2025, 25(16): 6690-6697

多源煤基固废充填体强度影响规律及预测

全屏

韩磊¹^,², 张继强²^,^*, 何祥², 许起¹, 刘云龙¹, 苏松嵘¹, 秦宇鹏¹

作者信息

¹ 山煤国际能源集团股份有限公司, 太原 030000

² 安徽理工大学矿业工程学院, 淮南 232001

韩磊(1978—),男,汉族,河北卢龙人,博士,正高级工程师。研究方向:煤矿智能化和绿色开采。 E-mail:lhan_kuangren@163.com。

通讯作者:

* 张继强(1996—),男,汉族,宁夏固原人,博士研究生。研究方向:煤基固废无害化利用与充填开采。E-mail:2390912295@qq.com。

Influence Law and Prediction of Strength of Multi-source Coal-based Solid Waste Filling Body

Lei HAN¹^,², Ji-qiang ZHANG²^,^*, Xiang HE², Qi XU¹, Yun-long LIU¹, Song-rong SU¹, Yu-peng QIN¹

Affiliations

¹ Shanxi Coal International Energy Group Co. , Ltd. , Taiyuan 030000, China

² School of Mining Engineering, Anhui University of Science and Technology, Huainan 232001, China

出版时间: 2025-06-08 doi: 10.12404/j.issn.1671-1815.2405757

文章导航

摘要

收起

抗压强度是表征充填体力学性质的重要指标,快速、精准地确定充填体抗压强度值,对于保障采场安全意义重大。为了探究多源煤基固废充填体强度影响规律,准确预测煤基固废充填体强度来指导煤矿安全、高效、绿色开采,以煤矸石为粗料,脱硫石膏、气化渣、炉底渣为细料,粉煤灰和水泥为胶凝剂。通过正交试验研究了煤基固废充填体抗压强度的影响因素,采用灰色关联度分析法分析各试验因素与充填体抗压强度之间的关联度,采用5-11-3的三层反向传播(back propagation,BP)神经网络结构开展不同养护龄期煤基固废充填体强度预测。结果表明:浓度、气化渣和脱硫石膏掺量对抗压强度的影响随养护龄期的增加逐渐增大,粉煤灰和炉底渣掺量对抗压强度的影响随养护龄期的增加呈先增后减。而且正交试验协同BP神经网络能减少试验次数又不失一般性,本次煤基固废充填体强度预测相关系数R为0.999 87。可见,高浓度和高掺量气化渣及脱硫石膏对于要求高强度的充填体具有重要意义,同时,正交试验协同BP神经网络可以准确预测充填体强度。

关键词

反向传播(BP)神经网络 / 煤基固废 / 强度预测 / 正交试验 / 充填开采

Abstract

收起

Compressive strength is an important index to characterize the mechanical properties of filling body. It is of great significance to ensure the safety of stope by quickly and accurately determining the compressive strength of filling body. In order to explore the influence law of the strength of multi-source coal-based solid waste filling body and accurately predict the strength of coal-based solid waste filling body to guide the safe, efficient and green mining of coal mine, the influencing factors of the compressive strength of coal-based solid waste filling body were studied by orthogonal test with coal gangue as coarse material, desulfurization gypsum, gasification slag and bottom slag as fine material, fly ash and cement as cementing agent. The grey correlation degree analysis method was used to analyze the correlation between each test factor and the compressive strength of filling body. The strength prediction of coal-based solid waste backfill at different curing ages was carried out by using 5-11-3 three-layer back propagation(BP) neural network structure. The results show that the influence of concentration, gasification slag and desulfurization gypsum content on compressive strength increases with the increase of curing age, and the influence of fly ash and bottom slag content on compressive strength increases first and then decreases with the increase of curing age. Orthogonal test combined with BP neural network can reduce the number of tests without losing generality. The correlation coefficient R of strength prediction of coal-based solid waste backfill is 0.999 87. It can be seen that high concentration and high content of gasification slag and desulfurization gypsum are of great significance for filling body requiring high strength. At the same time, orthogonal test combined with BP neural network can accurately predict the strength of filling body.

Key words

back propagation(BP) neural network / coal-based solid waste / strength prediction / orthogonal test / backfill mining

引用本文

韩磊, 张继强, 何祥, 许起, 刘云龙, 苏松嵘, 秦宇鹏. 多源煤基固废充填体强度影响规律及预测. 科学技术与工程, 2025 , 25 (16) : 6690 -6697 . DOI: 10.12404/j.issn.1671-1815.2405757

Lei HAN, Ji-qiang ZHANG, Xiang HE, Qi XU, Yun-long LIU, Song-rong SU, Yu-peng QIN. Influence Law and Prediction of Strength of Multi-source Coal-based Solid Waste Filling Body[J]. Science Technology and Engineering, 2025 , 25 (16) : 6690 -6697 . DOI: 10.12404/j.issn.1671-1815.2405757

正文

收起

近年来,中国煤炭产量居高不下,中国煤炭消费占比虽然在逐年降低,但是煤炭消费总量仍然逐年增大^[1]。伴随大规模煤炭产能的同时是地表沉陷、煤基固废排放、水系及环境污染等生态问题,针对这些问题,越来越多的矿井采用充填采煤技术,有效解决了煤炭深加工过程中产生的煤基固废,取得了很好的社会经济效益^[2-3]。煤基固废是指煤矸石、粉煤灰、脱硫石膏、煤化工废渣等煤炭开发利用过程中产生的固体废物^[4]。多源煤基固废作为充填材料经过合理的配比设计形成充填体来避免采场周围岩体的变形破坏,而煤基固废充填体的抗压强度对于充填效果至关重要,对煤基固废充填体强度做到精准预测可以辅助验证充填材料力学性能^[5-6]。目前,预测充填体强度主要采用经验类比法、经验公式法、物理模拟法、弹性力学分析法等多种方法,但存在科学性不足、预测结果精度低的问题^[7]。和传统方法相比,反向传播(back propagation,BP)神经网络以其良好的非线性映射能力、自学习和自适应能力成为应用最为广泛的神经算法,众多研究在强度预测方面进行了积极探索和研究^[8-10]。随着大数据和人工智能的迅速发展,煤矿充填开采领域开始引进人工智能算法来进行充填体强度预测^[11-12]。文献[13]从数据拟合度、网络误差分析和预测结果方面对风积砂充填体进行强度预测,构建了基于BP神经网络模型和主成分分析-BP神经网络模型(principal component analysis-back propagation,PCA-BP)的预测模型。文献[14]采用人工智能算法,从“黑盒”角度对矿用胶凝材料的配比开发进行研究,通过正交试验及人工神经网络模型得出胶凝材料的最优配比。文献[15]通过遗传算法对BP神经网络的初始权值及阈值进行改进,建立了再生保温混凝土抗压强度预测模型,并对遗传算法-BP神经网络(genetic algorithm-back propagation,GA-BP)及BP神经网络预测模型的性能进行了对比分析。文献[16]基于正交试验,研究了粉煤灰掺量对胶结充填体强度的影响,利用BP神经网络模型分析和预测了影响规律。

正交试验协同BP神经网络能减少试验次数又不失一般性,充分利用BP神经网络具有自适应性的非线性优化的优点。现基于BP神经网络,以煤矸石为粗料,脱硫石膏、气化渣、炉底渣为细料,粉煤灰和水泥为胶凝剂,通过正交试验进行煤基固废胶结充填体抗压强度和泌水率试验,研究煤基固废充填体抗压强度的影响因素,采用灰色关联度分析法分析各试验因素与充填体抗压强度之间的关联度,采用5-11-3的三层BP神经网络进行煤基固废充填体强度预测,建立煤基固废充填体强度预测模型,并对预测结果进行评价。该模型为煤基固废资源化利用提供了智能化预测工具,有助于优化矿山充填材料配比设计,降低固废处置成本,同时为绿色矿山建设中的环境-经济协同发展提供技术支撑。

1 试验材料

收起

1.1 试验材料来源

宁东能源化工基地位于宁夏中东部,2018年煤炭产量约9.155×10⁷ t,煤化工产能2.225×10⁷ t,火电容量1.495×10⁷ kW,近年累计产生煤矸石、粉煤灰、脱硫石膏、气化渣和炉底渣等煤基固废超过9×10⁷ t^[17]。试验以煤矸石为粗料,气化渣、炉底渣、脱硫石膏为细料,粉煤灰和42.5号普通硅酸盐水泥为胶凝材料。其中,煤矸石来自任家庄和梅花井煤矿,粉煤灰、脱硫石膏、气化渣、炉底渣来自鸳鸯湖电厂。

1.2 材料成分

通过X射线衍射(X-ray diffraction,XRD)对干燥后的煤基固废充填材料进行化学成分测定,如图1所示,煤矸石的主要成分是SiO₂,伴有部分硅氧基化合物,大量的SiO₂保证了矸石较高的硬度和抗变形能力。粉煤灰为鸳鸯湖电厂的干排灰,主要成分是SiO₂、Fe₂O₃和CaO,其中CaO、SiO₂含量达到92.27%,促使粉煤灰中玻璃体的聚合度降低,其活性升高。气化渣主要成分为SiO₂,炉底渣以SiO₂、Al₂O₃·SiO₂和Fe₂O₃为主,脱硫石膏主要成分是CaSO₄,CaSO₄·2H₂O。

1.3 试验方案

采用L16(4⁵)正交试验,未做特殊说明情况下,涉及比率均为质量比。选择煤矸石和水泥质量作为不变量,水泥掺量为煤基固废总质量的5%,设置5个研究因素,分别为A(质量浓度)、B(粉煤灰:煤矸石)、C(气化细渣:煤矸石)、D(炉底渣:煤矸石)、E(脱硫石膏:煤矸石),设置4个水平梯度,如表1所示。

对大块的矸石通过小型颚式破碎机破碎,经过标准筛筛选成粒径0~5 mm的煤矸石,将材料中胶结块体破碎研磨后用0~5 mm标准筛筛选后备用。根据《普通混凝土拌合物性能试验方法标准》(GB/T 50080—2016)国家标准,按照设计方案的质量分数要求对各种煤基固废材料依次称重,将所需的水倒入已混合均匀的充填物料中,混合少量水泥,使用搅拌机搅拌30 s后,将混合胶凝材料浇铸到70.7 mm×70.7 mm×70.7 mm的标准立方体模具中,使用刮板对模具表面平整,然后将部分混合胶凝材料加入高约120 mm的有机玻璃容体中,保证测填灌面高度一致,然后用保鲜膜封严,置于室内静置24 h后量测其离析水水面和水泥浆膨胀面,离析水的高度除以原填灌浆液高度即为泌水率,并记录下来。将平整后的模具置于室内,在室内固化12 h后,待试块初步自立后,将试样从模具中取出,置于20 ℃、相对湿度90%

±

5%的恒温恒湿固化箱中养护到测试时取出,根据《煤和岩石物理力学性质测定方法第12部分:煤的坚固性系数测定方法》(GB/T 23561.12—2010),在电液伺服万能压力机(加载速率为0.05 kN/s)上完成强度测试,如图2所示。

2 充填体抗压强度影响因素

收起

2.1 试验结果

通过L16(4⁵)正交实验对煤基固废材料充填体的泌水率和单轴抗压强度(养护龄期3、7、28 d)进行测试,如表2所示。

如图3所示,当养护龄期为3 d时,所有试验组煤基固废充填体平均强度为0.31 MPa,当养护龄期为7 d时,所有试验组煤基固废充填体平均强度达到0.61 MPa,当养护龄期为28 d时,所有试验组煤基固废充填体平均强度达到0.74 MPa,强度继续增长,但增长速度明显减小。可见养护早期煤基固废充填体的强度增长速度较大,但在养护后期,增长速度较为缓慢。

2.2 抗压强度敏感性分析

灰色关联度分析法是根据因素之间发展趋势的相似或相异程度,即“灰色关联度”来衡量因素间关联程度的一种方法。考虑到实验因素众多,煤基固废胶结是一个复杂的系统变化过程,通过灰色关联度分析其量化动态历程。通常认为关联度不小于0.8具有很好的关联度,介于0.6~0.8具有较好的关联度,关联度小于0.5时内部因素基本无关联度^[18]。具体步骤如下。

步骤1 确定参考数列和比较数列。

反映煤基固废充填体强度特征的数据序列,称为参考数列。影响煤基固废充填体强度特征的因素组成的数据序列,称比较数列。以不同养护龄期(3、7、28 d)的抗压强度为参考数列

x 0,

5个影响因素为比较数列

x i,

分别为

x 1 (A) 、 x 2 (B) 、 x 3 (C) 、 x 4 (D) 、 x 5 (E),

建立计算矩阵为

(1)[x₀ x₁ x₂ x₃ x₄ x₅]=

x 0 (1) x 1 (1) x 2 (1) x 3 (1) x 4 (1) x 5 (1) x 0 (2) x 1 (2) x 2 (2) x 3 (2) x 4 (2) x 5 (2) ︙ ︙ ︙ ︙ ︙ ︙ x 0 (16) x 1 (16) x 2 (16) x 3 (16) x 4 (16) x 5 (16)

步骤2 对数据作无量纲化处理。

(2)

x i (k) = x i (k) 1 N ∑ k = 1 N x i (k), i = 1,2, 3,4, 5; k = 1,2, …, 16

式(2)中:N为序列的长度(即数据点总数);k为数据点的位置索引(第k个数据);N为序列长度(即数据总量)。

步骤3 通过计算式(3)、式(4)求解灰色关联系数。

(3)

ξ i (k) = Δ (m i n) + ρ Δ (m a x) Δ i (k) + ρ Δ (m a x)

式(3)中:

Δ (m i n)

为全局最小差;

Δ (m a x)

为全局最大差;

Δ i (k)

为第i个序列与参考序列在第k个时刻的绝对差。

灰色关联系数ξ_i(k)通常由邓氏灰色关联度计算式(4)得出。

(4)

ξ i (k) = m i n i m i n k x 0 (k) - x i (k) + ρ m a x i m a x k x 0 (k) - x i (k) x 0 (k) - x i (k) + ρ m a x i m a x k x 0 (k) - x i (k)

式(4)中:ρ为分辨系数,一般在0~1,通常取0.5。

步骤4 通过式(5)计算关联度。

(5)

r i = 1 N ∑ k = 1 N ξ i (k)

式(5)中:

r i

为比较数列

x i

对参考数列

x 0

的灰关联度,

r i

越接近1,说明相关性越好。

通过步骤1~4对实验数据(表2)进行计算,得到不同养护龄期(3、7、28 d)煤基固废充填体抗压强度与5个实验影响因素的关联程度,并对实验影响因素的关联度按大小顺序进行排序,如图4所示。

3 充填体抗压强度预测

收起

3.1 模型选择

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络。它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。

从正交试验结果可以看出,A(质量浓度)、B(粉煤灰:煤矸石)、C(气化细渣:煤矸石)、D(炉底渣:煤矸石)、E(脱硫石膏:煤矸石)都对煤基固废充填体的强度有影响,且各因素与抗压强度呈非线性关系。在测试中不可能考虑所有因素,可以基于已有试验数据构建神经网络模型,对未知数据进行预测,通过建立基于BP神经网络的充填体强度预测模型,可以克服实验测试和现场监测成本高、耗时长等弊端,为充填体的强度预测提供了一种新的方法。

3.2 模型建立

以L16(4⁵)正交实验中煤基固废材料充填体的泌水率和单轴抗压强度(养护龄期3、7、28 d)为样本构建煤基固废充填体强度预测模型,模型主体结构由输入层、隐含层、输出层组成,以因素A、B、C、D、E为输入层中的网络输入因子,将煤基固废充填体3、7、28 d抗压强度作为网络输出因子,表2中S4、S8、S12、S16组作为测试集样本,其余12 组数据作为训练集样本。隐含层中神经元的个数能够决定训练函数的收敛、训练的时长以及训练误差的大小,对于模型拟合的效果非常重要,众多学者对隐含层神经元数目的选择进行了大量研究^[19],文献[20]认为隐含层神经元数m为(2a+1)时最优,也可根据式(6)进行选择。

(6)

m = (a + b) + k' m = l o g 2 a m = a b

式(6)中:a和b分别为输入因子数目和输出因子数目;k'为0~10的常数。

根据式(6)确定的隐含层神经元数目为2~12,以抗压强度的平均相对误差作为筛选隐含层神经元数目的依据,通过对比分析确定隐含层神经元个数,分别检查隐含层神经元个数为2~12时的网络性能,得出不同养护龄期(3、7、28 d)抗压强度的预测结果和相对误差,对每一个神经元得出的相对误差取平均值,如表3所示,对比发现相对误差随着养护龄期增加而增大,预测效果越差,当隐含层神经元数目为12时,3 d抗压强度平均相对误差最小,为2.952 257%,数目为10时,7 d抗压强度平均相对误差最小,为7.99%,数目为9时,28 d抗压强度平均相对误差最小,为15.31%。对不同养护龄期的平均相对误差取平均值,发现隐含层神经元数目为11时,相对平均误差最小,为10.59%,此时训练误差才会更趋近于目标误差,因此,采用隐含层中神经元数目为11来对充填体进行强度预测。

同时设置输入层和输出层传递函数为purelin函数,隐含层传递函数为对数S型传递函数logsig,训练函数选择traingdx函数。利用3层BP神经网络,即5-11-3,构建煤基固废充填体强度预测模型,如图5所示。

为避免出现训练时间过长无法收敛的情况,在正式建模前,需采用数据归一法对数据进行预处理,将输入或输出数据转化为区间[0,1]或[-1,1]的无量纲值,借助平均相对误差分析对预测结果的准确性进行判断。归一化采用的函数为

(7)

x' k = x k - x m i n x m a x - x m i n

式(7)中:x'_k为归一化数据;x_k为原始数据;x_max和x_min分别为每组因子中的最大值与最小值,输出预测结果时,还需对数据进行反归一化。

3.3 强度预测及检验

在MATLAB软件中采用5-11-3的三层BP神经网络进行煤基固废充填体强度预测,训练迭代次数设置为1 000 步,误差目标设置为0.000 1,强度预测值和相对误差结果如图6所示。可以看出,BP神经网络预测模型仿真对不同养护龄期(3、7、28 d)的煤基固废充填体强度相对误差为0.01%~11.73%,相对误差大于5%的占比仅为8.3%。例如图6(a)中3 d抗压强度试验组号16,图6(b)中7 d抗压强度试验组号16,图6(c)中28 d抗压强度试验组号14等个别点处出现的较大误差。原因是该点附近训练样本的缺乏,其未得到充分训练,使得样本空间在此处没有真实反映网络输入与输出之间的映射关系,这点在文献[21]中也存在相似误差。虽然通过BP神经网络来预测煤基固废充填体抗压强度存在一定误差,但比较其他数学处理方法,其构建的预测模型仍具有较高的精度,而且也可以用于强度要求相似的固废充填材料配合比设计。

3.4 预测效果

充填体强度的BP神经网络训练误差收敛曲线及拟合表征如图7所示。如图7(a)所示整个训练过程经过188 次训练后开始收敛,最终经过999 次训练后达到最佳训练误差0.337%,整个训练过程经过1 000 次训练后达到最佳训练误差0.011 5%。整个充填体强度预测的效果可通过拟合表征来评价,如图7(b)所示,实线代表仿真拟合曲线,虚线代表预测值与实验值相等,R为预测输出与目标输出的相关系数,R越接近1,说明预测输出与目标输出的相关性越大,预测模型的拟合程度越高,预测效果越好。可以得出本次煤基固废充填体强度预测相关系数R为0.999 87,表明本次采用BP神经网络对充填体抗压强度预测精确度高。

4 结论

收起

(1)浓度、气化渣和脱硫石膏掺量对抗压强度的影响随养护龄期的增加逐渐增大,粉煤灰和炉底渣掺量对抗压强度的影响随养护龄期的增加呈先增后减。

(2)通过5-11-3三层BP神经网络对煤基固废充填体不同养护龄期(3、7、28 d)的抗压强度进行强度预测,得出本次煤基固废充填体强度预测相关系数R为0.999 87,预测精确度较高。

基金

收起

安徽省研究生教育质量工程项目(2023XSCX075)
国家自然科学基金青年科学基金(52404106)
安徽省高校优秀科研创新团队项目(2024AH010009)
国家自然科学基金重点项目(52130402)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

林中湘, 寇天昊, 郝燕奎, 等. 煤矿开采覆岩离层注浆浆液配比优化试验研究[J]. 科学技术与工程, 2022, 22(21): 9087-9094.

Lin

Zhongxiang

, Kou

Tianhao

, Hao

Yankui

, et al. Experimental study on optimization of overburden separation layer grouting slurry mixture ratio[J]. Science Technology and Engineering, 2022, 22(21): 9087-9094.

[2]

李志华, 耿倩, 杨科, 等. 综采工作面垮落带注浆充填开采覆岩采动裂隙定量表征试验研究[J]. 中国矿业, 2024, 33(2): 159-167.

Zhihua

, Geng

Qian

, Yang

, et al. Quantitative characterization of mining-induced cracks in overlying strata of grouting filing mining in caving area of fully mechanized mining face[J]. China Mining Magazine, 2024, 33(2): 159-167.

[3]

杨科, 张继强, 何祥, 等. 多源煤基固废胶结充填体力学及变形破坏特征试验研究[J]. 煤田地质与勘探, 2024, 52(6): 102-114.

Yang

, Zhang

Jiqiang

, He

Xiang

, et al. Experimental study on the mechanics and deformation failure characteristics of multi-source coal-based solid waste cemented backfill[J]. CoalGeology & Exploration, 2024, 52(6): 102-114.

[4]

李胜, 熊自明, 刘一鸣, 等. 不同厚度充填体—围岩组合体力学性质及损伤本构[J]. 科学技术与工程, 2022, 22(33): 14841-14851.

Sheng

, Xiong

Ziming

, Liu

Yiming

, et al. Mechanical property and damage constitution of different thickness of backfill-surrounding rock combination[J]. Science Technology and Engineering, 2022, 22(33): 14841-14851.

[5]

刘超军, 柯丽华, 姚囝, 等. 肖家河磷矿碎石胶结充填体强度及变形破坏特征试验研究[J]. 中国矿业, 2023, 32(5): 124-130, 137.

Liu

Chaojun

, Ke

Lihua

, Yao

Nan

, et al. Experimental study on strength and deformation failure characteristics of crushed stone cement filling in Xiaojiahe phosphate mine[J]. China Mining Magazine, 2023, 32(5): 124-130, 137.

[6]

胡凡, 彭亮, 仵峰峰, 等. 基于BP神经网络模型的充填体强度值预测[J]. 有色金属(矿山部分), 2021, 73(6): 60-65.

Fan

, Peng

Liang

, Wu

Fengfeng

, et al. Prediction offiller strength values based on BP neural network models[J]. Nonferrous Metals (Mining Section), 2021, 73(6): 60-65.

[7]

常庆粮, 周华强, 秦剑云, 等. 膏体充填材料配比的神经网络预测研究[J]. 采矿与安全工程学报, 2009, 26(01): 74-77.

Chang

Qingliang

, Zhou

Huaqiang

, Qin

Jianyun

, et al. Using artificial neural network model to determine the prescription of paste filling materials[J]. Journal of Mining & Safety Engineering, 2009, 26(01): 74-77.

[8]

徐淼斐, 高永涛, 金爱兵, 等. 基于超声波波速及BP神经网络的胶结充填体强度预测[J]. 工程科学学报, 2016, 38(8): 1059-1068.

Miaofei

, Gao

Yongtao

, Jin

Aibing

, et al. Prediction of cemented backfill strength by ultrasonic pulse velocity and BP neural network[J]. Chinese Journal of Engineering, 2016, 38(8): 1059-1068.

[9]

史秀志, 范玉乾, 尚雪义. 基于PCA-BP神经网络模型的充填体强度预测[J]. 黄金科学技术, 2016, 24(3): 64-69.

Shi

Xiuzhi

, Fan

Yuqian

, Shang

Xueyi

. Strength prediction of filling body based on PCA and BP neural networks[J]. Gold Science and Technology, 2016, 24(3): 64-69.

[10]

秦楠, 葛强, 梁忠豪, 等. 高温对砂岩宏细观损伤及BP神经网络单轴强度预测研究[J]. 实验力学, 2021, 36(1): 105-113.

Qin

Nan

, Ge

Qiang

, Liang

Zhonghao

, et al. Experimental study on macro/micro damage of sandstone caused by high temperature and prediction of uniaxial strength by BP neural network[J]. Journal of Experimental Mechanics, 2021, 36(1): 105-113.

[11]

张安安, 邓芳明. 基于深度信念网络的磷石膏充填材料强度预测[J]. 科学技术与工程, 2020, 20(18): 7220-7225.

Zhang

An'an

, Deng

Fangming

. Strength prediction of phosphogypsum filling material based on improved deep belief network[J]. Science Technology and Engineering, 2020, 20(18): 7220-7225.

[12]

吉坤, 韩斌, 胡亚飞, 等. 基于强度折减与智能算法的井下充填体强度预测[J]. 中国有色金属学报, 2021, 31(3): 796-805.

Kun

, Han

Bin

, Hu

Yafei

, et al. Prediction of backfill strength in underground stope based on strength reduction and intelligent algorithm[J]. The Chinese Journal of Nonferrous Metals, 2021, 31(3): 796-805.

[13]

邓念东, 丁一, 邢聪聪, 等. 基于PCA-BP神经网络的风积砂充填体强度预测[J]. 矿业研究与开发, 2021, 41(2): 109-113.

Deng

Niandong

, Ding

, Xing

Congcong

, et al. Strength prediction of eolian sand filling body based on PCA-BP neural network[J]. Mining Research and Development, 2021, 41(2): 109-113.

[14]

张国胜, 陈彦亭, 胡亚军, 等. 基于人工智能神经网络新型充填胶凝材料配比研究[J]. 矿业研究与开发, 2020, 40(9): 143-148.

Zhang

Guosheng

, Chen

Yanting

, Hu

Yajun

, et al. Research on mixing proportions of a new backfilling cementitious material based on artificial intelligence neural network[J]. Mining Research and Development, 2020, 40(9): 143-148.

[15]

白浩杰, 刘元珍, 郭耀东, 等. 基于GA-BP神经网络的再生保温混凝土强度预测[J]. 混凝土, 2020(11): 16-19, 25.

Bai

Haojie

, Liu

Yuanzhen

, Guo

Yaodong

, et al. Prediction of recycled aggregate thermal insulation concrete strengthbased on GA-BP neural network[J]. Concrete, 2020(11): 16-19, 25.

[16]

韦寒波, 巴蕾, 高谦. 粉煤灰掺量对胶结充填体强度影响规律研究[J]. 矿业研究与开发, 2020, 40(12): 28-32.

Wei

Hanbo

, Ba

Lei

, Gao

Qian

. Study on the influence law of fly ash content on the strength of cemented backfill[J]. Mining Research and Development, 2020, 40(12): 28-32.

[17]

杨科, 魏祯, 赵新元, 等. 黄河流域煤电基地固废井下绿色充填开采理论与技术[J]. 煤炭学报, 2021, 46(S2): 925-935.

Yang

, Wei

Zhen

, Zhao

Xinyuan

, et al. Theory and technology of green filling of solid waste in underground mine at coal power base of Yellow River Basin[J]. Journal of China Coal Society, 2021, 46(S2): 925-935.

[18]

刘恒亮, 张钦礼, 王新民, 等. 全尾砂充填体正交-BP神经网络强度预测[J]. 金属矿山, 2016(1): 43-46.

Liu

Hengliang

, Zhang

Qinli

, Wang

Xinmin

, et al. Strength prediction of unclassified tailing backfilling based on orthogonal-BP neural network[J]. Metal Mine, 2016(1): 43-46.

[19]

魏微, 高谦. 改进的BP神经网络模型预测充填体强度[J]. 哈尔滨工业大学学报, 2013, 45(6): 90-95.

Wei

, Gao

Qian

. Strength prediction of backfilling body based on modified BP neural network[J]. Journal of Harbin Institute of Technology, 2013, 45(6): 90-95.

[20]

董越, 杨志强, 高谦. 正交试验协同BP神经网络模型预测充填体强度[J]. 材料导报, 2018, 32(6): 1032-1036.

Dong

Yue

, Yang

Zhiqiang

, Gao

Qian

. Strength forecasting of backfilling materials by BP neural network model collaborated with orthogonal experiment[J]. Materials Reports, 2018, 32(6): 1032-1036.

[21]

刘团结, 赵象卓, 韩永亮, 等. 基于GRA-BP神经网络的固体废弃物充填体强度预测[J]. 煤矿安全, 2021, 52(9): 231-238.

Liu

Tuanjie

, Zhao

Xiangzhuo

, Han

Yongliang

, et al. Strength prediction of solid wastes filling body based on GRA-BP neural network[J]. Safety in Coal Mines, 2021, 52(9): 231-238.

2025年第25卷第16期

PDF下载

299

104

引用本文

BibTeX

文章信息

doi: 10.12404/j.issn.1671-1815.2405757

接收时间：2024-07-31
首发时间：2025-07-09
出版时间：2025-06-08

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-07-31
修回日期：2025-03-14

基金

安徽省研究生教育质量工程项目(2023XSCX075)

国家自然科学基金青年科学基金(52404106)

安徽省高校优秀科研创新团队项目(2024AH010009)

国家自然科学基金重点项目(52130402)

作者信息

¹ 山煤国际能源集团股份有限公司, 太原 030000

² 安徽理工大学矿业工程学院, 淮南 232001

通讯作者:

* 张继强(1996—),男,汉族,宁夏固原人,博士研究生。研究方向:煤基固废无害化利用与充填开采。E-mail:2390912295@qq.com。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kxjsygc/CN/10.12404/j.issn.1671-1815.2405757

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

水平	因素
L1	74	0.30	0.20	0.10	0.20
L2	76	0.40	0.25	0.15	0.30
L3	78	0.50	0.30	0.20	0.40
L4	80	0.60	0.35	0.25	0.50

水平

因素

0.30

0.20

0.10

0.20

0.40

0.25

0.15

0.30

0.50

0.30

0.20

0.40

0.60

0.35

0.25

0.50

组号	因素	单轴抗压强度/MPa	泌水率/%
S1	1	1	1	1	1	0.184	0.272	0.254	1.98
S2	1	2	2	2	2	0.161	0.270	0.310	2.39
S3	1	3	3	3	3	0.188	0.361	0.350	2.42
S4	1	4	4	4	4	0.175	0.245	0.261	4.76
S5	2	1	2	3	4	0.147	0.369	0.448	2.78
S6	2	2	1	4	3	0.173	0.396	0.604	3.16
S7	2	3	4	1	2	0.193	0.345	0.411	1.22
S8	2	4	3	2	1	0.343	0.621	0.796	1.15
S9	3	1	3	4	2	0.368	0.764	0.626	1.23
S10	3	2	1	3	1	0.324	0.583	0.704	2.01
S11	3	3	4	2	4	0.276	0.571	0.433	1.49
S12	3	4	2	1	3	0.365	0.971	1.723	0.50
S13	4	1	4	2	3	0.348	0.601	0.616	4.89
S14	4	2	3	1	4	0.317	0.643	0.697	0.55
S15	4	3	2	4	1	0.454	0.809	0.839	1.08
S16	4	4	1	3	2	0.406	0.582	0.574	0.53

组号

因素

单轴抗压强度/MPa

泌水
率/%

养护龄
期3 d

养护龄
期7 d

养护龄
期28 d

0.184

0.272

0.254

1.98

0.161

0.270

0.310

2.39

0.188

0.361

0.350

2.42

0.175

0.245

0.261

4.76

0.147

0.369

0.448

2.78

0.173

0.396

0.604

3.16

0.193

0.345

0.411

1.22

0.343

0.621

0.796

1.15

0.368

0.764

0.626

1.23

S10

0.324

0.583

0.704

2.01

S11

0.276

0.571

0.433

1.49

S12

0.365

0.971

1.723

0.50

S13

0.348

0.601

0.616

4.89

S14

0.317

0.643

0.697

0.55

S15

0.454

0.809

0.839

1.08

S16

0.406

0.582

0.574

0.53

神经元数量	平均相对误差/%	相对平均误差/%
2	7.207 781	16.934 080	37.812 55	20.651 47
3	5.026 197	14.044 470	29.140 75	16.070 47
4	4.596 087	11.571 610	29.003 82	15.057 17
5	6.751 470	12.540 530	26.812 11	15.368 04
6	4.668 387	13.385 170	27.683 15	15.245 57
7	3.870 420	11.800 980	24.663 33	13.444 91
8	7.376 976	9.197 673	23.897 81	13.490 82
9	8.618 736	9.572 023	15.312 64	11.167 80
10	5.594 761	7.986 225	23.745 55	12.442 18
11	3.955 781	8.210 314	19.597 45	10.587 85
12	2.952 257	8.844 902	23.514 62	11.770 59

神经元
数量

平均相对误差/%

相对平均
误差/%

养护龄期
3 d UCS

养护龄期
7 d UCS

养护龄期
28 d UCS

7.207 781

16.934 080

37.812 55

20.651 47

5.026 197

14.044 470

29.140 75

16.070 47

4.596 087

11.571 610

29.003 82

15.057 17

6.751 470

12.540 530

26.812 11

15.368 04

4.668 387

13.385 170

27.683 15

15.245 57

3.870 420

11.800 980

24.663 33

13.444 91

7.376 976

9.197 673

23.897 81

13.490 82

8.618 736

9.572 023

15.312 64

11.167 80

5.594 761

7.986 225

23.745 55

12.442 18

3.955 781

8.210 314

19.597 45

10.587 85

2.952 257

8.844 902

23.514 62

11.770 59