高级检索

厚硬顶板潜在矿震风险地面压裂预控技术

王书文, 智宝岩, 杜涛涛, 杨光宇, 陆闯, 夏永学

王书文,智宝岩,杜涛涛,等. 厚硬顶板潜在矿震风险地面压裂预控技术[J]. 煤炭科学技术,2023,51(11):1−11. DOI: 10.12438/cst.2023-1012
引用本文: 王书文,智宝岩,杜涛涛,等. 厚硬顶板潜在矿震风险地面压裂预控技术[J]. 煤炭科学技术,2023,51(11):1−11. DOI: 10.12438/cst.2023-1012
WANG Shuwen,ZHI Baoyan,DU Taotao,et al. Ground fracturing pre-control technology for potential mine seismic risk of thick and hard roof[J]. Coal Science and Technology,2023,51(11):1−11. DOI: 10.12438/cst.2023-1012
Citation: WANG Shuwen,ZHI Baoyan,DU Taotao,et al. Ground fracturing pre-control technology for potential mine seismic risk of thick and hard roof[J]. Coal Science and Technology,2023,51(11):1−11. DOI: 10.12438/cst.2023-1012

厚硬顶板潜在矿震风险地面压裂预控技术

基金项目: 

国家重点研发计划资助项目(2022YFC3004604);中煤集团重大科技专项资助项目(20211BY001)

详细信息
    作者简介:

    王书文: (1983—),男,山东济宁人,高级工程师,博士。E-mail:wangshuw@chinacoal.com

    通讯作者:

    杜涛涛: (1984—),男,山东枣庄人,副研究员。E-mail:yl_dutt@126.com

  • 中图分类号: TD324

Ground fracturing pre-control technology for potential mine seismic risk of thick and hard roof

Funds: 

National Key Researchand Development Program of China(2022YFC3004604); Major Science and Technology Project of middling coal Group (20211BY001)

  • 摘要:

    具有厚硬顶板的矿井在采掘期间将面临矿震、矿压显现强烈的风险,易导致矿井发生动力灾害事故。为对此类风险隐患进行预控和防范,需要对矿井的厚硬顶板进行预控处理。采用现场调研、工程类比、理论分析、实验室试验和数值模拟的方法,对矿井岩层赋存特征、潜在矿震风险、厚硬顶板可压裂性和地面压裂预控矿震风险机理进行研究。理论分析得到具有厚硬顶板的矿井不仅存在单一工作面低位、高位厚硬顶板初次破断诱发矿震风险,也存在随矿井开采空间增大加剧高位厚硬顶板诱发矿震的风险性;蒙陕地区类似条件工程案例类比表明,具有厚硬顶板赋存条件、开采条件的矿井,自第2个工作面开采始具有发生较高的矿震风险的可能;通过厚硬顶板可压裂性试验研究得到岩石脆性系数为59%~143%,平均脆性矿物含量约68%,综合表明所研究矿井的厚硬顶板可压裂特性较好;模拟对比分析得到在厚硬顶板预裂后,工作面超前支承压力集中程度和超前影响距离均明显降低。基于厚硬顶板的研究结果,提出了矿井地面压裂区域卸压矿震风险预控技术,即通过地面实施“L”型钻孔至厚硬顶板进行压裂,以降低厚硬顶板完整性和致密性。工程应用表明,在实施地面压裂区段中,井下压裂区域微震事件的最高频次降低了52.2%,微震事件的最大能量释放降低了56%,由此说明厚硬顶板的地面压裂预控技术成功降低了矿震风险,保障了工作面的安全顺利回采。

    Abstract:

    Mines with thick and hard roof face high risks of mine seismic activities and mine pressure during mining, which easily leads to dynamic disasters in mines. To pre-control and prevent such risks, it is necessary to pre-control the thick and hard roof of the mine. By field investigation, engineering analogy, theoretical analysis, laboratory test and numerical simulation, the occurrence characteristics of mine strata, potential mine seismic risk, fracturing of thick and hard roof and the mechanism of ground fracturing pre-control mine seismic risk are studied. The theoretical analysis shows that the mine with thick and hard roof not only has the mine seismic risk induced by the first breakage of the low and high thick and hard roof of a single panel, but also has the risk of aggravating the mine seismic event induced by the high thick and hard roof with the increase of the mining void of the mine. The analogy of engineering cases with similar conditions in Inner Mongolia and Shaanxi shows that mines with thick and hard roof occurrence conditions and mining conditions have the possibility of high mine seismic risk since the second panel is mined. Through the fracturing test of thick and hard roof, the rock brittleness coefficient is 59%~143%, and the average brittle mineral content is about 68%. The comprehensive results show that the fracturing characteristics of the thick and hard roof of the mine are better. The simulation comparison analysis shows that after the pre-splitting of the thick and hard roof, the concentration degree of the front abutment pressure and the front influence distance of the working face are obviously reduced. Based on various research results of thick and hard roof, the mine seismic risk pre-control technology using local ground fracturing pressure relief method is put forward, that is, fracturing is carried out by ‘L’ type drilling on the ground to thick and hard roof to reduce the integrity and compactness of thick and hard roof. The engineering application shows that in the fractured section, the highest frequency of microseismic events in the underground section is reduced by 52.2%, and the maximum energy release of microseismic events in the section is reduced by 56%. This shows that the ground fracturing pre-control technology of thick and hard roof successfully reduces the mine seismic risk and ensures the safe and smooth extraction of panels.

  • 露天煤矿是当今世界能源供应体系中的重要组成部分,其生产本质和矿卡运输共同构成了煤炭产业的核心。在这个信息时代,电力是人类社会的生活之源,而煤炭则是电力生产的不可或缺的燃料[1]。因此,了解露天煤矿的生产过程和矿卡运输的角色对于理解能源生产的本质至关重要[2]

    有人矿卡驾驶速度的预测是智能交通研究领域中重要的研究方向,速度的预测精度直接决定了调度模型中路径权重以及模型规划结果的现实性[3-4]。气象环境对露天矿山运输矿卡车速度有着重要的影响。这种影响涉及多个方面,包括天气条件、气温、风速、降水和其他气象因素。以下是一些关键因素:

    不同的气象条件会对露天矿山内的矿卡运输速度产生直接影响。恶劣天气条件,如暴雨、暴风雪或雷暴,通常会导致运输速度的显著下降,甚至暂停。这是因为这些极端天气条件增加了道路上的危险性,如积雪、结冰、泥浆和泥水。气温的极端变化,特别是极端低温,对矿卡的机械性能产生不利影响。在极寒条件下,机油变得黏稠,发动机启动需要更多时间,机械部件容易受损。高温也可能导致冷却系统不足,需要额外的冷却。强风速度对矿卡的稳定性产生负面影响,尤其是在大型矿卡行驶时。风力可以导致车辆偏离轨道,增加翻车的风险。

    降水会直接影响道路状况,从而影响矿卡的速度。大雨可能导致洪水和道路损坏,从而阻碍矿卡的正常运输。此外,降水还会导致路面湿滑,增加制动距离。气象条件如雾、浓雾或沙尘暴降低了驾驶员的视野,从而降低了矿卡的行驶速度。能见度降低会导致驾驶员难以识别前方道路状况,增加事故风险。矿山所在地区的海拔高度可能会对矿卡的性能产生影响。在高海拔地区,空气稀薄,引擎性能可能下降,导致速度减缓。

    综上,气象环境对露天矿山运输矿卡车速度的影响是一个复杂而关键的研究领域。深入研究这一问题有助于制定更科学的运输策略,以确保在各种气象条件下实现高效和安全运输。煤矿行业需要积极采取措施,包括天气监测、设备维护和驾驶员培训,以最大程度地减轻气象因素对矿卡运输速度的影响。同时,未来的研究还可以集中于开发更为可持续的运输解决方案,以减少对环境的负面影响。

    矿卡速度的预测对矿山和采矿行业的调度系统具有积极的影响[5-7],可以提高生产效率、降低成本、提高安全性,并提供更灵活的决策支持。这种技术是矿山运营优化的一部分,有望为煤矿和采矿行业带来显著的效益[8]

    笔者通过露天矿有人驾驶矿卡速度预测研究,一方面可以用来改进露天矿动态调度模型,提高模型规划质量,另一方面参照露天矿山整体地形结构,梳理露天矿采装运输系统作业流程,研究不同曲率和坡度车辆的行车规律,在露天矿智能调度系统的研究中,更好地借鉴智能交通流域的最新研究思路和研究成果,增强调度系统应对矿区突发事件的能力[9-10]

    综上所述,笔者在露天矿人工驾驶矿卡车速研究工作主要包括以下几个方面:1)分析人工驾驶行为习惯,提取出人工驾驶在不同路段上车速特征。2)首先需要对人工驾驶数据进行预处理,随后从曲率和坡度两个维度分析车辆行车速度规律。最终,根据提取结果,进行车辆行为特性拟合,得出人工行驶车速与全矿地图的映射表。3)对比研究基于随机森林(random forest)和XGBoost的速度预测模型,选取最优模型构建矿卡车速预测模型,通过增加气象数据影响因素,利用实时获得的车辆运行数据进行实时预测。

    露天矿矿卡智能调度方案主要包含2部分:构建矿山生产模型及开发智能调度算法。矿山生产模型是指通过数学表达与编程语言模拟露天矿生产中的“装—运—卸”过程[11]。智能调度算法是指通过人工智能算法求解矿山生产模型并得到最优或近优解。如图1所示,矿山生产模型执行智能调度算法求得调度任务,并将运行得到的工作时长、油量消耗等信息返回调度算法之中,供调度算法进行迭代优化。

    图  1  智能调度算法闭环框图
    Figure  1.  Closed-loop block diagram of the intelligent scheduling algorithm

    智能调度算法用于求解露天矿生产模型得到最优或近优解,即高效生产调度计划。露天矿智能调度是典型的组合优化问题,具有NP-hard特性,目前常见的求解方式包含以下4大类:

    开源求解器:包括$ \mathrm{o}\mathrm{r}\mathrm{t}\mathrm{o}\mathrm{o}\mathrm{l}\mathrm{s} $、$ \mathrm{j}\mathrm{s}\mathrm{p}\mathrm{r}\mathrm{i}\mathrm{t} $、$ \mathrm{c}\mathrm{p}\mathrm{l}\mathrm{e}\mathrm{x} $等,其优势为开源框架、简单易行,但存在结合模型需求的二次开发困难、不满足露天矿智能调度复杂场景需求等问题。

    精确算法:包括分支界定法、列生成法等,其优势为能够求得模型的最优解,但存在计算量巨大,随变量数指数级增长的问题,无法处理复杂约束下多变量的智能调度模型。

    深度学习算法:包括深度强化学习、图神经网络等,其优势是能处理大规模、强约束的优化模型,但存在算法黑盒、泛化能力差、无法保证鲁棒性等问题,不适合矿卡智能调度。

    启发式算法:包括遗传算法、蚁群算法、粒子群算等,虽然存在着计算量较高,较容易陷入局部最优解的问题,但其具有能够处理决策变量较多的问题,可得到近似最优解的可行解的优势。

    综上所述,本项目采用启发式算法进行露天矿生产模型[12]。在启发式算法中遗传算法最广为使用于矿卡智能调度类的组合优化问题。遗传算法的基本思想就是模仿自然进化过程,通过对群体中具有某种结构形式的个体进行遗传操作,从而生成新的群体,逐渐逼近最优解。在求解过程中设定一个固定规模的种群,种群中的每个个体都表示问题的一个可能解,个体适应环境的程度用适应度函数判断,适应度差的个体被淘汰,适应度好的个体得以继续繁衍,繁衍的过程中可能要经过选择、交叉、变异,形成新的族群,如此往复,最后得到更多更好的解。

    矿卡行驶速度通常会受多种因素的影响,经过人工经验及历史数值主成分分析可知,主要影响矿卡行驶速度的因素包括天气情况、车辆动力学特性及道路结构等,其中具体因素分析见表1

    表  1  矿卡车速预测输入数据
    Table  1.  Mining truck speed prediction input data
    天气道路交通车辆
    大雾、浓尘降雨、降雪道路饱和程度道路坡度弯度载重状态车辆型号
    降低矿卡
    行驶能见度。
    影响道路路面
    附着系数。
    道路上车流量会直接影响
    车辆的行驶行为
    坡度、弯路会降低
    矿卡行驶速度
    车辆的重载与否同样
    会影响运行时间
    车辆的动力学模型是影响
    行驶速度的主要因素
    下载: 导出CSV 
    | 显示表格

    天气变化是影响露天矿生产的关键因素,降雨、降雪将影响矿区道路附着系数,使得矿卡易失控甚至出现侧翻等严重事故;大雾、浓尘导致能见度降低,驾驶员及无人驾驶传感器感知范围受限。为保证矿卡行驶安全,在出现异常天气下矿卡通常会降速行驶或停车,因此挖掘异常天气与矿卡行驶速度间的数学关系并进行实时准确预测是实现矿卡动态调度的核心。

    在露天矿山的采矿区域,气象传感器通常会被放置在地面或靠近地面的位置,以测量气温、湿度、风速、风向等参数。这有助于监测矿山内的气象条件,特别是在作业区域。

    车载黑匣子是专为智能车辆开发研制的车辆行驶数据记录装置,用于记录车辆运行关键数据[13]。车载黑匣子数据信息内容包括:日期和时间,定位状态,位置,方向,速度,姿态等,障碍物信息,道路边界信息,系统输出的决策动作,系统输出的控车指令,故障类型,智能交互记录等。

    笔者使用的数据全部取自南露天煤矿车载通信系统和环境感知系统的真实数据。最终筛选了以下13个特征作为输入数据,车速作为输出数据。经度、纬度、方向角、GPS状态1、卫星数、高程、当前时间与车速等数据取自车载黑匣子。风速、降雨量、气温、湿度和降雪量取自气象传感器。

    在计算速度分布前需要对数据进行预处理。将其中噪声数据滤除,以排除噪声对后续统计的影响。同时将时间特征列和设备号列转化为浮点型。时间列特征转换公式如下所示:

    $$ Time = Hour + \frac{{Minute}}{{60}} + \frac{{Second}}{{3600}} $$ (1)

    接下来要对数据进行数据清洗,数据清洗技术方案如图2所示。

    图  2  数据清洗技术流程
    Figure  2.  Data cleaning technology flowchart

    1)筛选人工驾驶模式下,车辆前向行驶数据;

    2)对于车辆速度小于5 km/h的人工驾驶数据,将其滤除;

    3)对于车辆速度大于40 km/h的人工驾驶数据,将其滤除;

    清洗完成后,将剩余数据作为速度分布提取算法输入。算法流程图如图2所示.

    基于人工驾驶文件中的经纬度等,按照1 s时间间隔(人工上报频率为1 Hz),计算人工驾驶车辆在单位时间内行驶曲率半径值。具体计算过程为将相邻时间的前点及其后一个点的WGS84坐标转换成UTM坐标,计算2点距离差;再记录2点航向角差值,通过公式计算对应的曲率k

    $$ k=\frac{180\times\Delta s}{\Delta\theta\times\mathrm{\pi}} $$ (2)

    其中,Δs为相邻时间内对应车辆位置点间的距离差,Δθ为相邻时间内对应车辆位置点对应的航向角偏差。对应该曲率点的车辆行驶速度v计算如下:

    $$ v = \frac{{\Delta s}}{{\Delta t}} $$ (3)

    其中,Δt为相邻两点间的时间间隔。

    由于车辆在记录行驶时间过程中存在精度误差,为提高数据统计准确性,需要对速度提取后结果进行滤波,笔者采用中值滤波算法得到不同曲率对应的车辆行驶速度,算法流程图如图3所示。计算得到的结果见表2

    图  3  曲率区间计算技术流程
    Figure  3.  Data cleaning technology flowchart
    表  2  位置点不同曲率半径下评价速度
    Table  2.  Evaluate velocity at different curvature radii at location point
    序号 曲率半径/m 行驶速度/(km·h‒1)
    1 15.0 9.80
    2 20.0 11.32
    3 25.0 12.65
    4 30.0 13.86
    5 35.0 14.97
    6 40.0 16.00
    7 45.0 16.27
    8 50.0 17.89
    9 60.0 19.60
    10 70.0 20.17
    11 80.0 22.63
    12 90.0 24.00
    13 100.0 25.30
    14 125.0 27.29
    15 150.0 26.99
    16 175.0 29.47
    17 200.0 30.78
    18 225.0 31.95
    19 > 250.0 32.5
    下载: 导出CSV 
    | 显示表格

    同时,车辆在不同坡度条件下行驶车速特征存在其特征规律,利用数据文件中的高程、速度、时间等字段为每个时间帧计算坡度值。

    首先记录起始点,并利用2相邻时间点的实际速度值求取平均速度,再乘以2点时间差算得移动距离,判断该距离是否大于车长,如不大于则加上后续点的移动距离,反复判断过程,直到大于车长跳出判断,并记录当前点高程为前高程,起始点高程为后高程,利用如下公式计算坡度slope

    $$ slope\_initial = \frac{{temp\_rear\_alt - temp\_front\_alt}}{{0.1 \times vehicle\_length \times g}} $$ (4)
    $$ slope = \tan({\mathrm{asin}}(slope\_initail)) \times 100 $$ (5)

    其中,$ temp\_front\_alt $为车辆前高程;temp_rear_alt为后高程;$ vehicle\_length $为车长;g为重力加速度。算法整体结构如图4所示。由此可以求出不同下坡坡度的行驶速度,见表3,求出每个时间点的坡度值后,按照区间分割策略,统计矿卡在不同坡度区间的数据分布,再根据其计算对应的速度分布值,完成基于坡度区间的速度分布统计,如图5所示。

    图  4  坡度区间计算技术流程
    Figure  4.  Slope interval calculation technical flowchart
    表  3  位置点不同的下坡坡度下的平均速度(重载情况)
    Table  3.  Average speed at different downhill slopes at location points (heavy load conditions)
    序号 下坡坡度/% 行驶速度/(km·h‒1)
    1 1.00 26.75
    2 1.50 26.05
    3 2.00 25.56
    4 2.50 20.56
    5 3.00 23.78
    6 3.33 28.23
    7 3.50 25.57
    8 4.00 27.23
    9 4.50 28.22
    10 5.00 27.08
    11 5.50 24.96
    12 6.00 27.83
    13 6.50 28.65
    14 7.00 28.08
    15 7.50 31.82
    16 8.00 30.46
    17 8.50 30.50
    18 9.00 32.72
    下载: 导出CSV 
    | 显示表格
    图  5  人工驾驶速度分布特征
    Figure  5.  Manual driving speed distribution characteristic map

    由此可以看出,当同时考虑当前道路的曲率和坡度这2个影响因素后,可以由此拟合出当前矿卡的速度分布。通过收集南露天煤矿道路信息,绘制出了南露天煤矿的有人矿卡车速分布图热力图。这对后续指导露天矿矿卡动态调度模型的开发具有重要的意义。

    选取2022年7月1日南露天煤矿全部矿卡的车载传感器和某气象传感器的全部实时数据。车载传感器按照1 s/次的频率记录车辆行驶途中的状态信息,气象传感器按照20 s/次的频率记录当前地区的气象信息。

    由于车载传感器数据的记录频率和气象传感器数据的记录频率不同,需要对数据进行重构,抽取相同时间的车载传感器和气象传感器特征,重新建立数据集[14-17]

    输入输出特征见表4,输入特征包括:设备号、风速、降雨量、气温、湿度、降雪量、经度、纬度、方向角、GPS状态1、GPS状态2、卫星数、高程、当前时间。输出特征为车速。

    表  4  输入输出特征
    Table  4.  Input and output characteristics
    输入
    设备号ID
    风速WindRate
    降雨量RainVolum
    气温Temp
    湿度SD
    降雪量SnowVolum
    经度Longitude
    纬度Latitude
    方向角Direction
    GPS状态1GPS1
    GPS状态2GPS2
    卫星数Star
    高程Elevation
    当前时间Time_Float
    输出
    车速Speed
    下载: 导出CSV 
    | 显示表格

    将生成的数据集按照8∶2的比例进行划分,选择80%的数据作为训练集,20%的数据作为测试集。训练集共包括565 066条数据,测试集共包括141 267条数据。

    随机森林是一种集成学习方法,通过组合多个决策树构建了一个鲁棒性强、高性能的分类和回归模型[18]。随机森林的核心思想是构建多个决策树,然后通过投票或平均值来融合这些决策树的结果,以提高模型的准确性和鲁棒性。每个决策树都是在不同的数据子集上训练的,这是通过自助采样(Bootstrap Sampling)实现的。此外,每次分裂决策树时,只考虑特征集的一个子集,这有助于减小决策树之间的相关性。该算法的优点如下[19]

    1)随机森林在各种数据类型和任务中表现出色,包括分类、回归、特征选择等。

    2)具有强大的泛化性能,不易过拟合。

    3)能够处理大规模数据集,对缺失值和异常值具有鲁棒性。

    4)提供了特征重要性评估,有助于解释模型的预测。

    随机森林算法的参数十分重要,影响着最后算法的效果。以下是随机森林算法的部分重要参数:

    1) 树的数量 (n_estimators): 这是随机森林中树的数量。

    2) 树的深度 (max_depth): 树的最大深度控制了树的复杂度。

    3) 最小叶节点样本数 (min_samples_leaf): 这个参数规定了每个叶节点上的最小样本数。

    4)特征子集大小 (max_features): 随机森林在每次分裂时随机选择特征的子集,以增加树之间的差异性。

    5)最小分裂样本数 (min_samples_split): 这个参数规定了每个内部节点上的最小样本数,用于触发节点的分裂。

    6) 附加参数: 随机森林还有一些其他参数,如criterion(分裂标准)、bootstrap(是否采用Bootstrap采样)、oob_score(是否计算袋外误差)等,可以根据具体问题进行调整。

    在进行参数调整时,一种常用的方法是使用网格搜索(Grid Search)或随机搜索(Random Search),通过尝试不同的参数组合来找到性能最佳的配置。同时,使用交叉验证来评估不同参数设置下模型的性能,以避免过度拟合。最终,根据交叉验证的结果选择最佳参数组合,以建立性能出色的随机森林模型。笔者选择网格搜索算法来进行最优参数的搜索。用训练集训练基于随机森林模型的预测模型,利用得到的模型对预测测试集,最后分析评价测试集的预测结果。

    XGBoost算法,以其卓越的性能和鲁棒性而著称,是一种梯度提升树算法的改进版本,具有出色的泛化性能,广泛应用于分类、回归、排序、特征选择等任务。XGBoost的核心思想是通过迭代地训练弱学习器,构建一个强大的模型,以最小化损失函数[20]。具体来说,XGBoost采用梯度提升方法,通过在每次迭代中拟合负梯度的估计来改进模型。该算法结合了CART(分类与回归树)和正则化技术,以减少过拟合风险。该算法的优点如下[21]

    1)高性能:XGBoost在大规模数据集上表现出色,具有快速的训练速度和预测速度。

    2)强大的泛化性能:XGBoost在各种任务中都有出色的泛化性能,不易过拟合。

    3)特征选择:XGBoost能够提供特征的重要性评估,有助于特征选择和解释模型。

    XGBoost有多个参数,可以通过调整来优化模型性能。一些关键的参数包括学习率(learning rate)、树的数量、树的深度、正则化项、最小子样本数等。参数调整可以通过网格搜索、随机搜索或贝叶斯优化等方法来完成,以找到最佳参数组合。

    用训练集训练基于XGBOOST模型的预测模型,利用得到的模型对预测测试集,最后分析评价测试集的预测结果[22]

    基于上述方法在python上进行速度预测模型建模,模型的评价指标对比见表5,车速预测结果见表6,车速真实值与预测值的结果对比如图6所示。

    表  5  实验评价指标结果对比
    Table  5.  Comparison of experimental evaluation index results
    MSERMSEMAER2
    随机森林1.826 701.351 550.551 960.987 80
    XGBOOST12.291 43.505 910.917 9700.917 970
    下载: 导出CSV 
    | 显示表格

    表5可以看出,基于随机森林的预测模型露天矿山有人矿卡车速预测结果均方误差为1.826 7,决定系数为0.987 80。而基于XGBOOST模型的行程时间预测结果均方误差为12.291 4,决定系数为0.917 97;从表6图6可以看出,相较于XGBoost算法,随机森林的速度预测值更接近真实速度,由此可以得出基于随机森林模型的车速预测好于基于XGBOOST模型的预测的结果。

    表  6  实验结果对比
    Table  6.  Comparison of experimental results
    真实速度/
    (km·h‒1)
    随机森林速度预测值/
    (km·h‒1)
    XGBoost速度预测值/
    (km·h‒1)
    29.46 29.374 6 27.334 871
    0 0 0.332 302 06
    20.48 20.493 3 21.027 088
    31.18 30.299 2 29.553 146
    0 0 0.0485 826 73
    0.79 2.425 8 20.8419 04
    19.59 19.085 7 19.613 817
    0 0 1.710 842 3
    25.09 27.606 1 21.975 08
    0 0 1.399 853 3
    0 0 0.0922 189 2
    下载: 导出CSV 
    | 显示表格
    图  6  速度真实值与预测值的结果对比
    Figure  6.  Comparison of results of true velocity value andpredicted value

    通过算法对矿卡速度进行预测在露天矿山中具有重要意义。首先矿卡速度的准确预测可以帮助调度系统更精确地估计矿卡到达时间和离开时间。这有助于更好地协调矿卡的装载、卸载和行驶路线,减少等待时间和资源浪费。其次,速度预测有助于减少矿卡之间的交通拥堵,最大程度地减少排队时间。这对于提高生产效率和减少运营成本至关重要。然后,调度系统可以根据矿卡速度的预测进行更智能的决策,例如,将速度较快的矿卡分配给紧急任务,以提高生产效率。此外,矿卡速度的预测有助于预测潜在的危险情况,如超速行驶,提前采取措施来提高安全性,减少事故风险。最后,准确的速度预测可以为实时决策提供支持,使矿山运营者能够更好地应对不断变化的情况。

    基于机器学习的露天矿卡速度预测在调度系统的应用是一项有前景的技术,可以帮助煤矿和采矿行业优化矿卡的使用和调度,提高生产效率、降低成本,并增加工作安全性。通过使用机器学习算法,可以基于历史数据和实时信息来预测每辆矿卡的瞬时速度,从而求解出到达时间。这有助于调度系统更准确地安排矿卡的装载和卸载任务,减少等待时间和资源浪费。机器学习可以分析多个变量,如矿卡的位置、负载、速度等,以确定最佳的装载和卸载时间和地点。这有助于降低空载行驶、提高装载效率,减少等待和排队时间。通过机器学习模型,可以更好地分配资源,确保矿卡和设备的有效使用。这包括最佳的矿卡配置、维修计划和人员分配。可以提供实时的数据分析和决策支持,使矿山运营者能够更好地应对不断变化的情况。

  • 图  1   20101工作面平面布置

    Figure  1.   Layout plan of No.20101 Working Face

    图  2   A剖面岩层赋存特征

    Figure  2.   Characteristics of rock stratum in section A

    图  3   B剖面岩层赋存特征

    Figure  3.   Characteristics of rock stratum in section B

    图  4   低位厚层基本顶破断诱发矿震

    Figure  4.   Mine earthquake induced by initial fracture of low thick layer main roof

    图  5   高位厚硬顶板破断诱发的矿震

    Figure  5.   Mine earthquake induced by high thick roof fracture

    图  6   3-1103工作面布置

    Figure  6.   No.3-1103 working face layout

    图  7   11-3102工作面布置示意

    Figure  7.   No.11-3102 Working Face layout

    图  8   厚硬顶板的岩心

    Figure  8.   Core of thick and hard roof

    图  9   顶板岩石脆性系数分布

    Figure  9.   Diagram of distribution of roof rock brittleness coefficient

    图  10   顶板岩石脆性含量分布

    Figure  10.   Diagram of brittle content distribution of roof rock

    图  11   煤岩层柱状

    Figure  11.   Histogram of coal seam and rock stratum

    图  12   离散元二维数值模型

    Figure  12.   Two-dimensional discrete element numerical model

    图  13   地面压裂效果模拟结果

    Figure  13.   Simulation results of ground fracturing effect

    图  14   地面压裂矿震预控机理示意

    Figure  14.   Schematic of ground fracturing pre control mechanism of mine tremor

    图  15   DHZ-01L井的井场位置

    Figure  15.   Location map of well DHZ-01L

    图  16   工作面回采期间微震事件监测

    Figure  16.   Schematic of ground fracturing pre control mechanism of mine tremor

    表  1   18-13钻孔顶板岩层分布

    Table  1   Distribution of roof strata in borehole 18-13

    序号埋深/m厚度/m岩性
    1608.0035.63粉砂岩
    2672.3764.37细粒砂岩
    5683.6311.26中砾岩
    6699.3515.72粉砂岩
    7706.407.053-1
    8720.9514.55粉砂岩
    下载: 导出CSV

    表  2   H062钻孔顶板岩层分布

    Table  2   Distribution of roof strata in borehole H062

    序号埋深/m厚度/m岩性
    1593.984.81粉砂岩
    2622.9028.92中粒砂岩
    3653.9031.00粗粒砂岩
    4655.641.74粉砂岩
    5657.141.502-2
    6657.950.81泥岩
    7663.525.57粉砂岩
    8679.8016.28细粒砂岩
    9686.907.10中粒砂岩
    10692.685.78粉砂岩
    11697.785.103-1
    12705.627.84粉砂岩
    下载: 导出CSV
  • [1] 齐庆新,李一哲,赵善坤,等. 我国煤矿冲击地压发展70年: 理论与技术体系的建立与思考[J]. 煤炭科学技术,2019,47(9):1−40.

    QI Qingxin,LI Yizhe,ZHAO Shankun,et al. Seventy years development of coal mine rockburst in China: establishment and consideration of theory and technology system[J]. Coal Science and Technology,2019,47(9):1−40.

    [2] 潘一山,贾宝新,王 帅,等. 矿震震波传播规律的三维模型及其应用[J]. 煤炭学报,2012,37(11):1810−1814.

    PAN Yishan,JIA Baoxin,WANG Shuai,et al. Three-dimension of model and its application mines seismic wave propagation[J]. Journal of China Coal Society,2012,37(11):1810−1814.

    [3] 姜福兴,张 翔,朱斯陶. 煤矿冲击地压防治体系中的关键问题探讨[J]. 煤炭科学技术,2023,51(1):203−213.

    JIANG Fuxing,ZHANG Xiang,ZHU Sitao. Discussion on key problems in prevention and control system of coal mine rock burst[J]. Coal Science and Technology,2023,51(1):203−213.

    [4] 徐 刚,张春会,张 震,等. 综放工作面顶板灾害类型和发生机制及防治技术[J]. 煤炭科学技术,2023,51(2):44−57.

    XU Gang,ZHANG Chunhui,ZHANG Zhen,et al. Types, occurrence mechanisms, and prevention techniques of roof disasters in fully-mechanized top coal caving face[J]. Coal Science and Technology,2023,51(2):44−57.

    [5] 窦林名,曹晋荣,曹安业,等. 煤矿矿震类型及震动波传播规律研究[J]. 煤炭科学技术,2021,49(6):23−31.

    DOU Linming,CAO Jinrong,CAO Anye,et al. Research on types of coal mine tremor and propagation law of shock waves[J]. Coal Science and Technology,2021,49(6):23−31.

    [6] 高明仕,徐 东,贺永亮,等. 厚硬顶板覆岩冲击矿震影响的远近场效应研究[J]. 采矿与安全工程学报,2022,39(2):215−226.

    GAO Mingshi,XU Dong,HE Yongliang,et al. Investigation on the near-far field effect of rock burst subject to the breakage of thick and hard overburden[J]. Journal of Mining & Safety Engineering,2022,39(2):215−226.

    [7] 翟明华,姜福兴,朱斯陶,等. 巨厚坚硬岩层下基于防冲的开采设计研究与应用[J]. 煤炭学报,2019,44(6):1707−1715.

    ZHAI Minghua,JIANG Fuxing,ZHU Sitao,et al. Research and application of mining design based on prevention of rock burst under giant thickness hard strata[J]. Journal of China Coal Society,2019,44(6):1707−1715.

    [8] 尚晓光,朱斯陶,姜福兴,等. 地面直井水压致裂防控巨厚硬岩运动型矿震试验研究[J]. 煤炭学报,2021,46(S2):639−650.

    SHANG Xiaoguang,ZHU Sitao,JIANG Fuxing,et al. Experimental study on the prevention and control of mine earthquake by high pressure water fracturing of huge thick strata in vertical shaft[J]. Journal of China Coal Society,2021,46(S2):639−650.

    [9] 于 斌,高 瑞,夏彬伟,等. 大空间坚硬顶板地面压裂技术与应用[J]. 煤炭学报,2021,46(3):800−811.

    YU Bin,GAO Rui,XIA Binwei,et al. Engineering practice on the hard roofs control in large space by ground fracturing technology[J]. Journal of China Coal Society,2021,46(3):800−811.

    [10] 王元杰,徐 刚,陈法兵,等. 深部厚硬岩层压裂控制冲击弱化机理及可压裂性评价[J]. 采矿与岩层控制工程学报,2022,4(2):023027.

    WANG Yuanjie,XU Gang,CHEN Fabing,et al. Mining pressure weakening mechanism by ground fracturing and fracturing evaluation of hard rock strata[J]. Journal of Mining and Strata Control Engineering,2022,4(2):023027.

    [11] 曹安业,窦林名,白贤栖,等. 我国煤矿矿震发生机理及治理现状与难题[J]. 煤炭学报,2023,48(5):1894−1918. doi: 10.13225/j.cnki.jccs.2023.0278

    CAO Anye,DOU Linming,BAI Xianqi,et al. State-of-the-art occurrence mechanism and hazard control of mining tremors and their challenges in chinese coal mines[J]. Journal of China Coal Society,2023,48(5):1894−1918. doi: 10.13225/j.cnki.jccs.2023.0278

    [12] 白贤栖,曹安业,杨 耀,等. 高位巨厚覆岩运移规律及矿震触发机制研究[J]. 煤炭科学技术,2023,51(3):10−20.

    BAI Xianqi,CAO Anye,YANG Yao,et al. Study on movement law of extremely thick strata and triggering mechanism of mine earthquakes[J]. Coal Science and Technology,2023,51(3):10−20.

    [13] 郭文豪,曹安业,温颖远,等. 鄂尔多斯矿区典型厚顶宽煤柱采场冲击地压机理[J]. 采矿与安全工程学报,2021,38(4):720−729.

    GUO Wenhao,CAO Anye,WEN Yingyuan,et al. Mechanism of rockburst in stopes with typical thick roof and wide coal pillars in Ordos mining area[J]. Journal of Mining & Safety Engineering,2021,38(4):720−729.

    [14] 王 平,姜福兴,冯增强,等. 高位厚硬顶板断裂与矿震预测的关系探讨[J]. 岩土工程学报,2011,33(4):618−622.

    WANG Ping,JIANG Fuxing,FENG Zengqiang,et al. Relationship between fracture of high-position thick and hard roof and mine quake forecast[J]. Chinese Journal of Geotechnical Engineering,2011,33(4):618−622.

    [15] 张 全,邹俊鹏,吴坤波,等. 深部采煤上覆关键层破断诱发矿震特征研究[J]. 岩石力学与工程学报,2023,42(5):1150−1161.

    ZHANG Quan,ZOU Junpeng,WU Kunbo,et al. Study on the characteristics of mine earthquakes induced by key strata breaking during deep mining[J]. Chinese Journal of Rock Mechanics and Engineering,2023,42(5):1150−1161.

    [16] 冯龙飞,窦林名,王晓东,等. 回采速度对坚硬顶板运动释放能量的影响机制[J]. 煤炭学报,2019,44(11):3329−3339.

    FENG Longfei,DOU Linming,WANG Xiaodong,et al. Mechanism of mining advance speed on energy release from hard roof movement[J]. Journal of China Coal Society,2019,44(11):3329−3339.

    [17] 张 明,姜福兴,李克庆,等. 基于厚硬关键层破断的地面震动损害边界研究[J]. 中国矿业大学学报,2017,46(3):514−520, 536.

    ZHANG Ming,JIANG Fuxing,LI Keqing,et al. A study of surface seismic damage boundary based on the break and movement of extremely thick key stratum[J]. Journal of China University of Mining & Technology,2017,46(3):514−520, 536.

    [18] 赵志鹏,闫瑞兵,丛俊余. 坚硬顶板超前深孔预裂爆破类型及效果评价分析[J]. 煤炭科学技术,2023,51(3):68−76. doi: 10.13199/j.cnki.cst.2021-0097

    ZHAO Zhipeng,YAN Ruibing,CONG Junyu. Advanced deep hole pre-splitting blasting of hard roof type and effect evaluation analysis[J]. Coal Science and Technology,2023,51(3):68−76. doi: 10.13199/j.cnki.cst.2021-0097

    [19] 曹怀轩,谢华东,杨 欢,等. 东滩矿弱化低位关键层治理矿震技术研究[J]. 煤炭工程,2021,53(4):71−75.

    CAO Huaixuan,XIE Huadong,YANG Huan,et al. Mine earthquake control through weakening the low key stratum in Dongtan Coal Mine[J]. Coal Engineering,2021,53(4):71−75.

    [20] 尚立涛,张燕明,王业晗,等. 致密油气储层综合可压裂性解释方法在鄂尔多斯盆地的应用[J]. 石油地质与工程,2021,35(4):38−42.

    SHANG Litao,ZHANG Yanming,WANG Yehan,et al. Application of comprehensive fracturing interpretation method of tight oil and gas reservoir in Ordos basin[J]. Petroleum Geology and Engineering,2021,35(4):38−42.

    [21] 王成旺,甄怀宾,陈高杰,等. 大宁−吉县区块深部8号煤储层特征及可压裂性评价[J]. 中国煤炭地质,2022,34(2):1−5.

    WANG Chengwang,ZHEN Huaibin,CHEN Gaojie,et al. Assessment of coal No. 8 reservoir features and fracturability in Da'ning-Jixian Block deep part[J]. Coal Geology of China,2022,34(2):1−5.

    [22] 赵 宁,司马立强,刘志远,等. 基于地层条件下力学试验的致密砂岩可压裂性评价[J]. 测井技术,2022,46(2):127−134.

    ZHAO Ning,SIMA Liqiang,LIU Zhiyuan,et al. Fracturing evaluation of tight sandstone based on rock mechanical experiment under formation conditions[J]. Well Logging Thecnology,2022,46(2):127−134.

    [23] 曾治平,刘 震,马 骥,等. 深层致密砂岩储层可压裂性评价新方法[J]. 地质力学学报,2019,25(2):223−232.

    ZENG Zhiping,LIU Zhen,MA Ji,et al. A new method for fracrability evaluation in deep and tight sandstone reservoirs[J]. Journal of Geomechanics,2019,25(2):223−232.

    [24] 赵金洲,许文俊,李勇明,等. 页岩气储层可压性评价新方法[J]. 天然气地球科学,2015,26(6):1165−1172.

    ZHAO Jinzhou,XU Wenjun,LI Yongming,et al. A new method for fracability evaluation of shale-gas reservoirs[J]. Natural Gas Geoscience,2015,26(6):1165−1172.

    [25] 王小军,梁利喜,赵 龙,等. 准噶尔盆地吉木萨尔凹陷芦草沟组含油页岩岩石力学特性及可压裂性评价[J]. 石油与天然气地质,2019,40(3):661−668.

    WANG Xiaojun,LIANG Lixi,ZHAO Long,et al. Rock mechanics and fracability evaluation of the Lucaogou Formation oil shales in Jimusaer sag, Junggar Basin[J]. Oil & Gas Geology,2019,40(3):661−668.

    [26] 潘俊锋, 毛德兵. 冲击地压启动理论与成套技术[M]. 徐州: 中国矿业大学出版社, 2016.
    [27] 徐 刚,黄志增,范志忠,等. 工作面顶板灾害类型、监测与防治技术体系[J]. 煤炭科学技术,2021,49(2):1−11.

    XU Gang,HUANG Zhizeng,FAN Zhizhong,et al. Types, monitoring, and prevention technology system of roof disasters in mining face[J]. Coal Science and Technology,2021,49(2):1−11.

    [28] 朱斯陶,刘金海,姜福兴,等. 我国煤矿顶板运动型矿震及诱发灾害分类、预测与防控[J]. 煤炭学报,2022,47(2):807−816.

    ZHU Sitao,LIU Jinhai,JIANG Fuxing,et al. Classification, prediction, prevention and control of roof movement-type mine earthquakes and induced disasters in China’s coal mines[J]. Journal of China Coal Society,2022,47(2):807−816.

    [29] 张 明. 厚硬岩层矿井矿震与冲击复合动力灾害防控研究[D]. 北京: 北京科技大学, 2017.

    ZHANG Ming. Study on prevention and control of complex dynamic disasters of mine quake and rock burst under hard-thick strata [D]. Beijing: University of Science and Technology Beijing, 2017.

    [30] 钱鸣高, 缪协兴, 许家林, 等. 岩层控制的关键层理论[M]. 徐州: 中国矿业大学出版社, 2003.
    [31] 张 寅, 赵 毅, 李 皓, 等. 鄂尔多斯深部矿区冲击地压防治思考[J]. 煤炭科技 2021, 42(2): 24−29.

    ZHANG Yin, ZHAO Yi, LI Hao, et al. Exploration on characteristics of rock bust in deep mining area of Ordos and its prevention[J]. Coal Science & Technology Magazine, 2021, 42(2): 24−29.

图(16)  /  表(2)
计量
  • 文章访问数:  224
  • HTML全文浏览量:  45
  • PDF下载量:  125
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-07-10
  • 网络出版日期:  2023-11-05
  • 刊出日期:  2023-11-29

目录

/

返回文章
返回