Study on failure characteristics of coal sample under different unloading stress paths
-
摘要: 现有对煤样破坏特征的研究存在力学参数测试较单一、应力加载方向局限性较大等问题，在反演真实地质情况下数值模拟效果存在偏差，并且对煤岩动力灾害和冲击倾向性判定是基于现场实验进行的宏观研究，对于真三轴不同卸荷应力路径下煤样的破坏特性机理研究较少。针对上述问题，以陕西彬长胡家河煤矿工程地质为研究背景，利用高频振动采集及孔内成像三轴动静载实验系统设计了3种不同卸荷应力路径下煤样真三轴实验，对煤样破坏特征、峰值强度特性、声发射响应特征和分形规律进行研究。结果表明：① 3种不同卸荷应力路径下煤样破坏模式均为拉−剪复合破坏，煤样宏观裂纹的起裂破坏大多发生在强度相对较低的煤样中；各煤样均为轴向应力不断增加，各水平应力在逐渐降低的过程中为煤样提供了拉应力，导致不同卸荷应力路径下煤样各表面破坏形态显著不同。② 3种不同卸荷应力路径下，峰值破坏阶段的应力存在明显差异，标准差达4.35 MPa，占峰值强度平均值的29.25%，当应力载荷超出3种应力路径峰值强度平均值14.87 MPa时，煤样均发生破坏。③ 在高静载作用下，煤样初始受载后孔隙压密，内部结构较均匀，无裂隙扩展使得在初始阶段损伤变量为0；在损伤稳定发展阶段，煤样内部孔隙达到极限状态发生破裂形成微裂隙，损伤变量为0.04~0.17；在加载过程中微裂隙迅速发育、扩展并汇集成裂隙网，煤样出现宏观破坏，煤样承载能力迅速下降，在损伤加速发展阶段损伤变量呈先急剧增加后平稳的趋势，最大损伤变量达1.0。当煤样受力失稳发生拉−剪破坏后，声发射能量出现突增现象；当声发射能量与损伤变量曲线交汇时煤样开始破裂，声发射能量与煤样破坏具有良好的耦合性。④ 在不同卸荷应力路径下，煤样分形维数越大，破碎程度越高。Abstract: The existing research on the failure characteristics of coal samples has some problems, such as single mechanical parameter test and large limitation of stress loading direction. The numerical simulation effect has deviation in the inversion of real geological conditions, and the determination of coal and rock dynamic disaster and bursting liability is based on the macro-research of field experiments. There are few studies on the failure mechanism of coal samples under different unloading stress paths in true triaxial. In order to solve the above problems, taking the engineering geology of Hujiahe Coal Mine in Binchang, Shaanxi Province as the research background, the true triaxial test of coal samples under three different unloading stress paths is designed by using the triaxial dynamic and static load test system of high-frequency vibration acquisition and borehole imaging. And the failure characteristics, peak strength characteristics, acoustic emission response characteristics and fractal law of coal samples are studied. ① The results show that the failure modes of coal samples under three different unloading stress paths are tensile-shear composite failure, and the initiation failure of macro-cracks mostly occurs in the coal samples with relatively low strength. The axial stress of each coal sample increases continuously, and each horizontal stress provides tensile stress in the process of gradually decreasing, resulting in significantly different surface failure forms of coal samples under different unloading stress paths. ② There are obvious differences in the stress of the three different unloading stress paths at the peak failure stage, and the standard deviation reaches 4.35 MPa, accounting for 29.25% of the average peak strength. When the stress load exceeds the average peak strength of the three stress paths by 14.87 MPa, the coal samples are damaged. ③ Under the action of high static load, the pores of the coal samples are compacted after initial loading. The internal structure is relatively uniform, and no fracture expands. The damage variable value is 0 in the initial stage. In the stable development stage of damage, the internal pores of the coal samples reach the limit state and break to form micro-fracture, and the damage variable value is 0.04-0.17. During the loading process, the micro-fracture develop rapidly, expand and converge into the fracture network, and the coal sample is macroscopically damaged. The bearing capacity of the coal sample decreases rapidly, the damage variable value increases sharply first and then stabilizes, and the maximum damage variable value reaches 1.0 in the stage of accelerated damage development. The acoustic emission(AE) energy value increases suddenly when the coal sample is damaged by stress instability and tensile-shear failure. When the AE energy intersects with the damage variable curve, the coal sample begins to break, and the AE energy has a good coupling with the coal sample failure. ④ Under different unloading stress paths, the larger the fractal dimension of coal sample, the higher the degree of fragmentation.
-
0. 引言
瓦斯是煤矿生产的关键致灾因素之一，与瓦斯窒息、瓦斯燃烧、瓦斯爆炸、煤与瓦斯突出等事故息息相关。瓦斯浓度是一种随时间变化的高动态、非线性时间序列数据，并受煤层赋存、采煤工艺、抽采工艺、风流等多种因素影响[1]，充分挖掘瓦斯浓度的时序性规律，实现瓦斯浓度精确、高效预测，对于预防瓦斯事故、保障煤矿安全生产具有重要意义。国内外学者最先采用统计学方法开展瓦斯浓度预测，如支持向量机[2-5]、自回归积分滑动平均模型[6-7]等，这类预测模型结构较简单，难以挖掘具有高度非线性的瓦斯浓度时序数据中隐含的相关特性。随着人工智能技术的不断发展，国内外学者将适用于大数据分析的深度学习方法应用到瓦斯浓度预测中，如循环神经网络（Recurrent Neural Network，RNN）模型[8]、基于长短期记忆 （Long Short-Term Memory，LSTM）网络的预测模型[9-12]、基于门控循环单元（Gated Recurrent Unit，GRU）的预测模型[13-14]等。这些研究方法极大地提高了瓦斯浓度预测精度，但尚未取得令人满意的结果，原因在于部分模型易发生过拟合现象，预测精度和效率受限。针对该问题，学者们采用蝗虫算法[15]、遗传算法[16]、鲸鱼算法[17]等优化深度学习模型对瓦斯浓度预测模型进行改进，在一定程度上改善了预测效果。
麻雀搜索算法（Sparrow Search Algorithm，SSA）是根据麻雀觅食并躲避捕食者的行为而提出的群智能优化算法，由于添加了侦察预警行为，其收敛速度很快。SSA在温度预测、IGBT时间序列预测等方面的应用取得了良好的预测效果[18-20]。基于此，本文首先对比测试了SSA与灰狼优化 （Grey Wolf Optimization，GWO） 算法、粒子群优化（Particle Swarm Optimization，PSO）算法的性能差异，然后利用SSA优化LSTM网络，提出一种基于SSA−LSTM的瓦斯浓度预测模型，采用实测数据进行了预测验证。
1. 基于SSA−LSTM的瓦斯浓度预测模型
1.1 LSTM网络模型
LSTM网络是RNN的一种特殊实现，其主要改进了RNN中的隐藏层，在隐藏层中增加了3个门控制单元控制自循环，解决了RNN不能捕获长期依赖关系的问题。LSTM网络结构如图1所示。
1） 遗忘门使用Sigmoid激活函数将上一时刻的记忆细胞与当前t时刻的输入转化为0～1的数值，0表示丢弃所有信息，1表示保留所有信息。该数值决定多少信息被保留。遗忘门ft计算公式为
$$ \mathop f\nolimits_t = \sigma \left( {\mathop {\boldsymbol{W}}\nolimits_{\mathrm{f}} \left[ {\mathop h\nolimits_{t - 1} ,\mathop x\nolimits_t } \right] + \mathop {\boldsymbol{b}}\nolimits_{\mathrm{f}} } \right) $$ (1) 式中：σ为Sigmoid函数；$ {{\boldsymbol{W}}}_{\mathrm{f}} $为遗忘门的权重矩阵；$ h $t−1为输出神经元；$ x $t为当前时刻的输入神经元；$ {{\boldsymbol{b}}}_{\mathrm{f}} $为遗忘门偏置项。
2） 输入门有2个部分：第1部分是Sigmoid层，决定了更新记忆细胞的状态；第2部分是tanh层，创建1个新的候选记忆细胞状态。输入门It计算公式为
$$ \mathop I\nolimits_t = \sigma \left( {\mathop {\boldsymbol{W}}\nolimits_{\mathrm{I}} \left[ {\mathop h\nolimits_{t - 1} ,\mathop x\nolimits_t } \right] + \mathop {\boldsymbol{b}}\nolimits_{\mathrm{I}} } \right) $$ (2) $$ \mathop {\widetilde C}\nolimits_t = \tanh \left( {\mathop {\boldsymbol{W}}\nolimits_{\mathrm{c}} \left[ {\mathop h\nolimits_{t - 1} ,\mathop x\nolimits_t } \right] + \mathop {\boldsymbol{b}}\nolimits_{\mathrm{c}} } \right) $$ (3) $$ \mathop C\nolimits_t = \mathop f\nolimits_t \mathop C\nolimits_{t - 1} + \mathop I\nolimits_t \mathop {\widetilde C}\nolimits_t $$ (4) 式中：WI为输入门权重矩阵；bI，bc分别为输入门与细胞状态的偏置项；$ {{\widetilde C}_{t}} $为备选更新信息；$ \mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h} $为激活函数；$ {{\boldsymbol{W}}}_{{\mathrm{c}}} $ 为记忆细胞权重矩阵；$ {C}_{t}\mathrm{为} $记忆细胞状态。
3） 输出门决定单元状态输出值。先利用Sigmoid层确定哪部分被输出，再通过tanh处理并将其与Sigmoid函数的输出相乘。输出门Ot计算公式为
$$ \mathop O\nolimits_t = \sigma \left( {\mathop {\boldsymbol{W}}\nolimits_{0} \left[ {\mathop h\nolimits_{t - 1} ,\mathop x\nolimits_t } \right] + \mathop {\boldsymbol{b}}\nolimits_{0} } \right) $$ (5) $$ \mathop h\nolimits_t = \mathop O\nolimits_t \tanh \left {\mathop C\nolimits_t } \right $$ (6) 式中：$ {{\boldsymbol{W}}}_{0} $为输出门权重矩阵；$ {{\boldsymbol{b}}}_{0} $为输出门偏置项。
1.2 SSA及性能测试
SSA是一种模拟自然界麻雀群体觅食和寻找最佳栖息地的群智能优化算法，麻雀作为算法的主角，其只有1项属性：位置，即表示其所寻觅食物的所在方位。对于每个麻雀个体，其可能存在以下3种状态：① 充当发现者，带领种群寻觅食物。② 作为追随者，追随发现者觅食。③ 作为警戒者，具备警戒机制，发现危险，放弃觅食。
发现者位置计算公式为
$$ {\boldsymbol{X}}_{j+1}^{i d}=\left\{\begin{array}{*{20}{l}} X_j^{i d} \exp \left(\dfrac{-i}{\alpha T}\right) & R_2 < S \\ X_j^{i d}+\varGamma {\boldsymbol{L}} & R_2 \geqslant S \end{array}\right. $$ (7) 式中：$ {{\boldsymbol{X}}}_{j}^{id} $为种群中第$ j $代第$ i $只麻雀在第$ d $维的位置；$ \alpha $为（0,1]的随机数；$ T $为最大迭代次数； $ {R}_{2} $，$ S $分别为预警值和安全阈值，$ {R}_{2} $∈[0,1]， $ S $∈[0.5,1]；$ \varGamma $为服从标准正态分布的随机数;$ {\boldsymbol{L}} $为1×d的矩阵，矩阵内元素均为1。
当$ {R}_{2} \geqslant S $时，部分麻雀发现捕食者，并向其他麻雀发出警告；当$ {R}_{2} < S $时，表示当前环境周围没有捕食者，可继续扩大搜索范围。
追随者位置计算公式为
$$ {{X}}_{j+1}^{id}=\left\{\begin{array}{l}\varGamma \mathrm{exp}\left(\dfrac{{X^{d}_{{\mathrm{w}}j}}-{{X}}_{j}^{id}}{{{ i}}^{2}}\right)\quad i > \dfrac{n}{2}\\ {X^{d}_{{\mathrm{p}}(j+1)}}+\left|{{X}}_{j+1}^{d}-{X^{d}_{{\mathrm{p}}(j+1)}}\right|{{ {\boldsymbol{A}}}}^+ {\boldsymbol{L}}\quad 其他\end{array}\right. $$ (8) 式中：$ X^{d}_{wj} $为第$ j $次迭代时麻雀在第$ d $维的最劣位置；n为种群大小；$ {\boldsymbol{X}}^{d}_{{\mathrm{p}}({j+1})} $为第$ j+1 $次迭代时麻雀在第d维的最优位置；$ {{\boldsymbol{A}}}^{+} $为1×d的矩阵，矩阵内元素随机赋值为1或−1。
当$ \text{}i > n/2 $时，表明该追求者没有获得食物，存活率较低，需飞往其他区域觅食来获取足够能量。
警戒者位置计算公式为
$${\boldsymbol{X}}^{id}_{j+1}=\left\{\begin{array}{l} {X^{d}_{{\mathrm{b}}j}}+\beta\left(X_j^{i d}-{X^{d}_{{\mathrm{b}}j}}\right)\quad F_i \neq F_{\mathrm{g}} \\ X_j^{i d}+{\boldsymbol{K}}\left(\dfrac{X_j^{i d}-{X^{d}_{{\mathrm{b}}j}}}{\left|F_i-F_{\mathrm{w}}\right|+\delta}\right)\quad F_i=F_{\mathrm{g}} \end{array} .\right. $$ (9) 式中：$ {\boldsymbol{X}}^{d}_{{\mathrm{b}}j} $为当前全局最优位置；$ \beta $为步长控制参数；$ {F}_{i} $为第$ i $只麻雀的适应度；$ {F}_{{\mathrm{g}}} $和$ {F}_{{\mathrm{w}}} $分别为麻雀种群当前最优和最差适应度；K为麻雀移动方向，其值为[−1,1]的随机数；$ \delta $为接近0的常数。
当 $ {F}_{i} $>$ {F}_{{\mathrm{g}}} $时，表示麻雀处于群体活动的边缘地带，易受到袭击；当$ {F}_{i} $=$ {F}_{{\mathrm{g}}} $时，表示麻雀已经感知到危险，需尽快向其他麻雀靠拢，以减少被捕食的风险。
采用CEC2005函数集中的Quartic，Generalized，Kowalik's函数对SSA进行性能测试，种群规模为30，最大迭代次数为500。采用GWO，PSO算法对比验证SSA在收敛速度、搜索精度及适应能力等方面的优势。适应度曲线对比如图2所示。可看出，在测试函数Quartic、Kowalik's中，3种优化算法最终都能够收敛，其中SSA的收敛速度最快，GWO次之，PSO最慢；在Generalized函数中，仍是SSA的收敛速度最快，可看到SSA在寻优精度和收敛速度方面均优于GWO和PSO，证明了SSA的高效性、稳定性。
1.3 SSA−LSTM瓦斯浓度预测模型
采用SSA算法改进LSTM网络模型，构建瓦斯浓度预测模型，其流程如图3所示。
![]()
图 3 基于SSA−LSTM的瓦斯浓度预测模型Figure 3. Gas concentration prediction model based on sparrow search algorithm(SSA)−LSTM1） 在数据预处理中，为解决由传感器造成的数据缺失、异常波动等情况，先采用均值法对缺失数据进行插值，再采用小波变换对异常波动数据进行降噪处理，最后对得到的数据集进行归一化处理。归一化公式为
$$ Y'_t = \frac{{\mathop Y\nolimits_t - \min \left Y \right}}{{\max \left Y \right - \min \left Y \right}} $$ (10) 式中：$ Y'_t $为归一化后瓦斯浓度数据；$ {Y}_{t} $为归一化前瓦斯浓度数据；$ Y $为单个瓦斯浓度数据；min Y，max Y分别为样本数据中的最小值、最大值。
2） 构建基于LSTM网络模型的基础框架，采用均方误差（Mean Squared Error，MSE）作为模型预测评价指标，MSE越小，模型预测的准确度越高。MSE计算公式为
$$ {\mathrm{MSE}} = \frac{1}{N}\sum\limits_{m = 1}^N {{{\left( {Z\left( m \right) - {\hat Z}\left( m \right)} \right)}^2}} $$ (11) 式中：N为测试集中的样本个数；$ Z\left(m\right) $为测试集的真实值；$ {\hat Z}\left(m\right) $为预测值。
3） 初始化SSA中的种群数量、最大迭代次数等相关参数，然后利用SSA的自适应性依次对LSTM网络超参数进行寻优，直到满足条件，输出最佳超参数组合。
4） 将得到的最佳超参数组合代入LSTM网络模型中，完成最终预测并输出预测结果。
2. 模型参数寻优
2.1 实测数据及处理
实测数据来自同煤大唐塔山煤矿综放工作面瓦斯日常监测数据，该矿主采石炭系3−5号煤层，平均煤厚为15.8 m，平均倾角为5°左右，煤层瓦斯含量为1.6～1.97 m3/t，设计生产能力为15 Mt/a，采用一井一面生产方式。工作面走向长度为2 500 m左右，倾斜长度为240 m左右，采用U型通风，最大通风量为3 500 m3/min，平均瓦斯涌出量为36.75 m3/min，呈典型的“低赋存，高涌出”的状况。该工作面瓦斯涌出主要以采空区为主，占总涌出量的82%左右，采用顶板专用巷治理邻近层和采空区瓦斯，回风巷瓦斯体积分数可控制在0.4%以下。瓦斯浓度数据每分钟采集记录1次，共获取12 000条数据。为提高预测精度，对原始数据集进行预处理。
由于实测数据容易受到复杂的井下环境影响，数据集存在异常及缺失现象，并包含一定噪声，所以需要对数据集进行预处理。由于瓦斯浓度作为时序数据在时间上有天然连续性，且一般情况下数据较平稳，故采集的瓦斯浓度时序数集中缺失和异常数据较少，于是利用缺失数据与异常数据前后间隔30 min数据的平均值进行替换。
原始数据集中的噪声会降低预测的准确性，为保证数据的平滑性，采用小波阈值进行降噪处理，主要步骤如下。
1） 选取sym8小波基、5层分解层对瓦斯浓度数据进行分解[21-23]，对含噪信号进行相应层分解，然后对瓦斯浓度数据进行小波变换，将原始数据集转换为小波域，利用分解信号将其分解为不同频率的子信号。
2） 选取合适阈值，保留信号的信息并去除噪声。阈值的选取对降噪质量有很大影响，若阈值过小，则去噪效果不理想；若阈值过大，容易导致信号失真。目前使用最多的是固定阈值：
$$ \lambda = s\sqrt {2\ln a} $$ (12) $$ s = \frac{{{\mathrm{median}}\left(\left| {\mathop B\nolimits_{J,k} } \right|\right)}}{{0.674\;5}} $$ (13) 式中：$ s $为含噪信号中噪声的方差；$ a $为信号的采样长度；median（·）为中值函数；$ {B}_{J,k} $为小波系数，J，k为分解层数。
3） 对小波系数进行阈值处理，根据选取的阈值类型和大小，将小于阈值的系数置零。
4） 通过逆小波变换将处理过的小波系数转换回时域，得到最终降噪后的瓦斯浓度时间序列数据。预处理前后的数据对比如图4所示。
2.2 SSA参数确定
将构建好的LSTM网络基本框架输入到SSA中，SSA最小搜索维度为5，最大搜索维度为8；麻雀种群数量为6，最大迭代次数为8，优化参数个数为3；将MSE作为适应度函数F的值。寻优结果SSA搜索维度为6；麻雀种群数量为5，最大迭代次数为3；利用SSA自适应性觅食行为找到的最优位置为[0.008 9，27，0.047 9]。
2.3 LSTM网络模型超参数寻优
根据经验值确定初始超参数，选取MSE作为损失函数评价值，利用Matlab软件得到不同算法优化后LSTM网络模型的训练损失曲线，如图5所示。可看出在迭代100次时所有曲线都已接近平稳，所以接下来调整超参数时将模型训练的迭代次数设置为100。
选取模型的均方根误差（Root Mean Squared Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）作为评价指标，分析不同学习率、隐藏层节点个数、正则化参数对模型预测效果的影响。
$$ {\mathrm{MAE}} = \frac{1}{N}\sum\limits_{m = 1}^N {\left| {{\hat Z}\left( m \right) - Z\left( m \right)} \right|} $$ (14) $$ {\mathrm{RMSE}} = \sqrt {\frac{1}{N}\sum\limits_{m = 1}^N {{{\left( {Z\left( m \right) - {\hat Z}\left( m \right)} \right)}^2}} } $$ (15) 1） 学习率控制了权重更新的步长，学习率的取值一般控制在0.001～0.1。学习率取值过小，会导致模型过拟合；学习率取值过大，会使损失函数震荡不收敛。学习率对模型预测效果的影响如图6所示。
![]()
图 6 学习率对模型预测效果的影响Figure 6. The influence of learning rate on model prediction performance2） 隐藏层节点个数决定了LSTM网络模型的复杂度和表达能力。节点数过少，会导致无法满足训练要求；节点数过多，会使得模型结构过于复杂，导致训练时间过长。通过SSA搜索最佳的隐藏层节点个数，来提高模型的预测准确性。隐藏层节点个数对模型预测效果的影响如图7所示。
![]()
图 7 隐藏层节点个数对模型预测效果的影响Figure 7. The influence of the number of hidden layer nodes on model prediction performance3）正则化参数可降低LSTM网络模型的复杂度，提高模型的泛化能力，防止出现过拟合现象。正则化参数对模型预测效果的影响如图8所示。
![]()
图 8 正则化参数对模型预测效果的影响Figure 8. The influence of regularization parameters on model prediction performance最终确定LSTM网络模型的超参数组合见表1。
表 1 不同预测模型超参数选择Table 1. Selection of hyperparameters for different prediction models模型 学习率 隐藏层节点个数 正则化参数 SSA−LSTM 0.06 40 0.038 3 PSO−LSTM 0.03 60 0.051 2 GWO−LSTM 0.05 80 0.041 6 3. 预测结果分析
3.1 SSA−LSTM模型预测结果
将预处理后的瓦斯浓度数据集根据常用的划分原则，按8∶2的比例划分为训练集和测试集。同时，把利用SSA寻优得到的最佳超参数组合输入到LSTM网络预测模型中，对未来采煤工作面的瓦斯浓度进行预测。为了验证采用SSA对传统LSTM网络模型超参数优化后预测精确度的提升，将传统LSTM网络模型预测结果和SSA−LSTM模型预测结果进行对比分析，结果如图9所示。
由图9可知，经SSA优化后的LSTM网络模型预测精度有很大提高，数据的拟合效果也较好，与传统的LSTM网络预测模型相比，RMSE减小了77.8%，MAE减小了83.9%，证明了基于SSA−LSTM的瓦斯浓度预测模型在提高预测精度方面的有效性。利用SSA算法对LSTM网络模型超参寻优避免了模型易陷入数据过拟合的弊端，提高了模型预测性能。
![]()
图 9 LSTM网络和SSA−LSTM预测结果对比Figure 9. Comparison of prediction results between LSTM network and SSA−LSTM3.2 不同模型预测结果对比分析
为了验证本文所提瓦斯浓度预测模型的高效性，同时避免预测模型的单一性及片面性，采用PSO−LSTM、GWO−LSTM与SSA−LSTM模型的预测结果进行对比分析，各模型预测结果对比如图10（a）所示。将测试集中波动较大的部分数据点（样本序号为1 600$ — $2 400）的预测结果局部放大，可更加清晰地展示各模型预测性能差异，如图10（b）所示。
从图10可以看出，SSA−LSTM模型预测效果最佳，预测值更加接近真实值。GWO−LSTM模型次之，接下来是PSO−LSTM，进一步验证了SSA优化LSTM网络的瓦斯浓度预测模型具有更高的预测准确性、稳定性。
采用RMSE、MAE、运行时间、$ {R}^{2} $对PSO−LSTM、GWO−LSTM、SSA−LSTM模型的预测性能进行对比，结果见表2。由表2可知，SSA−LSTM模型的RMSE较PSO−LSTM，GWO−LSTM模型分别减少了58.9%，69.7%；SSA−LSTM模型的MAE较PSO−LSTM，GWO−LSTM模型分别减少了37.8%，70%；综合$ {R}^{2} $、运行时间等评价指标来看，SSA−LSTM模型的预测精度最高，运行时间相对较短，取得了良好的预测效果。
表 2 不同模型预测结果评价Table 2. Evaluation of prediction results of different models模型 MAE RMSE $ {R}^{2} $ 运行时间/s LSTM 0.011 35 0.011 7 0.577 6 45 PSO−LSTM 0.002 93 0.004 8 0.908 9 50 SSA−LSTM 0.001 82 0.002 6 0.962 5 47 GWO−LSTM 0.006 15 0.008 6 0.780 3 49 4. 结论
1） 采用3种不同的测试函数对SSA进行了性能测试，同时与PSO算法和GWO算法进行了对比，结果验证了SSA在寻优精度、收敛速度和适应能力等方面的优势。
2） 针对高度动态和非线性瓦斯浓度预测问题，本文提出一种利用SSA对LSTM网络结构超参数进行优化的方法，该方法避免了预测模型陷入局部最优情况。相较于传统LSTM网络模型，SSA−LSTM模型预测精度更高，预测效果更好。
3） 对比LSTM，PSO−LSTM，GWO−LSTM与SSA−LSTM模型的预测性能，得出SSA−LSTM模型的预测效果最好，与其他模型相比，RMSE减少了58.9%$ ～ $77.8%，MAE减少了37.8$ ～ $83.9%。SSA−LSTM模型相较于其他预测模型拥有更高的预测精度，可为煤矿瓦斯灾害防治提供有效决策支持。
-
![]()
图 2 高频振动采集及孔内成像三轴动静载实验系统
Figure 2. Triaxial dynamic and static load experimental system of high-frequency vibration acquisition and borehole imaging
![]()
图 7 高静载作用下不同卸荷应力路径煤样变形破坏特征
Figure 7. Deformation and damage characteristics of coal samples in different unloading stress paths under high static load
![]()
图 8 不同卸荷应力路径下煤样应力峰值强度
Figure 8. Stress peak strength of coal samples at different unloading stress paths
![]()
图 9 不同卸荷应力路径下煤样受载声发射能量和损伤变量
Figure 9. AE energy and damage variables of coal samples loaded under different unloading stress paths
![]()
图 10 第1组不同路径下煤样碎屑lg (MLeq/M)和lg Leq拟合曲线
Figure 10. lg (MLeq/M) and lg Leq fitted curves of coal samples debris of the first samples under different paths
![]()
图 12 第3组不同路径下煤样碎屑lg(MLeq/M)和lg Leq拟合曲线
Figure 12. lg (MLeq/M) and lg Leq fitted curves of coal samples debris of the third group under different paths
![]()
图 11 第2组不同路径下煤样碎屑lg(MLeq/M)和lg Leq拟合曲线
Figure 11. lg (MLeq/M) and lg Leq fitted curves of coal samples debris of the second group under different paths
表 1 煤样力学参数
Table 1 Mechanical parameters of coal samples
抗压强度/MPa 抗拉强度/MPa 弹性模量/GPa 泊松比 17 2.13 0.81 0.02 
下载: 导出CSV
表 3 各煤样块体区间碎屑累计质量百分比及分形维数
Table 3 Acumulative debris mass percentage and fractal dimension in each block interval of the coal samples
组别
路径各煤样块体区间碎屑累计质量百分比/% 分形维数 25~30 mm 13~25 mm 6~13 mm 3~6 mm 2~3 mm 1~2 mm 0.25~1 mm
第1组1 91.202 55.029 38.099 25.321 23.138 17.701 11.216 1.47 2 86.338 52.908 31.536 18.498 17.317 14.241 10.943 1.59 3 98.674 81.591 37.910 25.546 24.298 21.295 18.916 1.48
第2组1 96.697 59.899 46.707 34.336 31.033 22.091 13.108 1.36 2 99.954 64.733 33.627 20.356 19.428 13.813 8.631 1.50 3 95.923 81.411 52.670 33.225 30.901 23.522 20.342 1.38
第3组1 99.869 65.955 39.720 23.287 20.810 14.887 8.321 1.45 2 99.485 73.011 33.658 22.839 18.975 17.373 14.053 1.54 3 78.328 62.716 41.811 31.147 28.769 24.434 19.179 1.44
下载: 导出CSV
-
[1] 李海涛,齐庆新,赵善坤,等. 煤矿动力灾害广义“三因素”机理探讨[J]. 煤炭科学技术,2021,49(6):42-52. LI Haitao,QI Qingxin,ZHAO Shankun,et al. Discussion on generalized "three factors" mechanism of coal mine dynamic disaster[J]. Coal Science and Technology,2021,49(6):42-52.
[2] 胡国忠,王春博,许家林,等. 微波辐射降低硬煤冲击倾向性实验研究[J]. 煤炭学报,2021,46(2):450-465. HU Guozhong,WANG Chunbo,XU Jialin,et al. Experimental investigation on decreasing burst tendency of hard coal using microwave irradiation[J]. Journal of China Coal Society,2021,46(2):450-465.
[3] 齐庆新,李宏艳,邓志刚,等. 我国冲击地压理论、技术与标准体系研究[J]. 煤矿开采,2017,22(1):1-5,26. QI Qingxin,LI Hongyan,DENG Zhigang,et al. Studying of standard system and theory and technology of rock burst in domestic[J]. Coal Mining,2017,22(1):1-5,26.
[4] 窦凤金,屠世浩,吴其. 巨厚煤层应力集中诱发冲击矿压的作用机理[J]. 煤炭工程,2009,41(7):75-78. DOI: 10.3969/j.issn.1671-0959.2009.07.031 DOU Fengjin,TU Shihao,WU Qi. Stress concentration role mechanism of ultra thick seam to cause pressure bumping[J]. Coal Engineering,2009,41(7):75-78. DOI: 10.3969/j.issn.1671-0959.2009.07.031
[5] 刘广建. 裂缝煤岩力学特性与冲击失稳宏细观机制研究[D]. 徐州: 中国矿业大学, 2018. LIU Guangjian. Mechanical properties of cracked coal-rock mass and its macro and meso mechnism of rockburst[D]. Xuzhou: China University of Mining and Technology, 2018.
[6] 齐庆新,赵善坤,李海涛,等. 我国煤矿冲击地压防治的几个关键问题[J]. 煤矿安全,2020,51(10):135-143. QI Qingxin,ZHAO Shankun,LI Haitao,et al. Several key problems of coal bump prevention and control in China's coal mines[J]. Safety in Coal Mines,2020,51(10):135-143.
[7] KAISER P K,TANG Chunan. Numerical simulation of damage accumulation and seismic energy release during brittle rock failure-part II:rib pillar collapse[J]. International Journal of Rock Mechanics Mining Science,1998,35(2):123-134. DOI: 10.1016/S0148-9062(97)00010-7
[8] 杨磊. 不同冲击倾向性煤体声发射能量特征与时空演化规律研究[J]. 采矿与安全工程学报,2020,37(3):525-532. YANG Lei. Acoustic emission energy characteristics and time-space evolution law of coal with different rockburst tendency[J]. Journal of Mining and Safety Engineering,2020,37(3):525-532.
[9] 李勋达. 煤岩煤样破坏过程中声发射实验及其冲击倾向性研究[D]. 徐州: 中国矿业大学, 2020. LI Xunda. Study on acoustic emission test and impact tendency in the failure process of coal rock sample [D]. Xuzhou: China University of Mining and Technology, 2020.
[10] 崔峰,贾冲,来兴平,等. 近距离强冲击倾向性煤层上行开采覆岩结构演化特征及其稳定性研究[J]. 岩石力学与工程学报,2020,39(3):507-521. CUI Feng,JIA Chong,LAI Xingping,et al. Study on the evolution characteristics and stability of overburden structure in upward mining of short distance coal seams with strong burst tendency[J]. Chinese Journal of Rock Mechanics and Engineering,2020,39(3):507-521.
[11] 左建平,谢和平,孟冰冰,等. 煤岩组合体分级加卸载特性的实验研究[J]. 岩土力学,2011,32( 5):1287-1296. DOI: 10.3969/j.issn.1000-7598.2011.05.002 ZUO Jianping,XIE Heping,MENG Bingbing,et al. Experimental research on loading-unloading behavior of coal-rock combination bodies at different stress levels[J]. Rock and Soil Mechanics,2011,32( 5):1287-1296. DOI: 10.3969/j.issn.1000-7598.2011.05.002
[12] 左建平,陈岩,崔凡. 不同煤岩组合体力学特性差异及冲击倾向性分析[J]. 中国矿业大学学报,2018,47(1):81-87. ZUO Jianping,CHEN Yan,CUI Fan. Investigation on mechanical properties and rock burst tendency of different coal-rock combined bodies[J]. Journal of China University of Mining and Technology,2018,47(1):81-87.
[13] 杨磊,高富强,王晓卿,等. 煤岩组合体的能量演化规律与破坏机制[J]. 煤炭学报,2019,44(12):3894-3902. YANG Lei,GAO Fuqiang,WANG Xiaoqing,et al. Energy evolution law and failure mechanism of coal-rock combined specimen[J]. Journal of China Coal Society,2019,44(12):3894-3902.
[14] 潘一山,代连朋,李国臻,等. 煤矿冲击地压与冒顶复合灾害研究[J]. 煤炭学报,2021,46(1):112-122. PAN Yishan,DAI Lianpeng,LI Guozhen,et al. Study on compound disaster of rock burst and roof falling in coal mines[J]. Journal of China Coal Society,2021,46(1):112-122.
[15] DOU Linming,MU Zonglong,LI Zhenlei,et al. Research progress of monitoring,forecasting,and prevention of rock burst in underground coal mining in China[J]. International Coal Science and Technology,2014,1(3):278-288. DOI: 10.1007/s40789-014-0044-z
[16] 齐庆新,李晓璐,赵善坤. 煤矿冲击地压应力控制理论与实践[J]. 煤炭科学技术,2013,41(6):1-5. QI Qingxin,LI Xiaolu,ZHAO Shankun. Theory and practices on stress control of mine pressure bumping[J]. Coal Science and Technology,2013,41(6):1-5.
[17] 王向宇,周宏伟,钟江城,等. 三轴循环加卸载下深部煤体损伤的能量演化和渗透特性研究[J]. 岩石力学与工程学报,2018,37(12):2676-2684. WANG Xiangyu,ZHOU Hongwei,ZHONG Jiangcheng,et al. Study on energy evolution and permeability characteristics of deep coal damage under triaxial cyclic loading and unloading conditions[J]. Chinese Journal of Rock Mechanics and Engineering,2018,37(12):2676-2684.
[18] 姜耀东,赵毅鑫,何满潮. 冲击地压机制的细观研究[J]. 岩石力学与工程学报,2007,26(5):902-907. JIANG Yaodong,ZHAO Yixin,HE Manchao. Investigation on mechanism of coal mine bumps based on mesoscopic experiments[J]. Chinese Journal of Rock Mechanics and Engineering,2007,26(5):902-907.
计量
- 文章访问数: 215
- HTML全文浏览量: 81
- PDF下载量: 31
