Research on intelligent design of coal mine roadway support scheme
-
摘要: 目前煤矿巷道支护方案设计仍以人工设计、工程类比、FLAC模型模拟为主，存在主观性强、普适性低、未充分利用煤矿支护大数据等问题，而基于专家系统的设计方法规则设定程序繁琐，工程量大，智能化程度较低。将案例推理（CBR）和深度学习技术引入巷道支护方案设计领域，基于煤矿支护规程、支护规范及煤矿巷道地质报告等文本大数据，提出了一种煤矿巷道支护方案智能设计方法。获取346份不同煤矿的巷道支护资料，抽取结构化数据并划分为输入、输出参数，通过常属性变量滤波和高相关性滤波方法对输入、输出参数进行优化。建立CBR模型，并将抽取的结构化数据导入CBR模型，形成支护方案比选案例库，计算新的巷道支护方案与历史方案的相似度，输出相似度最高的3条历史方案进行对比，实现相似案例比选。分别采用BP神经网络和基于长短期记忆（LSTM）网络建立煤矿巷道支护方案自动生成模型，通过对比预测指标，确定采用基于LSTM模型与CBR模型结合，建立煤矿巷道支护方案智能设计系统。将该系统用于不连沟煤矿掘进F6226工作面辅运巷支护方案设计，通过试验验证了系统生成方案下巷道两帮变形量和顶板最大位移均小于人工设计方案，巷道顶板及两帮完整性较好，围岩承载能力增强，支护效果明显。Abstract: Currently, the design of coal mine roadway support schemes is still mainly based on manual design, engineering analogy, and FLAC model simulation, which has problems such as strong subjectivity, low universality, and insufficient utilization of coal mine support big data. The design method based on expert systems has cumbersome rule setting procedures, large engineering quantities, and low intelligence. Case based reasoning (CBR) and deep learning techniques are introduced into the field of roadway support scheme design. Based on text big data such as coal mine support regulations, support standards, and coal mine roadway geological reports, an intelligent design method for coal mine roadway support scheme is proposed. The method obtains 346 sets of roadway support data from different coal mines, extracts structured data and divides it into input and output parameters, and optimizes the input and output parameters through constant attribute variable filtering and high correlation filtering methods. The method establishes a CBR model and imports the extracted structured data into the CBR model to form a case library of support scheme comparison and selection. The method calculates the similarity between the new roadway support scheme and the historical scheme, and outputs the three historical schemes with the highest similarity for comparison, achieving similar case comparison. BP neural network and long short term memory (LSTM) network are respectively used to establish automatic generation models for coal mine roadway support schemes. By comparing the prediction indicators, it is determined to use the combination of LSTM model and CBR model to establish an intelligent design system for coal mine roadway support scheme. The system is used for the design of auxiliary transportation roadway support scheme in the F6226 working face of Buliangou Coal Mine excavation. Through experiments, it is verified that the deformation of the two sides of the roadway and the maximum displacement of the roof under the system generated scheme are smaller than those under the manual design scheme. The integrity of the roadway roof and two sides is good, the bearing capacity of the surrounding rock is enhanced, and the support effect is significant.
-
0. 引言
随着我国煤矿开采深度不断增加，煤矿巷道支护难度倍增[1]。支护效率是影响煤矿巷道掘进速度的重要因素之一，合理的支护方案是巷道安全高效施工的重要保障[2]。
随着煤矿智能化建设不断推进，人工智能技术在矿井通信[3-4]、过程控制[5]、安全监测监控[6-7]、救援[8]、一体化能源系统等[9]领域广泛应用。但是在煤矿巷道支护方案设计领域，目前仍以人工设计、工程类比、FLAC模型模拟为主，如：张大明等[10]通过理论分析和数值模拟对薛虎沟煤矿2−106A2巷道围岩稳定性进行受力状态分析，据此对巷道进行补强支护，实现了工作面高效回采；Wang Yajun等[11]通过设计巷道变形力学模型，分析了深部煤矿开采过程中巷道和围岩的稳定性，根据分析结果优化支护方案；吕彪等[12]通过实验室试验和数值模拟，制定了适用于大变形巷道的锚固系统外固元让压装置设计准则，基于优化内固元参数辅以让压装置，优化设计了大变形巷道支护方案。现有方法存在主观性强、普适性低、未充分利用煤矿支护大数据等问题，无法适应当前煤炭行业智能化发展趋势。人工智能技术在煤矿巷道支护方案设计中的应用尚处于起步阶段。文献[13]采用专家系统设计了巷道支护方案，但其采用基于规则的推理方式，规则设定程序繁琐，工程量大，智能化程度较低。
本文基于煤矿支护规程、支护规范及煤矿巷道地质报告等文本大数据，引入CBR（Case-Based Reasoning，案例推理）技术进行案例智能比选，采用LSTM（Long Short Term Memory，长短期记忆）网络进行巷道支护方案自动生成，从而实现煤矿巷道支护方案智能设计。
1. 研究框架
煤矿巷道支护方案智能设计研究框架如图1所示。充分考虑影响煤矿巷道支护效果的因素，筛选与支护设计相关的参数并进行处理。基于处理后的参数，建立CBR模型对待支护巷道进行历史相似案例的比选推理。同时建立基于BP神经网络或LSTM网络的煤矿巷道支护方案自动生成模型，将处理后的参数作为模型的输入，对应巷道的支护方式和支护参数作为模型的输出，通过预测指标对比选择最优模型。综合CBR模型与巷道支护方案自动生成模型，建立煤矿巷道支护方案智能设计系统。
![]()
图 1 煤矿巷道支护方案智能设计研究框架Figure 1. Research framework for intelligent design of coal mine roadway support scheme2. 数据采集与处理
2.1 参数获取与分类
获取煤矿巷道支护资料是进行支护方案智能比选和自动生成的重要前提。煤矿巷道支护资料包括煤矿巷道支护相关规程、煤矿地质报告、采煤作业手册、工程设计图纸等，主要通过现场调研和文献分析获取。收集612份不同煤矿的巷道支护资料，其中内容较全的有效资料有346份，抽取其中的结构化数据。
根据煤矿巷道支护资料中包含的支护参数及领域专家意见，将巷道支护的影响因素分为开采、顶板、煤层、底板、巷道、地应力、地下水、支护参数8个类别，共35个参数作为CBR模型和支护方案自动生成模型的输入参数。将支护方式、锚杆参数等7类53个参数作为输出参数。
煤矿参数类型分为数值型和枚举型。针对枚举型参数，统一采用数值表示方法，如对于开采方法，用1—4分别表示炮采、普采、综采、综放。
2.2 参数优化
选取的部分参数间存在一定的耦合关系，易导致模型计算过程中发生过度拟合现象，且过多的参数给数据采集带来困难[14-15]。另外，参数过多会使支护方案自动生成模型复杂化，增加训练时间。对此，采用特征工程方法进行参数优化，步骤如下。
1） 常属性变量滤波。常属性变量即数值恒定不变的量[16]。进行代码运算时，在变量前加const，将其变成常属性变量。所选参数中有部分为常属性变量，如锚杆垫圈类型几乎全为球形垫圈、锚杆减摩垫圈类型几乎全为尼龙减磨垫圈、锚索垫圈类型几乎全为球形垫圈。常属性变量对支护方案比选和自动生成结果的影响较小，因此将其滤除。经过常属性变量滤波，保留81个参数，包含35个输入参数、46个输出参数。
2） 高相关性滤波。高度相关的参数具有相似的趋势并携带相似的信息，可能降低模型性能，通常需合并或删除。使用皮尔逊相关系数法计算各参数之间的相关性，以选择出相关性较高的参数[17]。
$$ {r}_{xy}=\frac{c(x,y)}{{\sigma }_{x}{\sigma }_{y}} $$ (1) 式中：$ {r}_{xy} $为任意2个参数x，y的皮尔逊相关系数；c(x, y)为x, y的协方差；$ \sigma_{x},\;\sigma $y分别为x, y的标准差。
利用SPSS（Statistical Package for the Social Sciences）分析软件计算各参数间的皮尔逊相关系数。受篇幅所限，皮尔逊相关系数分析只展示部分计算结果，如图2所示。$ \left|{r}_{xy}\right| $＜0.3表示相关性较弱，0.3≤$ \left|{r}_{xy}\right| $＜0.5表示相关性中等，0.5≤$ \left|{r}_{xy}\right| $＜0.8表示相关性较强，$ \left|{r}_{xy}\right| $≥0.8表示相关性很强[18]。对于具有显著相关性的2个参数，只需保留其中1个。经皮尔逊相关系数分析可知，巷道类型和服务年限之间的相关系数为0.86，埋藏深度和垂直应力之间的相关系数为0.91，断面面积和断面高度、断面宽度之间的相关系数分别为0.80和0.81，顶板、煤层、底板的弹性模量和抗压强度之间的相关系数分别为0.80，0.85，0.79，说明上述对应参数之间有显著相关关系。因此，将巷道类型、垂直应力、断面面积，以及顶板、煤层、底板的弹性模量这6个参数删除。
经过常属性变量滤波和高相关性滤波过滤掉恒定参数及高相关性参数后，确定输入参数为29个，输出参数为37个，见表1。
表 1 输入和输出参数优化结果Table 1. Optimization results of input and output parameters模型端口 参数类型 参数名称 输入端 开采 埋藏深度，开采方法，煤柱宽度，服务年限，层间距，围岩强度 顶板 直接顶厚度，基本顶厚度，抗压强度，泊松比，内摩擦角，直接顶初次垮落步距，直接顶厚度与采高比值 煤层 煤层厚度，煤层倾角，抗压强度，泊松比，内摩擦角 底板 直接底厚度，基本底厚度，抗压强度，泊松比，内摩擦角 巷道 断面形状，断面宽度，断面高度 地下水 正常涌水量 地应力 水平应力，垂直应力 输出端 支护方式 锚杆，锚索，网片，钢带，喷浆，钢棚 锚杆 锚杆类型，锚杆直径，锚杆长度，锚杆间距，锚杆排距，药卷类型，药卷数量，药卷直径，锚杆设计锚固力，锚杆预紧力，锚杆托盘类型，托盘规格 锚索 锚索类型，锚索直径，锚索长度，锚索间距，锚索排距，药卷类型，药卷数量，药卷直径，锚索设计锚固力，锚索预紧力，锚索托盘类型，托盘规格 网片 网片类型，铁丝直径，网孔大小，网片大小 钢带 钢带类型，钢带长度，钢带宽度，钢带厚度 喷浆 喷浆材料，喷浆厚度，喷浆浆体强度 钢棚 钢棚型号，钢棚间距 3. 基于CBR的相似案例比选
CBR能够依据历史支护经验快速检索到相似案例以解决新问题，且不断更新和完善数据库，从而提高数据库决策效率[19]。本文采用Java语言编写的myCBR软件建立CBR模型，并将从346份有效资料中抽取的结构化数据以.CSV格式导入CBR模型，形成支护方案比选案例库，实现巷道支护方案的相似案例比选。
CBR模型包含29个输入参数，设置参数类型和函数形式。采用层次分析法对输入参数权重进行分配。邀请5位专家对参数打分，通过构建判断矩阵对参数进行权重赋值，结果见表2。
表 2 输入参数权重赋值结果Table 2. Weight of input parameters输入参数 权重/% 输入参数 权重/% 埋藏深度 6.832 煤层抗压强度 4.899 开采方法 4.399 煤层泊松比 1.865 煤柱宽度 5.039 煤层内摩擦角 4.516 服务年限 3.502 直接底厚度 1.563 层间距 6.016 基本底厚度 1.397 围岩强度 3.724 底板抗压强度 2.070 直接顶厚度 4.269 底板泊松比 1.217 基本顶厚度 3.698 底板内摩擦角 2.289 顶板抗压强度 4.832 断面形状 3.310 顶板泊松比 2.267 断面宽度 3.942 顶板内摩擦角 4.309 断面高度 1.768 直接顶初次垮落步距 4.090 地下水情况 1.732 直接顶厚度与采高比值 4.965 水平应力 2.668 煤层厚度 4.082 垂直应力 2.312 煤层倾角 2.428 将各参数权重输入CBR模型，之后调用支护方案比选案例库，计算案例间的局部相似度。参数类型会对相似度计算产生直接影响，因此对不同类型的参数采用不同的局部相似度计算方法。对于数值型参数，局部相似度为
$$ S_k\left({{X}}_{0},{{X}}_{j}\right)=\frac{\max\;({A}_{0k},{A}_{jk})}{\min\;({A}_{0k},{A}_{jk})} $$ (2) 式中：$ S_k\left({{X}}_{0},{{X}}_{j}\right) $为新的巷道支护案例X0与第j个历史案例$ {{X}}_{j} $在第k个输入参数上的相似度；A0k，Ajk分别为新案例X0和第j个历史案例Xj的第k个输入参数值。
对于枚举型参数，若2个案例相同，则局部相似度取值为1，否则取值为 0，即
$$ S_k\left({{X}}_{0},{{X}}_{j}\right)=\left\{\begin{array}{c}1\quad {A}_{0k}={A}_{jk}\\ 0\quad {A}_{0k}\ne {A}_{jk}\end{array}\right. $$ (3) 完成案例间局部相似度计算后，根据输入参数权重计算案例间整体相似度：
$$ S\left({{X}}_{0},{{X}}_{j}\right)=\sum _{k=1}^{N}{w}_{k} {S}_k\left({{X}}_{0},{{X}}_{j}\right) $$ (4) 式中：N为输入参数个数；$ {{w}}_{k} $为第$ k $个输入参数的权重。
完成案例间相似度计算后，CBR模型输出支护方案比选案例库中与新支护方案相似度最高的3个方案。
4. 基于深度学习的巷道支护方案自动生成
4.1 模型构建
综合训练效率和准确率，采用具有2个LSTM层的堆叠式LSTM架构。每个LSTM层使用200个神经元。每个LSTM层之后加入Dropout层[20]，采用随机Dropout策略关闭部分神经元的传输，Dropout率设置为0.1。遗忘门、输入门、输出门的门控函数均使用Sigmoid函数，选择Tanh函数作为状态和输出的处理函数。设置优化器为Adam，学习率为0.005，学习率下降因子为0.2，迭代次数为200，批次大小为32。LSTM模型结构见表3。
表 3 LSTM模型结构Table 3. LSTM model structure层名称 输出大小 层类型 Input （30，1，1） 序列输入 Lstm_1 （200，1，1） LSTM dropout_1 （200，1，1） Dropout Lstm_2 （200，1，1） LSTM dropout_2 （200，1，1） Dropout fc_1 （50，1，1） 全连接 fc_2 （10，1，1） 全连接 Regression output （10，1，1） 回归输出 为保证网络简化和训练时间减少的情况下实现模型精度最大化，BP神经网络采用2层隐含层结构[21]。隐含层节点个数为
$$ {m}=\sqrt{n+l}+\alpha $$ (5) 式中：n，l分别为输入层和输出层节点个数；$ \mathrm{\alpha } $为经验值，通常取1～10之间的整数，本文取7。
经计算，BP神经网络的隐含层节点个数为13。经实验验证，设置第1层隐含层节点个数为8，第2层隐含层节点个数为5。同时，设置学习率为0.01，选代次数为1 000，误差为10−6。
4.2 实验结果
依据前文设置的模型参数，分别构建基于BP神经网络和LSTM的煤矿巷道支护方案自动生成模型。将346组输入参数随机划分为训练集和测试集，其中306份文本作为训练集、40份文本作为测试集。完成模型训练后，采用40组测试集数据进行测试。以支护方式、锚杆类型、锚杆直径、锚杆长度、锚杆间距、锚杆排距、锚索直径、锚索长度、锚索间距、锚索排距10个参数为例，预测结果如图3所示。可看出基于LSTM模型的预测准确率高于基于BP神经网络模型。
![]()
图 3 煤矿巷道支护方案自动生成模型预测结果Figure 3. Prediction results of automatic generation model of coal mine roadway support scheme采用拟合优度（R2）、平均绝对误差（Mean Absolute Error，MAE）及均方根误差（Root Mean Squared Error，RMSE）作为评价指标，R2越大、MAE和RMSE越小，说明模型预测效果越好[22]。2种模型评价指标对比见表4。可看出基于LSTM模型的$ {R}^{2} $为0.869 4，基于BP神经网络模型的$ {R}^{2} $为0.359 6，且基于LSTM模型的MAE和RMSE均小于基于BP神经网络模型，说明LSTM具有更优的预测能力，更适用于处理具有复杂非线性关系的数据。因此，选用LSTM构建煤矿巷道支护方案自动生成模型。
表 4 2种模型评价指标对比Table 4. Evaluation indexes of the two models模型 R2 MAE/% RMSE/% 基于BP神经网络 0.359 6 26.065 3 5.761 2 基于LSTM 0.869 4 1.565 4 2.638 9 5. 巷道支护方案智能设计系统设计
煤矿巷道支护方案智能设计系统主要包括信息抽取、知识库、智能设计和人机交互4大模块。信息抽取模块主要用于文本信息抽取、表格知识抽取和信息句知识抽取；知识库模块主要用于数据维护和存储；智能设计模块包含各种CBR算法和模型，是生成相似案例和支护方案的核心部分；人机交互模块用于展示系统界面。另外，系统还设置了管理模块，主要用于用户、权限和流程管理。系统运行流程如图4所示。
![]()
图 4 煤矿巷道支护方案智能设计系统运行流程Figure 4. Operation process of intelligent design system of coal mine roadway support scheme信息抽取模块将煤矿巷道支护规程等文本中的非结构化知识转换为结构化知识，需将优化参数（共66个输入、输出参数）的数值提取出来。知识库模块包含文本存储和数据存储：文本存储保存原始文本和信息句；数据存储用来存储提取后的结构化知识。知识库模块用来对数据进行检查和更新，有利于领域数据库由静态向动态转变，保证数据的完善性和准确性，如对新规程中支护方案的补充、已有规程的存储、维护和管理均由知识库模块完成。智能设计模块为系统核心，主要分为基于CBR的支护方案智能比选和基于深度学习的支护方案自动生成2个部分。该模块包括模型库和方案库，其中模型库用来调用智能生成和方案比选所需的模型，方案库用于输出最终方案。智能比选用于生成与目标方案最相似的3个历史案例，方案智能生成用于生成最优方案，与3个相似案例对比，以加深用户对设计方案的理解。人机交互模块将文本、表格和图片转换为机器可理解的语言，实现机器自动解析，并在数据输出时将计算机语言转换为人可理解的语言，便于用户更好地理解输出内容，提升可读性。系统界面如图5所示。
![]()
图 5 煤矿巷道支护方案智能设计系统界面Figure 5. Interface of intelligent design system of coal mine roadway support scheme6. 系统测试
内蒙古蒙泰不连沟煤业有限责任公司不连沟煤矿煤炭资源储量为97 113.5万t，总体构造为走向北北西、倾向南西西的单斜构造，地层产状平缓，其间发育宽缓的波状起伏，波幅小于20 m，起伏角一般小于5°。煤层瓦斯含量较低，瓦斯涌出量较小，无煤与瓦斯突出等动力现象，为低瓦斯矿井。矿区内岩石以碎屑沉积岩为主，层状结构，岩体各向异性；煤层顶底板岩石强度较低，以软弱岩石为主，半坚硬岩石次之，岩体质量以一般中等为主，较稳定。巷道围岩局部稳定性较差，开采过程中可能发生冒落、垮塌、底鼓等现象。该煤矿掘进F6226工作面辅运巷，布置在6号煤层内。煤层平均厚度为16.18 m，直接顶岩性为泥岩，基本顶为粗砂岩，煤柱宽度为100 m。巷道埋深为306.85 m，设计长度为1 863.6 m，断面宽度为5.5 m、高度为4 m。将矿方提供的相关参数输入煤矿巷道支护方案智能设计系统，得到支护方式为锚杆锚索网片支护，输出的3个相似案例和最优生成方案见表5。
表 5 F6226工作面辅运巷支护方案对比Table 5. Comparison of support scheme for auxiliary transportation roadway in F6226 working face支护体 参数名称 参数值 人工设计方案 相似案例1 相似案例2 相似案例3 系统生成方案 锚杆 锚杆类型 左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1锚杆直径/mm 18 18 18 18 18 锚杆长度/mm 2 400 2 400 2 400 2 400 2 400 锚杆间距/mm 1 000 1 000 1 000 850 1 000 锚杆排距/mm 1 000 1 100 1 100 900 1 100 药卷类型 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 药卷数量 2 2 2 2 2 药卷直径/mm 23 23 23 23 23 锚杆设计锚固力/kN 110 128 128 110 128 锚杆预紧力/（N·m） 200 250 200 200 200 锚杆托盘类型 蝶形 蝶形 蝶形 蝶形 蝶形 锚杆托盘规格/
（mm×mm×mm）150×150×10 150×150×10 150×150×10 150×150×10 150×150×10 锚索 锚索类型 钢绞线锚索 钢绞线锚索 钢绞线锚索 钢绞线锚索 钢绞线锚索 锚索直径/mm 17.8 17.8 17.8 21.8 17.8 锚索长度/mm 8 000 6 300 6 300 8 000 6 300 锚索间距/mm 1 000 2 000 1 800 1 700 1 800 锚索排距/mm 2 000 2 200 3 300 1 800 1 800 药杆类型 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 药卷数量 3 3 3 3 3 药卷直径/mm 23 23 23 23 23 锚索设计锚固力/kN 582 355 355 582 355 锚索预紧力/（N·m） 200 200 200 200 200 锚索托盘类型 蝶形 蝶形 蝶形 蝶形 蝶形 锚索托盘规格/
（mm×mm×mm）300×300×16 300×300×14 300×300×14 300×300×16 300×300×14 网片 网片类型 钢筋网 钢筋网 钢筋网 钢筋网 钢筋网 铁丝直径/mm 6.5 6.5 6.5 6.5 6.5 网孔大小/（mm×mm） 100×100 100×100 100×100 100×100 100×100 网片大小/（mm×mm） 5 500×1 200 5 500×1 200 5 500×1 200 5 500×1 200 5 500×1 200 对比人工设计方案和系统生成方案可看出，锚杆排距、锚杆设计锚固力、锚索长度、锚索间距、锚索排距、锚索设计锚固力和锚索托盘规格有细微差别，其他参数均相同。为验证方案的可行性和支护效果，在F6226工作面辅运巷分别进行人工设计方案和系统生成方案测试，对比2种方案下巷道顶板和两帮变形量。经测点观察，人工设计方案下两帮变形量为350 mm，顶板最大位移为150 mm，未发生顶板事故；系统生成方案下巷道两帮变形量为310 mm，顶板最大位移为126 mm，均小于人工设计方案，且巷道顶板及两帮完整性较好，锚索和网片受力稳定，围岩自身的承载能力增强，支护效果显著。此外，邀请5名煤矿技术人员对生成方案进行审核，一致表示自动生成方案合理可行。
7. 结论
1） 基于CBR技术对煤矿巷道支护方案进行历史相似案例的生成，可为现场技术人员提供更多的设计参考。
2） 与BP神经网络相比，基于LSTM构建煤矿巷道支护方案自动生成模型具有更高的预测准确性。
3） 基于CBR模型和煤矿巷道支护方案自动生成模型构建的支护方案智能设计系统充分利用煤矿巷道支护大数据，可生成科学、有效的支护方案，大大提高了设计过程的智能化水平和效率。该系统在不连沟煤矿的测试验证了其实用性和有效性，可帮助决策人员快速制定科学、有效的巷道支护方案。
-
![]()
图 1 煤矿巷道支护方案智能设计研究框架
Figure 1. Research framework for intelligent design of coal mine roadway support scheme
![]()
图 3 煤矿巷道支护方案自动生成模型预测结果
Figure 3. Prediction results of automatic generation model of coal mine roadway support scheme
![]()
图 4 煤矿巷道支护方案智能设计系统运行流程
Figure 4. Operation process of intelligent design system of coal mine roadway support scheme
![]()
图 5 煤矿巷道支护方案智能设计系统界面
Figure 5. Interface of intelligent design system of coal mine roadway support scheme
表 1 输入和输出参数优化结果
Table 1 Optimization results of input and output parameters
模型端口 参数类型 参数名称 输入端 开采 埋藏深度，开采方法，煤柱宽度，服务年限，层间距，围岩强度 顶板 直接顶厚度，基本顶厚度，抗压强度，泊松比，内摩擦角，直接顶初次垮落步距，直接顶厚度与采高比值 煤层 煤层厚度，煤层倾角，抗压强度，泊松比，内摩擦角 底板 直接底厚度，基本底厚度，抗压强度，泊松比，内摩擦角 巷道 断面形状，断面宽度，断面高度 地下水 正常涌水量 地应力 水平应力，垂直应力 输出端 支护方式 锚杆，锚索，网片，钢带，喷浆，钢棚 锚杆 锚杆类型，锚杆直径，锚杆长度，锚杆间距，锚杆排距，药卷类型，药卷数量，药卷直径，锚杆设计锚固力，锚杆预紧力，锚杆托盘类型，托盘规格 锚索 锚索类型，锚索直径，锚索长度，锚索间距，锚索排距，药卷类型，药卷数量，药卷直径，锚索设计锚固力，锚索预紧力，锚索托盘类型，托盘规格 网片 网片类型，铁丝直径，网孔大小，网片大小 钢带 钢带类型，钢带长度，钢带宽度，钢带厚度 喷浆 喷浆材料，喷浆厚度，喷浆浆体强度 钢棚 钢棚型号，钢棚间距 
下载: 导出CSV
表 2 输入参数权重赋值结果
Table 2 Weight of input parameters
输入参数 权重/% 输入参数 权重/% 埋藏深度 6.832 煤层抗压强度 4.899 开采方法 4.399 煤层泊松比 1.865 煤柱宽度 5.039 煤层内摩擦角 4.516 服务年限 3.502 直接底厚度 1.563 层间距 6.016 基本底厚度 1.397 围岩强度 3.724 底板抗压强度 2.070 直接顶厚度 4.269 底板泊松比 1.217 基本顶厚度 3.698 底板内摩擦角 2.289 顶板抗压强度 4.832 断面形状 3.310 顶板泊松比 2.267 断面宽度 3.942 顶板内摩擦角 4.309 断面高度 1.768 直接顶初次垮落步距 4.090 地下水情况 1.732 直接顶厚度与采高比值 4.965 水平应力 2.668 煤层厚度 4.082 垂直应力 2.312 煤层倾角 2.428
下载: 导出CSV
表 3 LSTM模型结构
Table 3 LSTM model structure
层名称 输出大小 层类型 Input （30，1，1） 序列输入 Lstm_1 （200，1，1） LSTM dropout_1 （200，1，1） Dropout Lstm_2 （200，1，1） LSTM dropout_2 （200，1，1） Dropout fc_1 （50，1，1） 全连接 fc_2 （10，1，1） 全连接 Regression output （10，1，1） 回归输出
下载: 导出CSV
表 4 2种模型评价指标对比
Table 4 Evaluation indexes of the two models
模型 R2 MAE/% RMSE/% 基于BP神经网络 0.359 6 26.065 3 5.761 2 基于LSTM 0.869 4 1.565 4 2.638 9
下载: 导出CSV
表 5 F6226工作面辅运巷支护方案对比
Table 5 Comparison of support scheme for auxiliary transportation roadway in F6226 working face
支护体 参数名称 参数值 人工设计方案 相似案例1 相似案例2 相似案例3 系统生成方案 锚杆 锚杆类型 左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1锚杆直径/mm 18 18 18 18 18 锚杆长度/mm 2 400 2 400 2 400 2 400 2 400 锚杆间距/mm 1 000 1 000 1 000 850 1 000 锚杆排距/mm 1 000 1 100 1 100 900 1 100 药卷类型 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 药卷数量 2 2 2 2 2 药卷直径/mm 23 23 23 23 23 锚杆设计锚固力/kN 110 128 128 110 128 锚杆预紧力/（N·m） 200 250 200 200 200 锚杆托盘类型 蝶形 蝶形 蝶形 蝶形 蝶形 锚杆托盘规格/
（mm×mm×mm）150×150×10 150×150×10 150×150×10 150×150×10 150×150×10 锚索 锚索类型 钢绞线锚索 钢绞线锚索 钢绞线锚索 钢绞线锚索 钢绞线锚索 锚索直径/mm 17.8 17.8 17.8 21.8 17.8 锚索长度/mm 8 000 6 300 6 300 8 000 6 300 锚索间距/mm 1 000 2 000 1 800 1 700 1 800 锚索排距/mm 2 000 2 200 3 300 1 800 1 800 药杆类型 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 药卷数量 3 3 3 3 3 药卷直径/mm 23 23 23 23 23 锚索设计锚固力/kN 582 355 355 582 355 锚索预紧力/（N·m） 200 200 200 200 200 锚索托盘类型 蝶形 蝶形 蝶形 蝶形 蝶形 锚索托盘规格/
（mm×mm×mm）300×300×16 300×300×14 300×300×14 300×300×16 300×300×14 网片 网片类型 钢筋网 钢筋网 钢筋网 钢筋网 钢筋网 铁丝直径/mm 6.5 6.5 6.5 6.5 6.5 网孔大小/（mm×mm） 100×100 100×100 100×100 100×100 100×100 网片大小/（mm×mm） 5 500×1 200 5 500×1 200 5 500×1 200 5 500×1 200 5 500×1 200
下载: 导出CSV
-
[1] 查文华,樊昊,刘新权,等. 新型拉力分散型锚杆支护参数优选数值模拟研究[J]. 煤矿安全,2023,54(9):105-111. ZHA Wenhua,FAN Hao,LIU Xinquan,et al. Numerical simulation study on optimization of supporting parameters of a new type of tension dispersed bolt[J]. Safety in Coal Mines,2023,54(9):105-111.
[2] 张夫净,王宏伟,王浩然,等. 煤矿巷道支护钢带锚孔智能识别与定位[J]. 工矿自动化,2022,48(10):76-81. ZHANG Fujing,WANG Hongwei,WANG Haoran,et al. Intelligent identification and positioning of steel belt anchor hole in coal mine roadway support[J]. Journal of Mine Automation,2022,48(10):76-81.
[3] 赵晓明. 基于5G网络的庞庞塔煤矿智能矿山建设[J]. 江西煤炭科技,2022(1):201-203. DOI: 10.3969/j.issn.1006-2572.2022.01.068 ZHAO Xiaoming. Intelligent mine construction of Pangpangta Coal Mine based on 5G network[J]. Jiangxi Coal Science & Technology,2022(1):201-203. DOI: 10.3969/j.issn.1006-2572.2022.01.068
[4] 史光亮,王瑞君,孔祥宇. 多网融合下的煤矿应急广播通信系统设计与应用[J]. 煤炭技术,2023,42(11):245-248. SHI Guangliang,WANG Ruijun,KONG Xiangyu. Design and application of coal mine emergency broadcast communication system under multi-network integration[J]. Coal Technology,2023,42(11):245-248.
[5] 赵振宇,张开加,董宇. 鑫岩煤矿井下煤矸分选与充填开采一体化系统设计[J]. 煤炭工程,2022,54(1):11-17. ZHAO Zhenyu,ZHANG Kaijia,DONG Yu. Integrated system design of coal and gangue separation and backfill mining in Xinyan Coal Mine[J]. Coal Engineering,2022,54(1):11-17.
[6] 程德强,寇旗旗,江鹤,等. 全矿井智能视频分析关键技术综述[J]. 工矿自动化,2023,49(11):1-21. CHENG Deqiang,KOU Qiqi,JIANG He,et al. Overview of key technologies for mine-wide intelligent video analysis[J]. Journal of Mine Automation,2023,49(11):1-21.
[7] XIA Tongqiang,LI Diao,LI Xiaolin,et al. A novel in-depth intelligent evaluation approach for the gas drainage effect from point monitoring to surface to volume[J]. Applied Energy,2024,353. DOI: 10.1016/J.APENERGY.2023.122147.
[8] 张力文,胡海峰. 基于Arduino的新型智能矿用搜救机器人设计[J]. 仪表技术,2022(3):19-22. ZHANG Liwen,HU Haifeng. A new intelligent mining search and rescue robot based on Arduino[J]. Instrumentation Technology,2022(3):19-22.
[9] WANG Yan,HU Hejuan,SUN Xiaoyan,et al. Unified operation optimization model of integrated coal mine energy systems and its solutions based on autonomous intelligence[J]. Applied Energy,2022,328. DOI: 10.1016/J.APENERGY.2022.120106.
[10] 张大明,孙贵洋,李刚. 双重采动影响下复采煤层巷道稳定性分析与维护方案设计[J]. 工程地质学报,2021,29(4):1028-1036. ZHANG Daming,SUN Guiyang,LI Gang. Support design of the stoping roadway in the re-mined coal seam under influence of dual mining[J]. Journal of Engineering Geology,2021,29(4):1028-1036.
[11] WANG Yajun,XU Tao,CHENG Tong. Deformation analysis of deep coal mining roadway and optimization design of bolt support scheme[J]. Fresenius Environmental Bulletin,2024,30(11):11894-11901.
[12] 吕彪,赵象卓,张铁松,等. 大变形巷道锚固系统让压装置设计与支护方案优化[J]. 采矿与岩层控制工程学报,2023,5(4):25-34. LYU Biao,ZHAO Xiangzhuo,ZHANG Tiesong,et al. Design of yielding device and optimization of support scheme of anchoring system in large deformation roadway[J]. Journal of Mining and Strata Control Engineering,2023,5(4):25-34.
[13] 杨仁树,马鑫民,李清,等. 煤矿巷道支护方案专家系统及应用研究[J]. 采矿与安全工程学报,2013,30(5):648-652. YANG Renshu,MA Xinmin,LI Qing,et al. Research on expert system of roadway supporting schemes for coal mine and its application[J]. Journal of Mining & Safety Engineering,2013,30(5):648-652.
[14] 赵军,高树国,何瑞东,等. 变压器油中乙炔门控循环单元网络多步预测超参数优化方法[J]. 高压电器,2024,60(7):163-172,190. ZHAO Jun,GAO Shuguo,HE Ruidong,et al. Hyper-parameters optimization method for multi-step prediction of acetylene in power transformer oil by gated cyclic unit network[J]. High Voltage Apparatus,2024,60(7):163-172,190.
[15] 王佳明. 煤矿巷道支护方案自动生成及智能比选研究[D]. 徐州:中国矿业大学,2023. WANG Jiaming. Research on automatic generation and intelligent comparison of coal mine roadway support scheme[D]. Xuzhou:China University of Mining and Technology,2023.
[16] 杜伟健,陈云霁,支天,等. QingLong:一种基于常变量异步拷贝的神经网络编程模型[J]. 计算机学报,2020,43(4):587-599. DOI: 10.11897/SP.J.1016.2020.00587 DU Weijian,CHEN Yunji,ZHI Tian,et al. QingLong:a neural network programming model based on asynchronous copy of constant and variable[J]. Chinese Journal of Computers,2020,43(4):587-599. DOI: 10.11897/SP.J.1016.2020.00587
[17] 郭亮,郭子雪,贾洪涛,等. 基于皮尔逊相关系数与SVM的居民窃电识别[J]. 河北大学学报(自然科学版),2023,43(4):357-363. DOI: 10.3969/j.issn.1000-1565.2023.04.003 GUO Liang,GUO Zixue,JIA Hongtao,et al. Residents electric larceny detection based on Pearson correlation coefficient and SVM[J]. Journal of Hebei University(Natural Science Edition),2023,43(4):357-363. DOI: 10.3969/j.issn.1000-1565.2023.04.003
[18] 丁国辉,刘宇琪,王言开,等. 基于翻转网络的低相关性序列数据预测研究[J]. 计算机工程,2024,50(2):78-90. DING Guohui,LIU Yuqi,WANG Yankai,et al. Research on low-correlation sequence data prediction based on flip network[J]. Computer Engineering,2024,50(2):78-90.
[19] 李全贵,李建波,胡千庭,等. 基于案例推理的煤与瓦斯突出预警模型研究[J]. 矿业安全与环保,2023,50(5):24-29,36. LI Quangui,LI Jianbo,HU Qianting,et al. Research on early warning model of coal and gas outburst based on case-based reasoning[J]. Mining Safety & Environmental Protection,2023,50(5):24-29,36.
[20] 杨艺,赵惊涛,付国强. 基于PSO−LSTM模型的地热储层温度预测研究[J]. 矿业科学学报,2024,9(4):538-548. YANG Yi,ZHAO Jingtao,FU Guoqiang. Predicting geothermal reservoir temperature based on the PSO-LSTM model[J]. Journal of Mining Science and Technology,2024,9(4):538-548.
[21] 周江平,周媛媛,周学军,等. 基于BP神经网络的测量设备无关协议参数预测[J]. 电子科技大学学报,2024,53(4):611-616. ZHOU Jiangping,ZHOU Yuanyuan,ZHOU Xuejun,et al. Measurement device independent protocol parameter prediction based on BP neural network[J]. Journal of University of Electronic Science and Technology of China,2024,53(4):611-616.
[22] 田辽西,覃华清. 基于多变量LSTM神经网络的地下水位预测方法研究[J]. 干旱区资源与环境,2024,38(9):138-146. TIAN Liaoxi,QIN Huaqing. Multivariable LSTM model-based groundwater level prediction[J]. Journal of Arid Land Resources and Environment,2024,38(9):138-146.
计量
- 文章访问数: 124
- HTML全文浏览量: 49
- PDF下载量: 19
