| 论文中文题名： | 基于小样本学习的大倾角长壁工作面矿压预测研究 |
| 姓名： | |
| 学号： | 20203226040 |
| 保密级别： | 公开 |
| 论文语种： | chi |
| 学科代码： | 085700 |
| 学科名称： | 工学 - 资源与环境 |
| 学生类型： | 硕士 |
| 学位级别： | 工程硕士 |
| 学位年度： | 2023 |
| 培养单位： | 西安科技大学 |
| 院系： | |
| 专业： | |
| 研究方向： | 矿山压力与岩层控制 |
| 第一导师姓名： | |
| 第一导师单位： | |
| 论文提交日期： | 2023-06-26 |
| 论文答辩日期： | 2023-06-05 |
| 论文外文题名： | Study on ground pressure prediction in longwall mining face of steeply dipping coal seam based on small samples learning |
| 论文中文关键词： | |
| 论文外文关键词： | steeply dipping coal seam ; non-equilibrium pressure ; support vector machines ; BP neural network ; ground pressure prediction |
| 论文中文摘要： |
大倾角煤层长壁开采期间，采场上覆岩层垮落特征和应力分布演化规律具有明显非对称性，导致采场倾向不同区域矿压显现特征复杂多变，来压具有时序性、步距不一致、强度变化大等特点，严重影响了大倾角工作面安全高效开采。因此，深入研究大倾角倾斜采场不同区域顶板来压的内在关联机理，实现该类复杂难采煤层工作面矿压显现规律的有效预测，对大倾角工作面顶板管理以及保证安全生产具有重要意义。 采用理论分析、矿压实测数据智能分析、计算机仿真模拟和工程实测相结合的研究手段，开展了基于小样本学习的GA-SVR大倾角长壁工作面矿压预测研究。主要结论如下： 大倾角长壁工作面开采过程中，倾角、煤厚、采高、直接顶厚度、工作面长度、基本顶厚度及其抗拉强度对顶板来压影响显著，初步剔除影响相对较小的埋深；同时，从影响显著的因素中选取了贡献率最大的倾角、采高、基本顶厚度和抗拉强度以及直接顶厚度组成新的变量，并作为模型的输入值，工作面倾斜不同区域来压步距与强度作为模型输出值，且根据不同区域来压步距和强度的内在关联，采用多项式拟合得出4组关系表达式。 测试集预测结果表明，GA-SVR矿压预测模型的平均均方误差约0.3197，平均决定系数约0.9299，对比标准支持向量机回归模型预测结果，该模型的预测精度和拟合优度分别提高了37.8%、9.6%，模型相对误差大幅降低；对比Bootstrap-BP神经网络模型的平均均方误差和决定系数，GA-SVR模型拟合优度提高了5.6%，表明GA-SVR模型在小样本预测精度方面具有明显优势，能够更有效的预测大倾角煤层长壁工作面顶板来压规律。 对比现场实测结果表明，大倾角长壁工作面倾斜上部、中部、下部的来压步距和强度的平均相对误差分别为5.31%、2.68%、5.26%、3.04%、4.3%、4.15%，预测结果均不大于6%，且在工程实际允许误差范围内，表明该系统具有一定精确性和可靠性，可较好地预测大倾角长壁工作面顶板来压规律，对消除该类煤层工作面非均衡来压导致的安全隐患提供了科学指导。
|
| 论文外文摘要： |
In the process of longwall mining in steeply dipping coal seam, the overlying strata caving characteristics and stress distribution evolution law have apparent asymmetry, resulting in complex and varied attributes of ore pressure in different areas with different stope tendencies, the pressure has the characteristics of time sequence, inconsistent step distance and large intensity change, which seriously affects the safe and efficient mining of steeply dipping mining face. Therefore, it is of great significance for roof management and safety production to deeply study the internal correlation mechanism of ground pressure in different areas of steeply dipping mining stope and realize effective prediction of the ground pressure in the mining face of this kind of complex and challenging coal seam. By means of theoretical analysis, intelligent analysis of ground pressure measured data, computer simulation and engineering measurement, the research on ground pressure prediction of GA-SVR longwall mining with steeply dipping based on small sample learning. The results are as follows: During the mining process of longwall mining face with steeply dipping, dip angle, coal seam thickness, mining height, direct roof thickness, mining face length, basic roof thickness and tensile strength have significant influence on ground pressure, and the burial depth with relatively small influence is initially eliminated. Secondly, the dip angle, mining height, direct roof thickness, basic roof thickness and tensile strength with the largest contribution rate are selected from the significant factors to form new variables, which are used as the input values of the model. The weighting interval and intensity in different regions of the mining face are used as the output values of the model. According to the internal correlation between the weighting interval and intensity in different regions, four sets of relational expressions are obtained by polynomial fitting. The prediction results of the test set show that the average mean square error of the GA-SVR ground pressure prediction model is about 0.3197, and the average coefficient of determination is approximately 0.9299. Compared with the prediction results of the standard support vector machine regression model, the model's prediction accuracy and goodness of fit are increased by 37.8% and 9.6%, respectively, and the relative error of the model is significantly reduced. Compared with the average mean square error and determination coefficient of the Bootstrap-BP neural network model, the goodness of fit of the GA-SVR model is improved by 5.6%, indicating that the GA-SVR model has apparent advantages in small sample prediction accuracy and can more effectively predict the pressure law of longwall mining face roof in steeply dipping coal seam. Compared with the field measurement results, the average relative errors of the periodic weighting interval and intensity of the upper, middle and lower inclined mining face are 5.31%, 2.68%, 5.26%, 3.04%, 4.3% and 4.15%, respectively. The predicted results are no more than 6% and within the allowable error range of engineering practice, indicating that the system has sure accuracy and reliability. It can better predict the ground pressure law of longwall mining face with steeply dipping well and provides scientific guidance for eliminating the potential safety hazard caused by the non-equilibrium pressure of the mining face of this kind of coal seam. |
| 参考文献： |
[1] 伍永平, 贠东风, 解盘石, 王红伟, 郎丁, 胡博胜. 大倾角煤层长壁综采: 进展、实践、 科学问题[J]. 煤炭学报,2020,45(01):24-34. [2] 解盘石. 大倾角煤层长壁开采覆岩结构及其稳定性研究[D]. 西安科技大学,2011. [3] 伍永平, 贠东风. 大倾角综采支架稳定性控制[J]. 采矿与安全工程学报，1999(Z1):82-85+93-239. [4] 解盘石, 屈利利, 伍永平, 张颖异, 闫壮壮, 冯坤, 杨广兵, 吉峰. 大倾角近距离煤层群长壁采场顶板破断机理[J]. 煤炭科学技术,2022,50(02):65-74. [5] 王红伟, 伍永平, 解盘石, 李延军, 曹沛沛. 大倾角采场矸石充填量化特征及覆岩运动机制[J]. 中国矿业大学学报,2016,45(05):886-892+922. [9] Wilson A H. Various aspeets of longwall roof support. Collier.1984. [12]华道友, 平寿康. 大倾角煤层矿压显现立体相似模拟[J]. 采矿与安全工程学 [13]黄建功. 大倾角煤层采场顶板运动结构分析[J]. 中国矿业大学学报,2002(05):74-77. [14]黄建功, 平寿康. 大倾角煤层采面顶板岩层运动研究[J]. 采矿与安全工程学 [15]黄庆享, 黄克军, 刘素花. 急倾斜煤层长壁开采顶板结构与来压规律模拟[J]. 陕西煤炭,2011,30(03):31-35. [16]伍永平，解盘石，王红伟，任世广. 大倾角煤层开采覆岩空间倾斜砌体结构[J]. 煤炭学报,2010,35(08):1252-1256. [17]伍永平, 皇甫靖宇, 罗生虎, 武永强, 刘宝恒, 刘旺海. 大倾角近距离煤层开采覆岩运移及顶板破坏特征[J]. 西安科技大学学报,2020,40(01):1-10. [18]解盘石, 伍永平, 罗生虎, 王红伟, 郎丁. 大倾角大采高采场倾向梯阶结构演化及稳定性分析[J]. 采矿与安全工程学报,2018,35(05):953-959. [19]赵元放, 张向阳, 涂敏. 大倾角煤层开采顶板垮落特征及矿压显现规律[J]. 采矿与安全工程学报,2007(02):231-234. [20]赵洪亮, 袁永, 张琳. 大倾角松软煤层综放面矿压规律及控制[J]. 采矿与安全工程学报,2007(03):345-348. [21]王金安, 张基伟, 高小明, 文建东, 古亚丹. 大倾角厚煤层长壁综放开采基本顶破断模式及演化过程(Ⅱ)—周期破断[J]. 煤炭学报,2015,40(08):1737-1745. [22]王金安, 张基伟, 高小明, 文建东, 古亚丹. 大倾角厚煤层长壁综放开采基本顶破断模式及演化过程(Ⅰ)—初次破断[J]. 煤炭学报,2015,40(06):1353-1360. [23]尹光志, 李小双, 郭文兵. 大倾角煤层工作面采场围岩矿压分布规律光弹性模量拟模型试验及现场实测研究[J]. 岩石力学与工程学报,2010,29(S1):3336-3343. [24]张益东, 程敬义, 王晓溪, 冯志江, 季明. 大倾角仰(俯)采采场顶板破断的薄板模型分析[J]. 采矿与安全工程学报,2010,27(04):487-493. [25]汪长明. 大倾角厚煤层综采工作面覆岩移动与矿压显现规律研究[J]. 矿业安全与环保,2017,44(04):14-18. [26]高林生, 张尔辉, 朱权洁, 石建军, 王野驰. 大倾角特厚煤层综放面矿压显现规律[J].西安科技大学学报,2020,40(04):615-620+657. [27]章黎明. 王家山煤矿大倾角厚煤层综放采场矿压规律研究 [J]. 煤炭科学技 [28]赵春光, 李男男, 王创业. 不同煤岩倾角下采场倾向矿压规律数值模拟[J]. 煤矿安全,2014,45(10):198-200. [29]李小萌 , 刘斐 . 大倾角采场覆岩结构及矿压显现特征分析[J]. 煤炭工程，2016,48(05):80-83. [30]张浩, 张晓波, 解盘石, 郎丁. 急倾斜中厚煤层长壁综采工作面覆岩运移规律[J]. 陕西煤炭,2021,40(01):22-25. [31]张晓波, 张浩, 解盘石, 郎丁. 急倾斜中厚煤层综采工作面矿压分布及其演变规律[J]. 陕西煤炭,2021,40(02):10-13. [32]杨科, 孔祥勇, 陆伟, 刘帅. 近距离采空区下大倾角厚煤层开采矿压显现规律研究[J]. 岩石力学与工程学报,2015,34(S2):4278-4285. [33]秦忠诚 , 周尚涛 , 刘明清 . 大倾角仰斜采场围岩稳定性研究[J]. 煤炭工 [34]孙少龙. 大倾角综放采场矿压显现规律数值模拟分析[J]. 煤炭技术，2015,34(08):25-27. [35]肖家平, 刘帅, 池小楼. 近距离采空区下大倾角俯伪斜工作面矿压显现特征研究[J]. 煤炭工程,2019,51(06):93-98. [36]尹希文, 徐刚, 刘前进, 卢振龙, 于秋鸽, 张震. 基于支架载荷的矿压双周期分析预测方法[J]. 煤炭学报,2021,46(10):3116-3126. [37]赵毅鑫, 杨志良, 马斌杰, 宋红华, 杨东辉. 基于深度学习的大采高工作面矿压预测分析及模型泛化[J]. 煤炭学报,2020,45(01):54-65. [38]陈毅琪, 刘长友, 刘锦荣, 杨培举, 卢硕, 魏金凯. 时空特征统一建模的支架阻力连续性分类及来压特征研究[J/OL]. 采矿与安全工程学报,2023-04-18. [39]王雨虹, 刘璐璐, 付华, 徐耀松. 基于改进 BP 神经网络的煤矿冲击地压预测方法研究[J]. 煤炭科学技术,2017,45(10):36-40. [40]柴敬, 刘义龙, 王安义, 屈世甲, 欧阳一博. 基于 GRU 和 XGBoost 的矿压显现规律预测[J]. 工矿自动化,2022,48(01):91-97. [41]冀汶莉, 田忠, 张丁丁, 欧阳一博. 基于遗传算法-深度神经网络的分布式光纤监测工作面矿压预测[J]. 科学技术与工程,2022,22(24):10485-10492. [42]冀汶莉, 刘艺欣, 柴敬, 王斌. 基于随机森林的矿压预测方法[J]. 采矿与岩层控制工程学报,2021,3(03):71-81. [43]柴敬, 王润沛, 杜文刚, 雷武林, 朱旭宝. 基于 XGBoost 的光纤监测矿压时序预测研究[J]. 采矿与岩层控制工程学报,2020,2(04):64-71. [44]柴敬, 王润沛, 雷武林. 基于遗传-支持向量机的分布式光纤监测矿压时序预测[J]. 科学技术与工程,2020,20(32):13137-13142. [45]来兴平, 万培烽, 单鹏飞, 张云, 张雷铭, 穆楷文, 孙浩强. 基于免疫粒子群混合算法优化 BP 网络的矿压预测方法[J]. 西安科技大学学报,2023,43(01):1-8. [46]吕文玉, 丁科, 伍永平, 杜旭峰, 胡馨, 罗香玉, 张勇. 综采面支架工作阻力的 PCA-SVR预测模型[J]. 西安科技大学学报,2021,41(06):973-978. [47]霍丙杰, 荆雪冬, 于斌, 韩军. 坚硬顶板厚煤层采场来压强度分级预测方法研究[J]. 岩石力学与工程学报,2019,38(09):1828-1835. [48]张通, 赵毅鑫, 朱广沛, 王少磊, 焦振华. 神东浅埋工作面矿压显现规律的多因素耦合分析[J]. 煤炭学报,2016,41(S2):287-296. [49]贺超峰, 华心祝, 杨科, 马菁花. 基于 BP 神经网络的工作面周期来压预测[J]. 安徽理工大学学报(自然科学版),2012,32(01):59-63. [51]赵凯琳, 靳小龙, 王元卓. 小样本学习研究综述[J]. 软件学报,2021,32(02):349-369. [53]姚直言, 赵学龙, 戚湧, 严悍. 基于先验知识的小样本刑期预测算法研究[J]. 计算机技术与发展,2021,31(02):138-142. [54]佐磊, 胡小敏, 何怡刚, 孙洪凯, 李兵. 小样本数据处理的加速寿命预测方法[J]. 电子测量与仪器学报,2020,34(11):26-32. [55]王宏刚, 田洪迅, 李浩松, 王越, 施明泰, 万涛, 李金, 康泰峰. 考虑小样本统计的 BP神经网络配电系统可靠性预测方法[J]. 电力科学与技术学报,2019,34(02):40-46. [56]贾巍, 黄裕春. 基于小样本数据差分扩容的微电网负荷预测方法[J/OL]. 中国电 [57]位晶晶, 刘勤明, 叶春明, 陈翔. 基于 IPSO-BSVM 的小样本数据不均衡下的设备健康预测研究[J]. 计算机应用研究,2021,38(04):1119-1122+1127. [58]赖峻, 刘震宇, 刘圣海. 基于全局数据混洗的小样本数据预测方法[J]. 广东工业大学学报,2021,38(03):17-21. [59]蔡瑞春. 大倾角煤层开采矿压特征及围岩控制技术研究[D]. 安徽理工大学,2009. [60]刘思峰, 蔡华, 杨英杰, 曹颖. 灰色关联分析模型研究进展[J]. 系统工程理论与实践,2013,33(08):2041-2046. [61]冯运卿, 李雪梅, 李学伟. 基于熵权法与灰色关联分析的铁路安全综合评价[J]. 安全与环境学报,2014,14(02):73-79. [62]汤荣志, 段会川, 孙海涛. SVM训练数据归一化研究[J]. 山东师范大学学报(自然科学版),2016,31(04):60-65. [63]韩小孩, 张耀辉, 孙福军, 王少华. 基于主成分分析的指标权重确定方法[J]. 四川兵工学报,2012,33(10):124-126. [64]陈果, 周伽. 小样本数据的支持向量机回归模型参数及预测区间研究[J]. 计量学 [66]位晶晶, 刘勤明, 叶春明, 李冠林. 基于 GA-SVR 的小样本数据缺失下的设备故障诊断[J]. 系统仿真学报,2021,33(06):1342-1349. [69]骆飞, 罗强, 蒋良潍, 张文生, 李昂. 小样本岩土参数的Bootstrap估计及边坡稳定分析[J]. 岩石力学与工程学报,2017,36(02):370-379. |
| 中图分类号： | TD323 |
| 开放日期： | 2023-06-26 |
谷歌
火狐
