【技术实现步骤摘要】
本专利技术涉及煤矿冲击地压防治，尤其涉及一种基于随钻参数的岩石力学参数智能预测室内试验方法。
技术介绍
1、巷道掘进过程中，岩层断裂、岩柱塌落现象以及冲击地压动力灾害时有发生，合理有效的巷道支护方式是保证煤炭安全开采的强有力手段。近年来，锚杆支护技术飞速发展，一度成为使用频率最高的井巷支护方式。而锚杆支护参数的设置普遍依据以往类似煤矿的支护经验，这使得支护参数准确性较差，总是出现支护强度不够或支护过剩的情况。
2、锚杆钻机钻孔时产生大量的随钻参数，通过锚杆钻机钻孔感知巷道的构造情况是煤矿领域简便易操作的方法之一，但是煤矿领域的随钻测量一直缺乏科学定量的研究。利用锚杆钻机随钻参数实时精准感知岩石力学参数变化对巷道支护参数的设置具有重要意义。
3、目前利用随钻参数预测岩石力学参数常用的方法是，在现场获取大量岩石，在室内通过三轴试验获取随钻参数，通过单轴加载试验获取岩石的力学参数，然后建立随钻参数和力学参数的关系式，当用于现场时，获取原岩的随钻参数，通过关系式反演出原岩的力学参数，比如中国专利公开号cn116291271a公开的一种基于随钻测试的岩土体参数反演方法及系统。或者是事先获取原岩的岩性，然后在室内通过试验建立原岩的岩性和力学参数的预测模型，比如中国专利公开号cn115659783a公开的一种基于智能融合策略的复杂地层岩石力学参数预测方法。上述两类方法都需要大量采集原岩，并进行切割成需求尺寸的立方体，试件强度范围受限于采集的岩石，耗时耗力，采集的原岩强度范围还受限。另外，为了提高预测的准确性，在建立随钻
4、因此，有必要提供一种在室内通过混凝土试件分析出岩石随钻参数对力学参数的影响程度，通过影响程度筛选出对力学参数影响比较大的随钻参数，从而简化预测模型的输入参数，建立快速预测模型。
技术实现思路
1、为了简化预测模型和降低预测成本，同时提高预测的准确性，本专利技术提供一种基于混凝土试件的岩石力学参数随钻预测方法。
2、为了达到上述目的，本专利技术采取的技术方案是：
3、一种基于混凝土试件的岩石力学参数随钻预测方法，其特征在于，步骤如下：
4、第一步:试件制备
5、依据《普通混凝土配合比设计规程》jgj55-2011，采用水、水泥、沙子、石子四种配料，根据不同的配比分别配置不同强度的立方体混凝土试件，要求强度范围覆盖井下巷道围岩强度范围；
6、第二步：数据获取
7、将制备好的试件采用取芯机取标准岩芯，取芯过程中连接动态信号分析仪，采集振动信号，并赋予每个振动信号一个编号，编号的目的是便于区分，以确保后期所有试件的振动信号都被用到；
8、再将标准岩芯在室内进行单轴加载试验，监测试样轴向变形、侧向变形，分别获取不同强度的混凝土试件对应的力学参数，比如单轴抗压强度、杨氏模量和泊松比等力学参数；
9、第三步：数据预处理
10、3.1：原始数据特征值提取
11、将步骤二监测到的振动信号经由dhdas动态信号采集分析系统分析处理，依次导出各试件的振动信号波形图，导出成exce l数据；把同一种岩石的exce l数据通过matlab进行数据预处理，提取时域特征值a1，时域信号经傅里叶变换提取频域特征值b1；
12、3.2：小波降噪
13、利用matlab小波工具箱对原始振动波形信号依次进行降噪，通过改变小波降噪工具箱内阈值处理的规则、软阈值、小波包的分解成熟等参数进行降噪，保存降噪过后的波形信号，导出降噪数据；
14、3.3：降噪数据特征值提取
15、将导出的降噪数据通过matlab数据预处理，提取降噪后时域特征值a2；降噪后的时域信号经傅里叶变换等一些列计算变换提取降噪后频域特征值b2；
16、3.4：实验数据整理
17、把所有原岩试件的振动信号特征值a1、b1，降噪的振动信号特征值a2、b2以及原岩试件的单轴抗压强度和弹性模量整理到同一文件中；
18、第四步：智能预测模型构建
19、4.1：进行不同振动信号特征值参数组合作为神经网络输入参数的对照实验，分析不同输入参数组合对神经网络预测结果精度的影响程度，得到不同输出参数对应的振动信号特征值参数组合，建立最佳神经网络模型；
20、4.2:神经网络优化
21、分别采用遗传算法和粒子群算法优化步骤4.1建立的最佳神经网络模型，得到遗传算法优化的最佳神经网络模型和粒子群算法优化的最佳神经网络模型；
22、4.3：对步骤4.1以及步骤4.2得到的三种最佳神经网络模型根据评价指标rmse、r2值再进行选优，最终选出混凝土试件的最佳神经网络预测模型，根据最佳的神经网络预测模型找出对应的输入参数组合样本，该组合样本便为振动信号特征值的最佳组合，则认为该组合样本包含的特征值对力学参数影响较大，其余特征值的影响则较小；
23、第五步：岩石力学参数预测
24、根据第四步确定的振动信号特征值的最佳组合，剔除一些对力学参数影响不大的特征值，优化出影响程度大的特征值，获取原岩岩石的这些影响程度大的特征值重新建立岩石力学参数预测模型，从而对岩石的力学参数进行预测。
25、进一步的，步骤三中代表时域特征值a1和降噪后时域特征值a2的参数均包括平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数；代表频域特征值b1和降噪后频域特征值b2的参数均包括重心频率、均方频率、均方根频率、频率方差和频率标准差5个参数。
26、进一步的，步骤4.1的具体操作过程为：具体操作如下：
27、4.1.1：对降噪前的输入参数进行预先降维
28、将实验数据分成训练集和测试集对神经网络进行训练，其中随钻参数也就是混凝土试件的振动信号特征值为输入值，力学参数为输出值；训练前，预先将神经网络的18个输入参数进行降维，设置目标维度为n，n<18，优选n＝6，得到n种振动信号特征值，也就是说得到n种输入参数；
29、4.1.2：建立n维输入参数的全组合对照实验
30、对4.1.1降维后的n种输入参数排列出不考虑顺序的全组合，共计获得2^n-1组合样本，对应设置不同的神经网络的隐含层数和隐含层节点数，对训练集进行训练，输出训练集对应的力学参数的预测值；将测试集的钻进参数输入训练后的神经网络，输出测试集对应的力学参数的预测值；
31、4.1.3：根据力学参数的预测值和实际值分别计算训练集和测试集的模型评价指标rmse和r2值，根据训练集和测试集的模型评价指标rmse和r2值选出最佳神经网络模型，为了便于区分，称为降噪前的最佳神经网络模型；
32、4.1.4：重复步骤4.1.1至4.1.3，按照同样的方法对降本文档来自技高网...
【技术保护点】
1.一种基于混凝土试件的岩石力学参数随钻预测方法，其特征在于，步骤如下：
2.如权利要求1所述的基于混凝土试件的岩石力学参数随钻预测方法，其特征在于，步骤三中代表时域特征值a1和降噪后时域特征值a2的参数均包括平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数；代表频域特征值b1和降噪后频域特征值b2的参数均包括重心频率、均方频率、均方根频率、频率方差和频率标准差5个参数。
3.如权利要求2所述的基于混凝土试件的岩石力学参数随钻预测方法，其特征在于，步骤4.1的具体操作过程为：
4.如权利要求3所述的权利要求1所述的基于混凝土试件的岩石力学参数随钻预测方法，其特征在于，所述的n＝6。
5.如权利要求1所述的权利要求1所述的基于混凝土试件的岩石力学参数随钻预测方法，其特征在于，步骤二中的力学参数包括单轴抗压强度、杨氏模量和泊松比力学。
【技术特征摘要】
1.一种基于混凝土试件的岩石力学参数随钻预测方法，其特征在于，步骤如下：
2.如权利要求1所述的基于混凝土试件的岩石力学参数随钻预测方法，其特征在于，步骤三中代表时域特征值a1和降噪后时域特征值a2的参数均包括平均值、标准差、均方差、最大值、最小值、峰峰值、偏度、峭度、振幅因数、波形因数、冲击因数、裕度因数及能量13个参数；代表频域特征值b1和降噪后频域特征值b2的参数均包括重心频率、均方频率、均方根频率、频率方...
【专利技术属性】
技术研发人员：郑义宁，徐东康，刘建康，孟圣师，郝建，李启帅，栾恒杰，刘河清，刘豪杰，王冬，王长盛，
申请(专利权)人：临沂矿业集团菏泽煤电有限公司郭屯煤矿，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。