分级循环加卸载作用下花岗岩变形破坏研究

以地下深部花岗岩为试验材料,利用GAW-2000微机控制电液伺服岩石单轴试验机进行分级循环加卸载试验,研究在同一递增荷载幅度条件下,试件的抗压强度、变形、破坏特征、残余应变以及弹性模量的变化趋势。结果表明：在单轴分级循环加卸载试验作用下,岩样的峰值强度随着每级循环次数的增加呈现递减趋势,且单调荷载应力-应变曲线包络住循环荷载应力-应变曲线；岩样破坏特征主要以剪切破坏为主,随着循环次数增加,破坏裂纹更加分散；岩样在加载过程中,岩体内部的结构在不断地调整,导致结构面变得密集与裂隙间更加闭合,卸载时回弹变形有滞后现象,加载起点与卸载终点不重合；轴向弹性、残余应变与环向弹性、残余应变随循环次数变化的规律具有相似性,岩样弹性模量曲线的趋势以“波浪形”的规律交替变化。     

考虑高程与能量的爆破振动持时分析

研究爆破振动持续时间的影响因素及预测精度极为必要。基于量纲分析理论,引入爆破 振动监测点 与爆心的高程差、爆心距及爆破地震波所携能量影响因子,推导出爆破振动持时预测公式,线 性相关性达到 95.8%。根据台阶爆破现场试验实测振动数据,采用多元线性回归进行爆破振动持时预测,与 现有振动持时预测公 式的预测结果进行对比。结果表明：随着高程差的增加,爆破振动持时与爆破地震波能量均存 在放大效应;修正后 的爆破振动持时预测公式平均相对误差最小为 4.90%,现有公式平均相对误差依次是 8.36% 和 8.30%,优化后预测 公式的预测精度较现有公式分别高出 3.46 和 3.40 个百分点。     

高程影响下爆破振动速度衰减模型优选研究

准确预测爆破振动速度是控制爆破危害的重要内容。为了优选高程影响的质点峰值振速预测模型,基于量纲分析理论,综合考虑了测点与爆源之间的位置信息,重构了峰值振速预测公式。以鞍千矿业露天台阶爆破作业为背景,进行爆破振动监测试验,通过线性与非线性回归拟合法分析不同峰值振速预测模型的适用性。结果表明,考虑高程影响的预测经验公式预测精度均大于萨道夫斯基公式;结合测点与爆区之间的直线距离、水平距离和高程差的预测经验公式的预测精度高于其他预测经验公式;推导的预测模型可以较为准确的预测峰值振速,预测精度为91.60%;非线性回归得出考虑高程影响的预测模型可以更好的表征爆破振动在边坡岩体中的传播规律;优选了适用性较好的峰值振速预测模型,预测精度为91.87%。     

基于 SA-GA 模糊熵的 VMD 算法在爆破振动信号分解中的应用

针对变分模态分解(VMD)算法预设参数选择的问题,提出了一种基于 SA-GA 模糊熵的 VMD 参数优化 算法,该算法结合模拟退火算法(SA)和遗传算法(GA)的优点,选取模糊熵( FE)为适应度函数,求解最优分解参数。 经过仿真信号分析,相比 EMD 算法,SA-GA 模糊熵的 VMD 参数优化算法有效地抑制了模态混叠和虚假分量的现象, 具有较高的分解精度。 最后利用 SA-GA 模糊熵的 VMD 参数优化算法进行爆破振动信号实测分析,结果表明:SA-GA 模糊熵的 VMD 参数优化算法可以根据不同的爆破振动自适应地选取最优解,解出来的 IMF 分量具有明确的物理意 义,频谱图能清晰地看出信号内所包含的频率成分,具有良好的适用性。     

基于VMD-Teager的露天边坡爆破振动信号能量特征研究

爆破振动信号特征分析是研究边坡稳定性的有效方法之一,结合模拟退火算法(simulated annealing, SA)局部搜索能力强和遗传算法(genetic algorithm, GA)全局自动寻优的特点,选取模糊熵(fuzzy entropy, FE)为模态分量的适应度函数,求解变分模态分解(variational modal decomposition, VMD)的最优分解参数,建立以模态分量(intrinsic modal function, IMF)的频带分布为指标、趋势项判别准则及复相关系数原理相结合的趋势项去除方法;Teager能量算子解调单分量信号的解调速度、精度均高于Hilbert变换。综上,提出了基于趋势项滤除的VMD-Teager能量算子解调法,用来获取爆破振动信号的能量分布特征。某矿山测得爆破振动信号分析结果表明：与EMD法相比,基于参数优化VMD算法在去除信号趋势项方面更精确有效,能够解决原始振动信号中存在的基线偏移及低频干扰等问题。爆破振动能量以低频为主,PPV、主频率、能量呈现出了“波浪”式的变换态势。PPV、主频率的衰减速度与放大系数在同一量级,但能量峰...     

基于SSA-VMD的爆破振动信号趋势项去除方法

针对爆破振动信号存在的趋势项干扰问题，提出一种改进变分模态分解(variational mode decomposition, VMD)的趋势项去除方法。该方法采用麻雀搜索算法(sparrow search algorithm, SSA)优化VMD参数，接着对信号进行VMD分解，得到一组模态分量(intrinsic modal function, IMF)。通过均值比法筛选出趋势项分量，对剩余分量重构得到去除趋势项的信号。经过仿真信号分析，SSA-VMD相较EEMD在均方根误差、相对范数和最大误差上分别降低了约73%、49%和82%,SSA-VMD对趋势项提取更为充分，识别趋势项的精度更高。同时，SSA-VMD对实测爆破振动信号进行分析，结果表明，该方法消除了爆破振动信号零点漂移现象，信号波形回归到基线中心，主频率趋于合理，提高了信号频谱分析的精度。