排序方式: 共有12条查询结果,搜索用时 15 毫秒
1.
为揭示荷载作用下岩石细观能量转化特征及查明其影响因素,基于离散元PFC2D软件建立砂岩数学计算模型,通过试错法匹配试验应力—应变曲线标定细观力学参数,对不同围压、加载速率和颗粒直径下砂岩受压试验进行离散元研究。分析砂岩变形破坏全过程细观能量演化及转化特征,探讨细观能量转化机制及细观能量转化影响因素。研究结果表明:细观线应变能和黏结应变能在峰值应力前随变形增大而增大,峰值应力后释放并逐渐平缓发展;摩擦耗散能随变形增大而增大,阻尼耗散能演化趋势与宏观贯通裂纹形成相关;以耗散能转化率为例,能量转化经历了4个阶段,与裂纹发展趋势一致,且其极小值对应岩石损伤应力;损伤应力后,围压、加载速率的增大降低耗散能转化及其增长速率,颗粒直径的增大仅降低耗散能转化率,不影响其增长速率。 相似文献
2.
回顾了封孔效果影响因素,基于流-固耦合作用下顺层钻孔漏气通道模型,研究了钻孔周围应力及主动支护封孔技术效果,结果表明:钻孔钻进经历巷道前方“三带”,应力集中带内煤体裂隙发育|随着距钻孔壁距离的增加,钻孔施工的二次扰动作用逐渐减小,钻孔卸压松动圈与巷道卸压松动圈叠加效应出现在孔周局部范围内,并共同形成钻孔漏气主要通道|无支护力作用下,抽采负压与巷道大气压在短时间内,很容易通过钻孔卸压松动圈裂隙与巷道壁的卸压裂隙连通,形成漏气通道|支护力作用下,加固了孔周煤体,愈合卸压裂隙,减小漏气通道,加大了有效抽采时间,且随着支护力的增大,这种效果更明显。进一步试验了主动支护封孔技术,与原有普通囊袋式封孔相比,主动支护封孔单孔日平均抽采浓度提高近3倍,单孔日平均抽采纯量提高近1.6倍,主动支护封孔效果好,理论分析结果得到验证。 相似文献
3.
为了更好地捕捉瓦斯浓度的时变规律及有效信息,实现对采煤工作面瓦斯浓度的精准预测,采用麻雀搜索算法(SSA)优化长短期记忆(LSTM)网络,提出了一种基于SSA-LSTM的瓦斯浓度预测模型。采用均值替换法对原始瓦斯浓度时序数据中的缺失数据及异常数据进行处理,再进行归一化和小波阈值降噪;对比测试了SSA与灰狼优化(GWO)算法、粒子群优化(PSO)算法的性能差异,验证了SSA在寻优精度、收敛速度和适应能力等方面的优势;利用SSA的自适应性依次对LSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优,以此来提高全局寻优能力,避免预测模型陷入局部最优;将得到的最佳超参数组合代入LSTM网络模型中,输出预测结果。将SSA-LSTM与LSTM、GWO-LSTM、PSO-LSTM瓦斯浓度预测模型进行比较,实验结果表明:基于SSA-LSTM的瓦斯浓度预测模型的均方根误差(RMSE)较LSTM,PSO-LSTM,GWO-LSTM分别减少了77.8%,58.9%,69.7%;平均绝对误差(MAE)分别减少了83.9%,37.8%,70%,采用SSA优化的LSTM预测模型相较于传统LSTM模型具有更高... 相似文献
4.
5.
为确定瓦斯抽采合理钻孔间距,有效减少或消除抽采空白带,基于瓦斯抽采相关标准与行业规范,以突出煤层采煤工作面瓦斯含量临界值、采煤工作面回采前煤体可解吸瓦斯含量、采煤工作面瓦斯抽采率和预抽率作为抽采达标的4项基本指标,根据4项基本指标计算得出残余瓦斯含量最小值,将其作为考察指标,对顺层钻孔瓦斯抽采有效半径测定方法进行探索,提出阶梯式测定法.使用该测定法对山西霍尔辛赫煤业有限责任公司3号煤层瓦斯抽采有效半径进行现场测试,同时基于含瓦斯煤的流固耦合动态模型对测试结果进行数值模拟验证.结果表明:阶梯式测定法现场测试结果与数值模拟结果基本吻合,在该矿合理预抽期内,抽采有效半径为1.52 m,合理钻孔间距为2.50 m.研究结果对于完善瓦斯抽采有效半径测定方法、确保瓦斯抽采达标具有参考作用. 相似文献
6.
7.
8.
为探究不同加载方式下岩石变形及峰后能量演化特征,开展不同围压条件下砂岩峰前单向加载峰后循环加卸载、峰前峰后均循环加卸载的三轴压缩试验。研究结果表明:峰前同一应力水平,循环加卸载产生的变形略小于单向加载;相比单向加载,循环加卸载的岩样均出现从端部发育、终于主裂纹的不同长度和角度的非贯通细小裂纹,相同围压下形成的主裂纹角度较大;同一围压下,2种加载方式的峰后应力跌落形式近似相同,但循环荷载使跌落过程中岩石试样总输入能量W、损伤耗散能Wd、摩擦耗散能Wf较单向加载试验小,而可恢复弹性应变能We偏大;2种加载方式的峰后残余应力阶段均表现为理想塑性变形,残余强度均随循环荷载次数的增加而减小;循环加卸载试验残余应力阶段的残余强度及总输入能量W、损伤耗散能Wd、可恢复弹性应变能We、摩擦滑移过程中单位应变摩擦耗散能wf均大于单向加载试验,2种加载方式下的wf均具有围压效应。 相似文献
9.
微震能级随时间发生变化,高能级微震事件与冲击地压有良好的对应关系,为预测矿山微震能量时序变化,基于一维卷积神经网络(Convolutional neural networks,CNN),建立微震能级时间序列预测模型;通过模型训练,实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题,导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件,为进一步提高模型对106能级微震事件预测的准确率,对模型进行改进并使用混合采样方法训练改进后的模型;利用砚北煤矿250202工作面微震能级实测部分数据,改进后模型的总体测试正确率达到98.4%,其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测,模型的预测正确率整体达到93.5%,且对高能级微震事件的预测正确率接近100%。 相似文献
10.