| 摘 要： | 提高巷道掘进效率、减少冒顶事故是实现煤矿安全高效和智能化开采的重要内容，其关键是对巷道围岩的合理支护设计，而煤矿顶板岩层强度的实时智能感知对巷道支护设计至关重要。利用自主搭建的微型钻进实验平台和制作的砂浆试样，开展钻进实验以获取随钻参数，并测定砂浆试样的单轴抗压强度。采用小波阈值法对随钻参数去噪后，分析钻速、转速和砂浆试样强度对推力和扭矩的影响。基于随钻参数构建预测岩石强度的多元线性回归(MLR)模型，利用径向基函数(RBF)神经网络对MLR模型得到的强度预测残差修正，建立MLR-RBF岩石强度组合预测模型，对MLR和MLR-RBF模型进行验证，并利用MLR-RBF模型对粉砂岩、细粒砂岩和粗粒砂岩3种岩石强度进行预测。研究表明：钻速和转速均与钻进推力呈负相关，但随转速增加旋转扭矩也增加，且扭矩值随钻进深度增加而缓慢线性增加；构建的MLR模型的预测相对误差均值为8.58%,MLR-RBF模型的预测相对误差均值为1.75%,证明了MLR-RBF模型的有效性；MLR-RBF模型对岩石强度的预测误差均值为6.67%,该模型对岩石强度的预测效果较砂浆试样差，主要是因为岩石与砂浆的均质性不同。
|
