張 磊，劉小明，來興平，高語蔚，崔 峰，楊毅然

(1.西安科技大學(xué) 能源學(xué)院，陜西 西安 710054; 2.西安科技大學(xué) 西部礦井開采及災(zāi)害防治重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054; 3.西安科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710054)

0 引 言

水平分段綜放開采是一種高效的開采方式，提高頂煤冒放性是實(shí)現(xiàn)高產(chǎn)高效開采的關(guān)鍵。頂煤冒放性是指在特定的地質(zhì)條件下，頂煤在上覆巖層自重及支架支撐壓力相互作用下冒落放出的難易程度[1]。合理的致裂方案及準(zhǔn)確評(píng)估頂煤弱化效果對(duì)提高頂煤冒放性和工作面回采率至關(guān)重要。

目前，頂煤弱化效果的評(píng)估主要是通過對(duì)弱化后頂煤裂隙發(fā)育情況及回采率進(jìn)行統(tǒng)計(jì)分析確定。此外，眾多學(xué)者通過理論分析和數(shù)值模擬等手段對(duì)頂煤弱化效果進(jìn)行研究，索永錄通過大煤樣爆破超動(dòng)態(tài)應(yīng)變測試，提出堅(jiān)硬頂煤預(yù)先弱化爆破的爆破中區(qū)應(yīng)變波峰值體積應(yīng)變符合冪函數(shù)衰減規(guī)律，并結(jié)合Tarlor，Drady等巖石爆破損傷演化模型，建立了堅(jiān)硬頂煤預(yù)先弱化爆破宏觀損傷破壞程度的分布函數(shù)，給出了相應(yīng)的計(jì)算參數(shù)和系數(shù)，為分析和確定頂煤弱化爆破合理參數(shù)提供了基礎(chǔ)[2]；謝和平等通過對(duì)爆破碎片分形維數(shù)與炸藥比能量關(guān)系的理論分析，提出了描述頂煤粒徑分布和爆破能量耗散的力學(xué)模型[3]；崔峰等引入強(qiáng)度劣化率f作為評(píng)估耦合致裂效果的指標(biāo)，獲得了耦合致裂主要參數(shù)與強(qiáng)度劣化程度f的關(guān)系，并給出了耦合致裂技術(shù)實(shí)施時(shí)裂紋的擴(kuò)展準(zhǔn)則[4];馬文強(qiáng)等以煤樣物理力學(xué)參數(shù)為基礎(chǔ)，運(yùn)用UDEC軟件對(duì)頂煤冒放情況進(jìn)行了模擬[5]。

一般而言，現(xiàn)場測試取得的結(jié)果較為可靠，但存在工作量大，耗費(fèi)人力、物力、財(cái)力多等缺點(diǎn)，有時(shí)也存在現(xiàn)場實(shí)施方案不合理導(dǎo)致測試結(jié)果不準(zhǔn)確的現(xiàn)象，而其他方法存在考慮因素不全面或模型建立相對(duì)理想化的不足之處，所得結(jié)論往往與現(xiàn)場實(shí)測結(jié)果有較大的差距。因此，如何在考慮多方面因素的前提下對(duì)頂煤致裂效果進(jìn)行準(zhǔn)確評(píng)價(jià)是學(xué)者們一直不斷深入研究的方向。BP神經(jīng)網(wǎng)絡(luò)以其可實(shí)現(xiàn)非線性映射的特點(diǎn)而得到廣泛應(yīng)用[6-8]，其在系統(tǒng)辨識(shí)和預(yù)測方面具有良好的性能。頂煤弱化的最終目的是改善頂煤的冒放性，提高回采率，實(shí)現(xiàn)工作面的高效生產(chǎn)。因此文中通過建立預(yù)測頂煤冒放性的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)頂煤弱化效果進(jìn)行預(yù)測分析，進(jìn)而優(yōu)選出最為合理的頂煤弱化方案。

1 急傾斜煤層頂煤冒放性影響因素

頂煤冒放性受各種因素影響并且影響程度不明確，總體而言，影響頂煤冒放性的因素可分為地質(zhì)因素和開采因素兩大類。地質(zhì)賦存因素具有客觀決定性，是影響頂煤冒放性的基礎(chǔ)條件，因此文中只討論煤層賦存條件對(duì)頂煤冒放性的影響和分類。影響頂煤冒放性的主要地質(zhì)因素包括

1)開采深度。隨著開采深度增加，頂煤受上覆煤巖體的自重應(yīng)力隨之增大，其內(nèi)部原始應(yīng)力也相應(yīng)增大，頂煤破碎程度增加；

2)煤層厚度。放頂煤開采過程中，頂煤在上覆巖層自重及支架支撐力作用遭到破壞，頂煤過厚，難以保證其上部分及底板側(cè)煤體充分破碎達(dá)到順利冒落條件；

3)煤層傾角。不同煤層傾角情況下，其頂板條件不同，頂板對(duì)煤層的壓力不同。一般而言，傾角越大所受來自頂板的壓力越小，近直立煤層所受壓力只有上分層采空區(qū)矸石自重，頂煤反而不易破碎；

4)頂板條件。頂板的堅(jiān)硬程度對(duì)其傳遞上部覆巖層對(duì)頂煤的擠壓力有重要影響，頂板太硬，不利于頂煤的破碎；

5)煤層底板。煤層底板對(duì)頂煤冒放性的影響主要體現(xiàn)在底板穩(wěn)定性上，底板不穩(wěn)定將增加放頂煤的難度；

6)煤體硬度。頂煤硬度對(duì)頂煤冒放性有著重要影響。一般而言，硬度較小的頂煤在覆巖自重及支架撐力共同作用下即可順利放出，硬度較大則需輔助措施進(jìn)行弱化；

7)夾矸。夾矸對(duì)頂煤冒放性的影響主要是煤層夾矸數(shù)及夾矸硬度，夾矸數(shù)越多，硬度越大，頂煤冒放性越差。

根據(jù)工程實(shí)際和現(xiàn)場經(jīng)驗(yàn)，在對(duì)頂煤冒放性研究的基礎(chǔ)上，按冒放難易程度將頂煤冒放性分為四類[9-13]：第Ⅰ類頂煤冒放性良好，生產(chǎn)過程中不需要連通放煤小眼，頂煤即可放出；第Ⅱ類頂煤冒放性較好，連通放煤小眼，使頂煤處于懸吊狀態(tài)后頂煤即可垮落；第Ⅲ類頂煤冒放性較差，需進(jìn)行輔助措施弱化后頂煤才能垮落；第Ⅳ類頂煤冒放性差，松動(dòng)爆破后，頂煤仍難以垮落，只能使用爆破落煤。

2 BP神經(jīng)網(wǎng)絡(luò)的建立

2.1 BP神經(jīng)網(wǎng)絡(luò)算法原理

BP神經(jīng)網(wǎng)絡(luò)通常指基于誤差反向傳播算法(BP算法)的多層前向神經(jīng)網(wǎng)絡(luò)[14]。該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)向前傳遞，誤差反向傳播(圖1)。BP神經(jīng)網(wǎng)絡(luò)模型一般分為輸入層、隱層和輸出層，向前傳遞中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響到下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出，直到訓(xùn)練好的網(wǎng)絡(luò)輸出的誤差滿足需求或者達(dá)到設(shè)定的學(xué)習(xí)次數(shù)時(shí)網(wǎng)絡(luò)的迭代進(jìn)程停止，如圖2所示。

圖1 三層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 Topology of three layer neural network

BP神經(jīng)網(wǎng)絡(luò)中的樣本數(shù)據(jù)流是向前計(jì)算，而誤差信號(hào)是反向傳播，采用最速下降法的學(xué)習(xí)規(guī)則，在誤差反向傳播過程中不斷調(diào)整網(wǎng)絡(luò)各層的權(quán)值和閾值，使網(wǎng)絡(luò)輸出結(jié)果的均方差最小。

圖2 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)流程Fig.2 BP neural network implementation process

2.2 模型結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)需要考慮網(wǎng)絡(luò)的層數(shù)和各層節(jié)點(diǎn)數(shù)兩方面。其中，輸入層與輸出層各只有一層，隱藏層的層數(shù)不定，需根據(jù)情況而定。具有一個(gè)隱藏層的BP神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)對(duì)任意函數(shù)的任意逼近，因此，本文選定具有1個(gè)隱藏層的3層BP神經(jīng)網(wǎng)絡(luò)，具體結(jié)構(gòu)：輸入層有7個(gè)節(jié)點(diǎn)，分別是埋深、煤厚、傾角、頂板、底板、煤體強(qiáng)度、夾矸；輸出層為頂煤冒放性的四種分類，所以輸出層為4個(gè)節(jié)點(diǎn)；隱藏層節(jié)點(diǎn)的合理數(shù)目與網(wǎng)絡(luò)預(yù)測結(jié)果的準(zhǔn)確性有密切關(guān)系。節(jié)點(diǎn)數(shù)目太少時(shí)網(wǎng)絡(luò)獲取的信息太少，不足以建立輸入與輸出之間的關(guān)系；節(jié)點(diǎn)數(shù)目太多則增加了訓(xùn)練時(shí)間，還有可能出現(xiàn)過渡擬合現(xiàn)象，隱藏層節(jié)點(diǎn)的選取原則是能在保證輸入與輸出關(guān)系的基礎(chǔ)上盡可能減少隱藏層節(jié)點(diǎn)，根據(jù)Hecht-Nielsen的研究得出，單隱層神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)目為2N+1，其中N為輸入節(jié)點(diǎn)數(shù)，確定隱層節(jié)點(diǎn)數(shù)為15個(gè)。模型結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of BP neural network

2.3 樣本獲取

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本的選擇需注意2個(gè)方面：①樣本要足夠充分；②樣本的沉余度要低。在查閱相關(guān)資料的基礎(chǔ)上，選取中國24個(gè)放頂煤工作面按照地質(zhì)因素對(duì)頂煤冒放性分類的結(jié)果作為本次的網(wǎng)絡(luò)訓(xùn)練及測試的樣本(表1)。其中，1#～20#數(shù)據(jù)為訓(xùn)練樣本，20#～24#數(shù)據(jù)為測試樣本。

文中將煤層頂板情況分為4類，分別為堅(jiān)硬、穩(wěn)定、較穩(wěn)定、不穩(wěn)定；底板情況也分為4類，分別是穩(wěn)定、較穩(wěn)定、不穩(wěn)定、極不穩(wěn)定；煤層按照硬度系數(shù)表示；夾矸情況用含矸率h表示，計(jì)算公式如下式

(1)

式中h為含矸率；n為夾矸層數(shù)；xi為第i層夾矸的厚度，m；X為煤層總厚度,m.

2.4 樣本的處理

由表1所列數(shù)據(jù)，采深值最大為627 m，最小8 m；煤厚值最大45 m，最小3 m；煤層傾角最大89°，最小18°；頂板條件分別用1～4表示其堅(jiān)硬、穩(wěn)定、較穩(wěn)定、不穩(wěn)定4個(gè)類別；底板用1～4分別表示其穩(wěn)定、較穩(wěn)定、不穩(wěn)定、極不穩(wěn)定4個(gè)類別；煤體硬度用堅(jiān)固性系數(shù)表示，最大3.7，最小0.8.含矸率最大為0.23，最小為0；頂煤冒放性四個(gè)類別好、較好、一般、差分別用(1 0 0 0)、(0 1 0 0)、(0 0 1 0)、(0 0 0 1)表示。同時(shí)，為了便于訓(xùn)練，對(duì)上述數(shù)據(jù)進(jìn)行歸一化處理，按照公式(2)將輸入?yún)?shù)的原始數(shù)據(jù)標(biāo)準(zhǔn)化，使所有的數(shù)據(jù)都處在[0，1]范圍內(nèi)，從而使各個(gè)影響因素指標(biāo)值在相對(duì)值空間上距離較近，同時(shí)保持原有數(shù)據(jù)的客觀性。歸一化公式為

(2)

式中pn為各類參數(shù)第n個(gè)歸一化后的數(shù)值；Pn為初始值；Pmax和Pmin分別為各類參數(shù)原始數(shù)據(jù)中的最大值和最小值。處理后數(shù)據(jù)見表2.

表1 網(wǎng)絡(luò)學(xué)習(xí)樣本數(shù)據(jù)Tab.1 Sample data for network learning

2.5 網(wǎng)絡(luò)訓(xùn)練及測試

BP網(wǎng)絡(luò)的訓(xùn)練就是通過應(yīng)用誤差反傳原理不斷調(diào)整網(wǎng)絡(luò)權(quán)值使網(wǎng)絡(luò)模型輸出值與已知的訓(xùn)練樣本輸出值之間的誤差平方和達(dá)到最小或小于某一期望值。Matlab程序已經(jīng)預(yù)先構(gòu)造出多種供BP神經(jīng)網(wǎng)絡(luò)使用的函數(shù)及算法，網(wǎng)絡(luò)設(shè)計(jì)者只需要直接調(diào)用其中的設(shè)計(jì)及函數(shù)即可完成網(wǎng)絡(luò)的訓(xùn)練，大大方便了使用者。因此，文中利用Matlab軟件對(duì)建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。訓(xùn)練過程中，合理的選擇傳輸函數(shù)及算法對(duì)網(wǎng)絡(luò)的準(zhǔn)確性至關(guān)重要，本網(wǎng)絡(luò)其傳遞函數(shù)采用tansig函數(shù)，以增強(qiáng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的適應(yīng)性；輸出層采用對(duì)數(shù)型logsig傳輸函數(shù)；訓(xùn)練函數(shù)采用trainlm函數(shù)，其特點(diǎn)是收斂速度快，誤差小。設(shè)計(jì)訓(xùn)練次數(shù)為5 000次，目標(biāo)精度為1×10-5，學(xué)習(xí)速率為0.01，迭代誤差采用均方誤差來計(jì)算。訓(xùn)練過程如圖4所示。

表2 歸一化后樣本數(shù)據(jù)Tab.2 Normalized sample data

圖4 訓(xùn)練過程(15步自動(dòng)停止)Fig.4 Training process

從圖4中可以看出，該網(wǎng)絡(luò)具有較快的學(xué)習(xí)速度，學(xué)習(xí)迭代到15步時(shí)達(dá)到精度要求。

將測試樣本21，22，23，24代入上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，驗(yàn)證該網(wǎng)絡(luò)的準(zhǔn)確性，測試結(jié)果見表3.從測試結(jié)果可以看出，該神經(jīng)網(wǎng)絡(luò)對(duì)急傾斜煤層頂煤冒放性的預(yù)測具有較高的精度，與實(shí)際值相比較，整體均方差只有0.001，可滿足工程實(shí)際需要。

表3 測試結(jié)果與實(shí)際值比較Tab.3 Comparison of test results with actual values

3 急傾斜煤層耦合致裂方案優(yōu)化

3.1 耦合致裂實(shí)施前急傾斜煤頂煤層冒放性評(píng)估

神新公司堿溝煤礦B1+2煤層煤厚36.4 m，傾角87°，采用水平分段綜采放頂煤工藝進(jìn)行回采。以+495 m水平B1+2煤層工作面為例，工作面段高23 m，機(jī)采高度3 m，放煤高度20 m，現(xiàn)運(yùn)用上述訓(xùn)練完畢神經(jīng)網(wǎng)絡(luò)對(duì)該工作面原始狀態(tài)下的頂煤冒放性進(jìn)行評(píng)估，結(jié)果見表4.

從測試結(jié)果可以看出，原始狀態(tài)下堿溝煤礦+495 m水平B1+2工作面頂煤冒放性差，為第Ⅳ類，與現(xiàn)場實(shí)際情況相符。為了實(shí)現(xiàn)高產(chǎn)高效開采，堿溝煤礦提出采用耦合致裂技術(shù)對(duì)工作面上覆頂煤進(jìn)行弱化，提高頂煤冒放性，增大回采率。

3.2 耦合致裂方案

傳統(tǒng)的頂煤致裂措施主要包括水壓致裂和爆破2種方式[15-17]，并且都在頂煤弱化過程中取得了良好的效果，但在單獨(dú)使用時(shí)，這兩種方式都存在各自的缺點(diǎn)。爆破方式主要缺點(diǎn)是爆破后溫度高、粉塵大，對(duì)工作環(huán)境有較大影響，往往在爆破后較長時(shí)間內(nèi)無法進(jìn)入工作面作業(yè)；水壓致裂存在的主要缺點(diǎn)是致裂效果緩慢，想要達(dá)到所需的致裂效果往往需要較長的時(shí)間，難以保證較高的致裂效率。

表4 原始狀態(tài)下的冒放性評(píng)估Tab.4 Caving evaluation in original condition

耦合致裂技術(shù)是在對(duì)頂煤進(jìn)行注水軟化的基礎(chǔ)上再進(jìn)行爆破處理。相對(duì)傳統(tǒng)的水壓致裂和爆破方式而言，耦合致裂時(shí)提前注水對(duì)煤體進(jìn)行軟化，煤體中的水分可以降低爆破后的溫度及粉塵度，并且在注水弱化基礎(chǔ)上再實(shí)施爆破還可以進(jìn)一步增加裂紋密度，加速頂煤致裂，消除水壓致裂所需的保壓問題，避免了單獨(dú)進(jìn)行爆破或水壓致裂時(shí)的缺點(diǎn)。具體方案如下。

3.2.1 注水方案

在工作面兩巷間每隔300 m施工聯(lián)絡(luò)巷(煤門)，采用液壓鉆機(jī)實(shí)施小孔徑長距離鉆孔，使用高壓注水泵持續(xù)高壓注水壓裂原始煤體，促使煤層層理、節(jié)理進(jìn)一步發(fā)育，達(dá)到注水弱化頂煤效果，提高頂煤冒落性。設(shè)計(jì)每次打3個(gè)注水孔，孔間距12 m，注水孔孔徑65 mm，水平角度7°，孔長160 m，封孔段20 m，如圖5所示。

圖5 耦合致裂示意圖Fig.5 Schematic diagram of coupled fracture

3.2.2 爆破方案

在頂煤注水弱化的基礎(chǔ)上，采用爆破方式進(jìn)一步加大頂煤裂化程度，提高煤體冒放性。設(shè)計(jì)在B2巷使用液壓鉆機(jī)向B1巷方向施工超前預(yù)裂爆破鉆孔，每排布置7個(gè)炮孔，炮孔直徑113 mm，排距4 m，對(duì)工作面上部20 m高度進(jìn)行爆破處理，如圖5所示。

3.3 耦合致裂方案優(yōu)化

為了得出經(jīng)濟(jì)合理的耦合致裂方案，現(xiàn)提出15種不同注水壓力與炸藥單耗下的方案，對(duì)每種方案下頂煤冒放性的改善結(jié)果進(jìn)行預(yù)測分析。

頂煤弱化后，工作面上覆頂煤硬度及夾矸條件發(fā)生改變，頂煤劣化程度按下式計(jì)算。耦合致裂后強(qiáng)度劣化公式表達(dá)式為[4]

f=0.371 6(PQ)0.350 9

(3)

式中P為注水壓力，MPa；Q為裝藥量，kg/m3.將參數(shù)帶入上式，計(jì)算出耦合致裂后頂煤的硬度及夾矸的劣化率，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理后運(yùn)用上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)不同耦合致裂方案下頂煤的冒放性進(jìn)行預(yù)測，具體結(jié)果見表5.

從表5和圖6中可以看出，隨著劣化率的提高，頂煤冒放性逐漸改善，在劣化率達(dá)到43%時(shí)，頂煤冒放性改善效果達(dá)到Ⅰ類，頂煤冒放性良好。

圖6 冒放性變化曲線Fig.6 Variation curve of top coal caving

在考慮到提高炸藥單耗所需的成本遠(yuǎn)遠(yuǎn)高于提高注水壓力的成本的情況，應(yīng)在保證合理的注水壓力的同時(shí)降低炸藥單耗，從而降低施工成本。方案8和9相比，其劣化率都達(dá)到43%，考慮到炸藥的成本遠(yuǎn)遠(yuǎn)高于提高注水壓力所需的成本，相對(duì)而言，方案9比較經(jīng)濟(jì)；方案10～15條件下，頂煤冒放性改善效果都達(dá)到Ⅰ類，方案13和15的炸藥單耗相比方案9減少0.1 kg/m3，但注水壓力分別增大5和7 MPa，現(xiàn)場注水壓裂頂煤時(shí)，其所需的保壓條件難以實(shí)現(xiàn)。綜合分析后，最終選定方案9為最優(yōu)方案。

表5 不同方案下的耦合致裂結(jié)果Tab.5 Coupling cracking results under different schemes

耦合致裂前后工作面回采率統(tǒng)計(jì)如圖7所示。從圖中可以看出工作面在3月份進(jìn)行耦合致裂后，回采率大幅提高，由2月份的55%提高到130%，回采率超過100%，這是因?yàn)樯戏謱娱_采時(shí)未采取耦合致裂措施，回采率低，有大量遺留煤體未被采出，隨著耦合致裂技術(shù)的實(shí)施，本分層頂煤冒放性大大提高，上分層遺留煤體被放出，加大了采出率。同時(shí)，從圖中可以看出采用耦合致裂技術(shù)之后工作面回采率一直處于較高水平，充分說明了頂煤耦合致裂技術(shù)效果明顯。

圖7 回采率統(tǒng)計(jì)Fig.7 Statistics of Recovery ratio

4 結(jié) 論

1)影響頂煤冒放性的因素具有量綱不一，影響程度不明的特點(diǎn)。在地質(zhì)方面的主要影響因素包括煤層采深、煤層傾角、煤厚、頂?shù)装逄匦?、煤層?qiáng)度、含矸率等；

2)在考慮采深、煤層傾角、煤厚等7個(gè)因素的基礎(chǔ)上建立基于BP神經(jīng)網(wǎng)絡(luò)的頂煤冒放性預(yù)測模型，訓(xùn)練和測試表明測試數(shù)據(jù)整體誤差的均方差只有0.001，建立的BP神經(jīng)網(wǎng)絡(luò)可滿足工程實(shí)際預(yù)測的需要，反映出BP神經(jīng)網(wǎng)絡(luò)在頂煤受多因素影響下的頂煤冒放性預(yù)測方面具有較好的預(yù)測精度；

3)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)，針對(duì)堿溝煤礦急傾斜煤層開展15種不同耦合致裂方案下的頂煤致裂效果評(píng)估與耦合致裂方案優(yōu)化，得出隨著煤體劣化率的提高，頂煤冒放性逐漸改善，在劣化率達(dá)到43%時(shí)頂煤冒放性可達(dá)到Ⅰ類，指導(dǎo)工程實(shí)踐。結(jié)合現(xiàn)場實(shí)際和經(jīng)濟(jì)因素得出在注水壓力為5 MPa，炸藥單耗為0.3 kg/m3時(shí)為最優(yōu)方案。堿溝煤礦在此方案下工作面回采率大幅提高，效果顯著。

參考文獻(xiàn)(References)：

[1] 康建兵.BP神經(jīng)網(wǎng)絡(luò)在頂煤冒放性評(píng)估中的應(yīng)用[J].煤炭工程,2011(3):57-59.

KANG Jian-bing.Application of BP neural network to evaluation of top coal cavability[J].Coal Engineering,2011(3):57-59.

[2] 索永錄.堅(jiān)硬頂煤弱化爆破的宏觀損傷破壞程度研究[J].巖土力學(xué),2005(6):893-895.

SUO Yong-lu.Study for macro-damage degree of weakening blast in hard top-coal[J].Rock and Soil Mechanics,2005(6):893-895.

[3] Xie H，Zhou H W.Application of fractal theory to top-coal caving[J].Chaos Solitons and Fractals,2006,24(7):797-807.

[4] 崔 峰,來興平,陳建強(qiáng),等.急傾斜特厚煤巖體耦合致裂應(yīng)用研究[J].巖石力學(xué)與工程學(xué)報(bào),2015,34(8):1569-1580.

CUI Feng,LAI Xing-ping,CHEN Jian-qiang,et al.Application of coupled-cracking technology in inclined and extra-thick coal layer[J].Chinese Journal of Rock Mechanics and Engineering,2015,34(8):1569-1580.

[5] 馬文強(qiáng),王同旭,馬 凱.高韌性煤層綜放開采難冒放機(jī)理及弱化效果研究[J].煤炭科學(xué)技術(shù),2015,43(10):56-60，143.

MA Wen-qiang,WANG Tong-xu,MA Kai.Study on difficult falling mechanism and weakening effect of fully-mechanized top coal caving mining in high ductibility seam[J].Coal Science and Technology,2015,43(10):56-60，143.

[6] 李振華,許延春,李龍飛,等.基于BP神經(jīng)網(wǎng)絡(luò)的導(dǎo)水裂隙帶高度預(yù)測[J].采礦與安全工程學(xué)報(bào),2015,32(6):905-910.

LI Zhen-hua,XU Yan-chun,LI Long-fei,et al.Forecast of the height of water flowing fractured zonebased on BP neural networks[J].Journal of Mining and Safety Engineering,2015,32(6):905-910.

[7] Klose C D,Loew S,Giese R,et al.Spatial predictions of geological rock mass properties based on in-situ interpretations of multi-dimensional seismic data[J].Engineering Geology,2007,93:99-116.

[8] 劉子亮，于妍寧，王雪松，等.基于神經(jīng)網(wǎng)絡(luò)的爆破塊度預(yù)測[J].遼寧科技大學(xué)學(xué)報(bào)，2016，39(4)：303-306，310.

LIU Zi-liang，YU Yan-ning,WANG Xue-song,et al.Prediction of blasting fragmentation based on neural network model[J].Journal of University of Science and Technology Liaoning，2016，39(4)：303-306，310.

[9] WEI Jin-ping,LI Zhong-hua,SANG Pei-miao,et al.Control effect of fracture on hard coal cracking in a full mechanized longwall top call caving face[J].Journal of Coal Science and Engineering,2009,15(1)：38-40.

[10] 夏小剛,黃慶享.急傾斜煤層頂煤可放性因素分析[J].湖南科技大學(xué)學(xué)報(bào),2007,22(1):5-8.

XIA Xiao-gang,HUANG Qing-xiang.Analses of the factors on top coal caving capability in steepcoal[J].Journal of Hunan University of Science and Technology,2007,22(1):5-8.

[11] 王衛(wèi)軍,朱川曲,熊仁欽.急傾斜煤層頂煤可放性識(shí)別的神經(jīng)網(wǎng)絡(luò)模型[J].煤炭學(xué)報(bào),2000,25(1):38-41．

WANG Wei-jun,ZHU Chuan-qu,XIONG Ren-qin.Neural network model for identification of top coal caving in steep seam[J].Journal of China Coal Society,2000,25(1):38-41.

[12] 朱川曲,繆協(xié)興.急傾斜煤層頂煤可放性評(píng)價(jià)模型及應(yīng)用[J].煤炭學(xué)報(bào),2002,27(2):134-138.

ZHU Chuan-qu,LIAO Xie-xing.Evaluation model of top coal caving in steep seam and its application[J].Journal of China Coal Society,2002,27(2):134-138.

[13] 范世民,胡學(xué)軍.放頂煤開采頂煤冒放性分類及其在潞安礦區(qū)的應(yīng)用[J].煤炭學(xué)報(bào),2005,30(2):177-181．

FAN Shi-min，HU Xue-jun．The classification of top coal cavability and its application in Lu’an Mine Area[J].Journal of China Coal Society,2005,30(2):177-181．

[14] 李 云,劉 霽.神經(jīng)網(wǎng)絡(luò)與主元分析在采礦工程中的應(yīng)用[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2010,30(6):140-146.

LI Yun,LIU Ji.Applization of combination of neural networks and principal component analysis in mining engineering[J].Journal of Central South University of Forestry and Technology,2010,30(6):140-146.

[15] 黃炳香,程慶迎,劉長友，等.煤巖體水力致裂理論及其工藝技術(shù)框架[J].采礦與安全工程學(xué)報(bào),2011,28(2):167-173.

HUANG Bing-xiang,CHEN Qing-ying,LIU Chang-you,et al.Hydraulic fracturing theory of coal rock mass and its technical framework[J].Journal of Mining and Safety Engineering,2011,28(2):167-173.

[16] 謝和平,王家臣,陳忠輝,等.堅(jiān)硬厚煤層綜放開采爆破破碎頂煤技術(shù)研究[J].煤炭學(xué)報(bào),1999,24(4):350-354.

XIE He-ping,WANG Jia-chen,CHEN Zhong-hui,et al.Study on top-coal blasting technique of full-mechanized caving in the hard thick coal seam[J].Journal of China Coal Society,1999,24(4):350-354.

[17] 劉 健,劉澤功,高 魁,等.深孔爆破在綜放開采堅(jiān)硬頂煤預(yù)先弱化和瓦斯抽采中的應(yīng)用[J].巖石力學(xué)與工程學(xué)報(bào),2014,33(S1):3361-3367.

LIU Jian,LIU Ze-gong,GAO Kui,et al.Application of deep borehole blasting to top-coal pre-weakening and gas extraction in fully mechanized caving[J].Chinese Journal of Rock Mechanics and Engineering,2014,33(S1):3361-3367.