论文部分内容阅读
煤矿事故统计表明,巷道顶板事故占比是各类事故之首。且随着煤炭资源开采深度和强度的逐年递增,巷道顶板安全问题显得尤为突出。根据巷道顶板岩层特征实时优化支护方案及参数是防止顶板事故发生的重要途径。然而,传统的煤矿巷道顶板岩层探测方法速度慢、成本高,已经不能满足安全、高效、智能化开采的需要。针对上述问题,本文进一步完善了回转式两翼型PDC钻头的破岩机理;通过ANSYS数值模拟软件和现场试验全面分析了在不同岩层中钻进时各钻进参数响应特征;自主研制了随钻参数采集装置,并通过实验室实验提出了岩层类型、岩层界面和裂隙的随钻识别方法。针对现有钻孔成像技术,开发了岩体裂隙智能识别程序,促进了煤矿巷道顶板岩层特征智能化识别的发展,为煤矿智能化发展提供了地质保障。研究主要得出如下结论:(1)通过理论分析、数值模拟和现场试验分析了两翼型PDC钻头破岩机理和钻进响应特征。两翼型PDC钻头的孔底形状为“凸台状”,实际钻进时孔底呈非对称破坏。对于单轴抗压强度在25~98 MPa的岩层,扩孔范围在0.273~2.056mm之间。随着岩石强度增大,扩孔程度有减小趋势。岩屑颗粒大小与钻进效率具有密切关系,当岩屑颗粒尺寸较大时,钻进效率相对较高。推力和扭矩具有相似的变化趋势,随着推力和扭矩增大,钻速也随之增大。推力和扭矩均与钻速呈二次函数关系。转速和声压级具有显著相关性,切削深度和钻速也具有显著相关性。(2)自主研制了随钻实验装置,并通过实验分析了各钻进参数与岩石力学性能间的关系。该实验装置可以实现对位移、扭矩、转速和声压级等参数的实时采集。基于该实验装置,全面分析了钻速、转速、扭矩、声压级、钻进比功、扭矩做功、扭矩做功占比、切削深度等8个指标分别与单轴抗压强度、抗拉强度、内聚力、内摩擦角、弹性模量和泊松比等6种岩石力学参数间的关系。最终得出各钻进指标与各岩石力学参数间的关系模型,为巷道顶板岩层特征随钻识别和岩石力学参数测定提供了参考。(3)提出了巷道顶板岩层类型和岩层界面的随钻识别方法。通过实验室模拟不同岩层钻进过程发现,以钻速和声压级为输入参数,BP神经网络和支持向量机法对岩层类型的识别率分别为89.53%和89.13%。相比于其它钻进参数,以钻速为输入参数,采用变点检测法可以有效识别岩层界面位置。当钻速和声压级呈相似变化趋势时,所钻岩层为同一种岩层;钻速增大,声压级无明显变化或有下降趋势时,钻头遇到了强度较低的岩层;钻进速度减小,声压级无明显变化或有上升趋势时,钻头遇到了强度较高的岩层。(4)分析了钻头穿过裂隙时的响应特征,提出了多参数投票法进行岩体裂隙随钻识别。随着裂隙宽度的增加,当钻头从岩层进入裂隙时,钻孔周围形成的岩石损坏区域有增加趋势。当钻头从裂隙钻入岩石时,钻孔周围无明显的破碎区域。此外,与宽度较小的裂隙相比,当钻头穿过宽度较大的裂隙时,裂隙处的岩屑尺寸更大。提出了非稳定钻进状态下多参数投票法进行裂隙识别。通过实验数据验证发现,多参数投票法对于1mm宽的裂隙识别率较低(37.5%),但对于2mm和3mm裂隙的平均识别率达到96.88%。随着岩石强度的增加,误报率呈逐渐增加趋势。(5)提出了岩层特征灰度值描述法,实现了钻孔成像条件下岩层界面的自动识别。文章中提出的方法一可用于识别岩层界面的位置和倾角,但主要适用于均质、界面清晰、无裂纹干扰的岩层。与方法一相比,方法二无法确定岩层界面的倾角,但方法二抗干扰能力更强,能更准确地识别近水平岩层界面位置。(6)开发了基于钻孔成像条件下岩体裂隙智能识别程序。在6个煤矿进行钻孔成像,得到有效钻孔柱状图454个。将这些图片数据库分为训练集、验证集和测试集,对裂隙形状进行统计后分为正弦状裂隙、纵向裂隙和破碎区,通过对裂隙标注,训练后得到不同类型裂隙识别的最佳模型。在此基础上,开发了后处理程序,通过测试集数据测试结果表明,对三种不同裂隙的平均识别率为88.71%,平均误报率为16.67%。其中,对正弦状裂隙的识别率达86.67%,误报率为13.33%;对纵向裂隙的识别率达88.06%,误报率为23.88%;对破碎区的识别率为91.53%,误报率为11.86%。(7)基于上述研究结论,在汪家寨煤矿、友众煤矿和老母坡煤矿进行工业性试验。研究发现以钻速为输入参数可以实现煤岩界面的准确识别。对于岩层强度、颜色相似岩层,相比于决策树算法,Strucchange模型可以更好的识别岩层界面位置。对于汪家寨煤矿,BP神经网络模型和支持向量机模型的煤岩类型识别率分别为93.69%和92.73%;对于友众煤矿,BP神经网络模型和支持向量机模型的煤岩类型识别率分别为93.40%和85.97%;对于老母坡煤矿复合顶板岩层,BP神经网络模型和支持向量机模型的岩层类型识别率分别为62.85%和61.71%。当岩层强度相差越大时,岩层类型识别率越高。该论文有图143幅,表39个,参考文献190篇。