許夢國 劉紅陽 王 平 程愛平 張威威

(1.武漢科技大學(xué)資源與環(huán)境工程學(xué)院,湖北 武漢 430081;2.冶金礦產(chǎn)資源高效利用與造塊湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430081)

在礦產(chǎn)資源開采過程中,鑿巖鉆孔是井巷掘進(jìn)和開采工序的重要環(huán)節(jié)[1]。一般而言,巖石可鉆性級值表征了礦巖對鉆具破壞的相對抗程度,通常選取平均穿孔速度這一指標(biāo)來評價(jià)。目前,巖石可鉆性研究方法大致有巖石物理力學(xué)參數(shù)法和統(tǒng)計(jì)分析法兩類。前者通過測試巖石的各項(xiàng)物理力學(xué)性能參數(shù)(如肖式硬度值、抗壓強(qiáng)度值、抗拉強(qiáng)度值、研磨性、巖石結(jié)構(gòu)參數(shù)等),來分析各項(xiàng)指標(biāo)與可鉆性級值的相關(guān)性[2-4]。后者采用鑿碎能量法、巖屑分形法、聲波分析法、化學(xué)組分分析法及模糊數(shù)學(xué)理論等,建立數(shù)據(jù)模型來評價(jià)巖石的可鉆性級值[5-7]。由于巖石結(jié)構(gòu)、礦物組分及鑿巖機(jī)工作參數(shù)的差異,可能使得巖石可鉆性級值的預(yù)測產(chǎn)生偏差,導(dǎo)致單一方法無法綜合且客觀地反映巖石的可鉆性。

近年來,不少學(xué)者基于巖石工程系統(tǒng)(RES)理論,通過構(gòu)建核心交互作用矩陣來分析各個參數(shù)之間的作用機(jī)理及路徑[8-9],解決了許多巖石系統(tǒng)工程問題。JIA等[10]首先采用了單一變量影響的二元交互作用矩陣BIM,而后進(jìn)一步構(gòu)建了多因素影響的完全耦合矩陣FCM;SINGH等[11]應(yīng)用神經(jīng)網(wǎng)絡(luò)編碼法研究了不同材料的磨蝕性、可鉆性,為鑿巖機(jī)挑選合適的鉆頭提供了有效參考;劉再斌[12]為研究巖石工程系統(tǒng)底板突水滲流—應(yīng)力耦合作用機(jī)制,引入相互作用過程矩陣,揭示了各影響因素的相對作用大小和方向;余偉健等[13]運(yùn)用綜合相互作用矩陣GIM分析了地下巷道穩(wěn)定性;黃琪嵩等[14]引入相對作用強(qiáng)度矩陣RSE構(gòu)建了礦體自燃危險(xiǎn)性預(yù)測模型。目前,RES理論被廣泛運(yùn)用于解決模糊的、復(fù)雜的巖石系統(tǒng)工程問題,為施工擾動條件下地下巖石性態(tài)預(yù)測提供了新途徑。

巖石可鉆性受自然條件、施工參數(shù)等多種因素影響,且各因素的作用機(jī)理路徑也復(fù)雜多變。不同區(qū)域的巖石構(gòu)造和組分不同,而鑿巖參數(shù)的選擇受人工經(jīng)驗(yàn)影響較大,致使鑿巖穿孔速度受到多方面制約。因此,本研究引入巖石工程系統(tǒng)RES理論,將鑿巖工程視為一個完整系統(tǒng),充分分析系統(tǒng)中的影響因素;運(yùn)用人工神經(jīng)網(wǎng)絡(luò)編碼法構(gòu)建整體交互作用矩陣GRSE來分析整個系統(tǒng)各因素間的交互作用機(jī)理,并綜合分析其主要因素及影響權(quán)值來預(yù)測巖石可鉆性的級值和劃分可鉆性區(qū)域。

1 基于RES理論的巖石可鉆性綜合預(yù)測模型

1.1 RES理論及巖石可鉆性綜合預(yù)測模型

HUDSON于1992年提出的巖石工程系統(tǒng)RES理論,將巖石工程看作一個大系統(tǒng),全面考慮地質(zhì)條件和施工擾動等因素的綜合影響,可用于解決一些并行作用、連續(xù)發(fā)生的實(shí)際工程問題[15-16]。在界定好的系統(tǒng)范圍內(nèi),自上而下地分解構(gòu)造巖體行為模型。根據(jù)目標(biāo)確定需要的全部必要變量,選取狀態(tài)變量越多,分解就越細(xì),預(yù)測效果就越接近實(shí)際。該理論被成功用于分析巖石工程中相關(guān)參數(shù)的的全耦合機(jī)制、非線性耦合機(jī)制及對系統(tǒng)目標(biāo)的綜合影響等問題[17-18]。有別于傳統(tǒng)模型,RES理論分析模型注重研究整個巖石工程的各個因素及其交互作用,而非系統(tǒng)內(nèi)部各組成部分的精確性。相比之下,RES理論分析模型具有更好的預(yù)測能力。

1.2 綜合交互作用矩陣構(gòu)建及編碼

為了定量描述巖石工程系統(tǒng)中各個變量之間的交互作用強(qiáng)度大小和方向,需要對GRSE矩陣進(jìn)行編碼。目前,表征非對角線的單元重要性的編碼方法主要有二元法(0～1)、專家半定量(ESQ)、曲線斜率法(xi-yi)、偏微分求解法(PDE)、完全數(shù)值分析法和人工神經(jīng)網(wǎng)絡(luò)法(ANN)[19]。目前應(yīng)用最成熟、最廣泛的是BP人工神經(jīng)網(wǎng)絡(luò)法[20],能夠具體反應(yīng)各輸入變量對各輸出變量的復(fù)雜作用關(guān)系,原理如圖1所示。

圖1 體現(xiàn)輸入?yún)?shù)對輸出參數(shù)影響的3層BP網(wǎng)絡(luò)Fig.1 Three-layer BP network reflecting the degree of influence of input parameters on output parameters

對于訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型,某輸入節(jié)點(diǎn)i對某輸出節(jié)點(diǎn)k的整體交互作用強(qiáng)度GRSEki的計(jì)算公式為

式中,C為使得輸出的GRSEki最大值為1的規(guī)范化系數(shù);j1,j2,…,jn分別為隱含層上相應(yīng)的節(jié)點(diǎn);W為連接層間節(jié)點(diǎn)之間的權(quán)值;n為節(jié)點(diǎn)數(shù)。

由式(1)可知,訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的GRSEki值大小只與W值有關(guān),即為一個靜態(tài)不變量。

通過整體作用強(qiáng)度GRSEki即可建立相應(yīng)的整體交互作用GRSE矩陣:

1.3 巖石可鉆性影響因素綜合分析

通過綜合分析程潮鐵礦地質(zhì)條件和巷道中深孔臺車液壓鑿巖機(jī)的工作資料,發(fā)現(xiàn)礦巖可鉆性的影響因素十分復(fù)雜,主要包括巖體自身工程地質(zhì)條件和鑿巖施工工作參數(shù)等。硬質(zhì)礦物(如石英和磁鐵礦)、較高的巖石質(zhì)量指數(shù)(RQD)等都能明顯地降低鑿巖穿孔速度。鑿巖施工參數(shù)(如推進(jìn)壓力、沖擊壓力、旋轉(zhuǎn)速度等)的選擇直接影響了鑿巖效率。此外,其他硬質(zhì)礦物組分如長石、斜長石以及硬度相當(dāng)?shù)牡V物含量可以轉(zhuǎn)換為石英含量,本研究采用等效石英含量(Equivalent Quartz Content,EQC)來反映石英和其他硬質(zhì)礦物的總含量。

將以上因素細(xì)化為9種影響因素:①巖石物理力學(xué)性質(zhì)參數(shù),抗壓強(qiáng)度UCS(X1)、抗拉強(qiáng)度T(X2)、巖石質(zhì)量指標(biāo)RQD(X3);②鑿巖機(jī)工作參數(shù),推進(jìn)壓力F(X4)、沖擊壓力P(X5)、旋轉(zhuǎn)速度R(X6);③主要礦物組分含量,石膏含量CS(X7)、等效石英含量EQC(X8)、鐵礦石品位TFe(X9)。在礦巖鑿巖穿孔過程中,這些影響因素共同組成了整個鑿巖系統(tǒng),系統(tǒng)中所有因素變化對鑿巖平均穿孔速度(Y)變化有著直接、間接的影響。各影響因素變量和平均穿孔速度的歸一化值見表1。

表1 各因素變量及平均穿孔速度的歸一化值Table 1 Normalized values of influencing factors and average perforation speed

1.4 基于BP網(wǎng)絡(luò)的交互作用矩陣構(gòu)建

由已知地質(zhì)資料結(jié)合現(xiàn)場實(shí)際鑿巖施工情況,收集了35個樣本見表2(限于篇幅,只列出10個樣本)。將以上9個影響因素的變量參數(shù)值及對應(yīng)的平均穿孔速度組合為一整個樣本集L,記為L={l1,l2,…,lr},其中l(wèi)r={Xr,Y},r為工程樣本編號。將前30個樣本作為學(xué)習(xí)樣本,余下的5個樣本作為檢測樣本。

表2 部分礦巖樣本的因素變量及平均穿孔速度的歸一化參數(shù)值Table 2 Normalized parameter values of influencing factors and average perforation speed of some iron ore samples

利用MATLAB軟件提供的人工神經(jīng)網(wǎng)絡(luò)工具箱建立BP神經(jīng)網(wǎng)絡(luò)模型。BP網(wǎng)絡(luò)層間節(jié)點(diǎn)激活函數(shù)采用對數(shù)“S”型函數(shù)Log-Sigmod,權(quán)值調(diào)整學(xué)習(xí)算法采用trainlm函數(shù)。該網(wǎng)絡(luò)模型采用3層網(wǎng)絡(luò)結(jié)構(gòu),由影響因素組成的輸入節(jié)點(diǎn) (X1～X9)和輸出節(jié)點(diǎn)(X1～X9)都是9個,隱含層節(jié)點(diǎn)數(shù)取12個,即為“9—12—9”的網(wǎng)絡(luò)結(jié)構(gòu)。當(dāng)學(xué)習(xí)步數(shù)達(dá)到400時,檢測誤差達(dá)到了10-2,說明此時網(wǎng)絡(luò)模型精度良好。用余下的5個樣本進(jìn)行檢驗(yàn),誤差不超過20%。將訓(xùn)練完畢的網(wǎng)絡(luò)權(quán)值W代入式(1)、式(2)計(jì)算得出各影響因素的整體交互作用矩陣GRSE,見表3。

表3 各影響因素整體交互作用GRSE矩陣Table 3 General interaction GRSE matrix of each influencing factor

表3中對角線上的項(xiàng)GRSEki(k=i)表示為影響因素對自身的作用,可取值為1。非對角線對應(yīng)項(xiàng)表示輸入?yún)?shù)對輸出參數(shù)的作用強(qiáng)度GRSEki(k≠i)大小,對應(yīng)項(xiàng)的符號表示其復(fù)合交互作用。例如,GRSE91、GRSE92為鐵礦石品位 (X9)對應(yīng)巖石抗壓強(qiáng)度(X1)、抗拉強(qiáng)度(X2)正號項(xiàng),表示前者對后者推動作用的程度值。表3中的大多數(shù)項(xiàng)并不為0,可見各參數(shù)間的相互作用非常復(fù)雜。表3數(shù)據(jù)可用圖2進(jìn)行表示。

圖2 整體交互作用強(qiáng)度GRSE矩陣的三維柱狀圖Fig.2 3D histogram of general interaction GRSE matrix

1.5 礦巖鑿巖系統(tǒng)的綜合作用因素分析

本研究定義各因素對整個系統(tǒng)的綜合影響程度值Si,并繪制了作各因素對系統(tǒng)的綜合影響直方圖,如圖3所示。

式中,Si為綜合影響程度值;GRSEki為輸入節(jié)點(diǎn)i對輸出節(jié)點(diǎn)k的綜合交互作用強(qiáng)度值;i=1,2,…,9;n為節(jié)點(diǎn)總數(shù)。

由圖3可知:抗壓強(qiáng)度、抗拉強(qiáng)度、RQD、沖擊壓力、EQC和鐵礦石品位對鑿巖系統(tǒng)的影響表現(xiàn)積極,即對其他影響因素具有推動作用;而推進(jìn)壓力、旋轉(zhuǎn)速度、石膏含量對其他因素有減弱作用。影響系統(tǒng)的主要因素為抗拉強(qiáng)度、RQD、石膏含量、鐵礦石品位。其中,鐵礦石品位、石英含量和RQD與巖石抗壓強(qiáng)度、抗拉強(qiáng)度成正相關(guān);石膏含量與巖石抗壓強(qiáng)度、抗拉強(qiáng)度成負(fù)相關(guān);沖擊壓力與推進(jìn)壓力和旋轉(zhuǎn)速度關(guān)聯(lián)性較強(qiáng)。

1.6 巖石可鉆性的主要影響因素分析

為進(jìn)一步研究影響巖石可鉆性的主要因素,同樣采取上述訓(xùn)練法,此時網(wǎng)絡(luò)模型具有9個輸入節(jié)點(diǎn)(X1～X9)和一個輸出節(jié)點(diǎn)Y(平均穿孔速度),即“9—12—1”的網(wǎng)絡(luò)結(jié)構(gòu)。同樣選用30個樣本進(jìn)行模式識別研究,當(dāng)?shù)綌?shù)達(dá)到150時,輸出參數(shù)和目標(biāo)參數(shù)的誤差達(dá)到10-2,這說明網(wǎng)絡(luò)性能良好。用余下的5個樣本進(jìn)行檢驗(yàn),誤差不超過15%。

由所訓(xùn)練后的網(wǎng)絡(luò)模型可得出各因素對巖石可鉆性的影響值,如圖4所示。由圖4可知:RQD、石膏含量、鐵礦石品位和沖擊壓力可鉆性影響值絕對值最大?？箟簭?qiáng)度、抗拉強(qiáng)度、RQD、沖擊壓力和鐵礦石品位對礦石可鉆性的影響為正值,說明其參數(shù)值輸入越大,礦巖可鉆性輸出值越大,礦巖抵抗鉆具破碎的能力越強(qiáng);而石膏含量、推進(jìn)壓力、旋轉(zhuǎn)速度對礦巖可鉆性的影響為負(fù)值,說明其參數(shù)輸入值越大,礦巖可鉆性的輸出值越小,礦巖抵抗鉆具破碎的能力越弱。將各因素的影響值代入式(4)計(jì)算得各因素對巖石可鉆性的影響值Ui。其中,RQD、石膏含量、鐵礦石品位和沖擊壓力對礦巖可鉆性的影響值Ui分別為 0.18、-0.17、0.13、0.14。

圖4 各因素對礦石可鉆性的影響Fig.4 Influence of each factor on the drillability of iron ore

2 工程應(yīng)用及結(jié)果分析

2.1 工程概況

程潮鐵礦位于鄂州長江中下游成礦帶,開采礦床屬于接觸交代矽卡巖型礦床。礦體下盤主要為斑狀花崗巖、矽卡巖和石英斑巖,上盤主要為閃長巖、大理巖和矽卡巖等,上下盤之間存在部分夾石。礦石構(gòu)造主要分為浸染狀構(gòu)造、斑塊狀構(gòu)造、塊狀構(gòu)造及角礫狀構(gòu)造等。礦石中金屬礦物主要有磁鐵礦,其次為石英、角閃石、斑巖、長石、硬石膏及石膏等。礦體以15號勘探線為界分為東區(qū)和西區(qū)2個礦區(qū),在-430 m水平段,礦體平均厚度50 m,傾角30°。西區(qū)礦石平均品位為42.37%,東區(qū)礦石平均品位為50.3%。

2.2 巖石可鉆性級值

為了對-430 m水平巖石可鉆性區(qū)域進(jìn)行分級,將收集的樣本集L的可鉆性級值進(jìn)行分類,繪制了巖石可鉆性級值Kp指標(biāo)點(diǎn)值分布圖(圖5),圖中表示了各個輸入狀態(tài)下對應(yīng)的Kp值。

圖5 工程樣本的K p指標(biāo)點(diǎn)值分布Fig.5 Distribution of the K p indicator point values of engineering samples

根據(jù)礦巖實(shí)際平均穿孔速度(Y)及Kp值將礦巖的可鉆性等級劃分為易、中等、難和極難(Ⅰ、Ⅱ、Ⅲ和Ⅳ)4種狀態(tài),并由實(shí)際樣本得出各個輸入狀態(tài)下Kp值范圍以及礦巖特征描述,見表4。

表4 各類礦巖的K p值及其特征Table 4 K p value and characteristics of various ore rocks

式中,Kp為礦巖可鉆性分類指標(biāo)值;lr為第r個樣本的各個影響因素值Xi;Ui為各因素對巖石可鉆性的影響值。

2.3 巖石可鉆性區(qū)域分級及應(yīng)用

巖石力學(xué)性質(zhì)、礦物組分和鑿巖工作參數(shù)綜合影響了鑿巖穿孔效率,礦區(qū)內(nèi)不同區(qū)域的礦巖巖石力學(xué)性質(zhì)和化學(xué)組分持續(xù)變化,鑿巖工作參數(shù)也在變動。因此,礦山巖石可鉆性區(qū)域分級具有實(shí)際工程意義。通過對程潮鐵礦-430 m水平礦巖物理力學(xué)性質(zhì)、鑿巖工作參數(shù)和主要礦物組分含量的綜合分析,計(jì)算出礦巖可鉆性的綜合指標(biāo)值Kp,根據(jù)預(yù)測結(jié)果將該水平分為4類礦巖可鉆性預(yù)測區(qū)域,如圖6所示。硬質(zhì)礦巖需要的破巖沖擊能量較高,適配低推進(jìn)力、高沖擊壓力、低旋轉(zhuǎn)速度的鑿巖臺車工作參數(shù);而軟巖、中等硬質(zhì)礦巖需要的破巖沖擊能量較低,鑿巖臺車工作參數(shù)需要調(diào)整為高推進(jìn)力、低沖擊壓力、高旋轉(zhuǎn)速度,因此現(xiàn)場應(yīng)根據(jù)不同分區(qū)調(diào)整鑿巖施工參數(shù)。因鑿巖工藝適應(yīng)了不同區(qū)域的具體情況,鑿巖工效得到了普遍提高,臺班穿孔效率提高了15%～20%。

圖6 礦巖可鉆性分區(qū)結(jié)果Fig.6 Zoning results of iron ore and rock drillability

3 結(jié) 論

(1)基于巖石系統(tǒng)工程RES理論,采用神經(jīng)網(wǎng)絡(luò)編碼法建立了各因素整體交互作用強(qiáng)度矩陣GRSE,提出了巖石可鉆性綜合預(yù)測方法。充分考慮了巖石物理力學(xué)性質(zhì)、鑿巖工作參數(shù)和礦巖組分含量對巖石可鉆性的影響,較之傳統(tǒng)研究方法更加科學(xué)合理,其預(yù)測結(jié)果與現(xiàn)場實(shí)際情況較為吻合。

(2)建立了基于RES理論的巖石可鉆性綜合預(yù)測模型,確定了主要影響因素RQD、石膏含量、鐵礦石品位和沖擊壓力對巖石可鉆性的影響權(quán)值Ui分別為 0.18、-0.17、0.13、0.14,并劃分了礦巖可鉆性預(yù)測區(qū)域,指導(dǎo)現(xiàn)場鑿巖施工。現(xiàn)場據(jù)此優(yōu)化了鑿巖參數(shù)和工藝,鑿巖效率提高了15%～20%,取得了比較好的效果。

(3)為了持續(xù)提升巖石可鉆性的預(yù)測精度,可進(jìn)一步細(xì)化影響因素指標(biāo),增加樣本數(shù)量和強(qiáng)化機(jī)器設(shè)備的深度學(xué)習(xí)能力,推動智慧鑿巖研究深入開展。