Study on advance detection of geological anomaly in development roadway based on Rayleigh wave technology
-
摘要:
巷道掘进穿过陷落柱等构造区时，极易发生煤矿安全事故。采用瑞利波技术，对漳村煤矿480采区开拓大巷8#联巷掘进迎头进行超前探测。首先，基于简谐波波动位移方程、频谱分析技术计算出波的相速度，以相速度为横坐标，相速度对应波的半波长为纵坐标，理论计算得到了频散曲线；基于有限差分（FDM）方法得到了瑞利波在陷落柱与围岩交界处会发生能量聚集，并验证了瑞利波能量衰减较慢，传播速度慢。其次，根据矿井地质资料、巷道掘进的实际生产情况，确定采用整体观察距离为3.5 m的布置方式开展瑞利波地质构造探测。最终，采用频散曲线与煤层深度剖面综合分析方法，得出漳村煤矿开拓大巷8#联巷地质构造有3处异常，分别位于探测点前方20～30 m、35～45 m、55～65 m。研究结果有效指导了开拓大巷8#联巷的安全掘进。
Abstract:Coal mine safety accidents are very likely to occur when the roadway is excavated through tectonic areas such as collapsed pillars. In this paper, Rayleigh wave technology is used to carry out advance detection in heading face of No.8 joint roadway in Zhangcun Coal Mine 480# mining area. Firstly, the phase velocity of the wave is calculated based on the simple harmonic fluctuation displacement equation and spectral analysis technique, and the dispersion curve is obtained by theoretical calculation with the phase velocity as the horizontal coordinate and the half-wavelength of the wave corresponding to the phase velocity as the vertical coordinate. Based on the finite-difference （FDM） method, we obtained that Rayleigh waves would gather energy at the junction of the collapse column and the surrounding rock, and verified that the Rayleigh wave energy decays slowly and propagates slowly. Secondly, according to the mine geological data and the actual production situation of roadway excavation, it is determined that the overall observation distance is 3.5 m to carry out the Rayleigh wave geological structure detection. Finally, using the comprehensive analysis method of the dispersion curve and the coal seam depth profile, it is concluded that there are 3 anomalies in the geological structure of the 8# connecting roadway in Zhangcun Coal Mine, which are located at 20-30 m, 35-45 m, and 55-65 m respectively. The results of this study effectively guide the safe driving of No.8 combined roadway.
-
CO气体无色无味，不易察觉，当超过一定浓度时存在爆炸危险，对井下工作人员的健康造成威胁，是煤矿开采过程中的安全隐患[1-2]。采用 CO 分析仪对煤矿 CO 进行及时的检测预报[3-5]，对煤矿的安全生产具有重要的作用。针对 CO 分析仪的抗干扰能力进行研究，提高 CO 气体分析仪的可靠性及精度[6]，为煤矿的安全生产提供保障。
目前，气体检测技术手段[7-9]主要包括催化燃烧式、热导式、光干涉式、电化学式等各类分析仪检测技术，以及色谱分析技术、光谱分析技术（傅里叶变换红外光谱FTIR、非分散红外光谱NDIR、可调谐半导体激光吸收光谱TDLAS、紫外差分吸收光谱UV-DOAS等）。国内外相关学者针对CO灾害气体选用不同的光谱分析技术，在提高气体检测精度和交叉干扰方面开展了大量的研究工作。TELEZHKO V M等[10]综述了气体分析仪用于测量工作区空气中有毒物质含量的优缺点；伍龙等[11]利用NDIR技术对煤矿井下CO进行定量探测，配合最小二乘法测量相对误差均小于5%，并提出对实验装置进行加热处理，可以降低反射池中的水汽含量，进而将水汽干扰降到最低；TAN等[12]利用NDIR技术对不同浓度范围的CO开展实验研究，提高了气体检测精度，检测误差降低到±0.05%；杜京义等[13]在温度和压力不稳定的情况下检测痕量CO浓度，针对测试出现的偏差，采用BP神经网络以及GA和PSO算法优化BP神经网络3种模型对CO浓度做出温压补偿，最后得出PSO优化BP神经网络效果最佳，测试相对误差缩小到1.55%；田富超[14]在检测煤矿井下气体浓度时建立了温度补偿后的矿用NDIR气体分析仪浓度计算模型，修正了传统意义上的朗伯比尔定律，降低了煤矿井下气体浓度受温度变化影响产生的误差，使得检测气体的精确度和可靠性取得了明显的改善；石锦涛[15]开展了高精度有毒有害气体的浓度检测技术研究，研发了可以同时测量多组分有毒有害气体浓度的检测样机，对CO气体进行低浓度检测，精度达到了0.1×10−6级别，单点光谱响应时间为0.001 368 s，非线性度为0.155 84；王前进等[16]提出的支持向量回归模型，在高浓度CH4环境下，微量CO气体绝对误差低于2×10−6；梁运涛等[17]、TIAN等[18]提出了不同温差下零点校正吸光度温度补偿方法，建立了温度补偿后矿用NDIR分析仪浓度定量分析模型，大大降低了因环境温度变化产生的系统误差；赵晓虎等[19]利用多路复用的锁相技术，设计了一套可以在线监测CO等煤自燃指标性气体的系统，并且在实验室分别测试得出系统对CO气体最低检出限可达0.12%。
以上学者选用了不同技术手段，在提高CO气体检测精度、灵敏度和降低测试误差方面取得了很大的成就，但是在复杂工况下分析精度欠缺，现有的温度补偿方法存在未考虑到现实环境温度变化复杂的问题，比如矿井生产环境会受季节更替影响，使得矿井温度一年四季会发生很大变化，进而导致分析仪产生较大偏差，不能准确分析待测气体组分和浓度。因此，搭建了试验平台，开展了分析仪精度分析测试，在变温条件下开展了不同体积分数CO气体分析仪温度补偿验证试验，进而建立了GA优化BP神经网络算法，有效降低了不同环境温度下气体浓度测试误差，提高了气体测试精度。
1. 实 验
1.1 实验平台
实验平台主要包括CO气体分析仪、标准气体、高精度配气仪以及数据采集平台。CO气体分析仪工作原理基于NDIR技术，量程为0～
1000 ×10−6，设置气体流经分析仪的流量为500 mL/min，避免气体流速太快带走热量，使分析仪内部温度发生明显变化。标准待测CO气体体积分数为1000 ×10−6，N2体积分数为99.999%，首先经过高精度配气仪，配比所需不同体积分数的目标气体；接着目标气体经过PU管进入CO分析仪；最后排出分析仪。数据采集平台将CO分析仪信号输出端与数据采集平台连接，可以实时传输分析仪测试气体的体积分数、分析仪温度以及测量次数。实验平台如图1所示，平台可以完成分析仪的标校和测试过程，为进一步分析气体精度和稳定性提供数据支撑。1.2 实验步骤
1）检查设备状态。分析仪开机预热30 min，确保吸收池温度参数基本保持不变。
2）测试前对分析仪标定。配比标准气体：采用高纯N2作为背景气体，使用高精度配气仪配比CO标准混合气体；仪器标零：通入的N2体积分数为99.999% ，标零之前，CO气体分析仪数据在0上下漂移；标零后，标定数据全部归零；仪器标量程：标量程时为确保待测气体精确性，最好选用满量程80%的标准气体，即选用的标准CO气体体积分数为800×10−6，在进气口先后通入N2、CO、N2，控制气体流速为500 mL/min，选择不同体积分数的CO气体通气5 min，待分析仪输出示数稳定后，点击标量程。
3）标校结束后，对分析仪精度和稳定性进行测试，采用类似于标量程的方法，通入配制好的待测气体，每组待测气体重复测试不低于360次，每次测试需要0.6 s完成，测试完毕后使用背景气体吹扫，排出分析仪内部残余的杂质气体。
1.3 分析方法
分析方法主要包括对比分析硬件温度补偿前后的误差，进而确定合适的补偿温度，通过改变环境温度，验证硬件温度补偿的可靠性，发现环境温度变化对硬件温度补偿后的传感器精度测试偏差较大，进而提出一种GA-BP神经网络补偿方法，并对比分析补偿前后的精度，发现神经网络补偿以后的传感器精度显著提高，最终实现井下不同环境温度条件下CO的精准测试，实验分析过程如图2所示。
根据式（1）～式（4）分别计算第$ i $次测试的绝对误差Wi、平均绝对误差值MAE、均方误差MSE和均方根误差RMSE。
$$ W_{i}=X_{i}-C $$ (1) $$ \mathrm{MAE}=\left|\sum_{i=1}^{i=a}X_i-nC\right|/n $$ (2) $$ {\mathrm{M S E}}=\sum_{i=1}^{i=n}\left(X_{{i}}-C\right)^{2} / n $$ (3) $$ {\mathrm{R M S E}}=\sqrt{\sum_{i=1}^{i=n}\left(X_{{i}}-C\right)^{2} / n} $$ (4) 式中：n为测试次数；Xi为第i次的测试体积分数值（i≤n，$ {i} \in N^{+} $），10−6；C为标准气体实际体积分数，10−6；Wi为第i次测试的绝对误差，10−6；MAE为平均绝对误差值，10−6；MSE为均方误差，（10−6）2；RMSE为均方根误差，10−6。
2. 实验结果
实验根据MT/T 757—2019《煤矿自然发火束管监测系统通用技术条件》[20] 进行，煤矿火灾气体监测仪器主要技术指标见表1。
表 1 煤矿火灾气体监测仪器主要技术指标Table 1. Standard technical indexes of fire gas monitoring system气体 体积分数
测量范围/10−6最大允许误差 CO 0～ 1000 0～100×10−6：±4×10−6 >100×10−6～500×10−6：±真值的5%
>500×10−6：±真值的6%2.1 加热温度
将未加热的CO分析仪分别放入高、低温试验箱，调节加热温度范围为25～55 ℃，测试温度每间隔5 ℃开展1组实验，选取标准CO气体体积分数为800×10−6，不同条件下的测试总时间为30 min，每组测试时间间隔5 min，求解多次测试结果的平均值得到测试结果，确保实验结果的准确性和可靠性，经过实验测试发现，分析仪精度随环境温度的变化而变化。分析仪加热温度对其测试精度的影响如图3所示。
![]()
图 3 分析仪加热温度对其测试精度的影响Figure 3. Influence of heating temperature of sensor on its test accuracy通过多次测试发现：CO分析仪在加热温度为25～55 ℃范围内得到的CO体积分数测试值在700×10−6～950×10−6之间；加热温度为45 ℃时，得到的CO体积分数测试值最接近CO体积分数真实值800×10−6；其他加热温度下的体积分数测试绝对误差逐渐朝着45 ℃收敛。因此，CO分析仪的最佳工作温度为45 ℃。
2.2 温度补偿前后分析仪的精度
采用搭建的试验平台，对CO分析仪精度和稳定性开展实验测试，CO标准气体体积分数分别为10×10−6、100×10−6、500×10−6，每组分别进行360次重复性测试，确保实验数据的稳定性，分别得到了分析仪未加热补偿前和补偿后加热温度保持在45 ℃后理想的测试结果，测试结果如图4所示。
由图4可知：通过多次重复测试，温度补偿前，CO体积分数为10×10−6时的测量基本误差在（10～140）×10−6之间；CO体积分数为100×10−6时的测量基本误差在0～35×10−6之间；CO体积分数为500×10−6 时的测量基本误差在（100～140）×10−6之间，不满足MT/T 757—2019《煤矿自然发火束管监测系统通用技术条件》（表1）要求的最大允许误差。温度补偿后，CO体积分数为10×10−6 时的测量基本误差在0～3.5×10−6之间，CO体积分数为100×10−6时的测量基本误差在0～4.9×10−6之间，CO体积分数为500×10−6 时的测量基本误差在0～9×10−6之间，加热以后的CO分析仪对应体积分数下测试结果均优于表1中要求的最大允许误差，分析仪检测精度明显提高。
CO分析仪在稳定环境条件下，通过内部的恒温加热装置，使吸收池温度控制在45 ℃的恒定范围内，确保环境气体在流经吸收池的温度几乎不变，保证了温度补偿系数几乎不发生改变，进而可以达到气体检测精度高，检测下限低的效果。然而，煤矿环境条件往往更加复杂，需要进一步开展变温条件下分析仪温度补偿验证试验。
2.3 分析仪精度验证
实际应用过程中，添加恒温加热装置的分析仪在极度寒冷的环境下，往往不能满足前文提到的使分析仪内部温度恒定保持在45 ℃左右，这样就使得加温后稳定的温度补偿系数再次发生变化，导致分析仪测试精度再次发生偏移。基于此种现状，开展在高低温试验箱模拟环境温度，将稳定加热到45 ℃的CO分析仪放入高低温试验箱，调节环境温度为−15～45 ℃，每隔5 ℃开展1次系统测试，通过改变环境温度，测试分析仪的精度和稳定性。
选用真实CO体积分数分别为0、200×10−6、400×10−6、600×10−6、800×10−6、
1000 ×10−6开展实验测试，待测试数据稳定后，记录环境温度、CO分析仪温度以及CO分析仪体积分数测试结果。选取1 000组现场实验测试数据的平均值为最终测试CO平均体积分数，CO分析仪现场测试结果见表2。表 2 CO分析仪现场测试结果Table 2. Field test results of CO sensor环境
温度/℃分析仪
温度/℃测试CO体积分数/10−6 真实CO体积
分数为0真实CO体积分数为
200×10−6真实CO体积分数为
400×10−6真实CO体积分数为
600×10−6真实CO体积分数为
800×10−6真实CO体积
分数为1000 ×10−6−15 36.86 0.031 167.374 345.342 523.763 705.240 888.562 −10 41.67 0.100 188.799 380.130 564.312 734.173 926.701 −5 42.74 0.065 189.413 382.619 573.535 756.333 945.001 0 43.81 0.032 182.439 369.799 557.956 740.229 930.621 5 43.97 0.085 191.736 386.633 580.773 768.975 951.167 10 44.14 0.140 193.445 388.158 578.787 759.458 939.032 15 44.30 0.084 188.776 380.256 566.457 747.424 927.255 20 44.47 0.028 184.107 372.355 554.126 735.390 915.477 25 44.63 0.032 189.284 391.139 589.060 789.507 975.881 30 44.75 0.031 189.058 380.820 573.404 749.894 944.670 35 44.96 0.032 187.496 380.209 571.560 766.234 953.314 40 45.05 0.030 190.026 385.108 582.758 778.493 963.301 45 46.26 0.066 189.042 385.634 576.686 761.840 951.291 在CO分析仪内部添加独立的控温加热装置，可以最大限度地克服环境温度变化（比如环境温度−15 ℃，分析仪温度可达36.86 ℃），CO 温度拟合曲线如图5所示。随着环境温度T1的升高，分析仪温度T2上升趋势逐渐变平缓，采用线性公式拟合，拟合度高达
0.97702 。环境温度对分析仪测试精度的影响曲线如图6所示。从图6可以看出，环境温度对分析仪精度影响没有表现出非常明显的规律，在同一温度下，不同体积分数气体测试值变化规律一致，CO气体体积分数越大，环境温度对分析仪测试精度影响越大。
![]()
图 6 环境温度对分析仪测试精度的影响曲线Figure 6. Curves of the influence of ambient temperature on the accuracy of sensor test3. 数值模型
分析仪固定加热温度补偿技术，在一定程度上使得红外分析仪精度得到了显著提升，可以应用于环境温度相对稳定的工作场景中。然而，煤矿环境温度变化复杂，倘若使用硬件加热温度补偿的方式，可能导致分析仪出现信息误报，安全无小事，须引起高度重视。因此，还需要进一步开展分析仪精度优化研究。基于此，开展人工神经网络分析仪精度优选方法研究，建立一种GA-BP神经网络温度补偿模型，并选取小样本数据加以训练，以期达到煤矿气体检测数据优化、体积分数修正、信息融合等效果，最大程度降低分析仪精度受外界环境温度变化的影响。
3.1 GA-BP神经网络模型
人工神经网络（Artificial Neural Network，ANN）是建立在生物神经网络基础上的数据处理模型。模型将计算大量人工神经元的组合关系，根据外界约束条件调整自身的结构功能，通过改变神经元之间的权值对输入数据建立模型，利用模型约束输出数据，进而解决复杂非线性关系等实际问题。
误差反向传播（Error back propagation, BP）神经网络结构是一种多层传播的前向网络，学习方式为有监督学习网络。建立BP神经网络需要确定BP神经网络层数、每层神经元个数以及各层之间的权值系数，接着训练输入输出样本集，调整BP神经网络的权值和阈值，进而实现给定的输入、输出映射关系，给出正确的输出值。BP网络包含输入层、输出层和隐含层。设置输入层节点t（t=N）个，隐含层节点j（j≥5）个，输出层节点k（k=2）个，多层的网络设计，可以完成更复杂的求解任务。双隐含层的BP神经网络结构如图7所示。
遗传算法 (Genetic Algorithm，GA)[21]是通过借助模型仿真运算，将如何解决问题的具体过程转化为达尔文进化论中染色体遗传基因选择、交叉、变异的具体过程。在处理优化问题时，GA能够体现出更快更准确地优化效果[22]，GA运算过程如图8所示。
单独的BP神经网络存在分类效果差、收敛速率慢、预测数据过拟合等问题。对此，提出GA-BP神经网络的多参量补偿方法，这种模型相比于其他分析方法的特点是：融合了神经网络的非线性拟合能力和遗传算法的全局搜索能力；遗传算法可以用于优化神经网络的权重和结构，以获得更好的性能。遗传算法是一种全局搜索算法，它可以帮助模型避免陷入局部最优解；BP神经网络以及其改进版本通常需要大量的训练数据，而GA-BP模型可以在有限的数据情况下表现出色；模型可以自适应地调整神经网络的结构和参数，以适应不同的温度补偿问题。GA-BP模型具有自适应性，减少了对人工参数调整的依赖。通过全局搜索和数据驱动方法，可以更好地泛化到未见的数据，从而提高了模型的实用性。GA-BP神经网络技术原理如图9所示。
将输入数据初始值经BP神经网络编码得出BP神经网络的权值、阈值长度，通过GA、BP神经网络进行多次迭代，获取最优权值、阈值，即不断更新BP神经网络的阈值、权值。通过GA-BP神经网络温度补偿优化模型对现场试验中得到的温度、体积分数测试值和体积分数真实值进行数据融合，计算全局最优结果。具体步骤如下：
1）数据清零初始化。
2）确定输入数据并进行预处理，导入待分析数据，将数据按特征指标进行划分，将温度、体积分数测试值作为输入数据，体积分数真实值作为输出数据，统计全部样本数目为N个，设定测试样本数目为w个，训练样本数目计算为（N-w）个。
3）划分BP神经网络的训练集与测试集。
4）得出初始BP神经网络权值阈值长度，获取输入层、输出层、隐含层节点个数。本文输入数据包含温度、体积分数测试值，因此确定输入层的节点数为2。输出数据包含体积分数真实值，确定输出层的节点数为1。在满足BP神经网络精度的前提下，确定隐含层节点个数的基本原则是尽量使用紧凑结构，即隐含层节点尽可能少。经过计算，测试得出最佳的隐含层节点数为12，相应的均方误差为
0.033156 。5）GA神经网络对初始值编码，构建最佳隐含层节点的BP神经网络。
6）初始值训练得到的绝对误差值作为GA神经网络适应度值。初始化种群规模设定70，迭代次数固定100次，交叉概率为0.8，变异概率设置为0.001[23],确定自变量个数以及上下限。调用GA函数，即依次调用轮盘赌选择、两点交叉和高斯变异函数，对样本适应度值进行求解，得出的适应度变化曲线如图10所示。
7）获取最优权值阈值。
8）训练GA-BP神经网络温度补偿模型。
9）测试GA-BP神经网络。
10）绘制CO仿真结果对比图。
3.2 小样本训练
针对CO气体分析仪在变温条件下得出的结果，利用传统的线性化修正方法是不可能的，为进一步提高分析仪在不同环境温度条件下测试精度，需要基于神经网络[24]对其精度进一步温度补偿，建立误差分析模型，使其可以满足在−15～45 ℃工作环境下的测试要求。提出一种基于GA-BP神经网络[25-26]的多参量补偿方法。将硬件温度补偿后的CO分析仪置于环境温度为25 ℃的条件下，对真实CO体积分数0、200×10−6、400×10−6、600×10−6、800×10−6、
1000 ×10−6开展测试，获取多组有效数据。利用MATLAB软件附带的随机选用函数挑选不同真实体积分数下若干组测试体积分数作为GA-BP神经网络温度补偿模型测试样本，剩余数据作为温度补偿模型的训练样本，开展CO分析仪温度补偿小样本训练。将训练小样本数据代入GA-BP优化算法运算过程中，经过仿真计算，当网络训练次数达到第
26745 次时，获得如所示最优的小样本仿真训练结果，即对应不同CO气体真实体积分数的BP预测值和GA-BP预测值，通过对比分析温度补偿模型的预测值和CO气体体积分数真实值之间的误差，确定神经网络训练的效果。CO训练样本见表3，CO训练效果如图11所示。表 3 CO训练样本Table 3. CO training samples样本
编号温度/
℃CO体积分数
测试平均值/10−6CO体积分数
真实值/10−6BP
预测值/10−6GA-BP
预测值/10−61 25 0.02943 0 21.4473 0.62143 2 25 171.40335 200 187.0858 201.94588 3 25 350.92902 400 391.9408 402.63002 4 25 528.84245 600 609.6235 596.44115 5 25 710.04265 800 804.1568 800.61630 6 25 880.59182 1000 1011.6112 996.81648 由图11可知：在训练的6个小样本中，以CO体积分数真实值为自变量，BP神经网络预测值、GA-BP神经网络预测值、实验测试值的拟合直线斜率分别为1.00、1.00、0.89，截距分别为2.9、1.93、−2.31，GA-BP神经网络预测值和BP神经网络预测值的拟合直线斜率均为1，而GA-BP神经网络预测值拟合直线截距更低，与全量程范围内的CO气体体积分数真实值贴合度更高，直观形象地说明GA-BP神经网络对于CO温度补偿的训练效果更佳。
3.3 优化算法误差分析
通过GA-BP神经网络初始权重和阈值优化，利用优化模型对验证试验中得到的温度、体积分数测试值和体积分数真实值进行数据融合，得到相应的仿真结果。CO样品组成见表4。
表 4 CO样品组成Table 4. CO samples composition样本编号 环境温度/℃ CO体积分数测试值/10−6 CO体积分数真实值/10−6 1 −15 0.0997 0 2 −10 0.0851 0 3 −5 0.2815 0 4 0 0.0319 0 $\vdots $ $\vdots $ $\vdots $ $\vdots $ 76 35 927.2545 1000 77 40 944.6701 1000 78 45 890.1425 1000 表4中样本编号1、4、7…75、78为测试集，其他点的测得体积分数为训练集。选取52组等距样本数据(占样本总数的2/3)进行训练建模，选取26组未参与训练的数据(占样本总数的1/3)进行模型性能检验。分别调用BP神经网络和GA-BP神经网络，参考气体体积分数的真实值，得到试验结果，CO优化对比如图12所示。
从2种方法的优化精度和稳定性来看，单独使用BP神经网络存在优化数据误差大、不连续点跳变、过拟合等问题。对于CO气体，单独使用BP神经网络补偿效果较差，而GA-BP对不同体积分数CO的补偿效果较好，这进一步说明GA-BP具有更广泛的适用性。神经网络算法误差分析如图13所示。
从图13补偿结果得出，初始的实验测试值得到的MAE值为
32.5127 ×10−6，标准BP神经网络修正CO的MAE值为27.3574 ×10−6，经GA-BP神经网络修正CO的MAE值为14.3751 ×10−6，对比分析补偿结果可以得出，2种神经网络对于实验测试值具有优化效果，GA-BP神经网络得到的MAE值较标准BP神经网络降低了12.9823 ×10−6，精度提高了47.5%。同时从MSE和RMSE的数据也可以得出GA-BP神经网络在灾害气体检测中的可行性，且能够提高分析仪检测精度，减少误报概率，通过此种方式可以实现煤矿不同环境温度条件下CO体积分数的精准化检测。4. 结 语
1）搭建了试验测试平台，涵盖温度补偿前、恒温加热测试、温度补偿后以及不同测试环境温度条件的红外气体分析仪实验平台；介绍了实验测试的方法，提出了数据误差分析的方法。
2）确定了CO分析仪最优的加热温度为45 ℃，并以3种不同体积分数的CO标准气体开展了分析仪硬件温度补偿前后对比分析。结果表明，在45 ℃条件下选用CO（体积分数10×10−6~500×10−6）标准气体进行了精度测试，计算CO气体绝对误差仅为0~9×10−6，误差优于煤矿火灾气体监测仪器主要技术指标规定的最大允许误差，测试结果稳定可靠。
3）对加热到45 ℃的CO分析仪开展模拟验证实验，发现CO分析仪测试精度受温度影响明显。基于此现象，建立了GA-BP神经网络模型，利用优化模型对验证试验中得到的温度、体积分数测试值和体积分数真实值进行数据融合，并且计算得出GA-BP神经网络得到的MAE值较标准BP神经网络降低了
12.9823 ×10−6，精度提高了47.5%，进而确保了CO分析仪的稳定性和精度，为火灾气体实时在线监测提供了一定的技术支撑。 -
![]()
图 2 瑞利波技术原理示意图
Figure 2. Schematic diagram of the principle of Rayleigh wave technology
![]()
图 4 瑞利波均质介质波场云图
Figure 4. Wave field cloud diagrams of Rayleigh wave homogeneous medium
![]()
图 5 瑞利波非均质介质波场云图
Figure 5. Cloud diagrams of Rayleigh wave field in heterogeneous media
-
[1] JIA Ce, LI Sheng, FAN Chaojun, et al. Numerical Simulation of Mechanical Characteristics of Roadway Surrounding Rock under Dynamic and Static Loading[J]. Shock and Vibration, 2021, 2021.
[2] 王炯,姜健,张正俊,等. 星村矿深部采区地应力分布特征及与地质构造关系研究[J]. 采矿与安全工程学报,2019,36(6):1240−1246. WANG Jiong, JIANG Jian, ZHANG Zhengjun, et al. In-situ stress distribution characteristics and its relationship with geological structure in Xingcun mine[J]. Journal of Mining & Safety Engineering, 2019, 36(6): 1240−1246.
[3] 尹尚先,连会青,刘德民,等. 华北型煤田岩溶陷落柱研究70年:成因·机理·防治[J]. 煤炭科学技术,2019,47(11):1−29. YIN Shangxian, LIAN Huiqing, LIU Demin, et al. 70 years of investigation on karst collapse column in North China Coalfield: cause of origin, mechanism and prevention[J]. Coal Science and Technology, 2019, 47(11): 1−29.
[4] 史苗壮,石永生,赵辉,等. 褶曲构造内陷落柱形成机理及巷道支护技术[J]. 煤炭科学技术,2019,47(7):121−126. SHI Miaozhuang, SHI Yongsheng, ZHAO Hui, et al. Formation mechanism of subsidence column in fold structure and roadway support technology[J]. Coal Science and Technology, 2019, 47(7): 121−126.
[5] 孙小明,赵晶,廉振山. 陷落柱-断层复合构造发育特征及对瓦斯赋存的影响研究[J]. 煤矿安全,2020,51(6):14−18. SUN Xiaoming, ZHAO Jing, LIAN Zhenshan. Study on development characteristics of collapse column-fault composite structure and their effects on gas occurrence[J]. Safety in Coal Mines, 2020, 51(6): 14−18.
[6] 安晋松,孙庆先,邱浩,等. 井下陷落柱综合探测技术试验研究[J]. 煤炭科学技术,2015,43(10):144−147. AN Jinsong, SUN Qingxian, QIU Hao, et al. Experimental study on underground collapse column by integrated detection technology[J]. Coal Science and Technology, 2015, 43(10): 144−147.
[7] 尹尚先,武强,王尚旭. 北方岩溶陷落柱的充水特征及水文地质模型[J]. 岩石力学与工程学报,2005(1):77−82. doi: 10.3321/j.issn:1000-6915.2005.01.013 YIN Shangxian, WU Qiang, WANG Shangxu. Water-bearing characteristics and hydro-geological models of karstic collapse columns in north China[J]. Chinese Journal of Rock Mechanic and Engineering, 2005(1): 77−82. doi: 10.3321/j.issn:1000-6915.2005.01.013
[8] 靳德武,刘其声,王琳,等. 煤矿(床)水文地质学的研究现状及展望[J]. 煤田地质与勘探,2009,37(5):28−31. doi: 10.3969/j.issn.1001-1986.2009.05.007 JIN Dewu, LIU Qisheng, WANG Lin, et al. Development and prospect of coal deposit hydrogeology[J]. Coal Geology & Exploration, 2009, 37(5): 28−31. doi: 10.3969/j.issn.1001-1986.2009.05.007
[9] 田多,师皓宇,梁兴旺,等. 综放工作面过陷落柱阶段划分及其顶板结构分析[J]. 采矿与安全工程学报,2015,32(1):49−53. TIAN Duo, SHI Haoyu, LIANG Xingwang, et al. Stage division and roof structure analysis during fully mechanized caving face passing a collapse column[J]. Journal of Mining & Safety Engineering, 2015, 32(1): 49−53.
[10] 李振华,李见波,贺志宏. 双柳煤矿陷落柱发育特征及突水危险性分析[J]. 采矿与安全工程学报,2014,31(1):84−89. LI Zhenhua, LI Jianbo, HE Zhihong. Analysis on development characteristics of karst collapse column and water inrush risk in Shuangliu coal mine[J]. Journal of Mining & Safety Engineering, 2014, 31(1): 84−89.
[11] 谢冰,王敏. 马道头矿C3-5#层8105工作面陷落柱探查与治理[J]. 煤炭技术,2022,41(3):148−151. XIE Bing, WANG Min. Exploration and treatment of collapse column in 8105 working face of layer No. C3-5 in madaotou mine[J]. Coal Technology, 2022, 41(3): 148−151.
[12] 原文涛. 瞬变电磁法在采空区及陷落柱探测中的应用[J]. 物探与化探,2012,36(S1):164−167. YUAN Wentao. The application of transient electromagnetic method to the detection of goaf and collapse columns[J]. Geophysical and Geochemical Exploration, 2012, 36(S1): 164−167.
[13] 徐佩芬,李传金,凌甦群,等. 利用微动勘察方法探测煤矿陷落柱[J]. 地球物理学报,2009,52(7):1923−1930. doi: 10.3969/j.issn.0001-5733.2009.07.028 XU Peifen, LI Chuanjin, LING Suqun, et al. Mapping collapsed columns in coal mines utilizing microtremor survey methods[J]. Chinese Journal of Geophysics, 2009, 52(7): 1923−1930. doi: 10.3969/j.issn.0001-5733.2009.07.028
[14] 刘志新,刘树才,于景邨. 综合矿井物探技术在探测陷落柱中的应用[J]. 物探与化探,2008(2):212−215. LIU Zhixin, LIU Shucai, YU Jingcun. The application of integrated mining geophysical exploration technology to detecting the collapse column[J]. Geophysical and Geochemical Exploration, 2008(2): 212−215.
[15] 李凯,孙怀凤. 矿井含水构造地井瞬变电磁响应规律分析[J]. 中国矿业大学学报,2018,47(5):1113−1122. LI Kai, SUN Huaifeng. Response characteristics analysis of mine water filled structure with ground-tunnel transient electromagnetic method[J]. Journal of China University of Mining & Technology, 2018, 47(5): 1113−1122.
[16] 李刚,王季,关奇. 槽波探测中谐波噪声的自适应衰减算法研究[J]. 煤炭科学技术,2017,45(3):170−173. LI Gang, WANG Ji, GUAN Qi. Study on algorithm of harmonic noise adaptive attenuation in channel waves[J]. Coal Science and Technology, 2017, 45(3): 170−173.
[17] 李冬,杜文凤,许献磊. 矿井地质雷达超前探测方法及应用研究[J]. 煤炭科学技术,2018,46(7):223−228. LI Dong, DU Wenfeng, XU Xianlei. Study on advanced detection method and application of mine geological radar[J]. Coal Science and Technology, 2018, 46(7): 223−228.
[18] 张军. 矿井孔-巷无线电磁波透视探测方法[J]. 煤炭学报,2020,45(8):2856−2864. ZHANG Jun. Research on radio electromagnetic wave perspective detection method through borehole-roadway in mine[J]. Journal of China Coal Society, 2020, 45(8): 2856−2864.
[19] 董春勇,刘盛东. 矿井直流电法应用于煤矿工作面陷落柱勘探[J]. 西部探矿工程,2008(7):124−126. doi: 10.3969/j.issn.1004-5716.2008.07.048 DONG Chunyong, LIU Shengdong. DC method applied to coal mine collapse column exploration face[J]. West-China Exploration Engineering, 2008(7): 124−126. doi: 10.3969/j.issn.1004-5716.2008.07.048
[20] 仇念广. 煤矿掘进巷道地质雷达超前探测数值模拟及应用[J]. 矿业安全与环保,2019,46(5):42−46. CHOU Nianguang. Numerical simulation and application of GPR in advance detection of coal tunneling[J]. Mining Safety & Environmental Protection, 2019, 46(5): 42−46.
[21] 位新建. 瑞利波探测技术在金龙煤矿中的应用[J]. 科学技术创新,2020(24):4−5. WEI Xinjian. Application of Rayleigh wave detection technology in Jinlong Coal Mine[J]. Science and Technology Innovation, 2020(24): 4−5.
[22] 李斌坤. 地质构造超前探测中瑞利波技术应用分析[J]. 能源与节能,2020(4):182−183. doi: 10.3969/j.issn.2095-0802.2020.04.080 LI Binkun. Application analysis of Rayleigh wave technology in advance detection for geological structure[J]. Energy and Energy Conservation, 2020(4): 182−183. doi: 10.3969/j.issn.2095-0802.2020.04.080
[23] 谢伏巨. 大安山煤矿掘进巷道地质变化带探测技术研究[J]. 煤矿开采,2013,18(5):24−25. doi: 10.3969/j.issn.1006-6225.2013.05.007 XIE Fuju. Technology of geological variation zone exploration of driving roadway in Daanshan colliery[J]. Coal Mining Technology, 2013, 18(5): 24−25. doi: 10.3969/j.issn.1006-6225.2013.05.007
[24] 于明科,刘杰. 瑞利波探测在石炭井三矿的应用[J]. 煤田地质与勘探,1997(5):30−34. YU Mingke, LIU Jie. The application of mine reyleigh wave survey in the NO. 3 mine of shitanjing[J]. Coal Geology & Exploration, 1997(5): 30−34.
[25] 贾文青,刘中华. 瑞利波探测技术在矿山地质构造中的应用研究[J]. 矿业工程,2017,15(2):7−9. JIA Wenqing, LIU Zhonghua. Application and study of Rayleigh waves detection technology in geological structure of a mine[J]. Mining Engineering, 2017, 15(2): 7−9.
[26] 李胜,祁晓鑫,李军文. 瑞利波技术超前探测掘进工作面构造异常[J]. 煤田地质与勘探,2015,43(1):96−99. LI Sheng, QI Xiaoxin, LI Junwen. Advanced detection technology of Rayleigh wave for detection of abnormal geological structure in excavation face[J]. Coal Geology & Exploration, 2015, 43(1): 96−99.
[27] 邓瑞. 横向非均匀介质多模态瑞利面波波场数值模拟研究[D]. 成都: 西南交通大学, 2020. [28] 杜文卫,江刚,朱彬占,等. 基于瑞利波法对混凝土表面裂缝检测的数值研究[J]. 土木建筑与环境工程,2018,40(4):151−158. DU Wenwei, JIANG Gang, ZHU Binzhan, et al. Numerical simulation on detection of concrete surface crack based on Rayleigh wave method[J]. Journal of Civil, Architectural & Environmental Engineering, 2018, 40(4): 151−158.
[29] 熊章强,唐圣松,张大洲. 瑞利面波数值模拟中的PML吸收边界条件[J]. 物探与化探,2009,33(4):453−457. XIONG Zhangqiang, TANG Shengsong, ZHANG Dazhou. PML absorbing boundary condition for numerical modeling of Rayleigh wave[J]. Geophysical and Geochemical Exploration, 2009, 33(4): 453−457.
[30] 杨刚. 基于FLAC3D的瑞利波频散特性数值模拟[D]. 哈尔滨: 中国地震局工程力学研究所, 2012.
下载:
计量
- 文章访问数: 35
- HTML全文浏览量: 31
- PDF下载量: 19
