许梦国 刘红阳 王 平 程爱平 张威威

(1.武汉科技大学资源与环境工程学院,湖北 武汉 430081;2.冶金矿产资源高效利用与造块湖北省重点实验室,湖北 武汉 430081)

在矿产资源开采过程中,凿岩钻孔是井巷掘进和开采工序的重要环节[1]。一般而言,岩石可钻性级值表征了矿岩对钻具破坏的相对抗程度,通常选取平均穿孔速度这一指标来评价。目前,岩石可钻性研究方法大致有岩石物理力学参数法和统计分析法两类。前者通过测试岩石的各项物理力学性能参数(如肖式硬度值、抗压强度值、抗拉强度值、研磨性、岩石结构参数等),来分析各项指标与可钻性级值的相关性[2-4]。后者采用凿碎能量法、岩屑分形法、声波分析法、化学组分分析法及模糊数学理论等,建立数据模型来评价岩石的可钻性级值[5-7]。由于岩石结构、矿物组分及凿岩机工作参数的差异,可能使得岩石可钻性级值的预测产生偏差,导致单一方法无法综合且客观地反映岩石的可钻性。

近年来,不少学者基于岩石工程系统(RES)理论,通过构建核心交互作用矩阵来分析各个参数之间的作用机理及路径[8-9],解决了许多岩石系统工程问题。JIA等[10]首先采用了单一变量影响的二元交互作用矩阵BIM,而后进一步构建了多因素影响的完全耦合矩阵FCM;SINGH等[11]应用神经网络编码法研究了不同材料的磨蚀性、可钻性,为凿岩机挑选合适的钻头提供了有效参考;刘再斌[12]为研究岩石工程系统底板突水渗流—应力耦合作用机制,引入相互作用过程矩阵,揭示了各影响因素的相对作用大小和方向;余伟健等[13]运用综合相互作用矩阵GIM分析了地下巷道稳定性;黄琪嵩等[14]引入相对作用强度矩阵RSE构建了矿体自燃危险性预测模型。目前,RES理论被广泛运用于解决模糊的、复杂的岩石系统工程问题,为施工扰动条件下地下岩石性态预测提供了新途径。

岩石可钻性受自然条件、施工参数等多种因素影响,且各因素的作用机理路径也复杂多变。不同区域的岩石构造和组分不同,而凿岩参数的选择受人工经验影响较大,致使凿岩穿孔速度受到多方面制约。因此,本研究引入岩石工程系统RES理论,将凿岩工程视为一个完整系统,充分分析系统中的影响因素;运用人工神经网络编码法构建整体交互作用矩阵GRSE来分析整个系统各因素间的交互作用机理,并综合分析其主要因素及影响权值来预测岩石可钻性的级值和划分可钻性区域。

1 基于RES理论的岩石可钻性综合预测模型

1.1 RES理论及岩石可钻性综合预测模型

HUDSON于1992年提出的岩石工程系统RES理论,将岩石工程看作一个大系统,全面考虑地质条件和施工扰动等因素的综合影响,可用于解决一些并行作用、连续发生的实际工程问题[15-16]。在界定好的系统范围内,自上而下地分解构造岩体行为模型。根据目标确定需要的全部必要变量,选取状态变量越多,分解就越细,预测效果就越接近实际。该理论被成功用于分析岩石工程中相关参数的的全耦合机制、非线性耦合机制及对系统目标的综合影响等问题[17-18]。有别于传统模型,RES理论分析模型注重研究整个岩石工程的各个因素及其交互作用,而非系统内部各组成部分的精确性。相比之下,RES理论分析模型具有更好的预测能力。

1.2 综合交互作用矩阵构建及编码

为了定量描述岩石工程系统中各个变量之间的交互作用强度大小和方向,需要对GRSE矩阵进行编码。目前,表征非对角线的单元重要性的编码方法主要有二元法(0～1)、专家半定量(ESQ)、曲线斜率法(xi-yi)、偏微分求解法(PDE)、完全数值分析法和人工神经网络法(ANN)[19]。目前应用最成熟、最广泛的是BP人工神经网络法[20],能够具体反应各输入变量对各输出变量的复杂作用关系,原理如图1所示。

图1 体现输入参数对输出参数影响的3层BP网络Fig.1 Three-layer BP network reflecting the degree of influence of input parameters on output parameters

对于训练后的神经网络模型,某输入节点i对某输出节点k的整体交互作用强度GRSEki的计算公式为

式中,C为使得输出的GRSEki最大值为1的规范化系数;j1,j2,…,jn分别为隐含层上相应的节点;W为连接层间节点之间的权值;n为节点数。

由式(1)可知,训练后的神经网络的GRSEki值大小只与W值有关,即为一个静态不变量。

通过整体作用强度GRSEki即可建立相应的整体交互作用GRSE矩阵:

1.3 岩石可钻性影响因素综合分析

通过综合分析程潮铁矿地质条件和巷道中深孔台车液压凿岩机的工作资料,发现矿岩可钻性的影响因素十分复杂,主要包括岩体自身工程地质条件和凿岩施工工作参数等。硬质矿物(如石英和磁铁矿)、较高的岩石质量指数(RQD)等都能明显地降低凿岩穿孔速度。凿岩施工参数(如推进压力、冲击压力、旋转速度等)的选择直接影响了凿岩效率。此外,其他硬质矿物组分如长石、斜长石以及硬度相当的矿物含量可以转换为石英含量,本研究采用等效石英含量(Equivalent Quartz Content,EQC)来反映石英和其他硬质矿物的总含量。

将以上因素细化为9种影响因素:①岩石物理力学性质参数,抗压强度UCS(X1)、抗拉强度T(X2)、岩石质量指标RQD(X3);②凿岩机工作参数,推进压力F(X4)、冲击压力P(X5)、旋转速度R(X6);③主要矿物组分含量,石膏含量CS(X7)、等效石英含量EQC(X8)、铁矿石品位TFe(X9)。在矿岩凿岩穿孔过程中,这些影响因素共同组成了整个凿岩系统,系统中所有因素变化对凿岩平均穿孔速度(Y)变化有着直接、间接的影响。各影响因素变量和平均穿孔速度的归一化值见表1。

表1 各因素变量及平均穿孔速度的归一化值Table 1 Normalized values of influencing factors and average perforation speed

1.4 基于BP网络的交互作用矩阵构建

由已知地质资料结合现场实际凿岩施工情况,收集了35个样本见表2(限于篇幅,只列出10个样本)。将以上9个影响因素的变量参数值及对应的平均穿孔速度组合为一整个样本集L,记为L={l1,l2,…,lr},其中lr={Xr,Y},r为工程样本编号。将前30个样本作为学习样本,余下的5个样本作为检测样本。

表2 部分矿岩样本的因素变量及平均穿孔速度的归一化参数值Table 2 Normalized parameter values of influencing factors and average perforation speed of some iron ore samples

利用MATLAB软件提供的人工神经网络工具箱建立BP神经网络模型。BP网络层间节点激活函数采用对数“S”型函数Log-Sigmod,权值调整学习算法采用trainlm函数。该网络模型采用3层网络结构,由影响因素组成的输入节点 (X1～X9)和输出节点(X1～X9)都是9个,隐含层节点数取12个,即为“9—12—9”的网络结构。当学习步数达到400时,检测误差达到了10-2,说明此时网络模型精度良好。用余下的5个样本进行检验,误差不超过20%。将训练完毕的网络权值W代入式(1)、式(2)计算得出各影响因素的整体交互作用矩阵GRSE,见表3。

表3 各影响因素整体交互作用GRSE矩阵Table 3 General interaction GRSE matrix of each influencing factor

表3中对角线上的项GRSEki(k=i)表示为影响因素对自身的作用,可取值为1。非对角线对应项表示输入参数对输出参数的作用强度GRSEki(k≠i)大小,对应项的符号表示其复合交互作用。例如,GRSE91、GRSE92为铁矿石品位 (X9)对应岩石抗压强度(X1)、抗拉强度(X2)正号项,表示前者对后者推动作用的程度值。表3中的大多数项并不为0,可见各参数间的相互作用非常复杂。表3数据可用图2进行表示。

图2 整体交互作用强度GRSE矩阵的三维柱状图Fig.2 3D histogram of general interaction GRSE matrix

1.5 矿岩凿岩系统的综合作用因素分析

本研究定义各因素对整个系统的综合影响程度值Si,并绘制了作各因素对系统的综合影响直方图,如图3所示。

式中,Si为综合影响程度值;GRSEki为输入节点i对输出节点k的综合交互作用强度值;i=1,2,…,9;n为节点总数。

由图3可知:抗压强度、抗拉强度、RQD、冲击压力、EQC和铁矿石品位对凿岩系统的影响表现积极,即对其他影响因素具有推动作用;而推进压力、旋转速度、石膏含量对其他因素有减弱作用。影响系统的主要因素为抗拉强度、RQD、石膏含量、铁矿石品位。其中,铁矿石品位、石英含量和RQD与岩石抗压强度、抗拉强度成正相关;石膏含量与岩石抗压强度、抗拉强度成负相关;冲击压力与推进压力和旋转速度关联性较强。

1.6 岩石可钻性的主要影响因素分析

为进一步研究影响岩石可钻性的主要因素,同样采取上述训练法,此时网络模型具有9个输入节点(X1～X9)和一个输出节点Y(平均穿孔速度),即“9—12—1”的网络结构。同样选用30个样本进行模式识别研究,当迭代步数达到150时,输出参数和目标参数的误差达到10-2,这说明网络性能良好。用余下的5个样本进行检验,误差不超过15%。

由所训练后的网络模型可得出各因素对岩石可钻性的影响值,如图4所示。由图4可知:RQD、石膏含量、铁矿石品位和冲击压力可钻性影响值绝对值最大。抗压强度、抗拉强度、RQD、冲击压力和铁矿石品位对矿石可钻性的影响为正值,说明其参数值输入越大,矿岩可钻性输出值越大,矿岩抵抗钻具破碎的能力越强;而石膏含量、推进压力、旋转速度对矿岩可钻性的影响为负值,说明其参数输入值越大,矿岩可钻性的输出值越小,矿岩抵抗钻具破碎的能力越弱。将各因素的影响值代入式(4)计算得各因素对岩石可钻性的影响值Ui。其中,RQD、石膏含量、铁矿石品位和冲击压力对矿岩可钻性的影响值Ui分别为 0.18、-0.17、0.13、0.14。

图4 各因素对矿石可钻性的影响Fig.4 Influence of each factor on the drillability of iron ore

2 工程应用及结果分析

2.1 工程概况

程潮铁矿位于鄂州长江中下游成矿带,开采矿床属于接触交代矽卡岩型矿床。矿体下盘主要为斑状花岗岩、矽卡岩和石英斑岩,上盘主要为闪长岩、大理岩和矽卡岩等,上下盘之间存在部分夹石。矿石构造主要分为浸染状构造、斑块状构造、块状构造及角砾状构造等。矿石中金属矿物主要有磁铁矿,其次为石英、角闪石、斑岩、长石、硬石膏及石膏等。矿体以15号勘探线为界分为东区和西区2个矿区,在-430 m水平段,矿体平均厚度50 m,倾角30°。西区矿石平均品位为42.37%,东区矿石平均品位为50.3%。

2.2 岩石可钻性级值

为了对-430 m水平岩石可钻性区域进行分级,将收集的样本集L的可钻性级值进行分类,绘制了岩石可钻性级值Kp指标点值分布图(图5),图中表示了各个输入状态下对应的Kp值。

图5 工程样本的K p指标点值分布Fig.5 Distribution of the K p indicator point values of engineering samples

根据矿岩实际平均穿孔速度(Y)及Kp值将矿岩的可钻性等级划分为易、中等、难和极难(Ⅰ、Ⅱ、Ⅲ和Ⅳ)4种状态,并由实际样本得出各个输入状态下Kp值范围以及矿岩特征描述,见表4。

表4 各类矿岩的K p值及其特征Table 4 K p value and characteristics of various ore rocks

式中,Kp为矿岩可钻性分类指标值;lr为第r个样本的各个影响因素值Xi;Ui为各因素对岩石可钻性的影响值。

2.3 岩石可钻性区域分级及应用

岩石力学性质、矿物组分和凿岩工作参数综合影响了凿岩穿孔效率,矿区内不同区域的矿岩岩石力学性质和化学组分持续变化,凿岩工作参数也在变动。因此,矿山岩石可钻性区域分级具有实际工程意义。通过对程潮铁矿-430 m水平矿岩物理力学性质、凿岩工作参数和主要矿物组分含量的综合分析,计算出矿岩可钻性的综合指标值Kp,根据预测结果将该水平分为4类矿岩可钻性预测区域,如图6所示。硬质矿岩需要的破岩冲击能量较高,适配低推进力、高冲击压力、低旋转速度的凿岩台车工作参数;而软岩、中等硬质矿岩需要的破岩冲击能量较低,凿岩台车工作参数需要调整为高推进力、低冲击压力、高旋转速度,因此现场应根据不同分区调整凿岩施工参数。因凿岩工艺适应了不同区域的具体情况,凿岩工效得到了普遍提高,台班穿孔效率提高了15%～20%。

图6 矿岩可钻性分区结果Fig.6 Zoning results of iron ore and rock drillability

3 结 论

(1)基于岩石系统工程RES理论,采用神经网络编码法建立了各因素整体交互作用强度矩阵GRSE,提出了岩石可钻性综合预测方法。充分考虑了岩石物理力学性质、凿岩工作参数和矿岩组分含量对岩石可钻性的影响,较之传统研究方法更加科学合理,其预测结果与现场实际情况较为吻合。

(2)建立了基于RES理论的岩石可钻性综合预测模型,确定了主要影响因素RQD、石膏含量、铁矿石品位和冲击压力对岩石可钻性的影响权值Ui分别为 0.18、-0.17、0.13、0.14,并划分了矿岩可钻性预测区域,指导现场凿岩施工。现场据此优化了凿岩参数和工艺,凿岩效率提高了15%～20%,取得了比较好的效果。

(3)为了持续提升岩石可钻性的预测精度,可进一步细化影响因素指标,增加样本数量和强化机器设备的深度学习能力,推动智慧凿岩研究深入开展。