期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
多层结构底板破坏深度精确预测与Matlab实现 被引量:1
1
作者 李昂 王伟东 +6 位作者 牟谦 王峰 马政和 赵磊 黄刚 周永根 田胜祺 《煤炭科学技术》 北大核心 2025年第S1期261-274,共14页
矿井煤岩层开采工作面底板扰动会诱发底板隔水岩层上部受到破坏,底板破坏深度计算是科学确定底板破坏深度的基本前提。以往采用单一岩层底板塑性滑移线场理论计算往往与实际偏差较大,原因在于底板破坏范围内其结构主要由多层结构组成。... 矿井煤岩层开采工作面底板扰动会诱发底板隔水岩层上部受到破坏,底板破坏深度计算是科学确定底板破坏深度的基本前提。以往采用单一岩层底板塑性滑移线场理论计算往往与实际偏差较大,原因在于底板破坏范围内其结构主要由多层结构组成。首先构建多层结构底板塑性滑移线场力学模型,推导出多工况下底板破坏深度解析解,并优化出5种计算多层结构底板破坏深度计算工况;其次分析多层结构底板破坏深度人工计算方法的不足及误差原因;提出了计算多层结构底板破坏深度逻辑流程,借助Matlab语言开发了多层结构底板破坏深度计算系统,并结合实际工况分析该系统的可靠性和稳定性。结果表明:①多层结构底板破坏深度计算过程中多数工况需多次利用泰勒展开式和一元四次方程求解,人工计算过程冗长繁杂,极易导致计算结果出现偏差;②通过手算和机算(Matlab内置函数)对比计算同一工况下相同参数时底板最大破坏深度,可知随底板层数增多,人工求解过程中因泰勒展开式的多次运用导致底板破坏深度计算结果累积误差增大,而Matlab编程求解过程中避免泰勒式应用,其结果更符合现场实际需求;③软件主界面包含层数、层厚、力学参数及输入框、计算按钮等功能,可快速智能判别工况,计算出底板最大破坏深度及开采面至底板最大破坏深度水平距离;④将平煤某矿相关岩性力学参数代入该软件求解,通过对比分析5层结构底板最大破坏深度理论值、拟合值、实测值及软件值可知,理论值与实测结果偏差0.57 m,软件值与实测值相差0.14 m,多层计算结果下软件计算更符合实际需求,可为底板水害防治及安全开采提供可靠的技术参数。 展开更多
关键词 多层结构底板 破坏深度 塑性滑移线场 Matlab内置函数 计算软件
在线阅读 下载PDF
深部高承压水多层结构底板破坏机理及应用
2
作者 李昂 杨钧皓 +4 位作者 王峰 马政和 赵磊 黄刚 吕光辉 《煤炭科学技术》 北大核心 2025年第9期418-434,共17页
澄合矿区在高强度开采条件下矿井进入薄隔水层、带压系数高、构造复杂的深部采区,深部采区接续上一采空区布置工作面势必会加大底板破坏深度,破坏裂隙一旦导通含水层K2灰岩含水层与奥陶系灰岩水直接构成补给通道,将影响工作面的安全开... 澄合矿区在高强度开采条件下矿井进入薄隔水层、带压系数高、构造复杂的深部采区,深部采区接续上一采空区布置工作面势必会加大底板破坏深度,破坏裂隙一旦导通含水层K2灰岩含水层与奥陶系灰岩水直接构成补给通道,将影响工作面的安全开采。为此,首先基于岩层地质结构特征,构建了4层结构底板塑性破坏力学模型,并进行了4种工况下的理论分析;然后模拟分析了工作面在重复采动影响下底板岩体位移场、应力场分布规律及塑性区发育特征;最后使用钻孔应变监测和压水试验方法在董家河煤矿23502工作面和23503采空区进行了底板破坏深度现场测试。结果表明:运用4层结构底板塑性滑移线场理论,按主动极限区深度划分23502工作面属于第3种工况,计算出最大破坏深度为18.32m,23503工作面属于第2种工况,计算出最大破坏深度为15.83m;数值模拟显示了在双面开采影响下底板的破坏深度显著增加,尤其是在临近煤柱区域下方,破坏深度最大可达18.5m,高于单工作面15.8m的破坏深度。面间煤柱受多重采动应力场影响,内部的弹性核区由单面开采的23m减少到约14m,煤柱两侧下方支承压力峰值始终处于高位,峰值系数最大高于单面开采的1.35倍。压水实测数据显示23503采空区底板最大破坏深度为15.85m;钻孔应变监测数据显示23502工作面底板最大破坏深度为18.3m。理论计算与数值模拟及现场实测结果较相一致,研究结果可为澄合矿区及其他相似矿区承压水体上开采煤层提供一定的指导意见。 展开更多
关键词 多层结构底板 塑性滑移线场 底板水害 数值模拟 奥陶系灰岩
在线阅读 下载PDF
基于YOLOv5的矿井火灾视频图像智能识别方法 被引量:28
3
作者 王伟峰 张宝宝 +3 位作者 王志强 张方智 任浩 王京 《工矿自动化》 北大核心 2021年第9期53-57,共5页
针对煤矿井下光照分布不均匀造成视频图像失真,火灾识别精度低等问题,提出了一种矿井火灾视频图像智能识别方法。该方法以YOLOv5为识别模型,采用K-means算法对传统的暗通道图像去雾算法进行改进,并用改进算法对采集的火焰图像进行去雾处... 针对煤矿井下光照分布不均匀造成视频图像失真,火灾识别精度低等问题,提出了一种矿井火灾视频图像智能识别方法。该方法以YOLOv5为识别模型,采用K-means算法对传统的暗通道图像去雾算法进行改进,并用改进算法对采集的火焰图像进行去雾处理,提高矿井火灾视频图像识别精度;为减少静态背景对火灾识别的影响,采用帧差法与混合高斯模型融合算法,对动态演化的火焰图像进行特征提取,并采用形态学处理算法消除图像中存在的缺口,从而得到更加完整的火焰目标图像;对火灾视频图像数据集进行标注,并输入到YOLOv5算法模型进行训练及测试。结果表明:基于YOLOv5的矿井火灾视频图像智能识别方法平均精度为92%,损失函数为0.6,比传统算法Alexnet,VGG16,Inceptionv3的平均精度分别高9.6%,13.5%,4.9%,表明该方法检测速度快、精度高,可有效提高矿井火灾识别准确率。 展开更多
关键词 矿井火灾 视频图像智能识别 YOLOv5 K-MEANS 暗通道去雾算法 帧差法 混合高斯模型
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部