基于回采巷道破碎程度的浆液性能选型研究

王子琦，万志军,张 源,程敬义,张洪伟,熊路长,康延雷

(1.中国矿业大学 矿业工程学院，江苏 徐州 221116； 2.深部煤炭资源开采教育部重点实验室，江苏 徐州 221116；3.中国矿业大学(北京) 能源与矿业学院，北京 100083； 4.神华国能集团大南湖一矿，新疆 哈密 839000)

注浆加固是提高回采巷道破碎围岩自承载力的有效手段[1-2]。对于同一矿井，由于地质构造、采动应力等因素的影响，回采巷道围岩破碎程度不尽相同。在大多数回采巷道注浆施工中，并未充分考虑巷道破碎程度的差异性，多采用统一的注浆材料，造成浆液性能与围岩破碎程度不匹配，在此情况下，加大注浆量和注浆半径不仅会造成材料浪费，还可能因控制不及时引发冒顶事故。因此，需采用与围岩破碎程度相匹配的注浆材料，以达到分区、分类、精准和快速加固围岩的目的。

在煤矿巷道破碎程度和浆液性能匹配性研究方面，大多数研究集中在采用不同方法对巷道进行稳定性分类和材料性能实验研究上，如张志康等[3]选取围岩强度、采动影响、岩体完整性和地应力等4个方面因素，利用模糊聚类方法，制订出霍州矿区巷道分类方案；朱一丁等[4]选取了巷道埋深、巷道跨度、直接顶与煤层厚度比、围岩强度等6个指标建立支持向量机模型，实现了对平顶山矿区4条回采巷道的分类预测；贺超峰等[5]选取围岩强度、埋藏深度、岩体完整性指数、直接顶厚度与采高比、护巷煤柱宽度等指标，建立BP神经网络对回采巷道围岩进行了分类；李开放等[6]对4种注浆材料在不同温度下的凝结时间、强度、黏度等性能进行了实验研究；柳昭星等[7]针对岩溶裂隙发育地层，在室内研究了帷幕注浆材料的性能，表明浆液水固比是影响浆液黏度、凝结时间等性能的主要因素；周茗如等[8]对普通水泥浆和超细水泥浆的黏度、强度、析水率等性能进行实验对比研究，得出超细水泥具有更好的稳定性和耐久性。以上研究未能建立起巷道围岩破碎程度与材料性能间的匹配关系，而神经网络可对材料性能进行良好的预测[9-12]。

针对以上问题，笔者建立了回采巷道“地质条件—浆液性能”的互馈模型。通过收集回采巷道地质条件、浆液性能等参数，对模型进行训练和检验，开展回采巷道注浆材料性能的匹配性和误差分析。

1 注浆效果的影响因素

对巷道围岩注浆加固效果影响较大的因素可归纳为3个，即围岩破碎程度、注浆材料性能和其他因素，各影响因素下又存在众多指标。各因素间相互联系而又相互制约，各因素内的指标间相互独立且关系不明确，下面对各因素及指标进行分析。

1.1 围岩破碎程度

围岩破碎程度主要表现为围岩裂隙发育状况，而评估围岩裂隙发育状况的指标分为2类：直接指标和间接指标。直接指标是评估裂隙发育状况的直接参数，包括裂隙产状、张开度和充填状态等[13]；间接指标是衡量裂隙发育状况的影响参数，就工作面回采巷道而言，间接指标包括围岩强度、地质构造、顶底板岩性和涌水量等。

1.2 注浆材料性能

注浆材料性能是注浆加固的核心，不同种类的注浆材料，其性能相差较大，如水泥浆、化学浆、水泥—化学浆等。但是，不论何种材料其性能指标主要包括：材料抗压强度、粘结强度、初凝时间、终凝时间、浆液黏度、结实率和析水率等。其中，凝胶时间、强度、黏度等参数是注浆材料性能考量的重点。

1.3 其他因素

回采巷道围岩注浆加固效果还包括其他因素，主要为:

1)注浆施工参数，如注浆孔间排距、注浆孔深、注浆压力、注浆时间和注浆量等；

2)注浆施工方式，如间歇注浆、层次注浆等;

3)注浆加固时机，如时效性强的注浆工程和实效性要求不高的注浆工程等;

4)注浆设备，如注浆泵等。

2 指标的确定

2.1 回采巷道围岩破碎程度指标

围岩裂隙发育状况多是通过钻孔摄像的方法进行观测，但是该方法只能得到围岩内部(即钻孔表面)裂隙发育的情况，无法定量描述裂隙，故围岩裂隙发育状况多以人工经验为主。考虑到以上缺点，选取影响回采巷道围岩裂隙发育的间接指标，主要包括：工程地质因子、采动影响因子、地应力因子、生产技术因子和工程设计因子等。根据大南湖一矿“三软”围岩下回采的实际地质条件，查找类似条件下有关学者选择的分类指标，收集整理了25个煤矿回采巷道分类指标，统计其使用频次并计算使用频率，结果如图1所示。

图1 回采巷道破碎指标使用频次、使用频率分布图

根据图1的统计结果，考虑重要性、独立性和容易获取性等原则，兼顾裂隙发育间接指标影响因子，选取以下回采巷道围岩破碎程度指标：顶板岩层强度、底板岩层强度、煤层强度、巷道埋深、护巷煤柱宽度系数、直接顶厚度与采高比、巷道断面积。并将以上7个指标作为BP神经网络模型的输入量。

2.2 浆液性能指标

注浆材料性能指标较多，可从两方面衡量浆液的性能，即浆液的浆体阶段和固结阶段。其中在浆体阶段有黏度、析水率和凝胶时间等指标；在固结阶段有抗压强度、粘结强度和结实率等指标。

浆液性能指标选取考虑重要性、易获取性和普遍性等原则，并兼顾以下因素：

1)注浆加固后可极大地提高围岩强度[14]，并及时发挥围岩的承载力，要求浆液早期强度高。

2)浆液凝胶时间不易过长或过短。凝胶时间过短，将会影响浆液扩散并造成堵管现象；凝胶时间过长，不能及时加固巷道围岩，从而影响注浆加固效果。凝胶时间在一定范围内可控，能够为注浆施工提供保障。

3)浆液的流动性好，并且具备较好的可注性。

因此，选择注浆材料的7 d抗压强度、初凝时间、初始黏度3个基本指标作为浆液性能指标和BP神经网络的输出量。

3 模型的构建

3.1 神经网络原理及样本获取

BP神经网络是一种多层前馈神经网络，其主要特点：信号由输入层经隐含层逐层传递至输出层的前向传播，预测传播误差反向传播调整阈值和权值，最终使期望输出不断逼近真实值[15]。所建立的BP神经网络输入层为影响回采巷道围岩破碎程度的7个指标，输出层为注浆材料性能的3个指标。

根据输入输出指标，获得42组数据，数据采集原则如下：①注浆的目的是加固巷道围岩；②对回采巷道注浆施工；③注浆加固效果明显；④注浆加固材料主要为水泥基材料。根据BP神经网络数据集划分原则，选取前34组数据作为训练样本用于网络的训练，后8组数据作为测试样本用于检验网络的性能，并在Matlab环境下编写程序进行仿真训练。部分训练样本及测试样本见表1。

表1 部分训练样本及测试样本

3.2 样本处理及网络训练

为避免各输入输出数据因数量级差别较大而造成网络预测误差，需对数据进行归一化处理[16]，选用Matlab自带的mapminmax函数将数据集归一化为[0,1]。通过编程调用神经网络工具箱中自带的激活函数，对选定的网络进行计算，建立回采巷道破碎程度和注浆材料性能间的BP神经网络模型，然后对回采巷道所需注浆材料性能进行选型及预测研究。

BP神经网络中对神经网络性能影响最大的就是隐含层节点数，但是BP神经网络中并没有准确公式确定隐含层神经元个数，调试过程中多采用“试凑法”。根据“试凑法”得出样本数据在设置隐藏层神经元层数为15时，神经网络结构稳定，同时本次神经网络模型选用的训练函数为trainlm，传递函数选用logsig和purelin，设置最大训练次数为100，目标误差设置为0.001。

4 结果分析

数据拟合效果如图2所示，从图2中可知，经训练和测试后，训练集(见图2(a))、验证集(见图2(b))、测试集(见图2(c))拟合系数分别达到0.999 95、0.996 09、0.987 55，总样本集(见图2(d))拟合系数高达0.997 24，表明以上训练和测试效果很好。模型预测结果见表2。

(a)训练集

(b)验证集

(c)测试集

(d)总样本集

表2 模型预测结果

4.1 抗压强度预测结果分析

由表2可知，7 d抗压强度预测结果基本接近真实值，从绝对误差来看，第3组测试集绝对误差最大为 6.04 MPa，第1组和第4组绝对值误差在2 MPa内，其他组绝对值误差均小于1 MPa。从相对误差来看，第3组测试集相对误差最大达到35.53%，其次为第1组为12.15%，其他组数据相对误差均小于10%。总体上模型对7 d抗压强度预测相对误差范围小于13%，选型及预测效果较好。

4.2 初凝时间预测结果分析

初凝时间的预测结果与真实值结果相差不大，就对绝对误差而言，第3组相差最大为16.31 min，其他组预测数据的绝对误差较小，均小于5 min，最小预测误差仅相差0.16 min。由相对误差可知，第3组数据相对误差最大为21.75%，其次为第1组和第8组，分别为11.27%和11.40%，其他组预测相对误差均小于10%。当对初凝时间的相对误差要求不大于12%时，由预测结果可知，此模型基本可靠。

4.3 初始黏度预测结果分析

预测的浆液黏度结果也基本接近真实值，只是各组数据间误差存在差异。其中第8组的绝对误差最大为12.25 mPa·s，其他组数据的绝对误差小于10.02 mPa·s，预测的最小绝对误差仅3.15 mPa·s。由相对误差看，测试集相对误差均低于11%，其中相对误差最大为10.12%，最小为2.65%。由以上分析可知，当对浆液黏度的相对误差要求不大于11%时，模型预测结果较好。

综上所述，所建立的BP神经网络模型整体效果很好，对注浆材料7 d抗压强度、初凝时间和初始黏度预测的相对误差总体上低于13%，个别数据相对误差较大。但是考虑到选取的样本有限、训练样本和测试样本数据量少、不同破碎围岩对浆液性能需求离散性较大，以及建立的模型为多输入多输出神经网络模型，故对其存在一定的误差可以接受，当收集到更多数据时，网络训练的结果将更为可靠。因此，在现场注浆施工中，当需对回采巷道分区、分类注浆加固时，该模型具有较好的浆液选型及预测效果。

5 工程应用

为验证模型的可靠性，在大南湖一矿1305辅助运输巷内选取两段进行注浆加固试验，每段注浆加固范围20 m，两段相隔100 m，两段注浆加固材料分别为粉煤灰注浆材料和水灰比为0.6∶1的普通硅酸盐水泥。根据实际地质条件预测得到浆液性能如下：7 d 抗压强度为17.91 MPa,初凝时间为39.08 min，初始黏度为114.42 mPa·s，按预测浆液性能进行粉煤灰注浆材料配制。在两试验段巷道内分别布置 1组测站，并测量围岩移近量，巷道围岩变形曲线如图3 所示。

图3 巷道围岩变形曲线

由图3可知，在进行了注浆加固之后巷道围岩变形得到了较好控制，顶底板及两帮移近速度均减小，表明注浆加固有利于控制该巷道变形。其中，按照地质条件进行浆液性能配制的粉煤灰浆较采用水泥浆注浆加固效果好，说明相同的地质条件对浆液性能要求不同，而该硅酸盐水泥浆力学性能：7 d抗压强度为10.64 MPa,初凝时间为150 min，初始黏度为70 mPa·s，未能完全满足该地质条件下对浆液性能的要求。所以对于同一矿井，在不同的采区、不同的回采巷道，其地质条件不同，注浆施工时，应当分区、分类制备与地质条件相匹配的注浆材料，达到精准控制巷道围岩变形的目的。

6 结论

在工作面回采巷道注浆加固过程中，采用同一种注浆材料进行破碎围岩加固不能达到分区、分类、精准控制的目的。在收集围岩破碎程度指标参数及其相应的注浆材料性能参数获得42组数据基础上，建立了基于围岩破碎程度的浆液性能选型预测模型，并进行了准确性分析，主要结论如下：

1)选取顶板岩层强度、煤层强度、底板岩层强度等7个地质参数作为输入因子，选取注浆材料7 d抗压强度、初凝时间、初始黏度3个参数作为输出因子，建立了“地质条件—浆液性能”互馈的BP神经网络预测模型。

2)对“地质条件—浆液性能”BP神经网络模型进行测试，结果显示训练集、验证集和测试集的拟合系数分别达到了0.999 95、0.996 09、0.987 55，总样本集拟合系数高达0.997 24，测试集输出因子相对误差低于13%，训练和测试效果较好，达到了基于地质条件进行浆液预测及选型效果。

3)在现场注浆施工中，当需对回采巷道分区、分类、精准注浆加固时，应用该模型可进行较好的浆液选型，可为注浆材料的选取提供一定的依据。