煤矿巷道支护方案智能设计研究OA北大核心CSTPCD

目前煤矿巷道支护方案设计仍以人工设计、工程类比、FLAC模型模拟为主,存在主观性强、普适性低、未充分利用煤矿支护大数据等问题,而基于专家系统的设计方法规则设定程序繁琐,工程量大,智能化程度较低。将案例推理(CBR)和深度学习技术引入巷道支护方案设计领域,基于煤矿支护规程、支护规范及煤矿巷道地质报告等文本大数据,提出了一种煤矿巷道支护方案智能设计方法。获取346份不同煤矿的巷道支护资料,抽取结构化数据并划分为输入、输出参数,通过常属性变量滤波和高相关性滤波方法对输入、输出参数进行优化。建立CBR模型,并将抽取的结构化数据导入CBR模型,形成支护方案比选案例库,计算新的巷道支护方案与历史方案的相似度,输出相似度最高的3条历史方案进行对比,实现相似案例比选。分别采用BP神经网络和基于长短期记忆(LSTM)网络建立煤矿巷道支护方案自动生成模型,通过对比预测指标,确定采用基于LSTM模型与CBR模型结合,建立煤矿巷道支护方案智能设计系统。将该系统用于不连沟煤矿掘进F6226工作面辅运巷支护方案设计,通过试验验证了系统生成方案下巷道两帮变形量和顶板最大位移均小于人工设计方案,巷道顶板及两帮完整性较好,围岩承载能力增强,支护效果明显。