泵送矸石膏体充填材料配比实验

为了缓解我国"三下"压煤严重并且保护环境,采用泵送矸石膏体充填采煤工艺。通过矸石充填材料配比实验得出了对充填材料的凝结时间、塌落度以及充填强度的影响因素。对比分析实验数据得出,粉煤灰合理比例为8%,水玻璃合理比例为2.5‰,水泥合理比例为3%,充填料浆质量浓度为85%。材料各项性能均能达到现场试验要求,提高煤矿的充填效果,保证煤矿安全回采。     

膏体充填相似材料配比及力学特征分析

根据某煤矿2351工作面的实际情况,对膏体充填的相似材料、配比及力学特征进行分析,得到了实验室相似条件下的充填材料P10的最优配比。     

矸石膏体充填材料配比优化

为了合理确定岱庄矿矸石膏体充填材料的合理配比,采用均匀设计方法开展了28组实验,研究粉煤灰、水泥、矸石的不同配比对膏体坍落度、分层度、泌水率、充填体早期强度和长期强度的影响规律。基于关键层理论提出了充填体长期强度的计算公式,并采用Matlab软件拟合出了矸石膏体充填最优配比,即粉煤灰∶水泥为3.2、矸石∶水泥为4.5、料浆质量浓度为75.3%。该条件下对应的充填性能参数分别为:坍落度184.44 mm、分层度13.87 mm、泌水率1.48%、充填体早期强度0.16 MPa、充填体长期强度3.89 MPa,与实验结果基本吻合。     

尾砂膏体充填材料优化配比试验研究

为研究以尾砂为骨料、胶固粉为细集料的膏体充填材料基本物理力学特性和最优配比组合方式,采用室内材料成分分析、粒径筛分、沉降试验分别对尾砂、胶固粉的物理化学性质及流动性进行研究,并设计正交试验对不同质量浓度、不同粉砂比的尾砂膏体强度进行对比分析。试验结果表明:尾砂和胶固粉的主要化学成分相似,但含量不同,尾砂粒径大部分集中在0.1~1 mm之间,满足充填要求;随着质量浓度提高,沉降量减小,沉降时间亦缩短;当加入胶结料后,质量浓度为73%的浆液沉降值减小了3.5 mm,前10 min的沉降率为下降了14.14%;砂浆浓度一定时,充填体的强度与期龄呈正比关系,且随着粉砂比的增大,强度亦增加;粉砂比一定时,充填体强度与期龄呈正比关系,且随着料浆质量浓度的增大而增大;最优配比组合为粉砂比1∶5,质量浓度70%的充填体能满足强度要求。     

建筑垃圾膏体充填材料配比优化试验研究

为优化建筑垃圾膏体充填材料技术参数,以建筑垃圾为骨料,粗粉煤灰基为胶结材料,采用正交试验方法分析料浆质量浓度、灰料比及细骨料所占比例对充填体的塌落度、分层度、泌水率及单轴抗压强度的影响。结果表明:灰料比对膏体塌落度和泌水率有重要影响,膏体质量浓度和灰料比是分层度、充填体抗压强度的主要影响因素;灰料比越大,膏体塌落度越大,泌水率越大;膏体质量浓度越大,分层度越小;细骨料所占比例对膏体塌落度、分层度和泌水率的影响不明显。综合考虑多种因素,最终选择灰料比为1∶2、质量浓度为76%、细骨料所占比例为45%为最佳配比方式。     

矸石膏体充填材料物化特性与配比试验研究

以岱庄煤矿矸石膏体充填为例,开展了煤矸石、粉煤灰等材料物化性能及优化配比试验。试验结果表明:岱庄煤矿二级破碎的矸石粒径分布基本符合要求;粉煤灰颗粒较粗,球状玻璃微珠量少,对管道润滑作用一般;配比试验表明p10可作为本次试验的优化配比结果,即胶结料∶粉煤灰∶煤矸石为1∶4∶6,质量浓度为74%。     

膏体充填技术研究

淄博矿业集团许厂煤矿建筑物下压煤问题十分严重,为提高建下煤炭资源采出率,采用膏体充填的方法进行开采。对膏体材料所需矸石进行粒度分析,并通过流动性试验和泌水率试验确定各项材料的配比。该文简单介绍了充填系统。     

矸石胶结充填材料合理配比研究

矸石胶结充填料的主要组分为矸石废料、水泥(或其他胶结剂)、粉煤灰和水,这四种组分的不同配合将获得不同的强度指标,矸石胶结充填料配合的基本原则是要求获得成本最低而力学强度最高的效果。本文将讨论这四类充填材料的相关特性、配比原则、充填质量与成本控制。     

煤矿高浓度胶结充填材料配比研究

为得到煤矿高浓度胶结充填材料的合理配比,在分析煤矿充填开采特点、煤矿对充填材料要求及高浓度胶结充填现状的基础上,分别研究了以粉煤灰、煤矸石、普通硅酸水泥及水为主要充填材料在未添加与添加外加剂时的合理质量配比。结果表明:未添加外加剂时,普通硅酸水泥、粉煤灰、煤矸石、水在质量配比10%∶20%∶50%∶20%时充填材料所形成的充填体效果较好,在该配比的基础上添加普通硅酸水泥质量8%的外加剂,制成的料浆浓度为79%,该充填料浆流动性好,不沁水,无离析,坍落度为280 mm,28 d后抗压强度达5.2 MPa,达到了较好的充填效果。     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式.充填料浆质量的研究至关重要.它是一典型的多输入、多输出、非线性的模糊模型.一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力.该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据.另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比.     

大明矿综采膏体充填工作面采、封堵、充填实践

目前三下开采技术已被越来越多的煤炭企业列为煤矿开采工业广场等主要的回采方法,文章阐述了综采膏体充填工作面回采、充填准备及充填工艺对于膏体充填的要求及影响。     

粉煤灰替代部分水泥的膏体充填技术

针对膏体充填成本高、强度低及大量粉煤灰露天排放给环境造成污染的状况,金川二矿区采取了以粉煤灰替代部分水泥作为胶凝剂的方案。多年的生产实践与研究表明,粉煤灰具有良好的胶凝活性,在质量分数和水泥用量相同的条件下,添加粉煤灰可以大幅度提高后期强度,并且龄期强度随粉煤灰用量的增加而增大,对提高胶结充填质量、降低充填成本及实现工业废料综合利用发挥了重要作用。     

膏体充填开采滞留煤柱中覆岩移动规律的模拟研究

为了找出膏体充填开采滞留煤柱中的覆岩移动规律,在膏体充填体支护理论的基础上,结合现场煤矿地质环境,通过充填材料物理模拟来研究垮落开采法和充填开采法的覆岩移动规律,为充填体稳定性提供保证,有利于控制地表沉陷和生产安全.     

建筑物下粉煤灰膏体充填采煤控制地表沉陷效果预测与分析

粉煤灰膏体充填采煤是目前最为有效的建筑物下采煤技术,也是绿色采矿的重要组成部分。以某矿区建筑物下采煤为例,通过对粉煤灰膏体充填采煤控制地表沉陷的数值模拟预测,采用分层全部充填开采3个分层,累计最大下沉量为125 mm,最大倾斜变形量为0.39 mm/m,最大曲率变形量为0.003×10^-3 m^-1,最大水平移动量为56 mm,最大水平变形量为0.3 mm/m,倾斜变形量、水平变形量、曲率变形量均处于Ⅰ级破坏变形允许的范围内。预测结果表明,所提出的建筑物下粉煤灰膏体充填采煤在技术上是可行的,可为建筑物下煤矿开采提供技术依据。     

神经网络法的采空区地基稳定性评价

为了定量评价采空区地基的稳定性,提出了应用人工神经网络技术进行预测评价.以采煤工作面终采时间、沉降趋势、深厚比、构造复杂程度、上覆岩层强度、相对位置、"活化"因素等作为评价指标,将采空区稳定性等级从稳定至不稳定划分为4个稳定级别,中间层设8个神经元,建立了3层BP人工神经网络模型.利用模糊综合评判结果对神经网络模型进行训练,并预留了8个评价单元用于检验.BP人工神经网络在训练过程中显示出良好的收敛效果,训练后的BP人工神经网络模型对采空区稳定性的预测评价结果正确,对工程建设的可行性评估和规划设计等具有指导意义.     

尾矿砂膏体充填材料毛细吸水特性试验研究

采用ISAT法与吸水动力学法测试膏体充填材料的毛细吸水特性与孔结构变化情况,结果表明:增大粉煤灰与水泥用量均能降低膏体充填材料的表层毛细吸水性,且粉煤灰的效果更显著;增大粉煤灰与水泥用量均能降低充填体的平均毛细孔径;水泥用量增加,尾砂充填体的孔径均匀性系数减小,且均匀性系数随粉煤灰掺量的增加先增大后减小;确定粉煤灰最优掺量,适当增大水泥用量,能够优化膏体充填材料的孔结构,保证其耐久性能。     

人工神经网络在煤巷顶板岩性识别中的应用

为了探测顶板岩层组合状况从而更好地满足锚杆支护设计要求,采用人工神经网络方法研究了煤巷顶板岩层岩性识别的实际问题,并根据打钻过程的特点,采用BP网络研究了人工神经网络的结构和输出方式,分析了影响人工神经网络应用效果的各因素,在人工神经网络的优化设计方面作了较深入的研究．研究表明：人工神经网络用于识别所钻岩层误差仅有5％,达到了很好的效果;人工神经网络的参数,如学习率、训练步长、动量系数、隐含层单元数和数据处理方式等对于人工神经网络的应用效果有很大影响．     

基于双屈服模型的膏体充填数值模拟

通过基于双屈服模型的数值模拟方法初步研究了不同膏体材料的充填作用机理和效果,从中分析了材料的性质与地表下沉的关系,以及充填体对开采活动中周围岩体应力的改善情况,总结出充填体的应力分布规律,并针对实际充填工程提出了提高材料初凝强度、缩短开采与充填时间间隔等一些建议。     

基于人工神经网络技术的隧道地表沉降预测

对采用人工神经网络技术预测隧道地表沉降模型中进行了研究。采用MATLAB系统开发了一个多层反向传播神经网络模型,考虑了隧道的深度、隧道的直径、地下水位、土的弹性模量、土的剪切强度、土的侧压系数、土的重度和开挖间隙对地表沉降的影响。用世界多个隧道的地表沉降数据作为样本对模型进行了训练和测试。结果表明,利用该神经网络预测的沉降值与实测值比较吻合。