创刊于1987年, 双月刊
主管:

江西理工大学

主办:

江西理工大学
江西省有色金属学会

ISSN:1674-9669
CN:36-1311/TF
CODEN YJKYA9

某金矿碎石—尾砂协同胶结充填力学特性与神经网络预测分析

杨纪光, 王增加, 郭加仁, 王鹏涛, 刘杰, 桑来发, 盛宇航, 荆晓东

杨纪光, 王增加, 郭加仁, 王鹏涛, 刘杰, 桑来发, 盛宇航, 荆晓东. 某金矿碎石—尾砂协同胶结充填力学特性与神经网络预测分析[J]. 有色金属科学与工程, 2025, 16(1): 104-114. DOI: 10.13264/j.cnki.ysjskx.2025.01.012
引用本文: 杨纪光, 王增加, 郭加仁, 王鹏涛, 刘杰, 桑来发, 盛宇航, 荆晓东. 某金矿碎石—尾砂协同胶结充填力学特性与神经网络预测分析[J]. 有色金属科学与工程, 2025, 16(1): 104-114. DOI: 10.13264/j.cnki.ysjskx.2025.01.012
YANG Jiguang, WANG Zengjia, GUO Jiaren, WANG Pengtao, LIU Jie, SANG Laifa, SHENG Yuhang, JING Xiaodong. Research on mechanical characteristics and neural network prediction analysis of crushed stone tailings collaborative cementing filling in a gold mine[J]. Nonferrous Metals Science and Engineering, 2025, 16(1): 104-114. DOI: 10.13264/j.cnki.ysjskx.2025.01.012
Citation: YANG Jiguang, WANG Zengjia, GUO Jiaren, WANG Pengtao, LIU Jie, SANG Laifa, SHENG Yuhang, JING Xiaodong. Research on mechanical characteristics and neural network prediction analysis of crushed stone tailings collaborative cementing filling in a gold mine[J]. Nonferrous Metals Science and Engineering, 2025, 16(1): 104-114. DOI: 10.13264/j.cnki.ysjskx.2025.01.012

某金矿碎石—尾砂协同胶结充填力学特性与神经网络预测分析

基金项目: 

山东省重大科技创新工程项目 2019SDZY0504

详细信息
    通讯作者:

    杨纪光(1986— ),高级工程师,主要从事矿山充填采矿方面的工作。E-mail:goodyangjiguang@163.com

Research on mechanical characteristics and neural network prediction analysis of crushed stone tailings collaborative cementing filling in a gold mine

  • 摘要:

    以某金矿废石破碎成5 mm以下的碎石和全尾砂为研究对象,在制备成膏体充填料浆的条件下进行了不同参数下充填体单轴抗压强度、抗拉强度实验,开展了单因素、多因素拟合分析及相关性检验,确定了各影响因素与充填体强度之间的关联度,探究了各因素对膏体充填体强度的影响规律;利用改进的MATLAB神经网络建立了料浆质量浓度(X1)、灰砂比(X2)(指质量比,下同)、砂石比(X3)、养护龄期(X4)对充填体强度(单轴抗压强度(Y1)、抗拉强度(Y2))影响的预测模型。结果表明:充填体强度与各参数之间呈多元线性函数关系,灰砂比是影响充填体强度的主要因素,养护龄期和砂石比次之,料浆浓度最小;充填体强度随充填浓度、养护龄期和灰砂比的增大呈增长趋势,随砂石比的增大呈减小趋势;建立的充填体强度函数模型在预测该金矿单轴抗压强度(Y1)、抗压强度(Y2)中适应性强、收敛速度快而且精度高,为后期充填采矿强度需求设计提供了依据。

    Abstract:

    This article focuses on the crushing of gold mine waste into crushed stones and full tailings below 5 mm. Under the conditions of preparing paste filling slurry, uniaxial compressive strength and tensile strength tests were conducted on the filling material under different parameters, and single-factor and multi-factor fitting analysis and correlation testing were conducted. The correlation between various influencing factors and the strength of the filling body was determined. The influence of various factors on the strength of the paste-filling body was explored. A predictive model was established using an improved MATLAB neural network to predict the effects of slurry concentration X1, cement sand ratio X2, sand gravel ratio X3, and curing age X4 on the strength (uniaxial compressive strength Y1, tensile strength Y2) of the filling material. The results show that there is a multivariate linear function relationship between the strength of the filling body and various parameters. The lime-sand ratio is the main factor affecting the strength of the filling body, followed by the curing age and sandstone ratio, and the slurry concentration is the smallest. The strength of the filling body increases with the increase of filling concentration, curing period, and lime sand ratio, and decreases with the increase of sand stone ratio. The established strength function model of the filling body has strong adaptability and high accuracy in predicting the uniaxial compressive strength Y1 and compressive strength Y2 of the gold mine, which provides a basis for the design of the strength demand of later filling mining.

  • 在矿山设计中,最为关键的是生产规模论证以及采矿设计方案的优选,其中采矿设计方案主要包括采矿方法以及矿山开拓运输方案的确定,这两者均依赖于矿床地质资源条件以及开采技术条件,其优选结果如何直接影响到矿山今后生产的技术经济效益,因此,对矿山企业来说具有非常重要的意义.目前,国内外众多矿山工作者已经做了大量的研究与实践[1-4],但研究方法一般较为简单,多为方案直接比选法.本文将采用多属性决策理论进行研究.

    白象山铁矿是姑山铁矿区内的一个大型矿床.矿区内的姑山铁矿床、和睦山铁矿床、钟九铁矿床、钟山铁矿床等由马钢集团姑山矿业公司开采. 姑山矿区位于安徽省马鞍山市当涂县城南偏东10 km处,白象山铁矿床与姑山矿业公司所在地直线距离2.5km,地理坐标为东经118°31′53″,北纬31°27′34″.白象山铁矿是今后相当长一个时期姑山矿业公司的主力矿山,能否按期建成白象山铁矿,关系到姑山矿的长治久安[5].

    矿床内共圈定矿体11 个,其中Ⅰ号矿体为主矿体,地质储量约占矿床总储量的98.9 %,其余小矿体占总储量的1.1 %. 白象山铁矿的矿体变化很大,勘探线1~9 线矿体的水平厚度最大达到300~400 m,倾角在9~13°;其它的在几十米,倾角在20~40°.因此,在不同的区段采场形式是不同的,基本上可分为如下两种:

    (1) 特厚大矿体.主要是指勘探线1~9 线西部区段和其他水平厚度大于100 m 的厚大矿体.

    (2) 一般厚度矿体.主要是矿体水平厚度50 m 以下的矿体,矿体倾角一般都稍大,在20~40°之间.对矿体水平厚度在50~100 m 之间的,倾角又适合采用脉外出矿的,采场布置也按此布置,只是采场生产能力可按特厚大矿体采场计.

    采矿方法选择除了要考虑通常的基本要求外,即安全、矿石贫化率小、矿石回采率高、生产效率高、经济效益好等[6],还要满足矿山提出的地表不塌陷、井下不突水的要求,而充填采矿法则能够同时满足这两个要求[7].根据矿体的埋藏条件和矿岩的稳定性、水文地质条件,可选择的采矿方法有:机械化盘区上向分层连续倾斜进路尾砂充填采矿法(简称连续倾斜进路尾砂充填采矿法)、机械化盘区点柱式上向分层充填采矿法(简称点柱充填法);对厚大矿体或矿体中厚但倾角陡的矿体采用大直径深孔空场嗣后充填采矿法和分段空场嗣后充填采矿法技术上也是可行的[8-9].

    (1) 连续倾斜进路尾砂充填采矿法.连续倾斜进路尾砂充填采矿法是典型的机械化盘区上向分层连续进路式胶结充填采矿法的变异,只是进路呈平行四边形,并且充填时不添加水泥,全部用尾砂充填(或增加水泥砂浆胶面).回采是在每一分层以进路的形式凿岩爆破出矿,一条进路采完后即进行充填,在尾砂脱水固结后,第二条进路从旁边开始回采.这种方法的优点是回采进路高度小,顶板易处理,作业安全;采用尾砂充填作业成本低;能较好地适应矿体形状的变化,矿石损失贫化率低.缺点是采场需要一条一条地充,工序相对较多,劳动生产率相对较低.由于采用尾砂充填,因此尾砂的粒径要求较粗,易于脱水,采场充填接顶要求严格.

    (2) 点柱充填采矿法.点柱充填采矿法是在采场中均匀布置点柱(点柱间距15 m,点柱尺寸为4.5 m×4.5m),采场顶板靠点柱支撑,点柱作为永久损失.每分层回采时采用水平炮孔落矿(也有打上向孔的),充填可根据回采的情况分次充填.和连续进路倾斜尾砂充填采矿法相比,点柱充填采矿法的优点是凿岩爆破的效率高,采场生产能力较大,也能较好地控制采场顶板和矿体上盘围岩稳定.缺点是采场暴露面积较大,采场顶板管理要求严格,安全可靠性比采用连续进路倾斜尾砂充填采矿法相对要低.

    (3) 大直径深孔空场嗣后充填采矿法和分段空场嗣后充填采矿法.该方法的优点是人员设备不需进入采场空区,回采作业安全; 采用集中凿岩集中出矿,设备利用率高;单位开采面积采矿生产能力大.缺点是采场暴露的高度大,在水文条件复杂的矿山不能及时有效地控制涌水突发事故的发生; 如矿房不采用胶结充填则需留大量的矿柱不能回收,矿石损失率大,如矿房采用胶结充填则充填成本相对较高;对矿体的形状变化适应差,因而矿石的贫化率大,矿石损失率也较大.因此,不推荐采用该采矿方法.若矿岩的稳固性较好、矿体倾角和厚度又适宜的情况下,在矿体疏干之后,可试用沿走向布置的分段空场嗣后充填采矿法,但最后空区应完全充填接顶以保护地表.

    (4) 采矿方法优选.根据矿山提出的保证地表不塌陷、井下不突水等要求,结合白象山铁矿床开采技术条件,考虑到矿山生产规模的需要,认为必须采用连续倾斜进路尾砂充填采矿法和点柱充填采矿法,才能实现安全高强度回采,满足矿山年采出矿量200 万t 以上并保护地表的要求. 为适应白象山的层状缓倾斜、水平矿体厚度变化较大的情况,连续倾斜进路充填采矿法和点柱充填采矿法,均沿走向布置盘区(长100 m),特厚大矿体每个盘区按100 m×100 m 划分为若干个矿块.

    根据矿体的赋存条件和矿床开采技术条件,矿床开拓主要以竖井开拓为主,开拓运输方案受厂址的影响,初步拟定4 个方案,分别为:

    (1) 方案D1.主副井、选厂在龙尾冲方案.采用主副井开拓,主副井和选厂布置在龙尾冲的山坡上,工业场地靠近矿体(在-470 m 水平副井离矿体约660 m).

    (2) 方案D2.主副井、选厂在泉水湾方案.采用主副井开拓,主副井和选厂布置在泉水湾的山坡上.

    (3)方案D3.副井在钟山,主井和选厂在龙尾冲方案.采用主副井开拓,副井布置在钟山(青山河的西面),主井和选厂在龙尾冲的山坡上.井下人员和材料均从钟山副井下到井下,机修可完全利用已有的设施.副井场地应增设变电所,为副井服务,地表布置空压机房.但在主井附近需设一条进风井(即方案D1中的副井位置),进风井内设梯子间,排水管、供水管、供电电缆从进风井走.

    (4) 方案D4.钟山通地表的斜坡道,主井和选厂在龙尾冲方案.采用主井和辅助斜坡道开拓,辅助斜坡道开口布置在钟山(青山河的西面),主井和选厂在龙尾冲的山坡上. 在钟山掘进斜坡道到-450 m 水平(即取代方案D3中的副井和副井石门),人员材料通过无轨设备运输到井下,从地表到井下-450 m 水平辅助斜坡道长约为3300 m.

    所提出开拓运输方案的主要技术经济指标见表 1.

    表  1  主要技术经济指标
    下载: 导出CSV 
    | 显示表格

    各开拓运输方案的优缺点见表 2.

    表  2  4 个方案优缺点比较
    下载: 导出CSV 
    | 显示表格

    表 2 可知,D1基建工程量省,基建时间相对要短,但年均经营费用较高;与D1相比,D2主副井远离矿体多460 m 左右,井下运距也多460 m(单程),此方案基建时间相对要长一些,人员上下班井下需多走约460 m;D3基建工程量大,但利用了原来的一些设施,如原有的一些住宅和土地,可减少征地的数量.但副井石门巷道长,到矿体约1800 m,且巷道需要穿过F2断层,F2断层导水性强,周围岩石不好,给施工会带来一定的难度;D4减少了井筒装备、井塔及提升设施,无轨设备上下、材料运输非常方便,但斜坡道运输紧张.直观来看,D1D2难以取舍、D4似乎优于D3,但D1D2D4比较起来,较难下结论,还需要结合表 1 以及矿山治水实际情况加以权衡.

    1) 基于理想点法的多属性优化选择模型

    矿山开拓运输方案的选择是一个多目标优化问题,可进行以下描述:方案集D={Di}(i=1,2,…,m);属性集X={Xj}(j=1,2,…,n),属性值为xij,属性向量为xi =(xi1xi2,…,xin);目标集为Y={Yk} (k=1,2,…,p),目标值为yik.通过目标函数fk(x)建立Di的属性向量xiYk的关系,即yik=fk(xi).可得评价矩阵[10-12]

    其中F(xi )=[f1(xi),f2 (xi),…,fP (xi )]

    fk(x)为评价属性的价值函数Vj(xij),则:

    在优选方案目标体系中包括两大类目标,即极大型目标和极小型目标.一般来说,希望所优选的方案具有理想值.然而实际上,理想点是不太容易求出的,因此,只有在拟定备择方案中寻求相对较优.如果目标函数没有数学解析表达式,则只能由实验求得,也可以根据专家经验提出近似理想值.

    近似理想点确定后,需要构建理想方案,即I*,则

    其中

    于是寻求Di,使其到近似理想点的距离最小.另外,如果各属性目标的重要程度不一样,那么引进权重,则

    (1)

    式(1)中αiDiI* 的近似程度,即近似度.

    U(Di)说明选出的最优方案与I* 最接近,即αi最小.

    2) 开拓运输方案评判指标体系的构建与测算

    第1,构建开拓运输方案评判指标体系,见表 3.

    表  3  开拓运输方案评判指标体系
    下载: 导出CSV 
    | 显示表格

    第2,对表 3X4X6两项指标采用百分制打分.其中X4:易为0,一般为60,较难为80,难为100;X6:一般为60,较好为80,好为100.

    第3,选择标准化函数,求出标准化矩阵.设I1I2依次为极大型、极小型指标的集合,于是可以选取如下的标准化函数:

    则标准化矩阵

    第4,计算各指标的权重系数.首先将评价指标按照行和列排列,形成一个正方形表格;其次,利用相对比较法对指标之间的关系进行分析,将评分值记入表格;然后,将指标评分值每行求和;最后,归一化,得到权重系数.

    第5,求各个方案与理想决策方案的近似度.

    理想点为I*=(V1*V2* ,…,V6*)=(1,1,1,1,1,1).

    利用式(1),取P=2,则α1=0.632,α2=0.449,α3=0.794,α4=0.773. 因此,4 个开拓运输方案的排序为D2D1D4D3,设计推荐方案为D2D1.

    根据姑山矿提出的保证地表不塌陷、井下不突水等要求,结合白象山铁矿床开采技术条件,考虑到矿山生产规模的需要,得出必须采用连续倾斜进路尾砂充填采矿法和点柱充填采矿法,才能实现安全高强度回采,满足矿山年采出矿200 万t 以上并保护地表的要求.根据白象山铁矿床矿体的赋存条件和矿床开采技术条件,拟定了4 个开拓运输方案,建立了开拓运输方案评判指标体系,利用理想点法对4 个方案进行比较优选,结果表明:D2D1依次为较优推荐方案.上述研究成果已经被马钢集团姑山矿业有限公司采纳,目前正在应用中,长期社会与经济效益预期良好.因此,利用理想点法进行矿山开拓运输方案的优化选择具有较好的可靠性以及实用与推广价值.

    朱冬梅
  • 图  1   粒径分布曲线:(a) 尾砂;(b) 碎石

    Fig  1.   Particle size distribution curves:(a) tailings;(b) crushed stone

    图  2   筛分后碎石粒径

    Fig  2.   Particle size of crushed stone after screening

    图  3   充值体力学性能测试实验流程

    Fig  3.   Experimental process for testing the mechanical properties of filling materials

    图  4   充填单轴抗压强度随养护龄期的变化:(a) 固定砂石比为5∶1;(b) 固定灰砂比1∶6

    Fig  4.   Schematic diagram of truncated circular mold:(a) fixed sand to stone ratio 5∶1;(b) fixed ash sand ratio 1∶6

    图  5   不同条件下充填体强度演化规律:(a) 不同灰砂比充填强度规律;(b) 不同质量浓度充填强度规律;(c) 不同砂石比充填强度规律

    Fig  5.   Evolution law of filling body strength under different conditions:(a) the law of filling strength with different ash sand ratios;(b) the law of filling strength with different mass concentrations;(c) the law of filling strength with different sand to stone ratio

    图  7   MATLAB神经网络培训状态

    Fig  7.   MATLAB neural network training state

    图  8   归一化后样本集

    Fig  8.   Normalized sample set

    图  9   MATLAB神经网络训练误差曲线(17计算步)

    Fig  9.   MATLAB neural network training error curve (17 calculation steps)

    图  10   神经网络验证误差曲线

    Fig  10.   Verifying error curve of neural network

    表  1   充填骨料基本物理性质测试结果

    Table  1   Basic physical properties results of filling aggregate

    充填骨料真密度/(t/m³)堆积密度/(t/m³)空隙率/%自然安息角/(°)
    全尾砂2.861.3353.541.11
    碎石2.801.5245.732.96
    下载: 导出CSV

    表  2   单轴抗压强度实验结果

    Table  2   Results of uniaxial compressive strength

    序号质量浓度%灰砂质量比砂石质量比单轴抗压强度/MPa
    3 d7 d28 d
    1761∶45∶14.164.305.95
    210∶13.884.085.71
    315∶13.513.875.51
    420∶13.423.675.34
    5761∶65∶12.592.964.65
    610∶12.422.774.38
    715∶12.172.544.18
    820∶12.012.363.98
    下载: 导出CSV

    表  2   (续) 单轴抗压强度实验结果

    Table  2   (Continued) Results of uniaxial compressive strength

    序号质量浓度%灰砂质量比砂石质量比单轴抗压强度/MPa
    3 d7 d28 d
    9761∶85∶11.982.293.93
    1010∶11.732.083.72
    1115∶11.551.873.54
    1220∶11.351.693.32
    13761∶105∶11.441.733.41
    1410∶11.271.593.25
    1515∶11.071.393.06
    1620∶11.021.182.84
    17781∶45∶14.224.546.19
    1810∶14.014.335.99
    1915∶13.794.115.78
    2020∶13.583.925.57
    21781∶65∶12.883.234.84
    2210∶12.673.054.64
    2315∶12.462.824.44
    2420∶12.272.574.23
    25781∶81∶85∶12.232.55
    264.1910∶12.012.33
    273.9915∶11.792.12
    283.8920∶11.581.91
    29781∶103.561∶105∶11.71
    302.053.6610∶11.51
    311.853.4615∶11.28
    321.643.2620∶11.09
    33801∶45∶14.494.826.45
    3410∶14.284.576.23
    3515∶14.064.376.02
    3620∶13.874.165.83
    37801∶65∶13.153.455.11
    3810∶12.923.244.92
    3915∶12.713.034.71
    4020∶12.522.824.49
    41801∶85∶12.492.784.44
    4210∶12.282.564.24
    4315∶12.062.364.02
    4420∶11.872.163.82
    45801∶105∶12.042.303.93
    4610∶11.742.083.72
    4715∶11.581.893.53
    4820∶11.411.663.34
    下载: 导出CSV

    表  3   抗拉强度实验结果

    Table  3   Results of backfill samples under split tensile tests

    序号质量浓度%灰砂质量比砂石质量比单轴抗压强度/MPa
    3 d7 d28 d
    1761∶45∶10.360.380.52
    210∶10.340.360.50
    315∶10.310.340.48
    420∶10.300.320.47
    5761∶65∶10.220.250.41
    610∶10.210.230.38
    715∶10.180.220.37
    820∶10.170.200.35
    9761∶85∶10.170.190.34
    1010∶10.140.170.33
    1115∶10.130.160.31
    1220∶10.110.140.29
    13761∶105∶10.120.140.30
    1410∶10.100.130.29
    1515∶10.090.110.27
    1620∶10.080.100.25
    下载: 导出CSV

    表  3   (续) 抗拉强度实验结果

    Table  3   (Continued) Results of backfill samplesunder split tensile tests

    序号质量浓度%灰砂质量比砂石质量比单轴抗压强度/MPa
    3 d7 d28 d
    17781∶45∶10.370.400.54
    1810∶10.350.380.53
    1915∶10.330.360.51
    2020∶10.310.340.49
    21781∶65∶10.240.270.42
    2210∶10.230.260.41
    2315∶10.210.240.39
    2420∶10.190.220.37
    25781∶85∶10.190.210.37
    2610∶10.170.190.35
    2715∶10.150.180.34
    2820∶10.130.160.31
    29781∶105∶10.140.170.32
    3010∶10.120.150.30
    3115∶10.100.130.29
    3220∶10.090.370.27
    33801∶45∶10.390.420.57
    3410∶10.380.400.55
    3515∶10.360.380.53
    3620∶10.340.360.51
    37801∶65∶10.270.290.45
    3810∶10.250.270.43
    3915∶10.230.260.41
    4020∶10.210.240.39
    41801∶85∶10.210.230.39
    4210∶10.190.210.37
    4315∶10.170.200.35
    4420∶10.160.180.34
    45801∶105∶10.170.190.34
    4610∶10.140.170.33
    4715∶10.130.150.31
    4820∶10.120.140.29
    下载: 导出CSV

    表  4   MATLAB网络测试样本数据预测结果

    Table  4   MATLAB network predictive results of the test sample data

    序号养护龄期/d抗压强度/MPa抗拉强度/MPa
    实验网络仿真值/%误差/%多元回归值误差/%实验网络仿真值/%误差/%多元回归值误差/%
    134.164.1350.613.938-5.640.360.371-0.030.342-5.26
    2372.822.8190.022.8320.420.240.387-0.380.2431.23
    36144.164.1310.714.2021.000.360.3080.170.3661.64
    47283.533.5110.533.5691.090.310.2500.240.3100
    下载: 导出CSV
  • [1] 吴爱祥,王洪江. 金属矿膏体充填理论与技术[M]. 北京:科学出版社,2015:1-2.
    [2] 刘同有,金铭良,王佩勋,等. 充填采矿技术与应用[M]. 北京:冶金工业出版社,2001.
    [3]

    ESWARAIAH C,BISWAL S K,MISHRA B K. Settling characteristics of ultrafine iron ore slimes[J]. International Journal of Minerals Metallurgy and Materials,2012,19(2):95-99.

    [4]

    CAO S, SONG W D, DENG D, et al.Numerical simulation of land subsidence and verification of its character for an iron mine using sublevel caving[J].International Journal of Mining Science and Technology, 2016, 26(2):327-332.

    [5]

    ALDHAFEERI Z,FALL M. Time and damage induced changes in the chemical reactivity of cemented paste backfill[J]. Journal of Environmental Chemical Engineering,2016,4(4):4038-4049.

    [6] 唐国星,郭利杰,刘光生,等. 尾砂胶结充填体抗拉强度试验及其影响因素研究[J]. 中国矿业,2022,31(4):124-131.
    [7] 刘可任. 充填理论基础[M]. 北京:冶金工业出版社,1982.
    [8] 尹升华,邵亚建,吴爱祥,等. 含硫充填体膨胀裂隙发育特性与单轴抗压强度的关联分析[J]. 工程科学学报,2018, 40(1):9-16.
    [9]

    CHEN Q S,ZHANG Q L, FOURIE A, et al. Utilization of phosphogypsum and phosphate tailings for cemented paste backfill[J]. Journal of Environmental Management,2017,201:19-27.

    [10] 葛海源,陈超,李洪宝,等. 超细全尾砂充填体强度增长规律试验研究[J]. 现代矿业,2014,30(7):10-13.
    [11] 付建新,杜翠凤,宋卫东. 全尾砂胶结充填体的强度敏感性及破坏机制[J]. 北京科技大学学报,2014,21(9):1149-1157.
    [12] 占飞,付玉华,杨世兴. 某铜矿胶结充填体的强度值设计[J]. 有色金属科学与工程,2018,9(2):75-80.
    [13] 曹帅,宋卫东,薛改利,等. 考虑分层特性的尾砂胶结充填体强度折减试验研究[J]. 岩土力学,2015,36(10):2869-2876.
    [14]

    YIN W, ZHANG K, OUYANG S Y, et al.Experimental study on gangue backfilling materials improved by soda residue and field measurement of surface subsidence[J].Frontiers in Earth Science, 2021(9): 747675.

    [15]

    SUN Q, ZHANG J X, ZHOU N.Early-age strength of aeolian sand-based cemented backfilling materials: experimental results[J].Arabian Journal for Science & Engineering,2018,43(4):1697-1708.

    [16] 郭慧高,武拴军,尹升华,等. 冶炼铜选尾渣对废石粗骨料充填料浆特性改性研究[J].金属矿山,2021(4):53-58.
    [17] 严荣富,尹升华,刘家明,等. 掺聚丙烯纤维粗骨料膏体流变性能及计算模型[J].中南大学学报(自然科学版),2022,53(4): 1450-1460.
    [18] 何建元,李宏业,高谦,等. 采矿废石-尾砂混合骨料在下向分层进路胶结充填采矿中应用的试验研究[J]. 黄金科学技术, 2021,29(4):564-572.
    [19] 王洪江,杨亚楠,王小林. 不同粗骨料对膏体强度性能的影响及配比优化[J]. 金属矿山,2022(1):120-127.
    [20] 尹升华,侯永强,杨世兴,等. 单轴压缩下混合集料胶结充填体变形破坏及能耗特征分析[J]. 中南大学学报(自然科学版), 2021,52(3):936-947.
    [21] 卓毓龙,陈辰,曹世荣等. 不同块石配比充填体的强度特性研究[J]. 有色金属科学与工程,2016,7(5):72-75.
    [22] 卓庆奉,巴蕾,王奇峰. 掺粉煤灰的混合充填骨料配比优化实验[J]. 矿产综合利用,2021(3):187-192,199.
    [23] 于恩毅,黄旭东,龚甲桂. 基于RSM-BBD的废石—全尾砂胶结充填体强度试验研究[J]. 矿业研究与开发,2020,40(7):75-80.
    [24] 巴蕾,韦寒波,温震江,等. 废石—铜渣尾砂混合骨料配比优化试验[J]. 矿业研究与开发,2020,40(2):31-37.
    [25] 刘恒亮,张钦礼,王新民,等. 全尾砂充填体正交-BP神经网络强度预测[J]. 金属矿山,2016(1):47-50.
    [26] 徐淼斐,高永涛,金爱兵,等. 基于超声波波速及BP神经网络的胶结充填体强度预测[J]. 工程科学学报,2016,38(8):1059-1068.
    [27] 董越,杨志强,高谦. 正交试验协同BP神经网络模型预测充填体强度[J]. 材料导报,2018,32(6):1032-1036.
    [28] 何荣军,杜运夯,吴再生. 基于MMAS-BP神经网络的粉煤灰膏体管道输送水力坡度预测[J]. 煤矿安全,2018,49(6):217-220.
    [29]

    ARMAGHANI D J,MOHAMAD E T,NARAYANASAMY M S,et al. Development of hybrid intelligent models for predicting TBM penetration rate in hard rock condition[J]. Tunnelling and Underground Space Technology,2017,63:29-43.

    [30]

    HASSAN W H. Application of a genetic algorithm for the optimization of a location and inclination angle of a cut off wall for anisotropic foundations under hydraulic structures[J]. Geotechnical and Geological Engineering,2019,37(2):883-895.

    [31]

    SANTOS J,FERREIRA A,FLINTSCH G. An adaptive hybrid genetic algorithm for pavement management[J]. International Journal of Pavement Engineering,2019,20(3):266-286.

    [32]

    DING S F,LI H,SU C Y,et al. Evolutionary artificial neural networks:a review[J]. Artificial Intelligence Review,2013, 39(3):251-260.

    [33]

    WANG J,FANG J D,ZHAO Y. Visual prediction of gas diffusion concentration based on regression analysis and BP neural network[J]. The Journal of Engineering-Joe,2019(13):19-23.

图(11)  /  表(6)
计量
  • 文章访问数:  18
  • HTML全文浏览量:  1
  • PDF下载量:  2
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-07-26
  • 修回日期:  2024-01-18
  • 刊出日期:  2025-02-27

目录

/

返回文章
返回
x 关闭 永久关闭