文摘

巩固了粘贴回填(CPB)技术已成功用于世界各地的矿山尾矿的回收。然而,在煤矿中的应用是有限的矿山尾矿由于缺乏工作总量。在这部作品中,利用黄河泥沙的淤积的可行性(年)聚集在心脏调查。胶结材料选择的普通硅酸盐水泥(OPC)、OPC +煤矸石(CG)和OPC +粉煤灰(CFA)。进行了大量的实验研究无侧限抗压强度(UCS)体的样品。实验结果的讨论后,数据收集和处理后的数据准备。深层神经网络(款)是用来预测心脏的UCS的影响变量,也就是说,OPC的比例,CG, CFA, y,固体含量、固化时间。结果显示如下:(i)固体含量、水泥内容(水泥/砂率)和固化时间与UCS呈现正相关。可以使用CG作为一种OPC的替代品,而添加CFA显著增加心脏的UCS。(2)最优训练集规模80%,运行的数量是36获得聚合的结果。 (iii) GA was efficient at the DNN architecture tuning with the optimum DNN architecture being found at the 17th iteration. (iv) The optimum DNN had an excellent performance on the UCS prediction of silt-based CPB (correlation coefficient was 0.97 on the training set and 0.99 on the testing set). (v) The curing time, the CFA proportion, and the solids content were the most significant input variables for the silt-based CPB and all of them were positively correlated with the UCS.

1。介绍

采矿和矿物加工业很可能造成广泛的环境破坏,如噪声污染、空气和水的污染,固体废物产生1,2]。因此,回收一直是一个重要的问题遇到的采矿和矿物加工业,特别是固体废物回收(3- - - - - -6]。至于金属矿业固体废物回收主要处理产生的大量的尾矿由于waste-to-product比率较高(7,8]。已经表明,金属矿业的waste-to-product比率通常是100:1,也可以高达1000000:1在某些情况下(9]。有兴趣的读者可以参考评审论文(7]的详细报告生成的尾矿典型的矿石。

在可持续发展和清洁生产的时代,矿山尾矿的回收利用一直是一个热门话题,经历了广泛的调查。提出了大量的回收方法,其中胶结粘贴回填(CPB)是最受欢迎的方法之一。心脏是有利的,它不仅可以促进尾矿回收,改善工作条件,围岩稳定,有时工作作为后续采矿作业的平台。因此,心脏在全世界得到了广泛的应用,如在中国(10- - - - - -13),澳大利亚(14)、加拿大(15)和土耳其(16,17),等等。

根据回填的预期功能,一定的机械性能,通常表示通过无侧限抗压强度(UCS),需要心脏。例如,UCS 150 kPa和300 kPa之间需要降低液化可能性UCS大于4 MPa时推荐的格赖斯当体用于屋顶支持(7]。之前UCS的决心是至关重要的任何体外循环技术的工程应用。传统上,大量的实验进行对于每一个我的网站,它会消耗大量的时间,材料,和人力资源。从其影响强度的预测变量来自学术界和产业界正吸引着越来越多的关注。大量的研究已经由气和他的合作者(18- - - - - -20.(等),其次是最新的报纸21- - - - - -23]。

到目前为止,缅共的优势,UCS的重要性,和强度预报的意义提出了主要金属矿产。心脏在煤矿的应用也被调查。例如,黄等。24)提出了一个技术框架回填技术,使用煤炭废弃物和粉煤灰为主要原料。Zhang et al。25)调查了回填煤矿的地表沉陷基于等价采高的理论。与体外循环技术在金属矿山回收尾矿,体外循环技术在煤矿的应用要求骨料的选择。在某些情况下,缺乏合适的聚合体限制的应用,从而阻碍了煤矿清洁生产。

在这部作品中,强度发展silt-based CPB使用实验室的实验研究和深层神经网络(款)。这项工作的主要贡献文献如下:(我)促进心脏在煤矿中的应用,利用黄河泥沙(年)聚集在心脏调查(2)普通硅酸盐水泥(OPC)的比较,OPC +煤矸石(CG)和OPC +粉煤灰(CFA)作为胶结材料(3)款模型提出了强度预测的silt-based心脏

2。研究网站

煤矿(称为“矿井”),位于山东省,中国,是一个中型煤矿每年生产900000吨。作为地下煤矿采空区上方的地球表面覆盖着城市和农田,和体外循环技术也因此成为法律规定。实现工程应用的体外循环,第一个工作是选择回填聚合和胶结材料,影响心脏的机械性能。选择回填材料的主体包括来源广泛、成本低、无污染,等。考虑到矿井的位置附近的黄河和热电厂,如图1,从黄河淤泥(年),CG, CFA被视为潜在的体材料。


图1
研究网站的位置。

3所示。材料和方法

3.1。材料

年分析了作为一个潜在的回填总,这是选择从矿山附近的砂浆工厂。主要的胶结材料没有。42.5普通硅酸盐水泥(OPC,根据中国国家标准,gb175 - 2007)提供的一个矿井。为了提高机械和管道运输体的性质,其它材料,CFA和CG,也用于修改。CFA收集从火力发电厂,如图1,而CG收集从一个CG转储属于一个矿井。所有这些材料都收集并密封,然后发送到中南大学进行测试。从矿井地下水用于体准备样品。应该指出的是,年需要进行预处理,去除杂质,和CG粒子被控制在5毫米,呈现在图2。


图2
年预处理和CG筛选。

岁的颗粒大小分布和CG用筛分法和激光粒度分析仪(莫尔文Mastersizer 2000),如图3和表1总结了主要PSD参数。矿物成分进行了测试使用x射线衍射(XRD);力量中心——AXS D8推进衍射仪),如图4。结果表明,砂浆和CG的粒度中值是145μ米和380μ米,可分为粗骨料(26]。表2介绍了年的化学性质和CG。年的主要矿物成分是石英、长石和方解石。其中,石英和长石已被证明对心脏的力量很重要。高岭石、石英、方解石石膏的主要成分是CG,这有利于提高心脏的机械性能。


图3
骨料的粒径分布曲线。
表1
聚合的主要岩土性质。
(一)
(一)
(b)
(b)
图4
XRD矿物成分分析的结果总:(a)年和(b) CG。
表2
y的化学性质和CG (%)。
3.2。实验室的实验
3.2.1之上。CPB准备

回填材料,即。,YRS, CG, CFA, OPC, water, etc., were measured as designed and then mixed using an electric mixer (JJ-5, Hebei, China). After being mixed for 5 min, the uniform CPB slurry was formed and poured into triple plastic moulds (7.07 × 7.07 × 7.07 cm). The moulds should be poured with CPB slurry as much as possible, to avoid the effects of consolidation shrinkage [27),如图5体(a), 24小时后和初始设置,样本刮形成光滑的表面(图5)(b)和模具被移除。立方CPB样本(图5)(c)被治愈养护箱(中国)YH-40B、Qingda、天津的温度(图25°c,湿度90%5(d))。


图5
心脏标本制备和固化过程。
3.2.2。UCS测试

CPB样品固化后1 d、3 d,和28 d为UCS测试了使用压力试验机(WDW-20),如图6。测试样本被放置在圆形的测试板测试和加载速度的0.5毫米/分钟(28]。三个样本测试在每组实验中,这两个结果的平均值和错误为UCS不到5%。


图6
实验室UCS测试。
3.3。深层神经网络预测

人工神经网络(ANN)是一种计算技术受到大脑的生物神经网络。安是为了学习从输入到输出的映射与大量的神经元连接,或处理单元。神经元是由输入单元和输出单元,输入单位接收信息从上一层,适当的处理后,输出这些信息到下一层。款是一种安,有多个隐藏层,通常大于3。有兴趣的读者关于安能指(29日安的详细解释。在这个工作中,有5款隐藏层被用作预测方法(30.]。除了在每个隐层神经元的数量,由遗传算法,优化选择其他款参数从Sklearn(默认值31日]。

收集实验结果数据集的准备。OPC的比例,这一工作重心,CFA,淤积,固体含量、固化时间被选中的输入而UCS被选定的输出。总数126个数据样本中包含的数据集。执行数据正常化加快款计算和改善其性能。的相关系数范围从−1比1,作为性能指标。

需要在监督学习,整个数据集分为训练集(培训)款和测试集(验证)款。然而,训练集的大小款性能有重大影响,因此需要正确的决定。收敛性测试是在这项工作进行的训练集规模从30%上升到90%。注意,默认安结构(31日在收敛测试)是用于训练集的大小。此外,每一个训练集大小重复50次获得聚合的结果。培训是由5倍交叉验证性能。至于测试性能,整个训练集用于火车ANN模型和训练有素的ANN模型被用来预测测试集。

图7说明了收敛测试的结果。如图所示,增加训练集的训练性能增加大小。相比之下,测试性能增加,当训练集规模从30%上升到80%。然后,测试性能下降时,训练集规模进一步增加到90%。因此,训练集规模确定为80%在接下来的计算。


图7
影响训练集规模的ANN模型的性能。

之前表示,50分重复每个训练集规模获得聚合的结果。然而,50分可能不是必要的。此外,它将计算密集型如果50为每个款是重复运行架构调优中每个隐层神经元的数目。因此,收敛试验也进行了确定运行所需的数量聚集的结果。图8显示运行的数量的影响平均相关系数及其标准偏差。发现平均相关系数及其标准偏差稳定后36分。因此,运行的数量被确定为36在接下来的计算。

(一)
(一)
(b)
(b)
图8
影响运行的数量平均相关系数及其标准偏差。

使用一个输入层有6款神经元,一个输出层神经元1和5个隐藏层。在每个隐层神经元的数量会影响到款性能,表明在许多先前的研究[18,30.]。在这个工作中,决心为每个隐层神经元的数量在1到200的范围内。遗传算法(GA)用于调优每个隐层神经元的数量,这是相当于款体系结构的优化。在GA优化,每个款结构将由一个染色体表示。平均培训款的性能架构作为遗传算法的目标函数,将最大化在遗传算法迭代。

在这项研究中,选择了遗传算法的染色体数量是100和最大代是50。锦标赛选择是利用选择染色体将保持在下一代。交叉概率和变异概率被选为0.90和0.02,分别。作者指出,遗传算法参数的选择是基于文献[的建议32]。有兴趣的读者可以参考(30.]详细讨论使用GA安体系结构的优化,并没有详细介绍的清晰的目的。

4所示。结果与讨论

4.1。体强度的发展

图9礼物UCS的关系体的固体含量与水泥/砂比的1:8。可以看出,UCS值随着固相含量的增加而增加。以年组为例;缅共的UCS值样本养护28天的固体含量为73%,74%,和75% 0.73 MPa, 0.79 MPa,分别和0.88 MPa。研究之前,硬化体组成的非均匀体晶体,凝胶,不完全水化水泥颗粒,自由水,毛孔。其中,水晶和凝胶中发挥作用强度增加,而自由水导致强度的降低33]。因此,增加固体含量会导致减少CPB自由水的混合物,从而将增加心脏的力量。


图9
UCS的缅共的结果与水泥/砂比1:8。

图10礼物UCS和水泥的关系/砂比固体含量的74%。可以看出,增加水泥/砂比率显著提高UCS值,特别是对于心脏样品养护28天。以年组为例;CPB养护28天的UCS值在水泥/砂比1:15日1:10,1:8和1:6 0.17 MPa, 0.51 MPa, 0.79 MPa,分别和1.30 MPa。众所周知,水泥的水化提供晶体和缅共混凝胶,这是硬化体[的基本原因4,28]。因此,提高水泥的消费是直接的方法增加心脏的力量。然而,水泥/砂比例应该控制在一个平衡体保存的成本价值。类似的结果也获得Ercikdi[研究中34]和Yılmaz Ercikdi [35]。他们说,缅共增加的强度随着水泥用量的增加(从5到6和7 wt. %)无论尾矿类型和固化时间。它也体现了前面的作者35,36],水泥用量的增加了宝贵的影响在生产更高的巩固债券从而提高了强度增加。


图10
结果UCS CPB固体质量浓度为74%。

图11介绍了UCS值添加不同的胶结材料,如OPC、OPC + CG和OPC + CFA, OPC是对照组。可以看出添加CG稍微提高了机械UCS和缅共固化的增量为1天,3天,和28天0.02 MPa, 0.08 MPa, 0.08 MPa。因此,CG不是一个合适的OPC替代品,不能提高早期强度,同时添加CFA显著增加心脏的UCS,包括样品养护3天,28天。OPC组相比,UCS增量的OPC + CFA组样品养护3天,28天0.34 MPa和4.67 MPa。这可以归因于火山灰反应CFA和氢氧化钙(CaOH之间发生2)由OPC水化36,37]。此外,先前的研究人员报道,CFA绑定属性以及火山灰特性。


图11
结果UCS CPB添加不同的胶结材料。
4.2。款架构优化

图12说明了GA的最大相关系数的更新迭代。可以看出,在第一个迭代的最大相关系数为0.977。最大相关系数在第七次迭代和进一步增加到0.979增加到0.989 17th迭代。之后,最大相关系数保持不变,直到50岁th迭代。上述结果表明,遗传算法是高效的架构调优款。


图12
更新的最大相关系数与遗传算法迭代。

最优结构决定遗传算法迭代后款。神经元的数量是95、72、158年,44岁和169年第一至第五隐藏层,分别。考虑到输入层和输出层,整个架构如图款13。


图13
最优建筑款。
4.3。款UCS预测

在本节中,最佳款模型的性能进行了分析。图14说明的性能最优款模型训练集和测试集。如图所示,最优款模型实现对训练集平均相关系数为0.97,平均相关系数为0.99测试。测试集上的轻微的性能改善是由于计算不同训练集和测试集。之前表示,训练表现得到5倍交叉验证和测试性能获得了培训后使用整个训练集款。更好的性能在测试设置在文献中已有详细记载,如在19]。


图14
的性能最优款模型训练集和测试集。

此外,相关系数的标准差为0.0112 0.0065在训练集和测试集。因此,测试集上的性能比在训练集更稳定。

图15提出了一种可视化的性能优化模型对整个数据集款。可以看出,预测UCS同意实验UCS,特别是变化趋势。此外,最优模型可以实现良好的性能在CPB款样品UCS高值,如图所示在正确的图的一部分7。上述结果进一步暗示款模型的鲁棒性和可行性的预测款。


图15
性能最优的可视化模型对整个数据集款。
4.4。部分依赖情节和重要性的分析

在这部作品中,部分依赖情节和重要性评分(是)被用来调查UCS的每个输入变量的影响。部分依赖情节,是两个重要的变量分析和详细解释的方法提供了这两种方法在19]。作者指出,是值的总和是归一化到一个比较的目的。图16说明了部分情节和对每个输入变量的依赖。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图16
部分情节和为每个输入变量值的依赖。(一)= 0.085。= 0.011 (b)。= 0.257 (c)。(d) = 0.045。= 0.198 (e)。(f) = 0.404。

它可以发现处理整体与OPC比例正相关,CFA比例,固体含量、固化时间。泥沙之间的负相关是观察到的比例和UCS而UCS和CG比例几乎没有相关性。基于部分依赖情节,固化时间为UCS最重要的变量,其次是CFA比例。重心是CPB UCS最重要的变量。

每个输入变量的重要性也是可以轻易表示的值。固化时间的价值被发现0.404,其次是CFA比例的0.257和0.198的固体含量。剩下的三个输入变量的是值低于0.1,0.085的OPC比例,淤泥比例的0.045和0.011的CG比例。一般来说,结果是同意的部分情节的依赖。

5。结论

促进心脏在煤矿的应用的强度发展silt-based缅共调查了不同胶结材料实验室实验和预测款。基于上述结果,可以得出以下结论:(1)固体含量、水泥内容(水泥/砂率)和固化时间与UCS呈现正相关。可以使用CG作为一种OPC的替代品,而添加CFA显著增加心脏的UCS。(2)收敛性测试表明最优训练集规模为80%,运行需要的数量大于36对聚合的结果。(3)遗传算法是高效的架构调优款最大相关系数在第一个迭代从0.977增加到0.989,17迭代。最优建筑款特点是到95年,72年、158年,44岁,和169年在第一至第五隐藏层。(4)款在预测心脏的UCS健壮。训练集的平均相关系数为0.97和0.99的测试集。(5)部分依赖情节表明整体OPC比例之间的正相关关系,CFA比例,固体含量,用UCS固化时间。相比之下,淤泥比例负相关UCS和CG UCS比例几乎没有相关性。(6)固化时间是最重要的输入变量为UCS和一个值为0.404,其次是CFA比例的0.257和0.198的固体含量。CG比例是最重要的输入变量为UCS值0.011。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

c . x和q c项目怀孕的;c . X。,Q. C, D. W., and Y. W. carried out experimental tests; X. W., C. X., and W. W. analyzed the experimental data. All authors discussed the results and commented on the manuscript.

确认

目前的研究是财务支持的国家重点实验室的金属矿山安全与健康(2019号- jskssys - 02)和湖南省自然科学基金项目(2020号jj5718)。