2矸石与粉煤灰的力学特性试验

　　2.1试验目的及试验内容

　　通过对洗选矸石与粉煤灰不同配比条件下压实特性的测试，分析各种配比条件下各组试样的压实力与变形量的关系，并得出最有利于现场充填的配比条件。

　　2.2试验设备及试验条件

　　本试验采用美国MTS公司的MTS815.02电液伺服岩石力学试验系统进行测试，如图2-1所示。充填矸石与粉煤灰的盛样装置为自行设计的压缩钢筒，该装置的内径128mm，钢筒深度180mm，压缩活塞高度为110mm，试验中试样高度为120mm。

　　2.3压实试验方案设计射线

　　在试验前将取洗选矸石和粉煤灰作为测试样品，按照二者不同的配比比例，将试样共同分为12组，其中1∶0和0∶1分别代表纯矸石和纯粉煤灰，压实试验配比方案见表2-1。

　　在矸石与粉煤灰直接充填综采项目现场工业性试验中，充填材料中的矸石直接来自洗选矸石仓，而实验室试验矸石样品来自于选煤厂排放于矸石山的矸石；充填材料中的粉煤灰直接来自电厂的粉煤灰，而实验室试验粉煤灰样品来自于电厂堆积于地面喷水后（喷水为了防止扬尘）的粉煤灰。因此，实际充填时料的含水量与试验的含水量是不同的，在实际配比时将会结合换算关系，进行配比换算。

　　矸石粉煤灰配比混合充填材料设计试验的压应力范围为0～30MPa，加载速率为0.1MPa·s-1。每组测试的时间为300s，数据每1.0s采集一次。每组不同配比的试验做三次，以防止试验过程中出现无效数据等情况，确保试验数据的真实有效性。

　　2.4矸石与粉煤灰压实特性

　　压实度k的定义为充填材料在压实过程中受外力作用而被压实的程度。它用压实后的体积Vys与原松散状态下的总体积Vs之比来表示。

　　由图2-3可知，充填材料的压实度k随着压实力σ的增大而减小，特别在初始阶段，由于材料的松散程度较大，因此产生的压缩量较大，表现为压实度k变化较快。在试验曲线中取的当压力为7MPa时，不同配比的压实度。由以上试验数据，可知不同配比情况下有不同的压实度，但是无法判断最优的配合比是否在试验配比当中，因此有必要采用神经网络和遗传算法进行寻优。

　　3BP神经网络和遗传算法寻优

　　3.1BP神经网络和遗传算法简介

　　人工神经网络（ArtificialNeuralNetwork，简称ANN）是模拟人脑学习、处理和记忆方式，在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人工神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它是一个由大量简单元件互相连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。BP神经网络又称为误差反向传播（BackPropagation）神经网络，是一种多层前馈神经网络，具有广泛的适应性和有效性，主要应用于模式识别和分类等方面。[3]

　　遗传算法（GeneticAlgorithm，简称GA）是一种模仿自然界生物进化思想而得出的一种自适应启发式全局搜索算法，其实质是由复制-交换-变异算子组成的周而复始的循环过程。这种方法由于仿效生物的进化与遗传，根据"生存竞争"和"优胜劣汰"的原则，借助复制、交换、变异等操作，使要解决的问题一步步逼近最优解或近优解。[4]

　　在充填配比试验中，由于条件的限制，我们只能进行有限次的试验，而且试验配比是建立在经验的基础上，所以得到的试验结果往往不是最优的配比，但是我们可以认为在一定的配比情况下获得对应的压实度值，两者之间存在一定的非线性映射关系，通过建立神经网络结构，把配比作为输入数据，把压实度值作为输出数据训练神经网络，训练后的网络可以预测不同配比情况下的压实度值。然后把配比值作为遗传算法中种群个体，把网络预测的压实度值作为个体适应度值，通过遗传算法推导最优试验结果及其对应的配比。

　　3.2模型建立

　　神经网络遗传算法极值寻优主要分为BP神经网络训练拟合和遗传算法极值寻优两步。神经网络训练拟合根据试验条件和试验结果的特点构建合适的BP神经网络，用部分试验结果的输入输出训练BP神经网络，训练后的BP神经网络就可以预测函数输出。遗传算法极值寻优把训练后的BP神经网络预测结果作为个体适应度值，通过选择、交叉和变异操作寻找压实度的全局最优值及对应输入配比值。

　　3.3BP神经网络训练和遗传算法计算

　　利用MATLAB神经网络工具箱进行网络创建、训练、仿真和输出，网络有2个输入参数、1个输出参数，通过试凑隐藏层神经元个数比较输出结果与期望结果的误差，如图2-2所示，发现当隐藏层为2层，第一个隐藏层有8个神经元，第二个隐藏层有2个神经元时，网络的输出误差最低，因此确定BP神经网络结构为2-8-2-1。取试验的12组数据训练网络，并测试网络性能，网络训练好后用于预测输出。通过预测输出图可以看出预测输出与期望输出基本上吻合，但是每次验证的结果都会不同，因此BP神经网络的预测精度对于最优位置的寻找具有非常重要的意义，在进行拟合的时候要寻找最优BP网络结果，然后进行遗传算法寻优计算。