胡亞飛，李克慶，韓斌，鄭祿璟，范玉赟，吉坤

(1. 北京科技大學(xué)土木與資源工程學(xué)院，北京，100083；2. 貴州錦豐礦業(yè)有限公司，貴州貞豐，562204)

尾砂是選礦廠排放的尾礦礦漿脫水后形成的固體礦物廢料，是我國目前產(chǎn)出量最大、綜合利用率最低的大宗固體廢棄物之一。傳統(tǒng)的尾礦處理方式是將尾礦排放到尾礦庫中堆存，不僅造成資源浪費，而且給礦廠帶來極大的經(jīng)濟(jì)負(fù)擔(dān)，同時還影響生態(tài)環(huán)境[1]。近年來，尾礦的回收利用逐漸引起人們的重視。目前，尾礦已被成功用于填充地下采空區(qū)[2?5]，但礦廠產(chǎn)生的尾礦量往往多于充填所需的尾礦量。貴州某金礦年產(chǎn)尾砂128萬t，尾砂年充填量為51萬t，利用率僅為40%。為減少尾礦排放、提高利用率，人們提出利用尾砂代替濕噴混凝土中的砂石作為骨料的設(shè)想，由于尾砂顆粒極細(xì)，采用傳統(tǒng)的水泥膠凝材料配制時，尾砂濕噴混凝土很難達(dá)到強(qiáng)度要求，因此，考慮在水泥膠凝材料中加入固廢資源摻合料構(gòu)成復(fù)合膠凝體系，以提高濕噴混凝土強(qiáng)度，減少水泥消耗，這對礦廠減少尾礦排放、降低生產(chǎn)成本、建設(shè)綠色礦山具有重要意義。

目前，國內(nèi)還未開展尾砂濕噴混凝土的相關(guān)研究；另外，固廢資源摻合料在普通混凝土中的應(yīng)用較多，在濕噴混凝土中的應(yīng)用較少。溫震江等[6]利用礦渣和粉煤灰等固廢資源開發(fā)了一種膠凝材料，使粗骨料細(xì)尾砂膠結(jié)充填混凝土強(qiáng)度達(dá)到了礦山的強(qiáng)度要求，同時降低了充填成本；張學(xué)兵等[7]開展了粉煤灰對混凝土強(qiáng)度的影響研究，發(fā)現(xiàn)粉煤灰對水泥的取代率在30%以內(nèi)時，粉煤灰對混凝土抗壓強(qiáng)度影響最大，粉煤灰摻量過高會導(dǎo)致強(qiáng)度降低；邢亞兵等[8]研究了礦渣粉對硅酸鹽水泥強(qiáng)度和微觀結(jié)構(gòu)的影響，發(fā)現(xiàn)摻入礦渣粉以后生成大量C-S-H凝膠，使水泥結(jié)構(gòu)更加密實，顯著提高了水泥強(qiáng)度。上述研究表明，在膠凝材料中加入礦渣粉等固廢資源后可以顯著改善混凝土的力學(xué)性能。因此，可在尾砂濕噴混凝土中引入復(fù)合膠凝體系，改善其強(qiáng)度特性。

本文基于RSM-BBD[9]優(yōu)化實驗設(shè)計，建立不同養(yǎng)護(hù)齡期的尾砂濕噴混凝土強(qiáng)度響應(yīng)面回歸模型，研究復(fù)合膠凝體系中硅粉、粉煤灰、礦渣粉摻量及其交互作用對尾砂濕噴混凝土強(qiáng)度的影響，借助SEM 分析相關(guān)因素對濕噴強(qiáng)度的影響機(jī)理；構(gòu)建ANN-GA高精度智能算法強(qiáng)度預(yù)測優(yōu)化模型，開展不同強(qiáng)度等級的尾砂濕噴混凝土配比優(yōu)化設(shè)計實驗。

1 復(fù)合膠凝體系對尾砂濕噴混凝土強(qiáng)度的影響

1.1 實驗材料

1)骨料。實驗用骨料取自貴州某金礦的尾砂，其化學(xué)組成見表1；其比表面積為309 m2/kg，中值粒徑(d50)為25 μm，粒徑小于75 μm 的顆粒約占90%，屬超細(xì)尾砂，粒級組成見圖1。

圖1 尾砂粒級組成Fig.1 Particle size composition of tailings

表1 尾砂化學(xué)組成(質(zhì)量分?jǐn)?shù))Table 1 Chemical composition of tailings(mass fraction)%

2)復(fù)合膠凝體系。選用水泥、硅粉、粉煤灰和礦渣粉構(gòu)成復(fù)合膠凝體系，其中硅粉、粉煤灰和礦渣粉屬于工業(yè)固體廢料。水泥為42.5 級普通硅酸鹽水泥，性能參數(shù)見表2；硅粉是從冶煉硅鐵或工業(yè)硅的廢棄煙塵中收集的經(jīng)過特殊加工形成的超細(xì)粉末，其比表面積為25 m2/g，平均粒徑為0.2 μm；粉煤灰是從煤的燃燒產(chǎn)物中收集到的具有一定細(xì)度的顆粒，其比表面積為350 m2/kg，密度為2.4 g/cm3，平均粒徑為43 μm；礦渣粉的主要成分是?；郀t礦渣，其比表面積為500 m2/kg，密度為2.8 g/cm3。

表2 水泥性能參數(shù)Table 2 Cement performance parameters

3) 減水劑。減水劑選用巴斯夫公司的R26 聚羧酸高效減水劑。

1.2 RSM-BBD實驗方案設(shè)計

為研究復(fù)合膠凝體系對尾砂濕噴混凝土強(qiáng)度的影響規(guī)律，得到滿足混凝土強(qiáng)度要求的配比，同時減少試驗次數(shù)，提高試驗效率，采用Design-Expert 8.0.6 軟件中的響應(yīng)面Box-Behnken(RSMBBD)優(yōu)化實驗設(shè)計[10?12]，分析各變量及交互作用對不同養(yǎng)護(hù)齡期尾砂濕噴混凝土抗壓強(qiáng)度的影響。

根據(jù)前期探索性試驗結(jié)果，固定水泥用量為460 kg/m3、水膠比為0.52、砂膠比為2.4、減水劑用量為膠凝材料用量的0.8%，復(fù)合膠凝體系中的硅粉摻量在20～50 kg/m3、粉煤灰摻量在100～200 kg/m3、礦渣粉摻量在40～110 kg/m3時可使尾砂濕噴混凝土強(qiáng)度達(dá)到支護(hù)要求。因此，RSM-BBD試驗以硅粉、粉煤灰、礦渣粉摻量為自變量，分別用X1，X2和X3表示；尾砂濕噴混凝土7，14，28 d 抗壓強(qiáng)度為響應(yīng)值，分別用Y1，Y2和Y3表示。RSM-BBD試驗因素與水平見表3。

表3 RSM-BBD實驗因素與水平Table 3 RSM-BBD experimental factors and levels kg/m3

1.3 實驗結(jié)果

RSM-BBD實驗結(jié)果見表4。

表4 RSM-BBD實驗結(jié)果Table 4 Experimental results of RSM-BBD

2 基于響應(yīng)面法的尾砂濕噴混凝土強(qiáng)度影響因素分析

2.1 復(fù)合膠凝體系強(qiáng)度模型構(gòu)建

使用Design-Expert 軟件對表4 所示17 組數(shù)據(jù)進(jìn)行多元非線性擬合，建立不同齡期混凝土抗壓強(qiáng)度與硅粉、粉煤灰、礦渣粉摻量關(guān)系的回歸模型：

式中：Y為抗壓強(qiáng)度；X為影響因素；a和b為模型參數(shù)；m為因素個數(shù)。

由式(1)可得尾砂濕噴混凝土7，14和28 d抗壓強(qiáng)度擬合函數(shù)Y1，Y2和Y3分別為

為了分析基于響應(yīng)面法建立的強(qiáng)度模型是否有效，對上述回歸方程進(jìn)行方差分析。尾砂濕噴混凝土28 d齡期抗壓強(qiáng)度的分析結(jié)果見表5。

由表5 可知，本文所建模型顯著性概率p=0.001 5，小于0.01，為極顯著；失擬項p=0.1，大于0.05，為不顯著，表明模型具有較高的可靠度；信噪比為13.232，大于4，進(jìn)一步證明了該模型的可靠性。模型的調(diào)整決定系數(shù)Ra2和擬合優(yōu)度R2趨近于1，表明模型的擬合性好；模型的F(12.6)比置信度為95%時的F大，表明該模型顯著且具有統(tǒng)計學(xué)意義，能較好地反映尾砂濕噴混凝土抗壓強(qiáng)度與復(fù)合膠凝體系各組分的關(guān)系，因此，可用該回歸模型研究復(fù)合膠凝體系對尾砂濕噴混凝土抗壓強(qiáng)度的影響。

表5 響應(yīng)面法所得結(jié)果方差分析Table 5 Variance analysis of results obtained from response surface method

通過方差分析可知，復(fù)合膠凝體系中，硅粉摻量(X1，p<0.01)和礦渣粉摻量(X3，p<0.01)對強(qiáng)度的影響極顯著，粉煤灰摻量(X2，p<0.05)對強(qiáng)度影響顯著；且單因素對尾砂濕噴混凝土7，14和28 d抗壓強(qiáng)度的影響表現(xiàn)出一致性，按影響程度從大到小排序依次為硅粉摻量(X1)、礦渣粉摻量(X3)、粉煤灰摻量(X2)。交互因素中，礦渣粉摻量和粉煤灰摻量(X2，X3)的交互作用對尾砂濕噴混凝土強(qiáng)度影響最大；硅粉摻量和粉煤灰摻量(X1，X2)交互作用對尾砂濕噴混凝土強(qiáng)度影響最小。

2.2 響應(yīng)面參數(shù)交互作用對尾砂濕噴混凝土抗壓強(qiáng)度的影響

2.2.1 礦渣粉與粉煤灰摻量交互作用對尾砂濕噴混凝土抗壓強(qiáng)度的影響

圖2所示為礦渣粉摻量與粉煤灰摻量交互作用影響下尾砂濕噴混凝土抗壓強(qiáng)度的響應(yīng)面圖和等值線圖，其中硅粉摻量為固定因素。由圖2(a)可以看出，當(dāng)粉煤灰摻量較低時，隨著礦渣粉摻量的提高，尾砂濕噴混凝土抗壓強(qiáng)度逐漸提高，且當(dāng)?shù)V渣粉摻量超過75 kg/m3時，抗壓強(qiáng)度增速變大，響應(yīng)曲面較陡；當(dāng)粉煤灰摻量為100 kg/m3，礦渣粉摻量由40 kg/m3增加到75 kg/m3時，抗壓強(qiáng)度僅提高1 MPa，而當(dāng)?shù)V渣粉摻量由75 kg/m3增加到110 kg/m3時，抗壓強(qiáng)度提高2.5 MPa；圖2(b)所示強(qiáng)度等值線的間距由寬逐漸變窄也反映了這一變化趨勢。當(dāng)?shù)V渣粉摻量較低時，隨著粉煤灰摻量的增加，抗壓強(qiáng)度呈增大趨勢，但增速緩慢，響應(yīng)面較平緩；當(dāng)?shù)V渣粉摻量較高時，抗壓強(qiáng)度基本不再受粉煤灰摻量的影響，強(qiáng)度等值線近似呈直線狀態(tài)。由礦渣粉與粉煤灰摻量交互作用的分析可知：當(dāng)粉煤灰摻量較低時，提高礦渣粉摻量可以快速提高尾砂濕噴混凝土抗壓強(qiáng)度；當(dāng)?shù)V渣粉摻量較高時，提高粉煤灰摻量對尾砂濕噴混凝土抗壓強(qiáng)度幾乎無影響。

圖2 粉煤灰與礦渣粉摻量交互作用對抗壓強(qiáng)度的影響Fig.2 Effect of interaction between fly ash and slag powder dosages on compressive strength

2.2.2 硅粉與粉煤灰摻量交互作用對尾砂濕噴混凝土抗壓強(qiáng)度的影響

圖3所示為硅粉摻量與粉煤灰摻量交互作用影響下尾砂濕噴混凝土抗壓強(qiáng)度的響應(yīng)面圖和等值線圖，其中礦渣粉摻量為固定因素。由圖3可以看出，在相同粉煤灰摻量下，尾砂濕噴混凝土抗壓強(qiáng)度隨著硅粉摻量增大而先增大后減??；在硅粉與粉煤灰摻量交互作用影響下，當(dāng)硅粉摻量為35 kg/m3、粉煤灰摻量為200 kg/m3時，尾砂濕噴混凝土抗壓強(qiáng)度最高。在相同硅粉摻量下，隨著粉煤灰摻量增大，尾砂濕噴混凝土抗壓強(qiáng)度逐漸增大，且增大幅度基本一致，表現(xiàn)為響應(yīng)面平緩且強(qiáng)度等值線間距基本相同；當(dāng)粉煤灰摻量為190～200 kg/m3時，尾砂濕噴混凝土抗壓強(qiáng)度最高。硅粉與粉煤灰摻量交互作用對抗壓強(qiáng)度的影響如下：尾砂濕噴混凝土抗壓強(qiáng)度隨硅粉摻量增大而先提升后降低，隨粉煤灰摻量增大而逐漸提升；當(dāng)硅粉摻量約35 kg/m3，粉煤灰摻量為190～200 kg/m3時，尾砂濕噴混凝土抗壓強(qiáng)度最大。

圖3 硅粉與粉煤灰摻量交互作用對抗壓強(qiáng)度的影響Fig.3 Effect of interaction between silica fume and fly ash dosages on compressive strength

2.2.3 硅粉與礦渣粉灰摻量交互作用對尾砂濕噴混凝土抗壓強(qiáng)度的影響

圖4所示為硅粉摻量與礦渣粉摻量交互作用影響下尾砂濕噴混凝土強(qiáng)度的響應(yīng)面圖和等值線圖，其中粉煤灰摻量為固定因素。由圖4可以看出，當(dāng)硅粉摻量一定時，尾砂濕噴混凝土抗壓強(qiáng)度隨著礦渣粉摻量增大而逐漸增大，且增速逐漸提高，表現(xiàn)為響應(yīng)面逐漸變陡且等值線間距逐漸變?。划?dāng)?shù)V渣粉摻量一定時，濕噴混凝土強(qiáng)度亦隨硅粉摻量增大而逐漸提升，且礦渣粉摻量越高，硅粉對濕噴混凝土強(qiáng)度的提升作用越明顯。硅粉與礦渣粉摻量交互作用對濕噴強(qiáng)度影響顯著，當(dāng)硅粉摻量大于35 kg/m3，礦渣粉摻量為105～110 kg/m3時，尾砂濕噴混凝土抗壓強(qiáng)度最大。

圖4 硅粉與礦渣粉摻量交互作用對抗壓強(qiáng)度的影響Fig.4 Effect of interaction between silica fume and slag powder dosages on compressive strength

2.3 復(fù)合膠凝體系對尾砂濕噴混凝土抗壓強(qiáng)度的影響機(jī)理

復(fù)合膠凝體系[13?15]中的硅粉、粉煤灰及礦渣粉摻量對尾砂濕噴混凝土強(qiáng)度有顯著影響。硅粉粒徑極小且活性極高，在膠凝體系中主要起到生成膠凝物質(zhì)及填充孔隙的作用；粉煤灰的火山灰反應(yīng)與水泥熟料的水化反應(yīng)相互促進(jìn)，同時未反應(yīng)完全的粉煤灰起填充作用；礦渣粉有著較好的“潛在活性”，水泥中的石膏和水泥水化生成的氫氧化鈣能激發(fā)礦渣粉的“潛在活性”，生成更多的C-S-H 凝膠。尾砂濕噴混凝土微觀結(jié)構(gòu)如圖5 所示。由圖5(a)可見，第12 實驗組礦渣粉和粉煤灰摻量低，膠凝物質(zhì)生成量少，無法充填混凝土內(nèi)部的孔隙結(jié)構(gòu)，導(dǎo)致濕噴混凝土抗壓強(qiáng)度較低，該結(jié)果與礦渣粉和粉煤灰摻量交互作用對混凝土強(qiáng)度的影響結(jié)果一致。由圖5(b)可見：第11 實驗組硅粉摻量適中，粉煤灰摻量較高，在硅粉?粉煤灰摻量交互作用下抗壓強(qiáng)度有所提高，但少量的火山灰反應(yīng)產(chǎn)物無法填充孔隙、包裹固體顆粒，導(dǎo)致混凝土內(nèi)部結(jié)構(gòu)仍然存在缺陷。由圖5(c)可見：第10 實驗組由于礦渣粉摻量較高，生成了大量的C-S-H凝膠，將混凝土中的固體顆粒黏結(jié)在一起，適量的硅粉填充到孔隙中，形成相對致密的膠結(jié)結(jié)構(gòu)，礦渣粉與硅粉摻量的交互作用提高了濕噴強(qiáng)度。由圖5(d)可見：第13 實驗組粉煤灰與礦渣粉摻量較高，生成大量的C-S-H凝膠，使混凝土內(nèi)部形成三維空間網(wǎng)狀結(jié)構(gòu)，將晶體物質(zhì)包裹的未反應(yīng)固體顆粒連接在一起，大量粒徑極小的硅粉充分填充孔隙，形成致密膠結(jié)結(jié)構(gòu)，在礦渣粉、粉煤灰、硅粉的協(xié)同作用下濕噴混凝土抗壓強(qiáng)度達(dá)到最高值。

圖5 尾砂濕噴混凝土微觀結(jié)構(gòu)Fig.5 Microstructure of wet shotcrete with tailings

2.4 基于RSM-BBD的強(qiáng)度優(yōu)化的可行性分析

貴州某金礦巖體破碎，井下巷道掘進(jìn)和采場開采時全部采用濕噴混凝土支護(hù)，掘進(jìn)巷道的支護(hù)強(qiáng)度等級為C20，采場的支護(hù)強(qiáng)度等級為C15。使用Design-Expert 軟件對尾砂濕噴混凝土強(qiáng)度模型進(jìn)行求解，可得到目標(biāo)強(qiáng)度下濕噴混凝土的配比，從而實現(xiàn)濕噴混凝土強(qiáng)度優(yōu)化，但該目標(biāo)強(qiáng)度和優(yōu)化配比必須在試驗數(shù)值范圍內(nèi)。因強(qiáng)度最小值大于15 MPa，因此以最低響應(yīng)強(qiáng)度對應(yīng)的最優(yōu)配比代替C15等級下的配比，不同強(qiáng)度等級下的最優(yōu)配比見表6 及圖6。同時，開展相應(yīng)配比下的尾砂濕噴混凝土抗壓強(qiáng)度實驗，得到28 d 時的強(qiáng)度，與優(yōu)化強(qiáng)度相比，相對誤差低于8%，說明優(yōu)化結(jié)果比較準(zhǔn)確，但精度控制上稍顯不足。文獻(xiàn)[9]基于RSM-BBD建立抗壓強(qiáng)度模型，得到的抗壓強(qiáng)度模擬值與實際值相對誤差范圍在9%以內(nèi)，說明該強(qiáng)度模型可以準(zhǔn)確反映不同影響因素對抗壓強(qiáng)度的影響規(guī)律，但對抗壓強(qiáng)度的精度控制略差。分析原因如下：尾砂濕噴混凝土是一種復(fù)雜的多相復(fù)合材料，影響其抗壓強(qiáng)度的各因素之間具有非線性和不確定性關(guān)系，所以很難用某種具體的、合理的多元非線性函數(shù)形式來精確預(yù)測強(qiáng)度。

圖6 RSM-BBD所得濕噴混凝土強(qiáng)度優(yōu)化匹配點Fig.6 Strength optimization matching points of wet shotcrete obtained by RES-BBD

表6 RSM-BBD所得濕噴混凝土最優(yōu)配比Table 6 Optimal mix proportion of wet shotcrete obtained by RSM-BBD

3 基于ANN-GA模型的尾砂濕噴混凝土強(qiáng)度預(yù)測與優(yōu)化

3.1 ANN-GA強(qiáng)度預(yù)測優(yōu)化模型構(gòu)建

基于多元非線性函數(shù)構(gòu)建的強(qiáng)度模型難以實現(xiàn)尾砂濕噴混凝土配比的高精度優(yōu)化，因此，建立一種智能化算法模型來實現(xiàn)強(qiáng)度的精準(zhǔn)預(yù)測與配比優(yōu)化。

3.1.1 ANN算法

誤差反向傳播算法(back propagation)是一種高效的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(ANN)類型，通過樣本數(shù)據(jù)的訓(xùn)練來建立輸入值與輸出值間的非線性關(guān)系，這種神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層。本文硅粉、粉煤灰、礦渣粉摻量以及養(yǎng)護(hù)時間4個因素均會影響尾砂濕噴混凝土抗壓強(qiáng)度，所以，輸入層神經(jīng)元個數(shù)為4；輸出層的輸出值為尾砂濕噴混凝土抗壓強(qiáng)度，因此，輸出層包含1 個神經(jīng)元；隱含層神經(jīng)元數(shù)直接影響模型的預(yù)測精度。但目前還沒有比較精確的神經(jīng)元計算公式，因此，本文建立8 種不同隱含層神經(jīng)元數(shù)(5～12 個)的BP 神經(jīng)網(wǎng)絡(luò)模型，以確定最精確的計算模型。當(dāng)BP神經(jīng)網(wǎng)絡(luò)運行時，輸入信號從輸入層經(jīng)由隱含層逐層處理，向前傳遞至輸出層。若在輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差反向傳播，根據(jù)誤差修正權(quán)值和閾值，從而使預(yù)測輸出不斷接近期望輸出[16]。

3.1.2 GA算法

遺傳算法(GA)在運行過程中首先對實際問題的參數(shù)集進(jìn)行編碼，形成一系列的個體位串，然后通過計算個體位串的適應(yīng)度來評價其“生存能力”的強(qiáng)弱?！吧婺芰Α睆?qiáng)的個體位串將會被選擇進(jìn)行交叉、變異操作，從而使得群體中的個體位串不斷產(chǎn)生進(jìn)化，出現(xiàn)新的個體。如此不斷地進(jìn)行迭代、選擇，最終結(jié)果將逐漸接近全局最優(yōu)解[17]。

3.1.3 ANN-GA協(xié)同求解

ANN-GA 協(xié)同求解時，首先將ANN 模塊視為預(yù)測濕噴混凝土強(qiáng)度的“非線性函數(shù)fANN”，然后將該“非線性函數(shù)fANN”同尾砂濕噴混凝土強(qiáng)度等級聯(lián)合即可完成目標(biāo)函數(shù)的定義；最后將所定義的目標(biāo)函數(shù)作為GA 中的適應(yīng)度函數(shù)，然后通過GA對適應(yīng)度函數(shù)的最小值進(jìn)行全局搜索，該最小值即為最優(yōu)解，進(jìn)而可以得到該最優(yōu)解所對應(yīng)的混凝土最佳配比。

3.2 ANN模型的預(yù)測效果分析

本模型輸入層采用Levenberg-Mrquardt 算法，隱含層以及輸出層分別采用logsig和purelin傳遞函數(shù)，設(shè)定訓(xùn)練次數(shù)為3 000，學(xué)習(xí)率取0.2，動量系數(shù)取0.7[18]。

從RSM-BBD 實驗的39 組非重復(fù)數(shù)據(jù)中隨機(jī)抽取31組作為訓(xùn)練集，8組作為測試集[19]；訓(xùn)練集用于對ANN 模型進(jìn)行調(diào)試和訓(xùn)練，測試集用于評價模型的預(yù)測性能。采用平均相對誤差eMRE和擬合優(yōu)度R2對ANN 模型的預(yù)測效果進(jìn)行評價，若eMRE越接近0，R2越接近1 則模型預(yù)測效果越好。不同隱含層神經(jīng)元數(shù)的預(yù)測模型的eMRE和R2見圖7。由圖7可知，隨著隱含層神經(jīng)元數(shù)的增多，預(yù)測模型的eMRE先減小后增大，R2先增大后減??；當(dāng)神經(jīng)元數(shù)為10時，eMRE最小為1.91%，R2最大為0.986，模型具有最佳預(yù)測性能。分析其原因：當(dāng)隱含層神經(jīng)元數(shù)過少時，無法在輸入和輸出之間建立有效的映射來表達(dá)它們之間的非線性關(guān)系；當(dāng)隱含層神經(jīng)元數(shù)過多時，網(wǎng)絡(luò)的復(fù)雜度會大大增加，進(jìn)而導(dǎo)致過擬合現(xiàn)象的產(chǎn)生，使預(yù)測精度下降。

圖7 ANN模型預(yù)測性能Fig.7 ANN model prediction performance

最終構(gòu)建的ANN預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)為4?10?1結(jié)構(gòu)，如圖8所示。

圖8 ANN模型網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 ANN model network structure

圖9 所示為ANN 模型預(yù)測的尾砂濕噴混凝土抗壓強(qiáng)度與實驗值的比較。由圖9(a)和(c)可以看出，訓(xùn)練集以及測試集的抗壓強(qiáng)度預(yù)測值和實驗值吻合度較高，對應(yīng)的eMRE分別為1.91%和1.78%。圖9(b)和(d)表明，訓(xùn)練集和測試集的回歸結(jié)果較好，其R2分別為0.986和0.988。以上結(jié)果說明該模型訓(xùn)練效果較好，避免了擬合不足和過擬合，能準(zhǔn)確反映各影響因素和抗壓強(qiáng)度之間的非線性關(guān)系，對尾砂濕噴混凝土強(qiáng)度具有較好的預(yù)測效果。

圖9 ANN模型預(yù)測結(jié)果Fig.9 Prediction results of ANN model

3.3 基于ANN-GA 模型的濕噴混凝土強(qiáng)度配比優(yōu)化

貴州某金礦在不同區(qū)域采用不同強(qiáng)度等級的濕噴混凝土，若強(qiáng)度過高，將消耗更多支護(hù)材料，提高支護(hù)成本；若強(qiáng)度不足，則無法滿足支護(hù)標(biāo)準(zhǔn)要求。因此，應(yīng)盡量確保尾砂濕噴混凝土強(qiáng)度接近且高于支護(hù)標(biāo)準(zhǔn)。各類型尾砂濕噴混凝土配比的優(yōu)化目標(biāo)函數(shù)見表7。

表7 強(qiáng)度優(yōu)化目標(biāo)函數(shù)Table 7 Objective function of strength optimization

采用遺傳算法對上述目標(biāo)函數(shù)進(jìn)行求解、尋優(yōu)時，個體編碼方法采用實數(shù)編碼，種群規(guī)模為100，進(jìn)化代數(shù)為100，交叉概率取0.4，變異概率取0.2[20]。不同強(qiáng)度等級的尾砂濕噴混凝土最佳配比見表8。為驗證ANN-GA優(yōu)化模型的準(zhǔn)確度，采用取整后的C15和C20等級對應(yīng)的配比進(jìn)行室內(nèi)試驗，得到28 d 抗壓強(qiáng)度，與優(yōu)化值相比，相對誤差分別為1.10%和0.98%，可見該智能模型實現(xiàn)了尾砂濕噴混凝土強(qiáng)度的高精度優(yōu)化。采用該智能優(yōu)化模型還可以根據(jù)井下支護(hù)的實際需求，快速、靈活地調(diào)節(jié)尾砂濕噴混凝土配比，極大地提高了濕噴混凝土在井下不同區(qū)域的適用性。

表8 基于ANN-GA模型的尾砂濕噴混凝土優(yōu)化配比Table 8 Mix proportion optimization of wet shotcrete based on ANN-GA model

4 結(jié)論

1)本文基于RSM-BBD實驗構(gòu)建了多元非線性強(qiáng)度模型，發(fā)現(xiàn)復(fù)合膠凝體系中的硅粉、礦渣粉摻量對強(qiáng)度結(jié)果影響極顯著，粉煤灰摻量對結(jié)果影響顯著，單因素對尾砂濕噴混凝土抗壓強(qiáng)度影響順序由大到小依次為硅粉摻量、礦渣粉摻量、粉煤灰摻量；交互因素中，礦渣粉?粉煤灰摻量交互作用對尾砂濕噴混凝土的強(qiáng)度特性影響最大；硅粉?粉煤灰摻量交互作用對尾砂濕噴混凝土的強(qiáng)度特性影響最小。

2) 使用Design-Expert 軟件對尾砂濕噴混凝土強(qiáng)度模型進(jìn)行求解，可實現(xiàn)濕噴強(qiáng)度優(yōu)化。該強(qiáng)度模型可以準(zhǔn)確反映不同影響因素對濕噴混凝土抗壓強(qiáng)度的影響規(guī)律，但對抗壓強(qiáng)度的精度控制略差。

3)本文構(gòu)建了ANN-GA 智能化強(qiáng)度優(yōu)化預(yù)測模型，其平均相對誤差eMRE和擬合優(yōu)度R2分別為1.91%和0.986，對尾砂濕噴混凝土強(qiáng)度具有較好預(yù)測效果；同時實現(xiàn)了不同強(qiáng)度等級尾砂濕噴混凝土配比的高精度優(yōu)化，經(jīng)與抗壓強(qiáng)度實驗值比較，相對誤差約為1%。