大采高工作面穿越断层破碎区预注浆耦合加固实践

大采高工作面在穿越断层过程中多次出现大面积漏矸漏砂现象,严重制约安全高效开采。预注浆耦合加固(Pre-Grouting Coupling Reinforcement,PCCR)对快速穿越断层破碎带和安全高效开采至关重要。针对宁东鸳鸯湖矿区清水营煤矿大采高工作面安全穿越断层破碎带失稳致灾难题,采用工程调查、理论分析和现场实践等综合方法,提出了预注浆耦合加固(Pre-Grouting Coupling Reinforcement,PCCR)方法,设计了注浆工艺,定量确定了注浆参数。通过注浆可提高裂隙的粘结力和内摩擦角,增大岩体内部块间相对位移的阻力,改善岩体弱面力学性能,提高围岩整体稳定性。研究认为注浆耦合加固方法对于破碎煤岩体可实现结构性能改变、力学性能的提升,快速凝固之后形成"骨架"结构,支撑能力显著提高。加固断层带破裂顶板时注浆压力一般为4.0~6.0 MPa,单孔注浆量预计为110.0 kg,有效扩散半径约为3.2 m.实践表明采用PCCR技术方法,及时有效控制了工作面顶板和上下超前巷道稳定,保证了安全开采,综合效果显著。     

基于关系模式与深度强化学习的DS数据去噪模型

远程监督(Distant Spervision，DS)数据集中存在大量错误标注的数据，而现有的DS数据集去噪方法通常只考虑针对具有标签的数据进行去噪，没有充分利用无标签数据，导致去噪效果不佳。本文提出一种新型DS数据去噪模型——Pattern Reinforcement Learning Model (PRL模型)：首先利用基于关系模式的正样例抽取算法提取DS数据集中高质量的有标签数据；然后利用Filter-net作为分类器，提取DS数据集中高质量的无标签数据；最后将高质量的有标签数据和无标签数据作为深度强化学习(Reinforcement Learning，RL)方法的训练数据集，获得去噪效果更好的远程监督数据集。将PRL模型应用于New York Times(NYT)数据集，并以去噪后的数据集来训练PCNN+ONE、CNN+ATT、PCNN+ATT 3个模型。实验结果表明，经过PRL模型对数据集进行去噪后，这些模型的性能得以提升。因此，PRL模型是一种轻量的数据去噪模型，可以提升基于深度神经网络模型的性能。