陜北采煤沉陷區黃土基注漿材料性能試驗及配比優選

曹曉毅，王玉濤，劉小平,2，曹祖寶，武博強

陜北采煤沉陷區黃土基注漿材料性能試驗及配比優選

曹曉毅1，王玉濤1，劉小平1,2，曹祖寶1，武博強1

(1. 中煤科工集團西安研究院有限公司，陜西 西安 710077；2. 西安理工大學 土木建筑工程學院，陜西 西安 710048)

注漿法是采煤沉陷區的主要治理方法，漿材對注漿效果和成本影響很大。以陜北地區黃土–水泥–添加劑混合漿液為研究對象，采用單因素及正交試驗對黃土漿液的黏度、凝膠時間、結石率及28 d單軸無側限抗壓強度進行試驗研究，對各指標的影響因素及變化規律進行分析，同時，建立黃土基漿液的GA-BPNN預測模型，通過GA多目標全局尋優，優選出一定強度下成本最低的漿液配比。試驗結果表明：黃土水泥漿液與陜北地區普遍采用的水泥粉煤灰漿液性能相近，成本大幅降低，黃土基注漿材料密度及結石率受水固比影響最為明顯，黏度主要受水固比及黃土(水泥)摻量影響，28 d強度主要受黃土(水泥)摻量影響；采用GA-BPNN構建模型預測的黃土基注漿材料性能預測值與期望值相對誤差為0.74%~1.83%，預測結果精度高，可滿足實際應用需求。

采煤沉陷區；黃土；注漿充填材料；GA-BPNN預測模型；配比優選；陜北地區

榆神府礦區作為我國重要的能源基地，煤炭資源高強開采形成的采空塌陷已成為該地區重大地質災害問題之一[1-5]。隨著地方經濟建設快速發展及固廢資源的開發利用，常用的采空塌陷區注漿材料(粉煤灰)價格大幅上漲且資源緊張，造成采空區治理成本增加，需要研發價格低廉、來源豐富的注漿充填材料。榆神府礦區位于黃土高原北側，黃土資源豐富，研發適宜于采空區充填的黃土類注漿材料具有重要的工程價值。

黃土注漿材料在水利防滲、充填裂隙等方面已得到廣泛應用，阮文軍等[6]對水利灌漿工程的水泥–黏土漿液進行了優選試驗和單因素對比試驗，得到水利灌漿工程的優選水泥–黏土漿液配方；劉國棟?[7]結合南水北調工程鶴壁段施工情況對水泥黏土漿的施工應用進行了論述；Wang Xinghua等[8]對黏土硬化漿液的膠凝時間和強度的影響因素進行了分析，并提出了可灌漿期的概念；張亞民等[9]以六盤山隧道為例，研究了該項目襯砌壁后黃土–水泥漿液的性能；冉景太[10]對水泥黏土漿液的基本物理力學性質及其在防滲堵漏工程中的應用進行了論述；K. Masumoto等[11]驗證了黏土注漿技術應用于隧道開挖破壞帶(EDZ)的可行性并對黏土漿液降低巖體裂隙滲透效果進行了評價；張戎令等[12]研究了黃土、細砂、粉煤灰及減水劑不同組合下的4種漿液在鐵路黃土路基劈裂注漿中的漿液性能及配比優選。總結以往成果發現，針對煤礦采空區大空洞、大裂隙，充填量巨大、充填強度要求較低的工程條件，尚未有人結合陜北地區黃土的物理特性開展注漿材料性能的試驗研究。筆者以黃土–水泥–添加劑漿液為研究對象，采用單因素及正交試驗對黃土漿液的黏度、凝膠時間、結石率及單軸無側限抗壓強度(28 d)進行試驗研究，對各項指標的影響因素及變化規律進行分析，同時，建立黃土基漿液的GA-BPNN預測模型，優選出滿足一定漿液性能指標、成本最低條件下的漿液配比，為陜北采煤沉陷區黃土基注漿材料的選擇及治理工程提供參考。

1 漿液性能試驗方案設計

1.1 配比材料

a.黃土選自陜北地區榆林市府谷縣，主要化學成分見表1。該土樣屬黏性土(塑性指數p>17)，可塑性好。土樣顆粒級配曲線如圖1所示，黏粒質量分數(小于0.075 mm的顆粒)約為80%。

表1 黃土的主要化學成分

圖1 黃土顆粒級配曲線

b. 水泥 采用陜西省銅川市藥王山水泥廠生產的32.5級普通硅酸鹽水泥，密度為3.16 g/cm3，比表面積為2 820 m2/kg，主要化學成分見表2。

表2 P.O 32.5水泥主要化學成分

c.添加劑 采用硅酸鈉濃度35~40 °Be′的固體水玻璃。

d.水 當地地下水，pH值7.2。

1.2 試驗方法

漿液黏度采用泥漿黏度計法測試。采空區充填注漿漿液凝膠時間，常參考水泥漿液采用維卡儀測試其初、終凝時間，但通過文獻[13]可以看出，采用倒杯法所測試的凝膠時間可以更好地反映漿液的流動度及擴散半徑，故本次采用倒杯法測試黃土–水泥漿液的凝膠時間。結石率測試時，先把攪拌均勻的漿液灌入200 mL量筒中，讀取漿液體積1，再用塑料袋封住量筒口，室溫下養護24 h后記錄量筒中結石體體積2，然后根據2/1×100%計算結石率。無側限單軸抗壓強度參照GB/T 17671—1999《水泥膠砂強度檢驗方法(ISO法)》進行。

1.3 方案設計

a.單因素試驗 為了研究單個因素對漿液性能指標的影響，本次選擇了水固比、水泥(黃土)摻量和水玻璃摻量3個影響因素，每次選1個因素取3個不同水平，其他2個因素取確定值，共設計9組試驗配方，見表3。

表3 單因素試驗設計

注：水固比指水與黃土+水泥的質量比。

b.正交試驗 為分析各因素間相互作用，克服全面配比試驗工作量巨大的缺點，采用正交試驗[14-15]，保證試驗點在試驗范圍內“均勻分散，整齊可比”，從而得到各因素對漿液性能指標的影響規律。

同樣選取水固比(因素A)、水泥(黃土)摻量(因素B)、水玻璃摻量(因素C)3個選項，建立正交設計表L9(34)，各因素及水平見表4。

表4 正交試驗因素水平

2 單因素試驗結果分析

單因素試驗結果見表5。為對比分析黃土漿液和水泥粉煤灰漿液的差異，在單因素試驗的同時，對10%~20%水泥摻量下的水泥粉煤灰漿液基本性能也進行了試驗，試驗方法與黃土漿液性能測試方法相同，結果見表6。

表5 單因素試驗結果

表6 水泥粉煤灰漿液漿液試驗結果

2.1 黃土漿液與水泥粉煤灰漿液的指標比較

對比表5和表6可以看出，5%~15%水泥摻量下的黃土基漿液與10%~20%水泥摻量下的水泥粉煤灰漿液的密度、黏度、凝膠時間、結石率及28 d無側限抗壓強度均相近，故采用黃土代替水泥粉煤灰漿液中的粉煤灰及部分水泥，在大幅降低工程成本的同時，可達到水泥粉煤灰漿液各項性能指標，滿足采煤沉陷區治理要求。因此，進一步尋求黃土漿液各項性能指標的變化規律、影響因素及最優配比，具有工程實際意義。

2.2 黏度影響因素分析

由圖2和表5可以看出：在單因素試驗設計范圍內，黃土漿液的黏度與水固比呈負相關變化，與水泥摻量、速凝劑摻量呈正相關變化，即隨著水固比的減小或水泥、水玻璃摻量的增加，黃土漿液的黏度逐漸增大。

(a) 水泥摻量10%，水玻璃摻量3%；(b) 水固比1︰1.1，水玻璃3%；(c) 水固比1︰1.1，水泥摻量10%

2.3 凝膠時間

由表5和圖3可以看出：黃土水泥漿液的膠凝時間與水固比呈正相關性，與水泥摻量、水玻璃摻量呈負相關性，即隨著水固比的減小或水泥、水玻璃摻量的增加，漿液的膠凝時間也逐漸縮短。對比圖2、圖3可以看出，凝膠時間與黏度成反比，黏度越大，凝膠時間越短。

(a) 水泥摻量10%，水玻璃摻量3%；(b) 水固比1︰1.1，水玻璃3%；(c) 水固比1︰1.1，水泥摻量10%

2.4 結石率影響

由表5和圖4可以看出：在單因素試驗設計范圍內，黃土漿液的結石率與水固比、水泥摻量呈負相關變化，與水玻璃摻量呈正相關變化，即隨著水固比和水泥摻量的減小或水玻璃摻量的增加，黃土漿液的結石率也逐漸增大。

(a) 水泥摻量10%，水玻璃摻量3%；(b) 水固比1︰1.1，水玻璃3%；(c) 水固比1︰1.1，水泥摻量10%

2.5 無側限抗壓強度

從表5和圖5可以看出：在單因素試驗設計范圍內，黃土漿液的結石率與水固比呈負相關變化，與水泥摻量、水玻璃摻量呈正相關變化，即隨著水固比的減小或其他因素摻量的增加，黃土漿液的28 d無側限抗壓強度也逐漸增大。

(a) 水泥摻量10%，水玻璃摻量3%；(b) 水固比1︰1.1，水玻璃3%；(c) 水固比1︰1.1，水泥摻量10%

3 正交試驗結果分析及預測模型構建

正交試驗獲得的漿液各項性能試驗指標見表7。

3.1 試驗結果

為確定黃土基注漿材料各項性能的主要影響因素，取正交試驗成果中注漿材料性能指標與配比要素，采用Pearson相關系數進行相關性分析，結果見表8。計算公式如下：

表7 正交試驗結果

由表8可以看出，水固比與漿液密度、結石率、黏度呈負相關，相關性顯著；黃土摻量與黏度及強度顯著呈負相關，水泥摻量與黏度及強度呈顯著正相關；水玻璃摻量與各項指標相關性不顯著。

由此可得，黃土基注漿材料密度及結石率受水固比影響最為明顯，黏度主要受水固比及黃土(水泥)摻量同時影響，28 d無側限抗壓強度主要受黃土(水泥)摻量影響。

表8 黃土基注漿材料性能指標與配比要素相關性分析

注：**在 0.01 級別(雙尾)，相關性顯著(<0.01，發生概率99%)；*在 0.05 級別(雙尾)，相關性顯著(<0.05，發生概率95%)。

3.2 GA-BPNN模型構建及參數選取

誤差反向傳播神經網絡(Error Back Propagation Neural Network，BPNN)是目前使用最多的神經網絡結構。它由輸入層、隱含層、輸出層組成，每層均含有若干個神經元，其原理為輸入信號經輸入層進入網絡結構傳遞給隱含層，經隱含層加權相加后傳遞給輸出層，由輸出層產生輸出信號，將輸出信號與期望輸出比較，若誤差超過允許范圍，則誤差進行反向傳播用來修正傳遞權值，通過權值的修正使網絡實際輸出更加接近期望輸出。

BPNN采用無約束最小化法實現誤差函數極小化，存在局部極小問題；同時，在網絡訓練過程中，權重及閾值選擇具有很大隨機性，訓練效率低，且難以求得全局最優解。

遺傳算法(Genetic Algorithm，GA)是通過模擬生物繁衍過程中染色體交叉、變異及選擇過程，以適應度函數評判染色體優劣并進行迭代，最終收斂于最優染色體。通過GA-BPNN優化神經網絡的權值和閾值，可以較好地克服 BPNN 神經網絡的問題并且有效提高神經網絡的泛化性能。

3.2.1 數據樣本及歸一化

選取試驗因素水固比、黃土摻量、水泥摻量、水玻璃摻量4個因素為輸入層，以密度、初始黏度、凝膠時間及28 d抗壓強度為輸出層，以正交試驗成果為訓練樣本，單因素試驗成果為預測樣本進行網絡構建及訓練。

由于試驗模型中各因素數量級相差較大，為保證各因素處于同等地位，對原始數據歸一化處理[16]至[–1,1]區間內，歸一化后數據見表9。

表9 黃土基注漿材料性能試驗訓練及預測樣本歸一化處理結果

3.2.2 GA-BPNN模型構建

a. BPNN模型 R. H. Nielsen[17]已論證，神經網絡僅需一個隱層即可以任意精度逼近對任何閉區間內的連續函數，因此，網絡結構設計為3層。本次輸入層因素為水固比、黃土摻量、水泥摻量、水玻璃摻量；輸入層節點數量為4。輸出層為密度、初始黏度、結石率、28 d抗壓強度。為提高網絡訓練效率，將各輸出層因素進行單獨訓練，分別建立模型，因此，輸出層節點數量為1。隱層節點基于經驗公式[18]及試湊法比較后得到最佳節點數量為5，如圖6所示。

圖6 黃土基注漿材料性能預測BP神經網絡結構

通過多次實驗，訓練參數優化設置見表10。

b. GA-BPNN模型 通過GA優化BPNN的主要步驟為：①使用遺傳算法得到最優權值和閾值；②以遺傳算法得到的權值和閾值為初始值，再使用 BPNN 算法進行反向傳播修正。

表10 BPNN訓練參數優化設計

其優化流程如圖7所示。

圖7 GA優化BPNN預測模型流程

GA算法主要需要確定以下參數：

a.優化參數 BPNN結構為4-5-1，則GA算法需優化參數數量為4×5(隱層權值)+5×1(輸出層權值)+5(隱層閾值)+1(輸出層閾值)=31個。

c.其他參數 其他參數見表11。

表11 GA優化BPNN漿液性能預測模型參數設計

3.3 黃土基注漿材料性能GA-BPNN預測分析

3.3.1 網絡訓練

對密度、黏度、結石率及28 d無側限抗壓強度通過BPNN網絡神經進行優化，經過28、10、23、10次遺傳、變異及迭代優化完畢，訓練結果良好。

3.3.2 預測結果

統計黃土基注漿材料性能指標訓練樣本擬合誤差及預測結果誤差，見表12。

訓練樣本中樣本值與擬合值平均相對誤差為0.23% ~ 1.72%，擬合程度滿足網絡性能要求；最終預測值與期望值平均相對誤差為0.74%~1.83%，預測結果精度高，誤差可滿足材料配比設計要求。

4 黃土基漿液配比優選

注漿充填過程中，黃土基漿液結石體28 d抗壓強度為主要設計指標，同時漿液成本應達到最低，可簡化為分析不同的28 d抗壓強度下最低成本問題，通過GA-BPNN進行多目標全局尋優，以確定最優配比。

表12 黃土基注漿材料性能指標訓練及預測誤差統計

4.1 配比優選模型構建

設計參數：水固比(1)、黃土摻量(2)、水玻璃摻量(3)，計算過程中水泥摻量為(1–2)。

優化目標：注漿完成1個月后，結石體抗壓強度至少應達到0.6 MPa[19]，為保證安全起見，優化目標定為28 d≥0.8 MPa條件下漿液結石體單位體積成本最小。

約束條件：配比優選范圍在正交試驗范圍內，即水固比1∈[1:1,1:1.2]，黃土摻量2∈[0.82,0.95]，水泥摻量=1–2，水玻璃摻量∈[0.000 5,0.009]。

目標函數包括成本和抗壓強度。

a.目標函數一：成本

現場用水價格一般為1元/t，黃土費用約10元/t，水泥600元/t，水玻璃1 500元/t，則以注漿結石體計算每立方成本為：

其中，漿液密度及結石率通過3.3節中所得到的黃土基注漿材料結石率及密度預測模型進行計算。計算公式為：

式中：sim為Matlab函數，用于仿真神經網絡；net、net分別為訓練后的結石率、漿液密度預測網絡。

b. 目標函數二：28 d抗壓強度

通過3.3節中所得到的黃土基注漿材料強度預測模型，計算各配比漿液結石體28 d抗壓強度。

式中：net為訓練后的黃土基注漿材料強度預測網絡。

其余遺傳算子參數以經驗值進行優化，最終選取見表13。

表13 GA配比優選參數設計

4.2 優選結果

通過GA-BPNN多目標全局尋優，尋找出滿足不同28 d 抗壓強度及成本最低條件下的漿液最優配比，迭代 250次后得到28d∈[0.8,1.15] MPa的最低成本的最優配比組合(表14)。

表14 漿液最優配比表

對該性能范圍內黃土基漿液最低成本和28 d抗壓強度與成本進行擬合，28d與成本關系滿足一元三次方程，如圖8所示。

從圖8及表14可以看出，隨著水泥摻量及水玻璃摻量增加及黃土摻量的降低，漿液28 d抗壓強度顯著增長，成本也隨之增大。當28 d抗壓強度大于1.1 MPa后，強度的提高導致漿液成本大幅上漲。

圖8 黃土基注漿材料28 d抗壓強度與最低成本關系曲線

5 結論

a.黃土水泥漿液與陜北地區普遍采用的水泥粉煤灰漿液相比，性能相當，成本大幅降低。

b. 單因素試驗結果表明，黃土水泥漿液的黏度與水固比呈負相關，與水泥摻量、水玻璃摻量呈正相關；凝膠時間與水固比呈正相關，與水泥摻量、水玻璃摻量呈負相關；結石率與水固比、水泥摻量呈負相關，與水玻璃摻量呈正相關；黃土漿液的結石率與水固比呈負相關，與水泥摻量、水玻璃摻量呈正相關。

c.正交試驗結果表明，黃土基注漿材料密度及結石率受水固比影響最為明顯，黏度及28 d抗壓強度主要受水固比及黃土(水泥)摻量影響。

d.采用GA-BPNN構建的黃土基注漿材料性能預測值與期望值誤差僅0.74%~1.83%，預測精度高，可滿足實際應用需求。

e.通過GA-BPNN模型全局尋優，可獲得滿足不同的28 d抗壓強度及最低成本條件下的漿液最優配比。

請聽作者語音介紹創新技術成果等信息，歡迎與作者進行交流

[1] 張志沛，王紅. 注漿法在公路下伏煤礦采空區治理工程中的應用[J]. 煤田地質與勘探，2003，31(6)：43–47． ZHANG Zhipei，WANG Hong. Applications and studies about grouting on treating the gob areas of coal mine under highway[J]. Coal Geology & Exploration，2003，31(6)：43–47．

[2] 武強，王龍，魏學勇，等. 榆神府礦區大柳塔井田煤層群采地面沉陷可視化數值模擬[J]. 水文地質工程地質，2003，47(6)：37–39. WU Qiang，WANG Long，WEI Xueyong，et al. Visual numeric simulation of subsidence in Daliuta mine of Yushenfu[J]. Hydrogeology & Engineering Geology，2003，47(6)：37–39.

[3] 劉小平. 基于突變理論的小煤窯采空區失穩判據及應用[J]. 煤田地質與勘探，2014，42(4)：55–58. LIU Xiaoping. Application of instability criteria of mined-out areas based on catastrophe theory[J]. Coal Geology & Exploration，2014，42(4)：55–58.

[4] 范立民. 陜北地區采煤造成的地下水滲漏及其防治對策分析[J]. 礦業安全與環保，2007，34(5)：62–64. FAN Limin. Analysis of groundwater leakage caused by coal mining in northern Shaanxi and its prevention and control measures[J]. Mining Safety & Environmental Protection，2007，34(5)：62–64.

[5] 張立其，劉洋，方剛. 陜北淺埋煤層采空區積水下安全開采技術研究[J]. 煤田地質與勘探，2015，43(6)：60–64. ZHANG Liqi，LIU Yang，FANG Gang. Research on safe mining technology for shallow buried coal seam under the goaf water in northern Shaanxi Province[J]. Coal Geology & Exploration，2015，43(6)：60–64.

[6] 阮文軍，張恒志. 水泥–黏土穩定漿液的試驗研究[J]. 長春工程學院學報(自然科學版)，2003，4(4)：5–7. RUAN Wenjun，ZHANG Hengzhi. Experimental research on cement bentonite stable grout[J]. Journal of Changchun Institute of Engineering(Natural Science Edition)，2003，4(4)：5–7.

[7] 劉國棟. 水泥黏土灌漿技術在渠道采空區地質處理中的應用[J]. 水利水電施工，2013，32(3)：50–52. LIU Guodong. Application of cement clay grouting technology in geological treatment of channel goaf[J]. Water Conservancy and Hydropower Construction，2013，32(3)：50–52.

[8] WANG Xinghua，GAO Quqing. Study of a new cheap grouting material：Clay-hardening grout[J]. Tunnelling and Underground Space Technology，1997，12(4)：497–502.

[9] 張亞民，康愛國，蘇天明，等. 黃土漿液注漿性能試驗研究[J]. 公路交通科技(應用技術版)，2016，12(5)：50–52. ZHANG Yamin，KANG Aiguo，SU Tianming，et al. Experimental study on grouting performance of loess slurry[J]. Highway Transportation Technology(Application Technology Edition)，2016，12(5)：50–52.

[10] 冉景太. 黏土水泥漿液性能研究[D]. 昆明：昆明理工大學，2010. RAN Jingtai. Study on the performance of clay cement slurry[D]. Kunming：Kunming University of Technology，2010.

[11] MASUMOTO K，SUGITA Y，FUJITA T，et al. A clay grouting technique for granitic rock adjacent to clay bulkhead[J]. Physics and Chemistry of the Earth，PartsA/B/C，2007，32(8-14)：691–700.

[12] 張戎令，王起才，張見. 鐵路濕陷性黃土路基劈裂注漿漿液配比研究[J]. 路基工程，2010，28(4)：58–61. ZHANG Rongling，WANG Qicai，ZHANG Jian. Study on mix proportion of fracture grouting for railway collapsible loess subgrade[J]. Subgrade Engineering，2010，28(4)：58–61.

[13] 陳麗華，姜玉松. 化學漿液凝膠時間測定方法探討[J]. 鐵道建筑技術，2011(9)：77–79.CHEN Lihua，JIANG Yusong. Discussion on the determination of gel time of chemical grout[J]. Railway Construction Technology，2011(9)：77–79.

[14] 中國科學院教學研究所數理統計組. 正交試驗設計法[M]. 上海：人民教育出版社，1975.Mathematical statistics group，Institute of teaching and research，Chinese Academy of Sciences. Orthogonal experimental design method[M]. Shanghai：People’s Education Press，1975.

[15] 劉瑞江，張業旺，聞崇煒，等. 正交試驗設計和分析方法研究[J]. 實驗技術與管理，2010，27(9)：52–55.LIU Ruijiang，ZHANG Yewang，WEN Chongwei，et al. Study on the design and analysis methods of orthogonal experiment research[J]. Experimental Technology and Management，2010，27(9)：52–55.

[16] 封毅，武博強，崔靈周. 基于BP神經網絡的臺風降雨量預測研究[J]. 水土保持研究，2012，19(3)：289–293. FENG Yi，WU Boqiang，CUI Lingzhou. Study on forecasting typhoon rainfall based on BP neural network[J]. Resesrch of Soil and Water Conservation，2012，19(3)：289–293.

[17] NIELSEN R H. Theory of the back propagation neural network[C]//International 1989 Joint Conference on Neural Networks. Washington D.C.：IEEE Xplore，1989，1：593–605.

[18] 張雨濃，肖秀春，陳揚文，等. Hermite 前向神經網絡隱節點數目自動確定[J]. 浙江大學學報(工學版)，2010，44(2)：271–275. ZHANG Yunong，XIAO Xiuchun，CHEN Yangwen，et al. Number determination of hidden node for Hermite feed forward neural network[J]. Journal of Zhejiang University(Engineering Science)，2010，44(2)：271–275.

[19] 龐云澤，劉春原，左麗明，等. 新型采空區填充注漿材料的研制與性能試驗研究[J]. 硅酸鹽通報，2017，36(7)：2268–2274. PANG Yunze，LIU Chunyuan，ZUO liming，et al. Experimental study on preparation and properties of new grouting material for goof filling[J]. Bulletin of the Chinese Ceramic Society，2017，36(7)：2268–2274.

Performance test and proportioning optimization of loess-based grouting materials in coal mining subsidence area of northern Shaanxi

CAO Xiaoyi1, WANG Yutao1, LIU Xiaoping1,2, CAO Zubao1, WU Boqiang1

(1. Xi’an Research Institute Co. Ltd., China Coal Technology and Engineering Group Corp., Xi’an 710077, China; 2. School of Civil Engineering and Architecture, Xi’an University of Technology, Xi’an 710048, China)

Grouting is the main treatment method of mining subsidence area, and the grouting materials have great influence on the grouting effect and cost. Taking the grout mix composed of loess and cement used in northern Shaanxi as the research object, the viscosity, the gelation time, the stone rate and 28 d uniaxial unconfined compressive strength of loess grout were studied by single factor and orthogonal tests. The influencing factors and changing rule of each index were analyzed. Meanwhile, the GA-BPNN prediction model of loess-based grout was established, and the multi-objective global optimization was carried out through GA. The grout ratio with the lowest cost and certain strength was optimized. The test results show that the loess-cement grout was similar to the grout of cement and fly ash commonly used in northern Shaanxi. The cost was greatly reduced, and the density and stone ratio of loess-based grouting materials are most affected by the water-solid ratio. The viscosity is mainly affected by the water-solid ratio and the loess(cement) content at the same time, the 28d strength is mainly affected by the loess(cement) content, and by the model constructed with GA-BPNN, and the relative error between the predicted value and expected value of performance of loess-based grouting materials is 0.74%–1.83%. The predicted result has high precision and could meet the requirements of practical application.

mining subsidence area; loess; grouting material; GA-BPNN prediction model; proportioning optimization; northern Shaanxi

TD654

A

10.3969/j.issn.1001-1986.2020.03.002

1001-1986(2020)03-0008-09

2019-12-29；

2020-04-02

中煤科工集團西安研究院有限公司科技創新基金重點項目(2017XAYZD04)

Key Projects of Science and Technology Innovation Fund of Xi’an Research Institute of CCTEG(2017XAYZD04)

曹曉毅，1985年生，女，陜西蒲城人，碩士，副研究員，從事采煤沉陷科研與防治工作. E-mail：caoxiaoyi@cctegxian.com

曹曉毅，王玉濤，劉小平，等. 陜北采煤沉陷區黃土基注漿材料性能試驗及配比優選[J]. 煤田地質與勘探，2020，48(3)：8–16.

CAO Xiaoyi，WANG Yutao，LIU Xiaoping，et al. Performance test and proportioning optimization of loess-based grouting materials in coal mining subsidence area of northern Shaanxi[J]. Coal Geology & Exploration，2020，48(3)：8–16.

(責任編輯 周建軍)