陕北采煤沉陷区黄土基注浆材料性能试验及配比优选

曹晓毅，王玉涛，刘小平,2，曹祖宝，武博强

陕北采煤沉陷区黄土基注浆材料性能试验及配比优选

曹晓毅1，王玉涛1，刘小平1,2，曹祖宝1，武博强1

(1. 中煤科工集团西安研究院有限公司，陕西 西安 710077；2. 西安理工大学 土木建筑工程学院，陕西 西安 710048)

注浆法是采煤沉陷区的主要治理方法，浆材对注浆效果和成本影响很大。以陕北地区黄土–水泥–添加剂混合浆液为研究对象，采用单因素及正交试验对黄土浆液的黏度、凝胶时间、结石率及28 d单轴无侧限抗压强度进行试验研究，对各指标的影响因素及变化规律进行分析，同时，建立黄土基浆液的GA-BPNN预测模型，通过GA多目标全局寻优，优选出一定强度下成本最低的浆液配比。试验结果表明：黄土水泥浆液与陕北地区普遍采用的水泥粉煤灰浆液性能相近，成本大幅降低，黄土基注浆材料密度及结石率受水固比影响最为明显，黏度主要受水固比及黄土(水泥)掺量影响，28 d强度主要受黄土(水泥)掺量影响；采用GA-BPNN构建模型预测的黄土基注浆材料性能预测值与期望值相对误差为0.74%~1.83%，预测结果精度高，可满足实际应用需求。

采煤沉陷区；黄土；注浆充填材料；GA-BPNN预测模型；配比优选；陕北地区

榆神府矿区作为我国重要的能源基地，煤炭资源高强开采形成的采空塌陷已成为该地区重大地质灾害问题之一[1-5]。随着地方经济建设快速发展及固废资源的开发利用，常用的采空塌陷区注浆材料(粉煤灰)价格大幅上涨且资源紧张，造成采空区治理成本增加，需要研发价格低廉、来源丰富的注浆充填材料。榆神府矿区位于黄土高原北侧，黄土资源丰富，研发适宜于采空区充填的黄土类注浆材料具有重要的工程价值。

黄土注浆材料在水利防渗、充填裂隙等方面已得到广泛应用，阮文军等[6]对水利灌浆工程的水泥–黏土浆液进行了优选试验和单因素对比试验，得到水利灌浆工程的优选水泥–黏土浆液配方；刘国栋‍[7]结合南水北调工程鹤壁段施工情况对水泥黏土浆的施工应用进行了论述；Wang Xinghua等[8]对黏土硬化浆液的胶凝时间和强度的影响因素进行了分析，并提出了可灌浆期的概念；张亚民等[9]以六盘山隧道为例，研究了该项目衬砌壁后黄土–水泥浆液的性能；冉景太[10]对水泥黏土浆液的基本物理力学性质及其在防渗堵漏工程中的应用进行了论述；K. Masumoto等[11]验证了黏土注浆技术应用于隧道开挖破坏带(EDZ)的可行性并对黏土浆液降低岩体裂隙渗透效果进行了评价；张戎令等[12]研究了黄土、细砂、粉煤灰及减水剂不同组合下的4种浆液在铁路黄土路基劈裂注浆中的浆液性能及配比优选。总结以往成果发现，针对煤矿采空区大空洞、大裂隙，充填量巨大、充填强度要求较低的工程条件，尚未有人结合陕北地区黄土的物理特性开展注浆材料性能的试验研究。笔者以黄土–水泥–添加剂浆液为研究对象，采用单因素及正交试验对黄土浆液的黏度、凝胶时间、结石率及单轴无侧限抗压强度(28 d)进行试验研究，对各项指标的影响因素及变化规律进行分析，同时，建立黄土基浆液的GA-BPNN预测模型，优选出满足一定浆液性能指标、成本最低条件下的浆液配比，为陕北采煤沉陷区黄土基注浆材料的选择及治理工程提供参考。

1 浆液性能试验方案设计

1.1 配比材料

a.黄土选自陕北地区榆林市府谷县，主要化学成分见表1。该土样属黏性土(塑性指数p>17)，可塑性好。土样颗粒级配曲线如图1所示，黏粒质量分数(小于0.075 mm的颗粒)约为80%。

表1 黄土的主要化学成分

图1 黄土颗粒级配曲线

b. 水泥 采用陕西省铜川市药王山水泥厂生产的32.5级普通硅酸盐水泥，密度为3.16 g/cm3，比表面积为2 820 m2/kg，主要化学成分见表2。

表2 P.O 32.5水泥主要化学成分

c.添加剂 采用硅酸钠浓度35~40 °Be′的固体水玻璃。

d.水 当地地下水，pH值7.2。

1.2 试验方法

浆液黏度采用泥浆黏度计法测试。采空区充填注浆浆液凝胶时间，常参考水泥浆液采用维卡仪测试其初、终凝时间，但通过文献[13]可以看出，采用倒杯法所测试的凝胶时间可以更好地反映浆液的流动度及扩散半径，故本次采用倒杯法测试黄土–水泥浆液的凝胶时间。结石率测试时，先把搅拌均匀的浆液灌入200 mL量筒中，读取浆液体积1，再用塑料袋封住量筒口，室温下养护24 h后记录量筒中结石体体积2，然后根据2/1×100%计算结石率。无侧限单轴抗压强度参照GB/T 17671—1999《水泥胶砂强度检验方法(ISO法)》进行。

1.3 方案设计

a.单因素试验 为了研究单个因素对浆液性能指标的影响，本次选择了水固比、水泥(黄土)掺量和水玻璃掺量3个影响因素，每次选1个因素取3个不同水平，其他2个因素取确定值，共设计9组试验配方，见表3。

表3 单因素试验设计

注：水固比指水与黄土+水泥的质量比。

b.正交试验 为分析各因素间相互作用，克服全面配比试验工作量巨大的缺点，采用正交试验[14-15]，保证试验点在试验范围内“均匀分散，整齐可比”，从而得到各因素对浆液性能指标的影响规律。

同样选取水固比(因素A)、水泥(黄土)掺量(因素B)、水玻璃掺量(因素C)3个选项，建立正交设计表L9(34)，各因素及水平见表4。

表4 正交试验因素水平

2 单因素试验结果分析

单因素试验结果见表5。为对比分析黄土浆液和水泥粉煤灰浆液的差异，在单因素试验的同时，对10%~20%水泥掺量下的水泥粉煤灰浆液基本性能也进行了试验，试验方法与黄土浆液性能测试方法相同，结果见表6。

表5 单因素试验结果

表6 水泥粉煤灰浆液浆液试验结果

2.1 黄土浆液与水泥粉煤灰浆液的指标比较

对比表5和表6可以看出，5%~15%水泥掺量下的黄土基浆液与10%~20%水泥掺量下的水泥粉煤灰浆液的密度、黏度、凝胶时间、结石率及28 d无侧限抗压强度均相近，故采用黄土代替水泥粉煤灰浆液中的粉煤灰及部分水泥，在大幅降低工程成本的同时，可达到水泥粉煤灰浆液各项性能指标，满足采煤沉陷区治理要求。因此，进一步寻求黄土浆液各项性能指标的变化规律、影响因素及最优配比，具有工程实际意义。

2.2 黏度影响因素分析

由图2和表5可以看出：在单因素试验设计范围内，黄土浆液的黏度与水固比呈负相关变化，与水泥掺量、速凝剂掺量呈正相关变化，即随着水固比的减小或水泥、水玻璃掺量的增加，黄土浆液的黏度逐渐增大。

(a) 水泥掺量10%，水玻璃掺量3%；(b) 水固比1︰1.1，水玻璃3%；(c) 水固比1︰1.1，水泥掺量10%

2.3 凝胶时间

由表5和图3可以看出：黄土水泥浆液的胶凝时间与水固比呈正相关性，与水泥掺量、水玻璃掺量呈负相关性，即随着水固比的减小或水泥、水玻璃掺量的增加，浆液的胶凝时间也逐渐缩短。对比图2、图3可以看出，凝胶时间与黏度成反比，黏度越大，凝胶时间越短。

(a) 水泥掺量10%，水玻璃掺量3%；(b) 水固比1︰1.1，水玻璃3%；(c) 水固比1︰1.1，水泥掺量10%

2.4 结石率影响

由表5和图4可以看出：在单因素试验设计范围内，黄土浆液的结石率与水固比、水泥掺量呈负相关变化，与水玻璃掺量呈正相关变化，即随着水固比和水泥掺量的减小或水玻璃掺量的增加，黄土浆液的结石率也逐渐增大。

(a) 水泥掺量10%，水玻璃掺量3%；(b) 水固比1︰1.1，水玻璃3%；(c) 水固比1︰1.1，水泥掺量10%

2.5 无侧限抗压强度

从表5和图5可以看出：在单因素试验设计范围内，黄土浆液的结石率与水固比呈负相关变化，与水泥掺量、水玻璃掺量呈正相关变化，即随着水固比的减小或其他因素掺量的增加，黄土浆液的28 d无侧限抗压强度也逐渐增大。

(a) 水泥掺量10%，水玻璃掺量3%；(b) 水固比1︰1.1，水玻璃3%；(c) 水固比1︰1.1，水泥掺量10%

3 正交试验结果分析及预测模型构建

正交试验获得的浆液各项性能试验指标见表7。

3.1 试验结果

为确定黄土基注浆材料各项性能的主要影响因素，取正交试验成果中注浆材料性能指标与配比要素，采用Pearson相关系数进行相关性分析，结果见表8。计算公式如下：

表7 正交试验结果

由表8可以看出，水固比与浆液密度、结石率、黏度呈负相关，相关性显著；黄土掺量与黏度及强度显著呈负相关，水泥掺量与黏度及强度呈显著正相关；水玻璃掺量与各项指标相关性不显著。

由此可得，黄土基注浆材料密度及结石率受水固比影响最为明显，黏度主要受水固比及黄土(水泥)掺量同时影响，28 d无侧限抗压强度主要受黄土(水泥)掺量影响。

表8 黄土基注浆材料性能指标与配比要素相关性分析

注：**在 0.01 级别(双尾)，相关性显著(<0.01，发生概率99%)；*在 0.05 级别(双尾)，相关性显著(<0.05，发生概率95%)。

3.2 GA-BPNN模型构建及参数选取

误差反向传播神经网络(Error Back Propagation Neural Network，BPNN)是目前使用最多的神经网络结构。它由输入层、隐含层、输出层组成，每层均含有若干个神经元，其原理为输入信号经输入层进入网络结构传递给隐含层，经隐含层加权相加后传递给输出层，由输出层产生输出信号，将输出信号与期望输出比较，若误差超过允许范围，则误差进行反向传播用来修正传递权值，通过权值的修正使网络实际输出更加接近期望输出。

BPNN采用无约束最小化法实现误差函数极小化，存在局部极小问题；同时，在网络训练过程中，权重及阈值选择具有很大随机性，训练效率低，且难以求得全局最优解。

遗传算法(Genetic Algorithm，GA)是通过模拟生物繁衍过程中染色体交叉、变异及选择过程，以适应度函数评判染色体优劣并进行迭代，最终收敛于最优染色体。通过GA-BPNN优化神经网络的权值和阈值，可以较好地克服 BPNN 神经网络的问题并且有效提高神经网络的泛化性能。

3.2.1 数据样本及归一化

选取试验因素水固比、黄土掺量、水泥掺量、水玻璃掺量4个因素为输入层，以密度、初始黏度、凝胶时间及28 d抗压强度为输出层，以正交试验成果为训练样本，单因素试验成果为预测样本进行网络构建及训练。

由于试验模型中各因素数量级相差较大，为保证各因素处于同等地位，对原始数据归一化处理[16]至[–1,1]区间内，归一化后数据见表9。

表9 黄土基注浆材料性能试验训练及预测样本归一化处理结果

3.2.2 GA-BPNN模型构建

a. BPNN模型 R. H. Nielsen[17]已论证，神经网络仅需一个隐层即可以任意精度逼近对任何闭区间内的连续函数，因此，网络结构设计为3层。本次输入层因素为水固比、黄土掺量、水泥掺量、水玻璃掺量；输入层节点数量为4。输出层为密度、初始黏度、结石率、28 d抗压强度。为提高网络训练效率，将各输出层因素进行单独训练，分别建立模型，因此，输出层节点数量为1。隐层节点基于经验公式[18]及试凑法比较后得到最佳节点数量为5，如图6所示。

图6 黄土基注浆材料性能预测BP神经网络结构

通过多次实验，训练参数优化设置见表10。

b. GA-BPNN模型 通过GA优化BPNN的主要步骤为：①使用遗传算法得到最优权值和阈值；②以遗传算法得到的权值和阈值为初始值，再使用 BPNN 算法进行反向传播修正。

表10 BPNN训练参数优化设计

其优化流程如图7所示。

图7 GA优化BPNN预测模型流程

GA算法主要需要确定以下参数：

a.优化参数 BPNN结构为4-5-1，则GA算法需优化参数数量为4×5(隐层权值)+5×1(输出层权值)+5(隐层阈值)+1(输出层阈值)=31个。

c.其他参数 其他参数见表11。

表11 GA优化BPNN浆液性能预测模型参数设计

3.3 黄土基注浆材料性能GA-BPNN预测分析

3.3.1 网络训练

对密度、黏度、结石率及28 d无侧限抗压强度通过BPNN网络神经进行优化，经过28、10、23、10次遗传、变异及迭代优化完毕，训练结果良好。

3.3.2 预测结果

统计黄土基注浆材料性能指标训练样本拟合误差及预测结果误差，见表12。

训练样本中样本值与拟合值平均相对误差为0.23% ~ 1.72%，拟合程度满足网络性能要求；最终预测值与期望值平均相对误差为0.74%~1.83%，预测结果精度高，误差可满足材料配比设计要求。

4 黄土基浆液配比优选

注浆充填过程中，黄土基浆液结石体28 d抗压强度为主要设计指标，同时浆液成本应达到最低，可简化为分析不同的28 d抗压强度下最低成本问题，通过GA-BPNN进行多目标全局寻优，以确定最优配比。

表12 黄土基注浆材料性能指标训练及预测误差统计

4.1 配比优选模型构建

设计参数：水固比(1)、黄土掺量(2)、水玻璃掺量(3)，计算过程中水泥掺量为(1–2)。

优化目标：注浆完成1个月后，结石体抗压强度至少应达到0.6 MPa[19]，为保证安全起见，优化目标定为28 d≥0.8 MPa条件下浆液结石体单位体积成本最小。

约束条件：配比优选范围在正交试验范围内，即水固比1∈[1:1,1:1.2]，黄土掺量2∈[0.82,0.95]，水泥掺量=1–2，水玻璃掺量∈[0.000 5,0.009]。

目标函数包括成本和抗压强度。

a.目标函数一：成本

现场用水价格一般为1元/t，黄土费用约10元/t，水泥600元/t，水玻璃1 500元/t，则以注浆结石体计算每立方成本为：

其中，浆液密度及结石率通过3.3节中所得到的黄土基注浆材料结石率及密度预测模型进行计算。计算公式为：

式中：sim为Matlab函数，用于仿真神经网络；net、net分别为训练后的结石率、浆液密度预测网络。

b. 目标函数二：28 d抗压强度

通过3.3节中所得到的黄土基注浆材料强度预测模型，计算各配比浆液结石体28 d抗压强度。

式中：net为训练后的黄土基注浆材料强度预测网络。

其余遗传算子参数以经验值进行优化，最终选取见表13。

表13 GA配比优选参数设计

4.2 优选结果

通过GA-BPNN多目标全局寻优，寻找出满足不同28 d 抗压强度及成本最低条件下的浆液最优配比，迭代 250次后得到28d∈[0.8,1.15] MPa的最低成本的最优配比组合(表14)。

表14 浆液最优配比表

对该性能范围内黄土基浆液最低成本和28 d抗压强度与成本进行拟合，28d与成本关系满足一元三次方程，如图8所示。

从图8及表14可以看出，随着水泥掺量及水玻璃掺量增加及黄土掺量的降低，浆液28 d抗压强度显著增长，成本也随之增大。当28 d抗压强度大于1.1 MPa后，强度的提高导致浆液成本大幅上涨。

图8 黄土基注浆材料28 d抗压强度与最低成本关系曲线

5 结论

a.黄土水泥浆液与陕北地区普遍采用的水泥粉煤灰浆液相比，性能相当，成本大幅降低。

b. 单因素试验结果表明，黄土水泥浆液的黏度与水固比呈负相关，与水泥掺量、水玻璃掺量呈正相关；凝胶时间与水固比呈正相关，与水泥掺量、水玻璃掺量呈负相关；结石率与水固比、水泥掺量呈负相关，与水玻璃掺量呈正相关；黄土浆液的结石率与水固比呈负相关，与水泥掺量、水玻璃掺量呈正相关。

c.正交试验结果表明，黄土基注浆材料密度及结石率受水固比影响最为明显，黏度及28 d抗压强度主要受水固比及黄土(水泥)掺量影响。

d.采用GA-BPNN构建的黄土基注浆材料性能预测值与期望值误差仅0.74%~1.83%，预测精度高，可满足实际应用需求。

e.通过GA-BPNN模型全局寻优，可获得满足不同的28 d抗压强度及最低成本条件下的浆液最优配比。

请听作者语音介绍创新技术成果等信息，欢迎与作者进行交流

[1] 张志沛，王红. 注浆法在公路下伏煤矿采空区治理工程中的应用[J]. 煤田地质与勘探，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] 武强，王龙，魏学勇，等. 榆神府矿区大柳塔井田煤层群采地面沉陷可视化数值模拟[J]. 水文地质工程地质，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] 刘小平. 基于突变理论的小煤窑采空区失稳判据及应用[J]. 煤田地质与勘探，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. 陕北地区采煤造成的地下水渗漏及其防治对策分析[J]. 矿业安全与环保，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] 张立其，刘洋，方刚. 陕北浅埋煤层采空区积水下安全开采技术研究[J]. 煤田地质与勘探，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] 阮文军，张恒志. 水泥–黏土稳定浆液的试验研究[J]. 长春工程学院学报(自然科学版)，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] 刘国栋. 水泥黏土灌浆技术在渠道采空区地质处理中的应用[J]. 水利水电施工，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] 张亚民，康爱国，苏天明，等. 黄土浆液注浆性能试验研究[J]. 公路交通科技(应用技术版)，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. 黏土水泥浆液性能研究[D]. 昆明：昆明理工大学，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] 张戎令，王起才，张见. 铁路湿陷性黄土路基劈裂注浆浆液配比研究[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] 陈丽华，姜玉松. 化学浆液凝胶时间测定方法探讨[J]. 铁道建筑技术，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] 中国科学院教学研究所数理统计组. 正交试验设计法[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] 刘瑞江，张业旺，闻崇炜，等. 正交试验设计和分析方法研究[J]. 实验技术与管理，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，武博强，崔灵周. 基于BP神经网络的台风降雨量预测研究[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] 张雨浓，肖秀春，陈扬文，等. Hermite 前向神经网络隐节点数目自动确定[J]. 浙江大学学报(工学版)，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] 庞云泽，刘春原，左丽明，等. 新型采空区填充注浆材料的研制与性能试验研究[J]. 硅酸盐通报，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

中煤科工集团西安研究院有限公司科技创新基金重点项目(2017XAYZD04)

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

曹晓毅，1985年生，女，陕西蒲城人，硕士，副研究员，从事采煤沉陷科研与防治工作. E-mail：caoxiaoyi@cctegxian.com

曹晓毅，王玉涛，刘小平，等. 陕北采煤沉陷区黄土基注浆材料性能试验及配比优选[J]. 煤田地质与勘探，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.

(责任编辑 周建军)