CN118094359A - 基于磨料水射流截割的煤岩裂纹风险预测方法 - Google Patents

Abstract

本发明涉及裂纹预测分析技术领域，具体涉及基于磨料水射流截割的煤岩裂纹风险预测方法，包括以下步骤：测量煤岩的初始物理特性，初始物理特性包括煤岩基本结构和强度特性，同时建立煤岩基本结构‑强度模型；获得切割路径横截面的煤岩基本结构，基于煤岩基本结构‑强度模型，分析切割路径上的抗压强度变化；在磨料水射流切割过程中，实时监测沿切割路径的声发射特征，以捕捉切割中局部切割位置的煤岩微裂纹发生情况，基于微裂纹发生情况验证基本结构‑强度模型；实时调整切割路径和/或磨料水射流的工作参数。本发明，不仅增强了煤岩切割过程中的风险管理能力，还提高了切割操作的安全性和可靠性。

Description

基于磨料水射流截割的煤岩裂纹风险预测方法

技术领域

本发明涉及裂纹预测分析技术领域，尤其涉及基于磨料水射流截割的煤岩裂纹风险预测方法。

背景技术

磨料水射流截割技术是一种广泛应用于硬质材料加工的高效方法，尤其在煤岩开采和加工领域中具有重要作用。这种技术利用高速水流和磨料颗粒的联合作用来切割煤岩，既可以实现精确切割，又能最小化热影响和机械应力，保持煤岩的结构完整性。然而，切割过程中煤岩的裂纹形成问题一直是技术和安全上的挑战。裂纹的产生不仅会降低煤岩的商业价值，也可能导致切割效率降低和潜在的安全风险。

传统上，对煤岩裂纹风险的预测主要依赖于经验判断和简单的理论模型，缺乏对煤岩内部复杂结构变化的深入理解。这种方法往往无法准确预测切割过程中的裂纹发展，限制了磨料水射流截割技术的优化和效率提升。此外，缺乏有效的实时监测手段来跟踪切割过程中的微裂纹形成，使得及时调整切割策略以避免裂纹扩展变得困难。

因此，急需一种能够精确预测煤岩在磨料水射流切割过程中裂纹风险的方法，并实时监测裂纹的发展，以指导切割参数的调整和优化。

发明内容

基于上述目的，本发明提供了基于磨料水射流截割的煤岩裂纹风险预测方法。

基于磨料水射流截割的煤岩裂纹风险预测方法，包括以下步骤：

S1：在磨料水射流切割开始前，测量煤岩的初始物理特性，初始物理特性包括煤岩基本结构和强度特性，其中，煤岩基本结构为密度、孔隙率，强度特性表现为抗压强度，同时建立煤岩基本结构-强度模型；

S2：基于S1的煤岩的初始物理特性测量，获得切割路径横截面的煤岩基本结构，基于煤岩基本结构-强度模型，分析切割路径上的抗压强度变化，从而预测裂纹风险；

S3：在磨料水射流切割过程中，实时监测沿切割路径的声发射特征，以捕捉切割中局部切割位置的煤岩微裂纹发生情况，基于微裂纹发生情况验证基本结构-强度模型；

S4：根据验证后基本结构-强度模型，以及S2中预测的裂纹风险，实时调整切割路径和/或磨料水射流的工作参数，包括改变切割速度、调整压力或流量，以优化切割过程并最小化裂纹风险。

进一步的，所述S1具体包括：

S11：采用X射线计算机断层扫描技术测量煤岩的整体密度和孔隙率，通过分析扫描图像，计算煤岩内部的孔隙结构和总体密度分布，评估煤岩的孔隙特性和整体密实度；

S12：利用标准化的岩石力学试验方法测量煤岩的抗压强度，包括单轴或多轴压缩测试，以获得煤岩在不同应力条件下的强度参数；

S13：结合S11和S13的测试结果，综合分析煤岩基本结构和强度特性，建立煤岩基本结构-强度模型，用于描述煤岩的密度、孔隙率与其抗压强度之间的关系。

进一步的，所述煤岩基本结构-强度模型基于非线性回归模型，具体包括：

收集大量煤岩样本数据，包括样本的密度、孔隙率和对应的抗压强度测量值；

对收集的数据进行统计分析，识别密度、孔隙率与抗压强度之间的基本关系和影响模式；

选择多项式回归模型来描述非线性关系，模型形式为：

，其中，/>是抗压强度，/>是煤岩的密度，/>是孔隙率，是模型参数，/>是描述非线性关系的指数，/>是误差项，/>、/>表示密度和孔隙率的非线性影响；

参数估计：使用最大似然估计方法来估计模型参数a,b,c,n,m；

模型验证：通过留一交叉验证技术验证模型的能力。

进一步的，所述最大似然估计方法具体包括：

基于多项式回归模型中的误差项遵循正态分布/>，构建似然函数，似然函数是给定参数时，观测到的数据出现概率的函数，似然函数/>表示为所有独立观测数据抗压强度的联合概率密度函数：

，其中分别是第/>个观测样本的抗压强度、密度和孔隙率，/>表示误差项的方差，反映模型中随机误差的大小；

最大化似然函数：参数的估计值是使似然函数最大化的值，通过对似然函数取对数（即对数似然函数)并应用数值优化方法来实现，因为对数转换后的乘积形式变为求和形式，表示为：

；

计算和优化：利用梯度下降法数值优化技术来求解对数似然函数的最大值，计算对数似然函数关于每个参数的导数，并迭代调整参数值以找到使对数似然函数最大化的参数组合。

进一步的，所述留一交叉验证技术表示为LOOCV，用于验证多项式回归模型能力，验证步骤如下：

准备数据集，数据集中包括若干数据点，每个数据点包括煤岩的密度、孔隙率和抗压强度，数据集中的每个样本都将轮流用作测试数据；

实施LOOCV：对于数据集中的每一个样本：

A.留出一个样本：从数据集中选取一个样本作为测试数据，其余的样本作为训练数据;

B.建立模型：使用训练数据建立多项式回归模型;

C.模型预测：使用留出的测试样本来评估模型的预测能力,计算预测值与实际值之间的差异；

计算平均误差：重复实施LOOCV，直到每个样本都被用作测试数据一次，记录每一次的预测误差，然后计算误差的平均值，平均值表示模型的总体预测能力；

分析结果：分析LOOCV的结果来评估多项式回归模型的稳定性和预测能力，低平均误差值表示模型具有良好预测性能。

进一步的，所述S2具体包括：

重建横截面图像：基于X射线计算机断层扫描技术扫描结果，通过图像重建技术生成煤岩的横截面图像，以显示预定切割路径区域的内部结构；

通过横截面图像，计算预定切割路径区域内煤岩密度，图像中，不同密度的区域会显示不同的灰度级别，可以利用这一特点对煤岩密度进行定量化分析，根据横截面图像中孔隙和裂缝的分布和大小，评估切割路径区域的孔隙率；

映射切割路径，将密度和孔隙率数据映射到预定的切割路径上，将具体的图像数据点与切割路径的几何位置对应起来，从而获得沿着切割路径的密度和孔隙率分布。

进一步的，所述S2中的预测裂纹风险包括对于切割路径上的每一点或某区域，将相应的密度和孔隙率数据代入基本结构-强度模型中计算预测的抗压强度，获得切割过程中各个点或区域的抗压强度估计；

分析沿切割路径的抗压强度预测值，关注低于临界抗压强度的区域，为高风险裂纹区域。

进一步的，所述S3具体包括：

安装声发射传感器在切割路径附近，用于实时捕捉煤岩在切割点的声发射信号，指示煤岩结构变化和裂纹形成活动；

收集传感器数据，并利用快速傅里叶变换FFT对振动数据进行频率分析，以及对声发射信号进行时频分析，确定切割中煤岩的动态响应特性；

结合实时监测数据和预定切割路径信息，使用支持向量机SVM模型识别煤岩微裂纹形成的早期迹象。

进一步的，所述快速傅里叶变换FFT将时域信号转换为频域信号，表示为：，其中，/>是频域中的第/>个频率分量，/>是时域中的第/>个样本，/>是样本总数；

所述时频分析用于理解声发射信号随时间的变化，通过短时傅里叶变换进行时频分析，以确定在切割过程中何时何地发生变化。

进一步的，所述支持向量机SVM模型具体包括：

基于频率分析以及时频分析结果中提取特征，包括峰值幅度、能量、频率内容和持续时间，形成特征向量用于SVM训练和预测；

SVM模型建立：通过一个超平面分隔不同类别的数据点，最大化不同类别之间的边界，对于微裂纹识别问题，将其视为二分类问题，即微裂纹存在，即正类，或不存在，即负类；

通过最小化目标函数来训练SVM模型：

，其中，/>是超平面的法向量，/>是正则化参数(控制误分类的惩罚)，/>是松弛变量(用于处理不完全可分的情况)，/>是训练样本数量，目标是找到超平面的法向量/>和偏差项/>使得目标函数最小化；

决策函数为：，当/>的值大于零时，/>被分类为正类，即微裂纹存在，否则为负类，即微裂纹不存在；

使用训练好的SVM模型对新收集的声发射数据进行分类，以判断煤岩是否在某个切割位置形成微裂纹。

本发明的有益效果：

本发明，通过结合煤岩基本结构-强度模型与实时监测技术，提供了高度精准的裂纹风险预测方法，煤岩的密度、孔隙率以及抗压强度等物理特性是裂纹形成的关键因素，利用X射线计算机断层扫描（CT）进行初始测量，可以获得煤岩的详细结构特性，为建立基本结构-强度模型提供准确数据，实时监测技术，特别是声发射监测和支持向量机（SVM）分析，能够在切割过程中捕捉微裂纹的形成和发展。这种实时性允许操作者在裂纹发展到危险程度之前及时调整切割参数，如改变切割速度或压力，从而有效控制裂纹风险。此外，实时监测的数据可以用来验证和优化建立的基本结构-强度模型，通过将模型预测的裂纹风险点与实时监测到的微裂纹发生情况进行对比，可以评估模型的准确性。这种精准的裂纹风险预测和实时监测相结合的方法，不仅增强了煤岩切割过程中的风险管理能力，还提高了切割操作的安全性和可靠性。通过有效预测和控制裂纹的形成，可以避免切割过程中的潜在危险，确保煤岩结构的完整性和切割作业的顺利进行。

本发明，利用实时数据分析和模型预测来指导磨料水射流切割参数的调整或者切割路径的优化，动态调整策略可以根据煤岩的实际响应优化切割过程，提高切割效率，并确保切割质量，通过减少不必要的停机时间和避免过度切割，显著提升整体的切割性能和经济效益。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的风险预测逻辑框图；

图2为本发明实施例的方法流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

如图1-2所示，基于磨料水射流截割的煤岩裂纹风险预测方法，包括以下步骤：

S1：在磨料水射流切割开始前，测量煤岩的初始物理特性，初始物理特性包括煤岩基本结构和强度特性，其中，煤岩基本结构为密度、孔隙率，强度特性表现为抗压强度，同时建立煤岩基本结构-强度模型；

S2：基于S1的煤岩的初始物理特性测量，获得切割路径横截面的煤岩基本结构，基于煤岩基本结构-强度模型，分析切割路径上的抗压强度变化，从而预测裂纹风险；

S3：在磨料水射流切割过程中，实时监测沿切割路径的声发射特征，以捕捉切割中局部切割位置的煤岩微裂纹发生情况，基于微裂纹发生情况验证基本结构-强度模型；

S4：根据验证后基本结构-强度模型，以及S2中预测的裂纹风险，实时调整切割路径和/或磨料水射流的工作参数，包括改变切割速度、调整压力或流量，以优化切割过程并最小化裂纹风险。

S1具体包括：

S11：采用X射线计算机断层扫描技术测量煤岩的整体密度和孔隙率，通过分析扫描图像，计算煤岩内部的孔隙结构和总体密度分布，评估煤岩的孔隙特性和整体密实度；

S12：利用标准化的岩石力学试验方法测量煤岩的抗压强度，包括单轴或多轴压缩测试，以获得煤岩在不同应力条件下的强度参数；

S13：结合S11和S13的测试结果，综合分析煤岩基本结构和强度特性，建立煤岩基本结构-强度模型，用于描述煤岩的密度、孔隙率与其抗压强度之间的关系。

在水射流切割过程中，煤岩的密度和孔隙率通常不会发生本质性的变化，但切割作用会在局部区域内影响煤岩的结构特性，具体表现如下：

煤岩的总体密度在水射流切割过程中基本保持不变，然而，在切割接触区域，由于物料被去除，会造成局部密度的相对变化。

孔隙率会在切割区域发生轻微变化，水射流切割通过高速水流和磨料的冲击作用，可能会在煤岩表面或切割区域内部产生新的微小裂纹或扩大现有的孔隙，从而略微增加局部的孔隙率。这种变化通常局限于切割区域附近。

因此，虽然整体的密度和孔隙率变化不大，但在切割过程中，尤其是在水射流直接作用的区域，煤岩的微观结构会经历一些改变，得到煤岩基本结构-强度关系模型后，在后续预测裂纹时，只需在切割时实时监测分析密度、孔隙率的实时变化，即可预测抗压强度变化，抗压强度变化可用于预测是否会产生裂纹。

煤岩的密度、孔隙率与其抗压强度之间的关系通常是非线性的，这种非线性关系源于煤岩复杂的内部结构和不同因素之间相互作用的复杂性。通常认为，密度较高的煤岩因为结构更为紧密，具有更高的抗压强度。然而，这种关系并不总是线性的，因为煤岩的密度增加到一定程度后，其抗压强度的增加率可能会下降。孔隙率高的煤岩通常抗压强度较低，因为孔隙作为裂纹扩展的通道，减弱了煤岩的整体强度。这种关系往往是非线性的，特别是当孔隙率在某一范围内变化时，其对抗压强度的影响会更加显著。

因此，为了准确描述煤岩的物理特性与其抗压强度之间的关系，需要利用非线性模型来反映这种复杂的相互依赖性。这种非线性模型可以更准确地预测在不同条件下煤岩的行为，特别是在进行裂纹风险预测和磨料水射流切割参数优化时，因此，煤岩基本结构-强度模型基于非线性回归模型，具体包括：

收集大量煤岩样本数据，包括样本的密度、孔隙率和对应的抗压强度测量值；

对收集的数据进行统计分析，识别密度、孔隙率与抗压强度之间的基本关系和影响模式，将收集的煤岩样本数据整理成可分析的表格形式，每一行代表一个样本，每一列代表一个变量(如密度、孔隙率和抗压强度)；

进行描述性统计分析，包括计算密度、孔隙率和抗压强度的均值、中位数、标准差、最大值和最小值，以获取数据的基本分布情况和特点。

进行相关性分析，计算密度、孔隙率与抗压强度之间的相关系数，通常使用皮尔逊相关系数进行线性相关性分析。相关系数的计算公式为：，其中，和/>分别是单个样本的密度(或孔隙率)和抗压强度的值，/>和/>分别是密度(或孔隙率)和抗压强度的平均值；

选择多项式回归模型来描述非线性关系，模型形式为：

，其中，/>是抗压强度，/>是煤岩的密度，/>是孔隙率，是模型参数，/>是描述非线性关系的指数，/>是误差项，/>、/>表示密度和孔隙率的非线性影响；

参数估计：使用最大似然估计方法来估计模型参数a,b,c,n,m；

模型验证：通过留一交叉验证技术验证模型的能力。

最大似然估计方法具体包括：

基于多项式回归模型中的误差项遵循正态分布/>，构建似然函数，似然函数是给定参数时，观测到的数据出现概率的函数，似然函数/>表示为所有独立观测数据抗压强度的联合概率密度函数：

，其中/>分别是第/>个观测样本的抗压强度、密度和孔隙率，/>表示误差项的方差，反映模型中随机误差的大小；

最大化似然函数：参数的估计值是使似然函数最大化的值，通过对似然函数取对数（即对数似然函数)并应用数值优化方法来实现，因为对数转换后的乘积形式变为求和形式，表示为：

；

计算和优化：利用梯度下降法数值优化技术来求解对数似然函数的最大值，计算对数似然函数关于每个参数的导数，并迭代调整参数值以找到使对数似然函数最大化的参数组合。

为了应用梯度下降法，需要计算对数似然函数相对于每个参数的梯度，对每个参数求偏导数：

，同样，对/>进行偏导以得到它们各自的梯度表达式。

选择初始参数：选择合适的初始值开始迭代，初值可基于经验、先前研究来设定。

迭代更新参数：在每一步迭代中，根据梯度方向和选择的学习率(步长)更新参数值。对于参数，更新公式为：

，其中/>是学习率，控制每次更新的步长；类似地，对其他参数/>进行更新。

迭代直到收敛：重复执行上述步骤，直到参数值收敛或达到预设的迭代次数。收敛的标准是梯度的变化小于某个阈值或对数似然函数的改变小于某个预定值。

留一交叉验证技术表示为LOOCV，用于验证多项式回归模型能力，验证步骤如下：

准备数据集，数据集中包括若干数据点，每个数据点包括煤岩的密度、孔隙率和抗压强度，数据集中的每个样本都将轮流用作测试数据；

实施LOOCV：对于数据集中的每一个样本：

A.留出一个样本：从数据集中选取一个样本作为测试数据，其余的样本作为训练数据;

B.建立模型：使用训练数据建立多项式回归模型;

C.模型预测：使用留出的测试样本来评估模型的预测能力,计算预测值与实际值之间的差异；

计算平均误差：重复实施LOOCV，直到每个样本都被用作测试数据一次，记录每一次的预测误差，然后计算误差的平均值，平均值表示模型的总体预测能力；

分析结果：分析LOOCV的结果来评估多项式回归模型的稳定性和预测能力，低平均误差值表示模型具有良好预测性能；

对于每一次留一交叉验证，计算预测值与实际值之间的差异用均方误差MSE来计算：

，其中，/>是第/>个留出样本的实际抗压强度，/>是模型预测的抗压强度，对所有/>求平均值得到总体预测误差：，其中，/>是数据集中样本的总数。

S2具体包括：

重建横截面图像：基于X射线计算机断层扫描技术扫描结果，通过图像重建技术生成煤岩的横截面图像，以显示预定切割路径区域的内部结构；

通过横截面图像，计算预定切割路径区域内煤岩密度，图像中，不同密度的区域会显示不同的灰度级别，可以利用这一特点对煤岩密度进行定量化分析，根据横截面图像中孔隙和裂缝的分布和大小，评估切割路径区域的孔隙率，使用图像分析软件来识别和计算孔隙空间，从而得出孔隙率；

映射切割路径，将密度和孔隙率数据映射到预定的切割路径上，将具体的图像数据点与切割路径的几何位置对应起来，从而获得沿着切割路径的密度和孔隙率分布。

S2中的预测裂纹风险包括对于切割路径上的每一点或某区域，将相应的密度和孔隙率数据代入基本结构-强度模型中计算预测的抗压强度，获得切割过程中各个点或区域的抗压强度估计；

分析沿切割路径的抗压强度预测值，关注低于临界抗压强度的区域，为高风险裂纹区域。

S3具体包括：

安装声发射传感器在切割路径附近，用于实时捕捉煤岩在切割点的声发射信号，指示煤岩结构变化和裂纹形成活动；

收集传感器数据，并利用快速傅里叶变换FFT对振动数据进行频率分析，以及对声发射信号进行时频分析，确定切割中煤岩的动态响应特性；

结合实时监测数据和预定切割路径信息，使用支持向量机SVM模型识别煤岩微裂纹形成的早期迹象。

快速傅里叶变换FFT将时域信号转换为频域信号，表示为：

，其中，/>是频域中的第/>个频率分量，/>是时域中的第/>个样本，/>是样本总数，这个转换揭示了信号中的主要频率成分，帮助识别由裂纹形成引起的声发射事件；

时频分析用于理解声发射信号随时间的变化，通过短时傅里叶变换进行时频分析，以确定在切割过程中何时何地发生变化。

支持向量机SVM模型具体包括：

基于频率分析以及时频分析结果中提取特征，包括峰值幅度、能量、频率内容和持续时间，形成特征向量用于SVM训练和预测；

SVM模型建立：通过一个超平面分隔不同类别的数据点，最大化不同类别之间的边界，对于微裂纹识别问题，将其视为二分类问题，即微裂纹存在，即正类，或不存在，即负类；

通过最小化目标函数来训练SVM模型：

，其中，/>是超平面的法向量，/>是正则化参数(控制误分类的惩罚)，/>是松弛变量(用于处理不完全可分的情况)，/>是训练样本数量，目标是找到超平面的法向量/>和偏差项/>使得目标函数最小化；

决策函数为：，当/>的值大于零时，/>被分类为正类，即微裂纹存在，否则为负类，即微裂纹不存在；

使用训练好的SVM模型对新收集的声发射数据进行分类，以判断煤岩是否在某个切割位置形成微裂纹。

基于获得的切割过程中各个点或区域的抗压强度估计，生成一个裂纹风险分布图，标出各个预测的高风险区域。对比基本结构-强度模型预测的裂纹风险区域与SVM模型实时监测分析到的实际微裂纹发生区域。关注预测为高风险并且也确实捕捉到微裂纹活动的区域。一致性高的区域表明模型预测的准确性。统计模型成功预测裂纹发生的次数相对于总的裂纹发生次数。计算模型的准确率、召回率指标，来量化模型的性能。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，包括以下步骤：

S1：在磨料水射流切割开始前，测量煤岩的初始物理特性，初始物理特性包括煤岩基本结构和强度特性，其中，煤岩基本结构为密度、孔隙率，强度特性表现为抗压强度，同时建立煤岩基本结构-强度模型；

S2：基于S1的煤岩的初始物理特性测量，获得切割路径横截面的煤岩基本结构，基于煤岩基本结构-强度模型，分析切割路径上的抗压强度变化，从而预测裂纹风险；

S3：在磨料水射流切割过程中，实时监测沿切割路径的声发射特征，以捕捉切割中局部切割位置的煤岩微裂纹发生情况，基于微裂纹发生情况验证基本结构-强度模型；

S4：根据验证后基本结构-强度模型，以及S2中预测的裂纹风险，实时调整切割路径和/或磨料水射流的工作参数，包括改变切割速度、调整压力或流量，以优化切割过程并最小化裂纹风险。

2.根据权利要求1所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述S1具体包括：

S11：采用X射线计算机断层扫描技术测量煤岩的整体密度和孔隙率，通过分析扫描图像，计算煤岩内部的孔隙结构和总体密度分布，评估煤岩的孔隙特性和整体密实度；

S12：利用标准化的岩石力学试验方法测量煤岩的抗压强度，包括单轴或多轴压缩测试，以获得煤岩在不同应力条件下的强度参数；

S13：结合S11和S13的测试结果，综合分析煤岩基本结构和强度特性，建立煤岩基本结构-强度模型，用于描述煤岩的密度、孔隙率与其抗压强度之间的关系。

3.根据权利要求2所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述煤岩基本结构-强度模型基于非线性回归模型，具体包括：

收集大量煤岩样本数据，包括样本的密度、孔隙率和对应的抗压强度测量值；

对收集的数据进行统计分析，识别密度、孔隙率与抗压强度之间的基本关系和影响模式；

选择多项式回归模型来描述非线性关系，模型形式为：

，其中，/>是抗压强度，/>是煤岩的密度，/>是孔隙率，/>是模型参数，/>是描述非线性关系的指数，/>是误差项，/>、/>表示密度和孔隙率的非线性影响；

参数估计：使用最大似然估计方法来估计模型参数a,b,c,n,m；

模型验证：通过留一交叉验证技术验证模型的能力。

4.根据权利要求3所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述最大似然估计方法具体包括：

基于多项式回归模型中的误差项遵循正态分布/>，构建似然函数，似然函数是给定参数时，观测到的数据出现概率的函数，似然函数/>表示为所有独立观测数据抗压强度的联合概率密度函数：

，其中/>分别是第/>个观测样本的抗压强度、密度和孔隙率，/>表示误差项的方差，反映模型中随机误差的大小；

最大化似然函数：参数的估计值是使似然函数最大化的值，通过对似然函数取对数并应用数值优化方法来实现，因为对数转换后的乘积形式变为求和形式，表示为：

；

计算和优化：利用梯度下降法数值优化技术来求解对数似然函数的最大值，计算对数似然函数关于每个参数的导数，并迭代调整参数值以找到使对数似然函数最大化的参数组合。

5.根据权利要求4所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述留一交叉验证技术表示为LOOCV，用于验证多项式回归模型能力，验证步骤如下：

准备数据集，数据集中包括若干数据点，每个数据点包括煤岩的密度、孔隙率和抗压强度，数据集中的每个样本都将轮流用作测试数据；

实施LOOCV：对于数据集中的每一个样本：

A.留出一个样本：从数据集中选取一个样本作为测试数据，其余的样本作为训练数据;

B.建立模型：使用训练数据建立多项式回归模型;

C.模型预测：使用留出的测试样本来评估模型的预测能力,计算预测值与实际值之间的差异；

计算平均误差：重复实施LOOCV，直到每个样本都被用作测试数据一次，记录每一次的预测误差，然后计算误差的平均值，平均值表示模型的总体预测能力；

分析结果：分析LOOCV的结果来评估多项式回归模型的稳定性和预测能力，低平均误差值表示模型具有良好预测性能。

6.根据权利要求5所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述S2具体包括：

重建横截面图像：基于X射线计算机断层扫描技术扫描结果，通过图像重建技术生成煤岩的横截面图像，以显示预定切割路径区域的内部结构；

通过横截面图像，计算预定切割路径区域内煤岩密度，根据横截面图像中孔隙和裂缝的分布和大小，评估切割路径区域的孔隙率；

映射切割路径，将密度和孔隙率数据映射到预定的切割路径上，将具体的图像数据点与切割路径的几何位置对应起来，从而获得沿着切割路径的密度和孔隙率分布。

7.根据权利要求6所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述S2中的预测裂纹风险包括对于切割路径上的每一点或某区域，将相应的密度和孔隙率数据代入基本结构-强度模型中计算预测的抗压强度，获得切割过程中各个点或区域的抗压强度估计；

分析沿切割路径的抗压强度预测值，关注低于临界抗压强度的区域，为高风险裂纹区域。

8.根据权利要求7所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述S3具体包括：

安装声发射传感器在切割路径附近，用于实时捕捉煤岩在切割点的声发射信号，指示煤岩结构变化和裂纹形成活动；

收集传感器数据，并利用快速傅里叶变换FFT对振动数据进行频率分析，以及对声发射信号进行时频分析，确定切割中煤岩的动态响应特性；

结合实时监测数据和预定切割路径信息，使用支持向量机SVM模型识别煤岩微裂纹形成的早期迹象。

9.根据权利要求8所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述快速傅里叶变换FFT将时域信号转换为频域信号，表示为：

，其中，/>是频域中的第/>个频率分量，/>是时域中的第/>个样本，/>是样本总数；

所述时频分析用于理解声发射信号随时间的变化，通过短时傅里叶变换进行时频分析，以确定在切割过程中何时何地发生变化。

10.根据权利要求9所述的基于磨料水射流截割的煤岩裂纹风险预测方法，其特征在于，所述支持向量机SVM模型具体包括：

基于频率分析以及时频分析结果中提取特征，包括峰值幅度、能量、频率内容和持续时间，形成特征向量用于SVM训练和预测；

SVM模型建立：通过一个超平面分隔不同类别的数据点，最大化不同类别之间的边界，对于微裂纹识别问题，将其视为二分类问题，即微裂纹存在，即正类，或不存在，即负类；

通过最小化目标函数来训练SVM模型：

，其中，/>是超平面的法向量，/>是正则化参数，/>是松弛变量，/>是训练样本数量，目标是找到超平面的法向量/>和偏差项/>使得目标函数最小化；

决策函数为：，当/>的值大于零时，/>被分类为正类，即微裂纹存在，否则为负类，即微裂纹不存在；

使用训练好的SVM模型对新收集的声发射数据进行分类，以判断煤岩是否在某个切割位置形成微裂纹。