用人工神经网络法研究管道中浆体摩阻损失

对铜铅锌铁尾矿、粉煤灰和氧化铝工业赤泥三种浆体的摩阻损失进行了试验研究。在试验研究结果和前人工作基础上，利用人工神经网络法对管道内浆体摩阻损失进行拟合和预测。结果表明，预测浆体摩阻损失与实测浆体摩阻损失相吻合。     

水煤浆管道输送摩阻损失研究

以十二醇醚为分散剂,进行了水煤浆管道输送实验研究,分析了分散剂浓度和煤浆浓度变化对煤浆摩阻损失的影响。煤浆管道输送数据分析及理论计算结果表明: 分散剂浓度越大,煤浆摩阻损失值越小; 水煤浆浓度越大,摩阻损失值越大。实验数据拟合结果表明有效黏度与平均切变率成线性关系,从理论上给出了煤浆摩阻损失的计算公式,计算值与实测值偏差不大于18%。     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式．充填料浆质量的研究至关重要．它是一典型的多输入、多输出、非线性的模糊模型．一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力．该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据．另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比．     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式．充填料浆质量的研究至关重要．它是一典型的多输入、多输出、非线性的模糊模型．一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力．该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据．另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比．     

似牛顿浆体几个摩阻系数计算公式的比较

摩阻损失是浆体管道输送工程设计中的一个重要参数,而摩阻损失的确定又取决于摩阻系数的计算,因此工程设计时对摩阻系数计算公式的选择尤为重要。本文针对浆体紊流输送时常用的几个摩阻系数计算公式,通过计算进行对比分析,并进行总结,为浆体摩阻系数计算公式的选择提出建议,供设计参考。     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式.充填料浆质量的研究至关重要.它是一典型的多输入、多输出、非线性的模糊模型.一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力.该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据.另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比.     

膏体充填料浆管输摩阻损失计算及应用研究

为系统地计算与应用摩阻损失,利用流态性质对膏体充填料浆流态进行了分析判断,基于摩阻损失计算方法与结果研究了料浆质量分数、流量及管径对摩阻损失的影响规律,计算分析了料浆的沿程损失与设计泵压并对工业应用提出建议,并对Z3DEEP区进行工业充填输送.研究结果表明:膏体充填料浆在管道输送中的流态为均质流、柱塞流,属于宾汉姆塑性体;相同条件下,摩阻损失随质量分数或流量的增加均增大,质量分数对摩阻损失的影响程度远大于流量的影响,而摩阻损失随管径的增大显著减小;相同充填区域的沿程损失随质量分数提高显著增加;相同质量分数下的沿程损失从大到小排序与料浆输送区域难易程度一致,均为Z3TOP区、Z3DEEP区、Z2TOP区.建议矿山最大设计泵压取10 MPa,在管道输送中选用D150管及将流量控制在100 m3/h以内,输送至Z3TOP区、Z3DEEP区和Z2TOP区的最大质量分数分别为73.1％、74.1％和74.4％.设计泵压与允许充填料浆质量分数满足工业应用要求.     

大流量全尾砂膏体料浆管道输送参数计算与分析

在全尾砂膏体料浆管道输送技术中，合理输送管道参数的确定是确保其安全、可靠输送的核心。本 项目以某大型铜矿山为研究对象，设计采用全尾砂膏体料浆管道输送；针对其输送流量大、管道输送阻力大等技术 难题，以尾矿基础参数测试结果为基础，开展了全尾砂膏体料浆高效浓缩试验及料浆流变试验，根据试验结果推荐 输送浓度为 60%~65%；同时按照刘德忠公式及管道复合流态摩阻损失数学计算模型，计算分析了全尾砂膏体料浆 管道输送临界流速与摩阻损失等关键工艺技术参数；最终根据矿山生产参数，确定了管道输送方案及参数，即在日 生产尾矿量为 58 000 （t 干量）条件下，推荐全尾砂膏体料浆输送最佳浓度为 60%~65%，推荐采用单条管线输送，输 送工作流速为 1.85~2.12 m/s，对应输送管径为 650 mm。     

用流变参数计算宾汉体的粘性过渡流速和摩阻损失

本文通过对六种石灰石、粘土料浆室内环管、粘度试验数据分析,给出了只用流变参数计算宾汉体粘性过流流速和摩阻损失的公式。本文公式计算结果与室内管道试验结果基本吻合,可用以确定一般石灰石、粘土料浆的输送参数,也可以作为进一步研究的参考。     

伴有滑动床的浆体倾斜管道摩阻损失研究

在水平管道扩散方程研究的基础上,提出了倾斜管道滑动床厚度的计算方法,对伴有滑动床的倾斜管道浆体摩阻损失计算模型进行了推导。用相关学者的实验数据对所提出的模型进行了简单检验,并且分析了误差产生的原因。     

金川全尾砂膏体充填料浆流变特性研究

对金川公司全尾砂膏体充填料浆的流变特性进行了研究，并对其参数与各物料用量的定量关系进行分析，得出了充填料浆最佳配合比的工程平均，进而建立了流变模型，推荐了泵送管道沿程摩阻损失的计算公式。为金川膏体充填系统的设计及保证料浆顺利输送提供了技术依据，同时可为同类矿山的设计提供参考。     

水力采煤矿井煤浆管道输送参数的研究

现有浆体管道输送水力参数（摩阻损失和临界流速）的计算公式，多为以实验室环管试验数据为基础的经验公式，因此用于工程设计不能很好的与实际相符。本文根据对五座典型水采矿井煤浆水力运输提升现场实测的５４１０组数据的分析研究，导出了适用于原煤浆管道输送参数的计算公式。并以水采矿井的煤水泵工况点计算作为实例，验证了该计算公式的可靠性。     

磷石膏充填体强度GA-BP神经网络预测模型

在测试磷石膏充填材料物理化学性能的基础上, 测定了不同配比充填体的强度, 用分形理论揭示了磷石膏充填体强度特征。研究表明, 磷石膏充填体强度与水泥含量、料浆浓度、粒径分形维数、孔隙分形维数及分维数相关率相关。根据充填体强度影响因素, 建立了磷石膏加粉煤灰作为充填料的充填体强度预测的BP神经网络模型。同时利用遗传算法优化BP神经网络的学习过程, 验算结果显示, GA-BP神经网络模型预测误差在4%以内, 具有较高的预测精度。     

谦比希铜矿膏体充填环管实验研究

膏体充填的管道输送阻力一般需通过环管实验获得。通过现场环管实验,研究了膏体浓度和水泥掺量对磨阻损失的影响。随着膏体体积浓度及流量的增加,摩阻损失均呈递增变化。随水泥掺量的增加,摩阻损失呈现先降低再增大的变化趋势,当掺量为8%时,摩阻最小,掺量为11%时,摩阻较大。在谦比希铜矿膏体充填环管实验数据测试基础上,分析了不同状态下管径150 mm管道中的流态,结果表明,谦比希膏体料浆在管内呈均质流动,流速不超过5.24 m/s时,膏体在管内呈层流流态。     

水力输砂试验研究

在粗粒砂的水力输送中，还没有普遍适用的水力参数计算公式，需要由管道输送试验提供设计依据。本文通过对砂样浆体系列模型管道输送试验结果的分析，提出了砂浆管道临界流速和摩阻损失的计算公式，对类似砂样水力管道工程设计有重要的实用价值。     

浆体管道输送临界流速的研究

全面深入分析了大量物料浆体的试验与运行数据, 从物料特性与浆体紊动强度两个重要因素分析浆体浓度对管道临界流速的影响, 基于能量守恒提出了合理、实用的浆体管道输送临界流速公式。     

水煤浆管道输送特性的研究

文中对水煤浆管道输送涉及到的几个方面进行了初步研究。确定了水煤浆的宾汉塑性体流型；以管道层流流动为基础分析水煤浆管道输送摩阻损失计算方法，并根据系列模型管线输送试验实测结果进行了修正；探索了温度对管道摩阻损失的影响规律以及水煤浆管道输送动态稳定性的评价方法。     

似膏体充填料浆质量神经网络辩识

似膏体充填是一种新的胶结充填模式。料浆的质量至关重要。为了保证似膏体充填料浆的质量，本文提出了用BP神经网络对其进行辨识，通过辨识初步建立了似膏体充填料浆质量的隐式模型，该模型具有较强的拟合功能和预测能力，为优化似膏体充填料浆质量提供了理论支撑。     

全尾砂充填体正交-BP神经网络强度预测

某矿山采用全尾砂胶结充填,需加入减水剂以保证充填料浆流动性能,其充填体强度各影响因素之间存在着更为复杂的化学物理作用。为了解各因素对充填体强度的影响规律,准确预测其强度,建立了基于正交试验的BP神经网络全尾砂胶结充填体强度预测模型。预测过程中,为提高样本可信度,以料浆浓度、灰砂比、减水剂比例为影响因素,设计了3因素、4水平正交试验方案作为研究数据基础。采用灰色关联度理论分析了各因素对全尾砂充填体强度的影响规律,结果表明：对充填体早期强度（7 d）影响最大的是料浆质量浓度,其次为灰砂比、减水剂比例,对充填体后期强度（28 d）影响最大的是灰砂比,其次为料浆浓度、减水剂。以7 d、28 d强度为输出因子,运用BP神经网络对充填体强度进行预测,预测结果与试验结果最大误差为9.98%,平均误差为2.71%,精度较高,预测可靠性强,具有较好的工程应用价值。     

基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。