煤层自然发火期及自然发火标志性气体指标研究

为了明确煤层自然发火标志性气体的种类及在煤层自燃整个进程中所起的标志性作用,更好的把握煤层自然发火的进程,进而采取相应的措施防灭火,对唐口煤业的煤样进行了氧化试验,结果表明CO可以作为预测预报自然发火的指标气体,其预测的温度范围应该在72℃¹88℃之间。但是CO的出现临界温度很低,仅为66℃左右,并在整个自然发火过程中都有CO产生,仅靠CO浓度来确定煤自然发火的进程有一定难度,应在实际生产过程中不断发现并总结CO派生指标的规律,并借助这些指标综合判断自然发火初期(2℃188℃之间。但是CO的出现临界温度很低,仅为66℃左右,并在整个自然发火过程中都有CO产生,仅靠CO浓度来确定煤自然发火的进程有一定难度,应在实际生产过程中不断发现并总结CO派生指标的规律,并借助这些指标综合判断自然发火初期(2℃¹88℃)的火灾状态。烯烃气体C2H4可以作为预测预报煤自然发火加速阶段的标志气体,其预测的温度范围应在180℃188℃)的火灾状态。烯烃气体C2H4可以作为预测预报煤自然发火加速阶段的标志气体,其预测的温度范围应在180℃²30℃之间。其代表C2H4可以视为煤氧化已确实进入自热加速阶段的标志气体。C2H4/C2H6可作为判别煤自然发火进程的标志气体指标,其第一峰值是煤的氧化已进入激烈氧化阶段的标志。     

煤层自然发火指标气体的选择实验分析研究

通过对煤样进行热解实验,研究了新峪煤业公司5110工作面主采10#、11#煤层自然发火特性,测定了煤样在不同热解温度下CO、CO2、CH4、C2H4、C2H6等气体的浓度,确定了这些气体的检出温度。在实验研究的基础上,结合指标气体优选原则,分析了自然发火指标气体随温度变化的规律性,选出了适合本矿煤层自然发火预测预报的指标气体,对提高煤炭自燃早期预测预报的准确度和矿井防火有重要指导意义。     

煤自燃指标气体分析与分级预警

煤自然发火严重制约矿井安全生产。为实现煤自然发火危险性精准预测预报,采用程序升温试验系统测试分析了沙曲一号煤矿不同粒径煤样各种气体产物及其浓度变化规律,进一步引入随机森林集成学习方法建立了煤自然发火危险性分级预警模型,并通过大佛寺煤矿自然发火试验进行了验证分析。结果表明：粒径越小,煤氧接触面积越大,煤氧反应越激烈,气体产物浓度越大;C₂H₆气体属于煤体赋存气体,在试验初始阶段就出现了,但C₂H₄气体在温度升高至120℃左右才出现,是煤氧化裂解的产物,可以作为沙曲一号煤矿自然发火指标气体;基于随机森林建立的煤自然发火危险性分级预警模型训练样本预测准确率达到100%,在默认参数条件下,测试样本预测准确率高达96.7%,通过自然发火试验数据验证分析得到测试集预测准确率为98.9%,变量重要度评估结果为CO和C₂H₄气体对煤自然发火危险性影响最大,这与现场实际情况吻合。随机森林用于处理煤自然发火危险性与气体产物之间的复杂非线性关系十分理想,适合于煤自然发火危险性预...     

基于PSO算法优化的BPNN天然气脱CO_2膜分离过程软测量模型

天然气脱CO2膜分离过程是一个非线性复杂系统.针对其过程中一些关键性能参数如脱碳气流量和尾气CO2浓度难以在线精确测量,建立了基于PSO算法优化的BP神经网络天然气脱CO2膜分离过程软测量模型.其中,为克服BP神经网络收敛速度慢、易陷入局部最小值等缺点,引入惯性权重算法和收缩因子对传统PSO算法进行改进后,用PSO算法优化BP神经网络的权值和阈值;然后,基于Matlab软件和采集的现场数据对天然气脱CO2膜分离过程进行建模仿真.结果表明,模型收敛速度快,模型测量的天然气脱CO2膜分离过程中的关键参数脱碳气流量和尾气CO2浓度值与实测值符合较好,误差小.     

察哈素煤矿3号煤层自然发火标志性气体研究及其应用

为了更好的预测预报察哈素煤矿3号煤层的自然发火,在3号煤层采集五组煤样,在实验室进行了煤的氧化升温模拟试验,得出了不同温度下CO、C2H4及其他气体的产生规律,对不同温度范围内CO浓度随温度变化进行了拟合。根据试验结果确定了3号煤层自燃的标志性气体,同时根据察哈素煤矿井下实际,确定了3号煤层自燃分级预警的CO指标。     

改进的BP神经网络PID控制器在气体浓度控制中的研究

针对动物缺氧实验中气体浓度控制这一时变非线性的过程,将BP神经网络与传统PID控制相结合虽然可以取得较好的控制效果,但是也存在着网络收敛速度慢、稳定性较差等问题.基于此,提出了一种基于改进的遗传算法优化的BP神经网络PID控制器.首先,该控制器对遗传算法的收敛速度和稳定性进行改进,利用改进后的遗传算法优化BP神经网络的权重初始值;然后,用优化后的BP神经网络实现PID控制参数的在线调整;最后,在MATLAB中对两种控制器进行仿真实验,结果显示,与传统的BP神经网络PID控制器相比,改进后的BP神经网络PID控制器具有更好的控制性能.     

采用前向多层神经网络预测煤的自然发火期

煤自燃是煤氧复合的结果,在不同温度下煤氧复合的耗氧速率及CO、CO2产生率与煤的实验自然发火期之间存在复杂的对应关系,采用S型函数的前向多层人工神经网络来描述这种对应关系,用煤自然发火实验测定的数十个煤样的自然发火期及不同温度下耗氧速率及CO、CO2产生率作为训练样本,用BP算法对网络进行训练,得到了神经元间的联结强度.通过少量煤样程序升温氧化实验得到不同温度下煤样的耗氧速率及CO、CO2产生率,将其代入此人工神经网络程序就可以确定煤的实验自然发火期.该方法实验时间短、用煤量少得多,结果与实际吻合.     

煤炭自燃危险性评价与预测研究

针对采空区自然发火进行了危险性评价.从发火条件入手,建立了采空区自然发火事故模型,确定了采空区发火现状危险等级;并利用采空区已有的自然发火预测指标建立BP神经网络的时间序列预测模型,对未来该采空区有无发火危险进行了预测,确定了未来采空区发火可能性大小,为采空区做好防火工作提供了理论依据.     

BP神经网络在液相传质系数中的应用

根据BP(Back-Propagation)神经网络原理,以气、液表观流率为输入变量,液相传质系数为输出变量,建立神经网络模型,并利用改进的LM(Levenberg-Marquardt)算法对网络进行了训练和优化。结果表明,BP神经网络能够较好地预测滴流状态下H2O吸收CO2液相传质系数。     

结合传感器阵列和BP神经网络的挥发性有机物定量检测系统

为了快速准确获得挥发性有机物浓度,提出了一种基于金属氧化物气体传感器阵列和BP神经网络的挥发性有机物定量检测系统。首先,使用4个金属氧化物气体传感器组成传感器阵列,将被测气体组分与浓度转化为电信号波形,对传感器阵列信号进行特征提取得到特征矩阵;然后,使用BP神经网络实现目标气体浓度的检测,对BP神经网络拓扑结构设计与参数进行优化;最后,使用遗传算法提高BP神经网络检测精度。采用该检测系统检测混合气体中挥发性有机物异戊二烯浓度,检测结果表明,异戊二烯、氨气混合气体和异戊二烯、丙酮、乙醇混合气体中异戊二烯体积分数的均方根误差分别是0.058和0.077,系统满足挥发性有机物定量检测均方根误差低于0.1的要求。     

基于改进的反向传播神经元网络复杂煤岩层对比方法研究

为了提高复杂地区煤岩层对比的准确率,解决由于反向传播神经元网络(BP神经元网络)连接权值和阈值的初始值选择不合适而导致的无解问题,本文把求全局最优解近似值的遗传算法(GA)和求局部最优解精确值的传统BP神经元网络所使用的梯度法有机地结合起来,取长补短,用于复杂地区煤岩层对比。首先,用GA求得BP神经元网络权值和阈值的全局最优解的近似值;然后,把该近似值作为初始值,训练该神经元网络;最后,用训练好的BP神经元网络进行复杂地区煤岩层对比工作。本文利用测井曲线采用小波变换分析沉积旋回,并用于煤岩层对比。该新方法在钱营孜煤矿的复杂煤岩层对比中,取得了较好的效果,比常规的单一方法和简单的组合方法效果要好。     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

基于RBF神经网络的水深遥感研究

为提高水深遥感反演的精度,以Landsat TM1~4波段为数据源,利用已知的水深数据作为训练样本,建立RBF神经网络模型对岱海水深进行反演试验。利用实测的水深数据检验RBF神经网络模型的反演精度,并与传统反演模型和BP神经网络模型进行对比。结果表明,RBF神经网络模型反演的水深与实测水深的决定系数为0.90,平均绝对误差为1.09 m,均方根误差为1.45 m,反演效果和精度明显好于传统反演模型;与BP神经网络模型相比精度也有提高,而且RBF神经网络模型的参数大多通过训练学习得到,应用更为便捷,在干旱内陆的咸水型湖泊水深遥感反演中有一定的应用价值。     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.     

基于神经网络模型的城市生活垃圾预测

研究了城市生活垃圾清运量的预测问题.先用模糊聚类分析法对影响城市垃圾清运量产生的因素进行分类,然后按照一定的准则筛选出影响城市垃圾清运量产生的主要因素,以此确定神经网络模型的输入变量,建立起城市生活垃圾清运量BP神经网络预测模型.经过训练之后的网络,平均绝对百分误差为4.94%,达到了高精度拟合;以此训练好的神经网络模型预测了深圳市2013-2015年的生活垃圾清运量,分别达528.36,535.28,541.79万吨.     

基于BP神经网络的螺杆泵井故障诊断技术研究

提出了基于BP神经网络和专家系统的螺杆泵井故障诊断方法:将螺杆泵井工况类型细分为10类,选取表征油井生产状态的7个特征参数作为输入量,采用Active X技术,借助VB调用Mat-lab人工神经网络工具箱函数,构建和训练网络模型.用该方法对新疆油田吉7井区吉101井和吉002井进行实例分析,验证了模型的正确性.     

基于正交设计的BP神经网络在油页岩渣制砖配方研究中的应用

采用正交实验设计与BP神经网络相结合,建立了油页岩渣砖配比与抗压强度之间的非线性关系模型,以正交实验数据为基础进行神经网络训练,得到了油页岩渣砖的BP神经网络预测模型.并对模型进行验证,预测结果基本满意.同时用训练好的BP神经网络预测模型建立了配方中单因素分析,对寻找最优配方有一定的指导意义.最终达到缩短实验周期,节省人力、物力的目的.     

基于BP神经网络的织物折皱等级评定

采用改进的BP神经网络客观评定织物的折皱等级，网络结构为3层结构，输入样本数据经BP神经网络学习训练后，很快达到较小的误差收敛，从而确保评价的准确性和可靠性。