硫化矿石自燃倾向性鉴定技术

以BP神经网络为基础,建立了硫化矿石自燃倾向性鉴定模型,模型选用硫化矿石的吸氧量、自热起始温度和比表面积为输入层单元,自燃倾向性等级为输出层单元。运用MATLAB软件对模型进行了实现,将模型应用到硫化矿石自燃倾向性的实际鉴定中,预测结果真实可靠。     

硫化矿尘层氧化自热初始温度试验研究

为研究硫化矿尘氧化自热的影响因素,以硫化矿尘层氧化自热温度和产生二氧化硫时的内部温度为指标,以硫化矿尘的含硫量、矿尘层厚度和矿尘粒径为自变量,进行3因素3水平正交试验获得硫化矿尘层开始氧化自热时的初始温度和产生二氧化硫时的内部温度,利用灰色系统理论分别计算影响因素对单目标函数的关联系数和多目标函数的关联度,将多目标转换为以关联度为目标的单目标进一步计算各影响因素的平均关联度,从而得出硫化矿尘最易发生氧化自热的条件,为高硫矿山安全生产提供依据。     

硫化矿石自燃机理及防治技术研究进展

根据国内外有关硫化矿石自燃的研究现状,系统阐述了硫化矿石氧化自热的物理机理、化学热力学机理、电化学机理以及生物氧化机理。介绍了硫化矿石自燃火灾的预测预报技术,包括自燃倾向性测试法、综合因素评价法、统计经验法、数学模型预测法、标志性气体分析法和测温预报法。综述了现有的硫化矿石自燃综合治理技术。最后针对硫化矿石自燃的机理及综合防治技术研究做出了展望。     

红外探测技术在硫化矿石堆自燃检测中的应用

矿石自燃是硫化矿床开采所面临的突出安全问题之一,而矿石堆氧化自热的温度是判断其自燃危险程度的一个重要参数。介绍了有关红外辐射及红外探测仪的一些基本理论知识;在试验条件下分析了红外测温仪在不同感温距离、感温角度条件下,其测量误差的变化规律; 建立了感温仪器指示读数与矿石堆实际温度之间的定量关系。总结出适用于检测硫化矿石堆自燃的红外检测装置的选择方法。最后,运用RAYTEK红外测温仪及IRISYS热像仪对某发火硫铁矿山进行检测,取得了较好的效果。     

煤矿冲击地压预测的PCA-GRNN神经网络方法

为了更合理有效地解决煤矿冲击地压危险性预测问题,引入主成分分析法对广义回归神经网络的输入样本进行信息压缩,得到冲击地压危险性影响因素的主成分因子,构建BPNN、GRNN、PCA—BP、PCA—GRNN 4种神经网络模型。预测结果表明所建PCA—GRNN模型较之其它3种模型整体工作性能优势明显,具有很好的预测能力和泛化能力,能较好解释冲击地压与各影响因素间的关系。     

硫化矿石自热危险性评估

硫化矿石、废石或尾矿充填料在井下的氧化，可能造成自热、耗氧、有时甚至是发火等危险。然而，对于自热机理尚未得到令人信服的解释。尤其是大气温度下的发热尚未得到研究者们的注意。在以前的一项旨在寻求一种评估用硫化矿尾矿作充填料的危险性的方法研究中，加拿大诺兰达技术研究中心的研究者们研制了一种在受控的、近似于大气条件下用于测定自热速度的装置。这为诺兰达集团的充填研究提供了决定性的资料。自热速度的测定自热装置如下图所示，其主体由装在一恒温箱中的2L的派热克斯耐热玻璃容器构成。用一热电偶监测试样温度并记录测定…     

矿岩自热试验方法的探讨

<正> 试样自热的观测是研究矿岩自燃倾向的试验内容之一。五十年代,苏联学者曾设计制造了一种硫化矿石自热试验装置;七十年代,日本、美国学者也设计制造了测定煤的自热试验装置;在我国,长沙矿山研究院曾研究过胶状黄铁矿的自热。但是,矿岩由低温氧化、自热到自燃是一个极其复杂的物理化学过程,除了外界条件的影响以外,内在因素较多。几年来,我们在从     

基于果蝇算法优化GRNN的生物氧化预处理温度预测

为了实现对氧化槽温度的精准预测,提出用改进过的果蝇优化算法来优化广义回归神经网络(GRNN)的参数。改进的方法是在标准果蝇优化算法中加入个体极值的思想,以此提高算法跳出局部极优值的能力。最后分别采用GRNN、FOA-GRNN、IFOA-GRNN方法建立了氧化槽温度预测模型。研究结果表明,IFOA-GRNN预测模型的平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分比误差(MAPE)均比其它两种预测模型的低,预测精度和泛化能力更强,采用该法可以更精确地预测氧化槽的温度变化。     

硫化矿石自燃灾害预警的RBF神经网络方法

硫化矿石自燃灾害预警可以快速确定灾害预警等级,进而为灾害防控提供决策以减少矿山损失。通过深入分析硫化矿石自燃典型案例,按照预警指标选取原则,从矿山生产人员、硫化矿石自燃倾向性、环境条件、管理水平等4个方面构建硫化矿石自燃灾害预警系统指标体系。运用RBF预警模型对硫化矿石自燃灾害预警等级进行预测,采用所选的21组样本数据完成了RBF神经网络的学习与训练。应用学习好的预警模型对江西某高硫矿山的硫化矿石自燃灾害预警等级进行预测。结果表明：该矿山硫化矿石自燃灾害预警等级为III级,即自燃危险性一般,与该采场的实际状况相一致。该模型具有很强的实用性,能应用于硫化矿石自燃灾害预警等级的预测。     

堆积硫化矿散热影响因素的研究

硫化矿自燃是一个以氧化放热为主、自发产生热量及热量积蓄引起硫化矿堆升温的非常复杂的物理化学过程。温度是描述硫矿堆自燃的一个重要物理量,它能反映采场硫化矿氧化自燃的程度及其散热条件的优劣。分析了国内一些矿山硫化矿自燃的原因,用实验验证了矿堆堆积密度、矿堆含水率、环境风速、矿石块度等对堆积硫化矿散热的影响,提出了几点预防硫化矿自燃的措施,为矿山实际生产提供指导和帮助。     

基于BP神经网络的煤自燃温度预测研究

为了研究煤在氧化升温过程中CO、CO2、CH4、C2H6、C2H4等气体对温度的反馈作用,并通过各气体的数据准确预测煤自燃的温度。以赵楼煤矿为背景,采集部分煤样,放入煤自然发火实验炉中,通过数控程序系统,模拟煤自然发火时的漏风强度和供氧量,收集指标气体和温度等相关数据。采用气体成分分析法和神经网络算法建立BP神经网络预测模型,选取CO、CO2、CH4、C2H6、C2H4气体浓度作为神经网络的输入层,煤温作为输出层,设置8个隐含层神经元对煤自燃情况进行预测。结果表明：经过训练后,预测温度与实际温度基本吻合,误差控制在0～0.00065,该预测模型的建立对于矿井煤自燃早期预报有着极其重要的指导意义。     

GRNN神经网络在矿区地表变形预测中的应用

针对矿区地表变形预测受多种因素影响的复杂性、非线性等特点,基于新型广义回归神经网络（GRNN）,构建了矿区地表变形预测模型。首先,介绍了GRNN的建模原理,并对影响GRNN网络预测的关键因素进行了讨论;其次,为了提高网络的泛化能力及预测精度,采用滚动建模方式对网络进行建模训练,并基于最小均方误差原理提出了交叉验证搜索算法对GRNN网络预测关键参数平滑因子SPREAD进行优选;最后,将优化后的GRNN网络应用于某矿区地表变形预测,并与LM-BP、RBF、回归分析3种模型的预测效果进行了比较,结果表明,GRNN网络泛化能力强、算法稳定,且预测精度较高,适合于矿区地表变形预测。     

辉钼矿回收率对水体磁化改性因素敏感性的BP神经网络研究北大核心

为优化磁化水体系中辉钼矿回收指标,以正交实验的方法进行了辉钼矿单矿物浮选试验,并利用BP神经网络对辉钼矿回收率与水体磁化改性影响因素的敏感性关系进行分析。结果表明:浮选过程中辉钼矿回收率对不同磁化因素的敏感性由大到小依次为:电流频率、退磁时间、磁化时间、电流频率与磁化时间交互影响和电流频率与退磁时间交互影响。研究利用电流频率等三个主要影响因素,通过BP神经网络作为模型对辉钼矿的回收率进行预测,其拟合度与精度较好,拟合优度R^(2)为0.9704,相对平均误差仅为1.27%,该模型能较好地用于辉钼矿回收率的预测。研究对利用磁化水改善金属硫化矿浮选效果的工业应用有一定的参考意义。     

基于距离判别分析理论的硫化矿石自燃倾向性等级划分

为建立硫化矿石自燃倾向性等级分类的统一标准,将距离判别分析理论应用到硫化矿石自燃倾向性等级划分的判定当中。结合已有的研究成果,选取最能反映硫化矿石自燃倾向性本质的室内低温氧化增重率、自热点温度、自燃点温度3项指标作为距离判别分析模型的基本判别因子。以15组典型硫化矿山矿样的实测数据作为训练样本进行分析计算,进而建立硫化矿石自燃倾向性等级划分的距离判别分析模型。采用交叉确认方法对判别结果进行了验证,其误判率为零;用所建立的距离判别分析模型对4个待检验矿样的自燃倾向性等级进行了划分,所得结果与矿山的实际情况完全相符。研究结果表明,距离判别分析模型分类性能好,误判率低,可以运用于硫化矿山矿石自燃倾向性等级的分类当中。     

露天煤矿抛掷爆破有效抛掷率预测

有效抛掷率是评价抛掷爆破效果最重要的指标之一,预测有效抛掷率可以指导露天煤矿准确制定生产计划。在分析了抛掷爆破有效抛掷率影响因素的基础上,选取抛掷爆破台阶高度、炸药单耗、底盘抵抗线、孔距、排距、煤层厚度等6个指标作为广义回归神经网络的网络输入,以有效抛掷率为网络的输出,建立了有效抛掷率预测模型,并通过MATLAB编程来实现了网络的训练和预测。实例结果表明：广义回归神经网络能够较准确地预测有效抛掷率,预测误差一般在5%左右,预测结果能够满足工程要求。     

天马山硫金矿矿石自燃早期监测实验研究

随着深部矿产资源的开采，含硫化矿床自燃问题是现在影响井下安全生产的一个重大问题。测定矿石自身的温度变化，是预测矿石自燃的重要参数之一。首先对红外测温仪原理进行了阐述，然后采用红外测温仪针对粉矿堆、大块菱形矿石和小块锥形矿堆进行了实验，主要测定3种矿堆表面不同点温度随距离之间的变化关系，实验表明粉末状所测误差一直较大和距离没有关系，大块和小块分别在10~40 cm和50~70 cm误差较大，实验结果对今后现场的探测以及建立预测模型提供了可靠的理论数据。     

基于GM(1,N)_GRNN组合模型的瓦斯涌出量预测研究

为解决瓦斯涌出量影响因素众多、难以准确预测的问题,本文利用多变量灰色系统易于处理不规则数据,GRNN神经网络模型训练速度快、人为干预因素少等优势,建立起1阶N变量灰色模型与GRNN神经网络嵌入型组合模型GM(1,N)_GRNN。用该模型对某煤矿回采工作面的瓦斯涌出量进行了预测,并与GM(1,N)模型、GRNN两种模型单独预测的结果做了对比,发现组合模型预测结果的平均误差仅3.7%,明显优于两种模型单独预测的平均误差。因此,对煤矿安全生产有重要指导意义。