气举工作特性的实验与应用

研究了进气方式对气举提升性能的影响,通过改变气流喷嘴个数、喷射角度以及接气管布置方式来测试提升管出口端排液量、排沙量、沙颗粒浓度和提升效率.实验结果表明,进气方式的变化对气举提升性能有显著影响.当气量较低时,采用非对称布置喷嘴时其提升性能最好;当气流较高时,则需要采用对流体扰动较弱的进气方式以减小阻力损失,避免提升效率过低.实验还发现,气举的排液量、排沙量和举升效率都随着进气量的增加先增大后减小,即存在一个最佳气量值与之对应,但反应气举最佳工作特性的参数值几乎不能重合,因此要完全满足气举最优工况是很难实现的.另外,基于动量方程和能量方程建立了气举提升效率模型.     

浮选柱气含率影响因素及其回归模型研究

采用压差法测定了旋流-静态微泡浮选柱内部的气含率,分别通过单因素和正交试验研究了循环压力、进气量和起泡剂浓度3个因素对气含率的影响。在此基础上采用多元回归分析方法建立了试验条件下气含率与3个因素之间的回归模型。结果表明:气含率随进气量和起泡剂浓度的增大而增大;进气量不固定时,气含率随循环压力的增加而增大;进气量固定时,随循环压力的增加而逐渐减小。3个因素对气含率的影响从小到大依次为循环压力、进气量、起泡剂浓度。回归模型计算值与实测值之间误差较小,其达到了较高的计算精度。     

生物氧化预处理过程中溶氧量的预测

溶氧量是影响生物氧化速率的重要因素之一,精准预测溶氧量对生物氧化冶金工艺有着十分重要的意义,为提高模型预测的精度,提出一种基于鲸鱼算法—最小二乘支持向量机(WOA-LSSVM)的矿浆溶氧量预测建模方法,用鲸鱼算法对最小二乘支持向量机的核函数宽度和惩罚因子进行寻优,建立WOA-LSSVM溶解氧量预测模型,最后输出预测结果。研究表明,WOA-LSSVM模型的预测结果更接近于实际值,其相对误差也比另外两种模型的低。该模型能对溶解氧进行精准预测,可用于溶解氧的预测研究。     

利用卡尔曼滤波综合算法构建开采沉陷预测模型

为提高矿区地表沉陷预测精度,提出了基于自回归综合移动平均模型（Autoregressive Integrated Moving Average,ARIMA）的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型。首先,针对沉陷监测序列的非平稳性与复杂性特点,ARIMA模型能够将原始数列平稳化,构建地表下沉预测模型,并作为卡尔曼滤波的状态方程;然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中,建立综合预测模型;最后针对噪声方差Q与R选取的问题,统计出ARIMA模型与Elman神经网络模型的误差特性,从而计算出噪声Q与R的取值。分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比,4种模型预测值与实测值的均方根误差分别为2.06、5.857 8、2.926 9、3.688 9 mm,相对误差分别为1.170 4％、3.050 2％、1.432 6％、1.908 4％,绝对误差平均值分别为1.886 7、10.703 9、2.329 4、2.807 6 mm。研究表明：综合预测模型能够有效减小单一预测机制造成的同一性质误差累积,其预测精度明显优于其余3种模型,对于大幅提升矿区地表沉陷的预测精度有一定的参考价值。     

利用卡尔曼滤波综合算法构建开采沉陷预测模型

为提高矿区地表沉陷预测精度，提出了基于自回归综合移动平均模型（Autoregressive Integrated Moving Average，ARIMA）的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型。首先，针对沉陷监测序列的非平稳性与复杂性特点，ARIMA模型能够将原始数列平稳化，构建地表下沉预测模型，并作为卡尔曼滤波的状态方程；然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中，建立综合预测模型；最后针对噪声方差Q与R选取的问题，统计出ARIMA模型与Elman神经网络模型的误差特性，从而计算出噪声Q与R的取值。分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比，4种模型预测值与实测值的均方根误差分别为2.06、5.857 8、2.926 9、3.688 9 mm，相对误差分别为1.170 4％、3.050 2％、1.432 6％、1.908 4％，绝对误差平均值分别为1.886 7、10.703 9、2.329 4、2.807 6 mm。研究表明：综合预测模型能够有效减小单一预测机制造成的同一性质误差累积，其预测精度明显优于其余3种模型，对于大幅提升矿区地表沉陷的预测精度有一定的参考价值。     

考虑含水和多组分气体的页岩气含气量预测模型

基于体积法建立页岩气含气量预测模型,含气量包括吸附气量和游离气量,在计算吸附气量时考虑了页岩矿物组成、温度、压力、水分和非甲烷多组分气体,在计算游离气量时考虑了吸附相体积,最终采用涪陵焦石坝地区焦页1井页岩现场解吸数据验证模型。结果表明,当考虑吸附相体积时,含气量模型计算值与现场解吸数据较吻合,当不考虑吸附相体积时,页岩含气量被高估27%～38%;水分对页岩含气量的影响较小;多组分气体不仅改变页岩含气量,也改变页岩气的赋存状态,不考虑多组分气体将高估目标区域含气量5. 6%～31. 8%。所建含气量模型精确性依赖于室内岩芯实验结果,未来应进一步开展含水页岩对多组分气体吸附实验研究,准确计算页岩气含气量。     

生物氧化预处理过程中溶氧量的预测研究

溶氧量作为影响生物氧化速率的重要因素之一,精准地预测溶氧量对生物氧化冶金工艺有着十分重要的意义,为提高模型预测的精度,本文提出一种基于鲸鱼算法-最小二乘支持向量机（WOA-LSSVM）的矿浆溶氧量预测建模方法,用鲸鱼算法对最小二乘支持向量机的核函数宽度和惩罚因子进行寻优,然后建立WOA-LSSVM溶氧量预测模型,最后输出预测结果,并与LSSVM和(粒子群算法)PSO-LSSVM模型对比。研究表明,WOA-LSSVM模型的预测结果更接近于实际值,其相对误差也比另外两种模型低,该模型可以很好地预测溶解氧,具有预测精度高的优势,可应用于之后对于溶氧量的预测研究。     

增长曲线模型在沉降预测中的应用

罗吉斯蒂曲线模型和龚伯次曲线模型均属于增长曲线模型,在建筑物沉降预测中应用比较广泛.文中结合高层建筑沉降观测数据,建立两曲线模型的预测方程并进行预测,精度评定的结果表明,两模型预测结果与实际沉降量比较接近,具有较高的应用价值.     

GC4000气相色谱仪进气端微量气体控制器

研制了GC4000气相色谱仪进气端微量气体控制器。该装置在进气端加装了电磁阀,通过微处理器及控制器对流量及压力自动检测,可以实现定量控制进气量,通过控制进气的压力和流量的大小也就可以很方便快速地分析出气体的浓度,使GC4000使用起来更加精确和方便。手动进气和气相色谱仪进气端微量气体控制器进气进行对比试验结果表明,该装置具备良好的进气稳定性和精确度。     

基于GA-BP神经网络的浮选加药量预测

针对现有煤泥浮选加药量预测不准确的问题,提出了基于GA-BP神经网络作为煤泥浮选加药量的预测模型。首先通过MIV值评价法筛选出对浮选加药量影响较大的因素,进而建立了基于GA-BP神经网络的加药预测模型。用MIV值评价法完成了对网络结构的简化;用遗传算法优化神经网络的方法提高了神经网络模型预测加药量的精度。     

基于免疫神经网络模型的瓦斯浓度智能预测

将免疫算法与神经网络理论相结合,提出免疫神经网络预测模型以预测采煤工作面瓦斯浓度,并对如何处理时间序列的数据模式问题进行研究.引入延迟单元,将原始输入样本转换为具有延迟特征的新样本,采用延迟算子的输出样本施加到网络预测模型,可以获得浓度时段变幅的信息,这对于提高网络对瓦斯扩散过程的拟合精度和预测精度十分有效.结合某矿井瓦斯预报实例,经过与现场实测值相比较,最大预测误差为6.86%,最小预测误差为2.36%,平均误差为4.61%,所建模型精度的拟合值与预测值都与实际数据吻合得较好,各测点的误差值均在许可的范围内.结果表明,基于免疫神经网络的瓦斯浓度预测模型,能够较好地识别采煤工作面瓦斯扩散的演进规律,对瓦斯浓度能进行合理预报,且该方法具有预报时间快、节省费用的特点.     

基于改进万有引力算法的KELM瓦斯涌出量预测

针对瓦斯涌出量受其他因素的影响,并且存在着复杂的非线性关系,将核极端学习机与改进的万有引力算法相结合建立基于改进万有引力算法-KELM的瓦斯涌出量预测模型(IGSA-KELM瓦斯涌出量预测模型)。首先将输入样本作为KELM网络的输入量,然后采用改进的万有引力搜索算法对KELM网络的核参数和输出权值寻优,优化KELM网络的性能。测试结果表明,基于该方法预测的绝对瓦斯涌出量误差在0.1 m^3/min以内,提高了预测精度和预测效率。     

基于灰色理论的回采工作面瓦斯涌出量动态预测研究

瓦斯涌出量的准确预测直接关系到煤矿企业的宏观决策及系统布局。为了提高回采工作面瓦斯涌出量的预测精度,提出了采用灰色预测法对瓦斯涌出量动态预测进行研究,以车集矿2316回采工作面为例,通过重组瓦斯监测数据构建了灰色GM（1,3）动态预测模型,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。研究结果表明,数据重组后的GM（1,3）模型的动态预测值平均相对误差为5.65%,后验差检验比值c<0.35,小误差概率p>0.95,预测精度达到了1级,在对2316工作面后期的瓦斯涌出量动态预测结果与实测值十分接近,平均相对误差仅有2.26%,变化趋势也高度吻合,灰色GM（1,N）预测模型能够实现对工作面瓦斯涌出量的实时、动态、准确预测。     

红旗铁矿改进Knothe时间函数开采沉陷预计模型

针对Knothe时间函数模型对开采沉陷过程的预计结果与沉陷实际发生过程不完全符合的问题,分析了该模型的缺陷,提出了改进的Knothe时间函数开采沉陷预计模型。结合河北省武安市红旗铁矿6300综放工作面地表沉陷实测数据,构建了改进的Knothe时间函数开采沉陷预计模型,并进行了模型精度分析。研究表明:经过累计387 d观测,改进的Knothe时间函数开采沉陷预计模型的预计值与实测值的误差为0.2~73.6 mm,平均误差为35.2 mm,优于BP神经网络模型(误差为8.1~143 mm,平均为49.9 mm)、SVM模型(误差为0.7~105.1 mm,平均为35.8 mm)以及概率积分法模型(误差为18.2~180.5 mm,平均为102.6 mm),对于高精度预计该矿开采沉陷具有一定的作用。     

基于ELM的尾矿坝浸润线预测

为了进行尾矿坝浸润线预测,提出一种极限学习机(ELM)方法。ELM网络能够很好地描述浸润线与其影响因素的非线性关系,将最小干滩长度、库水位、渗流量、竖直位移、水平位移5个主要因素作为ELM网络的输入,浸润线埋深作为网络的输出。为了提高ELM的预测准确性,利用均方误差指标选取归一化方法、激活函数、隐含层节点个数,最终确定最大值归一化方法预处理数据,输入5-9-1ELM网络,选取激活函数为sin型函数进行浸润线预测。同时选取BP神经网络,采用相同的归一化方法和网络形式进行对比。结果表明ELM模型在浸润线短期预测中可行性更高,预测精度佳。     

煤炭易自燃煤层采空区温度预测方法研究

常用温度预测方法建立的温度预测模型，多采用正向传播的方式，导致温度预测结果与实际测量结果存在较大的误差。针对该问题，提出煤炭易自燃煤层采空区温度预测方法。根据采空区中存在的易燃气体，选择气体浓度传感器采集样本数据，并针对数据采集过程中存在的缺失、重复、多单位等问题进行删除、填充和归一化处理；引入神经网络，建立温度预测模型，采用正向传播和反向传播2种方式训练模型误差；从平均绝对误差、平均绝对百分比误差、均方根误差和判定系数4个方面检验温度预测模型，输出温度预测结果。实验结果表明:设计煤炭易自燃煤层采空区场景，研究方法的预测温度结果与测量温度结果之间的绝对误差小于1，相对误差小于0.01，可认为所述温度预测方法具有较好的精度，能够为煤炭开采提供一定的参考价值。     

基于支持向量机的开采沉陷预计参数选取研究

为建立精确度高且具有自学习能力的开采沉陷预计参数选取模型,采用主成分分析方法,对文献中的数据进行预处理,选择累计方差达到96.79%的6个主成分因子和地表下沉系数为输入和输出变量,以径向基(RBF)为核函数,建立了基于支持向量机开采沉陷预计参数选取模型。结果表明,支持向量机模型在训练样本较少的情况下,具有较高的预测精度和较强的泛化能力,平均相对误差和均方根误差值的对比证明了支持向量机模型的预测准确性和预测稳定性更好。     

水平井气液两相流动压降变化规律实验研究

随着水平井技术的完善和规模的不断扩大,水平井气液两相流压降计算对气田生产具有重要意义。现阶段水平井筒内流型判别研究都是将流动参数带入单独管段流型判别公式中进行预测。通过室内模拟水平井实验进行水平井气液两相流流动可视化研究,通过目视法观察水平井水平段、造斜段与垂直段在不同气液流速下流型变化并记录。将实验数据与现阶段常用流行判别式进行比对,为减小误差,对不同井段常用流型判别式进行评价优选。通过模拟实验,优选出不同井段的流型判别方法。在已知气量和液量的情况下,对压降进一步分析发现随着气体流速的逐渐降低,压降会存在骤变的现象,通过单独管段实验发现在压降发生骤变的气体流速下,持液率也会发生突然变化,结合实验观察得到现象得到了水平井临界携液流速的判断方法。通过对Beggs-Brill压降计算公式的修正,得到了准确率有明显提高的新公式,能降低水平井压降预测的误差。     

基于卡尔曼滤波及神经网络的瓦斯涌出量预测

为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。