基于GA-BP神经网络的淋水井筒风温预测模型

矿井进风井筒井底风温是井下风流热计算的重要节点。为准确预测淋水井筒风温,利用皮尔逊相关系数分析与遗传算法（GA）优化BP神经网络相结合的预测模型。借助皮尔逊相关系数分析筛选其中3个主要特征变量作为BP神经网络的输入变量,利用GA优化BP神经网络的权值和阈值,并与标准BP神经网络预测模型进行比较。研究结果表明,全部特征变量与特征变量筛选输入的标准BP神经网络预测模型的预测结果的平均绝对百分比误差分别为1.25%和2.33%,GA优化BP神经网络预测模型的预测结果的平均绝对百分比误差分别为0.97%和2.21%,GA-BP神经网络预测模型预测精度高于标准BP神经网络预测模型,基于特征变量筛选的预测模型既保持了较高的预测精度,又提高了预测效率。     

基于PSO-BP的矿井淋水井筒风温预测

为解决矿井井底风流温度预测的问题,采用BP神经网络为模型,利用PSO算法优化网络权值和阈值,建立了一种新的井底风温预测模型,并用Matlab编程实现。通过对淮南某煤矿井底风温影响因素的分析得出地面入风口处风流温度、湿球温度,地面大气压力及井底湿球温度等因素的影响力较大。应用PSO-BP模型与BP模型对数据分别进行测试并分析,结果表明,该模型具有收敛速度快、预测精确度高,是求解井底风温非线性变化规律的最有效方法之一。     

高温矿井进风井筒及巷道风温预测

为准确预测矿井高温工作面气候条件,有必要对工作面通风系统进风井筒及巷道的风流温度进行计算。根据进风井筒及巷道的热湿交换特点,运用有限差分方法,分别建立了进风井筒及巷道的风温迭代计算数学模型;运用VB 6.0语言,编制了高温矿井进风井筒及进风巷道风温预测程序;应用于新巨龙矿井现场,计算得到了其进风井筒及巷道的风流温度。计算和实测所得风温误差较小,预测方法和计算程序是可靠的。     

南丰风井井筒淋水治理

针对五阳煤矿南丰风井主要含水层有地表裂隙水,受井筒西部山体影响,风化带透水性好,含水性差,地表水通过裂隙渗透,埋深主要在340m以下,水量大,出水点较集中的特点。结合生产经验,总结了一些如何有效治理淋水问的措施。     

生产期间井筒淋水的治理

井筒淋水严重影响井筒装备的使用与维修 ,生产期间治理淋水有其特殊性 ,必须采取简单、易行、迅速的方法 ,利用生产间隙进行治理 ,洼里矿利用自制简易设备成功地治理了井筒淋水     

梁北矿进风井筒风温变化规律研究

矿井进风井筒风流温度变化规律的研究是井下其他工作场所风温变化规律研究的基础。将实测数据的数理统计回归法和差分法相结合,研究了梁北矿进风井筒风流温度的变化规律。分析验证表明,这是研究进风井筒风流温度变化规律的一种新的实用方法。     

余吾煤业副立井井筒淋水遏制措施及效果预测

余吾煤业井田为多层含水承压开采,副立井井筒周围无特殊地质构造,当前井筒涌水量为4.3 m3/h。由于井筒变形曾进行过加固,有很多锚索、托板外露,较大的淋水给井筒设备的安全及使用寿命带来了不利影响。文章旨在设计一种人为钻孔注浆形成帷幕的方法,达到遏制井筒淋水的目的。     

井筒淋水对通风阻力影响的试验研究

本文根据实验室的研究,分析了井筒淋水产生附加阻力的机理,得出了淋水量、通风量与淋水阻力之间的关系。     

新义煤矿井筒淋水治理实践

新义煤矿结合主、副井淋水与生产情况,分别对主井采用了长、短钻孔结合的办法进行了壁后注浆,副井采用了截水槽导流办法对井筒淋水进行了治理,通过治理井筒淋水得到了有效地控制,从而保证了安全生产。     

差分计算进风井筒风温变化

矿山开采水平的不断纵深发展使矿井井下的工作环境恶化，文中为研究进风井筒风流温度的变化规律，将实测数据的数理统计回归法和差分法结合了起来，是研究进风井通风流温度变化规律的一种新的实用方法，对研究进风井筒风温变化规律起到了理论指导的意义。     

BP神经网络技术在煤层瓦斯含量预测中的应用

文章以赵庄煤矿2号井3号煤层地质条件为背景,依据煤层瓦斯含量影响因素,应用人工神经网络的理论与方法,建立了煤层瓦斯含量的BP神经网络预测模型。应用该网络对井田范围内未知区域进行煤层瓦斯含量预测和分析,从而绘制出较为准确的井田瓦斯含量预测图。为煤层瓦斯含量预测提供新的研究方法和研究手段。     

采用BP神经网络和挤压形状因子预测挤压力与挤压出口温度

结合数值模拟和BP神经网络, 研究了挤压形状因子对挤压过程中挤压力和挤压出口温度的影响规律。采用DEFORM-3D软件模拟了14组不同挤压形状因子的镁合金型材挤压变形过程, 得到挤压力和挤压出口温度变化曲线。采用MATLAB软件建立了挤压力和挤压出口温度预测BP神经网络, 选取5组数值模拟结果作为训练样本, 以挤压形状因子和挤压行程为输入变量, 挤压力和挤压出口温度为输出变量, 对网络进行训练。采用训练后的网络对训练样本以外的4组挤压形状因子下的挤压力和挤压出口温度进行预测, 结果表明预测得到的结果与数值模拟得到的结果相吻合, 最大误差小于2%。     

基于BP神经网络的矿井摩擦阻力系数预测

为克服传统的矿井巷道摩擦阻力系数测试方法工作量大、效率低等缺点,以摩擦阻力系数理论为基础并结合现场实际资料分析,归纳出影响矿井巷道摩擦阻力系数的主要因素：巷道断面积、巷道周长、巷道支护方式和巷道断面形状。构建基于BP神经网络的摩擦阻力系数预测模型,选取典型数据作为BP神经网络的学习样本和测试样本,运用Matlab软件进行网络训练,得到优化的网络模型。利用优化的网络模型对板石矿和大明一矿随机测点进行摩擦阻力系数预测,预测值与实测值误差不超过10%,表明该网络模型的预测结果具有较高的可靠性和工程实践价值。     

BP神经网络在露天矿边坡位移预测中的应用

随着露天矿开采深度的不断增加,矿山边坡高度也不断增加,随之而来的是对边坡稳定的维护与控制的难度大大增加。在全球卫星定位系统(GPS)所获得的露天矿边坡位移监测资料的基础上,应用BP神经网络模型对实测数据进行模拟计算和预测。分析结果表明,模型合理、可靠,精度较高。     

基于BP神经网络的燃煤着火温度的预测

针对燃煤特性研究过程受多种非线性因素制约,不能得到精确结果这一现象,利用BP神经网络理论从非线性角度对燃煤着火温度及影响因素进行了理论分析,并通过实例对智能网络进行训练、学习和预测。结果符合试验要求,成功地实现了利用BP神经网络对燃煤着火温度的预测。     

基于人工神经网络的变压器温升预测应用研究

文章详细介绍了BP神经网络模型和算法 ,建立了变压器绕组温度预测和人工神经元网络BP模型 ,并验证了其可行性和优越性。     

基于神经网络的矿井安全预测方法

矿井生产系统是一个涉及很多因素的复杂系统,各种自然因素、机器因素与人工因素并存,又受到气体、煤尘等环境因素的影响,不同因素之间还存在相互关联。因此,煤矿安全预测是一个典型的非线性问题。神经网络是一个典型的非线性动力学系统,能够利用历史的训练样例对未来趋势进行准确的预测,非常适于解决矿井安全预测问题。文章提出了将神经网络用于该问题的想法,并分析了可行性。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法(PSO)优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

基于BP神经网络的地表沉降预测模型

简述了人工神经网络的基本原理,通过实例建立了时间序列BP网络模型,并利用已有观测数据对网络进行了训练和测试,经过与实测值进行对比回归分析,证明了该网络的有效性和精确性,可作为一种预测方法对地表沉降做出预测。     

基于BP神经网络的井下定位技术研究

井下定位技术对煤矿安全生产起着重要作用。通过分析BP神经网络的特点,提出一种以接收信号强度RSSI为基础的结合BP神经网络的无线传感器定位方案。仿真结果显示该方法满足井下定位需求。