回采巷道围岩稳定性的神经网络控制

建立了煤矿回采巷道围岩分类与支护设计人工神经网络（ＢＰ网络）模型及巷道变形预测二级神经网络模型，并通过网络自适应、学习与匹配联想，得出了巷道围岩类别与支护强度及支护方式相对应的结果。同时，通过巷道变形预测二级神经网络模型预测了巷道顶底板移近速度，两帮移近速度及围岩动态。试验表明，神经网络（ＮＮ）输出结果与实际拟合良好。     

基于BP神经网络模型的巷道变形预测系统开发

通过应用基于BP神经网络模型系统对某矿山巷道围岩的实测变形值进行神经网络模拟,成功预测了巷道围岩的变形,有利于巷道支护设计和生产组织.     

基于灰色模型群的软岩巷道围岩变形预测

随着煤炭资源逐步转向深部开采,软岩巷道的支护问题显得尤为突出,巷道围岩变形监测及预测对巷道支护设计、维护等具有重要的指导意义。传统的预测方法多基于岩体力学理论,计算过程较为复杂。以巷道围岩变形原始数据作为参考数列,结合灰色系统理论,构建基于全数据GM（1,1）、新信息GM（1,1）、新陈代谢GM（1,1）等3类预测模型的软岩巷道围岩变形预测灰色模型群,并将其应用于预测某矿软岩巷道顶底板及两帮围岩变形位移。结果表明,利用该灰色模型群进行巷道围岩变形预测的精度较高,能较好地顾及围岩变形新信息对预测精度的影响,使得预测结果更加符合实际。     

董庄煤矿U型钢支架回采巷道围岩变形特征

通过对U型钢拱形支架和方环形支架支护的回采巷道围岩与支架变形的实际观测数据进行整理分析,导出了巷道顶底、两帮移近速度及对应的移近量呈负指数函数衰减、底鼓量呈线性函数递减的变形规律,为类似条件的回采巷道选择更为有效的支护方式提供了一定的依据.     

神经网络在支护优选及变形预测中的应用

盛大铁矿巷道变形破坏事故频发,严重影响矿区安全生产,以神经网络理论为基础,通过对盛大铁矿巷道进行变形监测,得到巷道变形规律,为巷道支护优化及变形预测神经网络模型的实现提供了数据支持。利用MATLAB软件建立神经网络模型,以盛大铁矿46条支护稳定巷道为学习和检验样本,建立巷道支护优选及变形预测神经网络模型,通过测试样本对神经网络模型检测,模型成功实现了支护方式优选及变形预测,为矿山支护设计及变形预测提供了科学的技术指导。     

良相煤矿支护技术改革的探索及实践

针对良相煤矿复杂地质条件,原架棚支护方式巷道变形量大,支护效果不佳等,提出采用锚网索联合支护的改革技术方案。通过巷道围岩变形监测,得出不同支护方式下巷道围岩变形规律。现场实践表明,相比架棚支护,锚网索联合支护能减少巷道围岩顶底板相对移近量的73%,巷道两帮相对移近量的70%,有效地控制了巷道变形。     

弱胶结软岩巷道锚网索耦合支护技术研究

为解决弱胶结软岩巷道支护困难的问题,以伊犁一矿弱胶结软岩巷道为研究对象,结合煤岩物理力学性质及原岩应力测试结果,在分析巷道围岩变形破坏原因的基础上,通过优化支护参数提出了锚网索耦合支护方案。在利用数值模拟验证新支护方案可靠性的基础上,通过现场观测分析总结了采用新支护方案后巷道围岩变形有巷道开挖影响、变形限制、稳定变形3个阶段。结果表明:顶底板移近量平均为50 mm,两帮移近量平均为23 mm,变形稳定时间缩短为15 d;锚网索耦合支护能有效控制巷道围岩变形,改善围岩应力状态,充分利用深部围岩的自承载力。     

深部煤巷围岩稳定性控制设计

对于深部巷道来说,高水平应力是影响巷道稳定性的重要因素之一。基于高水平应力影响巷道稳定性以及岩梁跨度随巷道变形而增大两个因素,建立了新的锚固岩梁力学模型,对深部煤巷支护参数进行了设计,得出了新元矿3108顺槽支护参数。通过现场监测,得到施加支护后的顶板下沉量、顶底板移近量及两帮移近量最大值分别为124,210,140mm,支护方式有效控制了围岩变形,保证了巷道围岩稳定性。     

进化神经网络在定量预测回采巷道围岩移近率中的应用

神经网络处理非线性关系有明显优势.把影响回采巷道移近率的四个指标作为神经网络的输入层,巷道顶底板移近率和两帮做为网络的输出层,运用大量的回采巷道样本数据,对巷道围岩移近率的神经网络模型进行学习训练,得到稳定的网络结构；结合工程实践对训练得到的稳定网络结构进行检验,表明进化神经网络在回采巷道移近率的定量预测中有较大的实用价值.     

寺河矿采区巷道修复收敛变形分析及发展趋势预测

寺河煤矿采区巷道围岩条件差有时会发生严重破坏,这影响正常的煤矿生产,并容易产生安全问题。文章根据寺河煤矿采区巷道的多种支护情况,通过收敛变形记录对神经网络模型进行训练,建立了相适应的BP神经网络预测模型。通过该神经网络模型成功预测修复后巷道的收敛变形发展情况,预测结果与实测值相似度达85%以上。     

工作面内地质异常区电法探测新技术

双巷并行透视电法探测工作面内地质异常区为新近发展的电法技术。该方法在工作面双巷中分别布置电法测线,所有电极均布置在巷帮煤壁中部腰线位置,无穷远供电极(B极)布置在对面巷道,利用网络并行电法仪采集电法数据,通过电阻率层析成像技术,可得到工作面双巷间电阻率变化情况,分析出工作面煤层内的地质异常区性质及分布范围。张集矿综采工作面探测实例表明,该方法较好地查明了工作面内薄煤区及夹矸增厚区的展布范围,为工作面内地质异常区探测提供了新的探测手段。     

基于气体传感器阵列的矿井可燃混合气体分析

由于气体传感器的选择性差,交叉敏感严重,单一BP神经网络识别方法存在识别能力低,分析误差较大,在非期望节点有噪声输出等难题,影响气体分析的精度和效果。对基于常规BP神经网络的定量分析方法进行了改进,提出一种双层复合神经网络的气体分析模型,并以矿井中常见的H2S,CO和CH4 3种可燃混合气体为实验对象,进行混合气体的定量分析。实验结果表明,基于双层复合神经网络的可燃混合气体定量分析最大相对误差为4.4%,大大提高了定量分析精度。     

超长推进距离工作面双巷掘进的沿空顺采技术研究

运用理论分析与现场实测,研究了超长推进距离工作面双巷掘进的沿空顺采技术.首先,针对超长推进距离必须双巷掘进解决通风与辅助运输造成的保护煤柱留设较大问题,提出双巷掘进的沿空顺采技术.其次,结合双巷掘进、留窄煤柱护巷的技术要求,给出了如何确定双巷掘进之间的大煤柱、留窄煤柱护巷的小煤柱和沿空掘进工作面与首采工作面、接续工作面在推进方向的错距等方法.最后,提出在5000m超长推进距离下无法进行跳采的实际工程中应用该技术,给出了关键技术参数,认为该技术的实施不仅仅改善了巷道维护困难的现状,且两工作面之间可多采出1.01Mt煤炭资源,经济与社会效益显著.     

灰色神经网络组合模型在变形监测数据分析中的应用

针对基坑变形预测中数据的灰色性和非线性的特点,提出用灰色神经网络组合模型预测基坑变形的新方法.该文将灰色模型与神经网络模型并联构成组合预测模型,融合二者的优点,并结合实例,将灰色模型、神经网络模型和灰色神经网络组合模型的预测结果进行对比分析.结果表明:灰色神经网络组合模型的预测结果更精确,对变形监测的生产实践具有一定的参考意义.     

煤层内断层在双巷声波CT重建图像中的表现

双巷声波ＣＴ采集系统是矿井煤层构造贩实际应用系统,在系统下,建立煤层断层数值模型,利用精确和快速的直射线追踪方法,正演计算声波到时,通过ＢＰＴ,ＡＲＴ反演方法重建图像,当断层走向与巷道测线不平行时,煤层内断层重建图像清晰,实际矿井工作面加风巷与运输巷之间的声波ＣＴ探测实验结果表明：煤层内断层在这种不完备的双巷声波ＣＴ采集系统的反演图像中,除走向断层外,断层图像呈线笥规律分布,空间疏敛性好,正断层多     

井下无线瓦斯浓度传感器的设计

瓦斯灾害是制约煤矿安全生产的主要因素之一。本文基于无线网络技术,设计了一款井下无线瓦斯浓度传感器。设备具备智能传感器的特点,定时采集巷道中不同区域的瓦斯浓度信号,并自主分析处理,通过Mesh网络与井上主控机进行无线通信。     

分层综采回采巷道综合机械化掘进技术研究

研究了掘进机和后配套设备之间的配套问题，阐明了支护材料运输后配套方案的选择原则。结合平煤集团公司一矿戊组厚煤层地质条件和经济型分层综采的特点，研究了上、中、下分层回采巷道掘进时存在的主要问题和对策，最后给出了分层开采煤巷快速掘进中实用的两 条综掘生产线，对条件相同的矿井可以进行推广应用。     

基于神经网络的混合智能故障诊断技术研究

目前 ,故障诊断的关键是寻找一种使诊断结果更为有效的方法。神经网络作为一种新兴的故障诊断方法 ,越来越受到人们的关注。对于复杂的系统 ,单一的传统神经网络很难给出理想的结果。对神经网络与其他诊断方式融合的混合智能技术 ,即神经网络与专家系统、模糊控制、小波分析和遗传算法的结合以及集成神经网络等在故障诊断中的应用进行了综述     

回采巷道围岩分类的支持向量机方法

采用支持向量机“一对一”分类方法,研究了回采巷道围岩分类问题．选择6项影响回采巷道围岩分类的主要指标,利用30组巷道围岩数据作为学习样本,建立了回采巷道围岩分类的支持向量机模型．应用该模型对平顶山矿区4条回采巷道围岩进行了分类预测．结果表明,预测类别与实际类别完全吻合,这说明支持向量机方法可以很好地描述巷道围岩影响指标与围岩类别之间复杂的非线性关系．     

基于SOM神经网络的智能变电站故障录波启动判据算法

 由于传统故障录波启动判据算法具有一定局限性,本文提出一种基于SOM神经网络的算法。以A相电流越限为例进行了算法的研究,依次完成SOM神经网络的构建,网络训练以及聚类预测,将输入向量归一化后输入到训练好的SOM网络中,输出结果会在二维平面阵列中显示出来,网络拓扑结构中的蓝色神经元代表A相越限,此时需要启动录波。为了验证模型的正确性,依次将维数不同的两组向量输入网络模型中,输出结果表明,基于SOM神经网络的故障录波启动判据算法自适应能力较强,能有效地完成录波启动,误差较小。