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。     

水对硫化矿石氧化速度影响的试验研究

采用试验研究的方法，在不同温度不同含水度条件下研究了水对几种主要硫化矿石氧化速度的影响过程及其作用机理。该项研究结果对疏化矿矿井内火灾的防治具有重要的指导意义。     

硫化矿石预氧化前后自燃倾向性的比较研究

本文首次比较系统地测定了10多种硫化矿石矿样预氧化前后的吸氧速度、自热特征和着火点变化情况，指出了在实验室中测定硫化矿石的自燃倾向性时应同时测定矿样预氧化后的自燃倾向性，以便使研究结果更具实用性。     

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。     

基于广义回归神经网络GRNN的矿井瓦斯含量预测

煤矿瓦斯涌出量和瓦斯突出受控于多种因素。如何根据各个影响因素预测计算煤层瓦斯含量是一个非常复杂的问题。近年来迅速发展起来的神经网络具有较高的非线性映射和并行处理能力。广义回归神经网络(GRNN)具有网络结构自适应确定、输出与初始权值无关等优良特性,能够逼近任意连续的非线性函数,可以处理系统内在的难以解析的规律。本文以某矿13-1煤层为研究对象,在分析影响煤层瓦斯含量的各种地质因素和量化定性因素的基础上,应用GRNN神经网络方法建立某矿13-1煤层瓦斯含量预测模型,以达到对井田未开采区域进行瓦斯含量预测的目的。     

硫化矿石自燃灾害预警的RBF神经网络模型及应用

为了科学准确地确定硫化矿石自燃灾害预警等级,进而为灾害防控提供决策,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。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。通过现场案例验证了该模型的适用性,能应用于硫化矿石自燃灾害预警等级的预测,对类似灾害事件预警也有借鉴作用。     

机械力作用下硫化矿石的常温氧化增重特性?

为揭示硫化矿石经历机械力活化后的常温氧化特性,从金属矿山采集典型矿样,在室内开展了机械球磨实验。运用氧化增重率法表征了矿样在不同料球比、不同机械活化强度、不同机械活化时间等条件下经历机械活化后的氧化增重特性。结果表明,硫化矿石的氧化增重率与活化时间、料球比、机械强度存在一定的相关性;随着机械力强度的增大,矿样的氧化增重率也随之增大;不同料球比球磨条件下的氧化增重率顺序依次为01∶31∶51∶81∶12;机械活化时间越长,其氧化增重效果越明显,说明经过机械力作用后的硫化矿石更容易发生氧化自燃。     

基于等转化率法的煤氧化自热动力学参数测试方法

准确获得煤氧化自热过程中的反应动力学参数是研究煤自燃及其特性的基础。针对现有方法尚无法获得煤自燃不同反应温度对应的动力学参数这一问题,开展了煤氧化自热动力学参数测试方法的研究。基于热分析动力学理论推导得到了以转化率为纽带的煤氧化自热动力学参数计算模型,提出了多升温速率实验和恒温实验相结合的测试方法。为确定测试方法的最优参数,引入了煤氧化自热反应时间作为对比参量。采用绝热氧化测试装置和同步热分析仪开展了3种不同变质程度的干燥煤样在纯氧条件下的绝热氧化实验、多升温速率实验以及恒温实验。根据多升温速率实验结果,分析了升温速率对煤氧不同反应阶段整体质量变化量的影响,确定了煤氧化自热动力学参数测试的最大升温速率。在此升温速率范围内,依据推导的计算模型,对比分析了不同升温速率组合和转化率计算步长对动力学参数计算结果的影响,发现转化率计算步长主要影响动力学参数计算结果的疏密程度,而升温速率组合对动力学参数计算结果的影响不大。根据绝热氧化实验结果,综合考虑测试时间成本,确定了获得煤氧化自热动力学参数的最优实验和计算参数,并对其准确性和适用性进行了验证。结果表明:当升温速率组合为0.2,0.5,1.0,...     

基于粗糙集的硫化矿石自燃规律分析

应用粗糙集理论对硫化矿石自燃的训练样本集进行了属性约简与规则提取,得到了硫化矿石自燃规律的粗糙集理论模型,并将其进行了验证,证明这是一种行之有效的方法。     

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。     

硫化矿尾矿堆的温度变化和动态淋溶规律研究

为研究硫化矿尾矿对环境的潜在影响和危害,采用硫化矿尾矿直接浸润实验,研究了硫化矿尾矿堆放中内部温度的变化特性;利用动态柱式淋溶实验,研究了硫化矿尾矿在不同淋溶条件下的铅锌重金属离子溶出规律。结果表明,硫化矿尾矿堆的内部温度随堆放时间的延长而升高,到第25～30天时达到最高值;浸润液的pH值对尾矿堆内部温度存在显著影响,酸性越强,尾矿堆内部温度越高。在酸性、碱性动态淋溶条件下,铅、锌离子都有一定的溶出浓度,酸性越强,越有利于离子溶出,离子溶出浓度随淋溶时间延长而降低;与Pb^2 相比较,Zn^2 的溶出受淋溶液pH值及淋溶时间的影响更大,对强酸性淋溶很敏感。此外,尾矿对不同淋溶液的pH值有较强的缓冲能力,只有较强酸度和较长时间的淋溶时,这种缓冲能力可被削弱。     

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。     

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。     

基于神经网络的综放工作面生产能力预测模型

运用人工神经网络的理论方法分析了影响综放工作面生产能力的主要因素,并创建了综放面生产能力神经网络预测模型。采用所建立的预测模型对多个综放工作面进行了预测,预测结果看与现场实际情况相吻合,预测的误差最大值为9．1％,证明所建立的模型对预测综放工作面生产能力具有可靠性和适应性。     

基于BP神经网络煤与瓦斯突出强度预测模型

在分析湖南土朱矿5煤层煤与瓦斯突出资料的基础上,确定煤层瓦斯含量,瓦斯压力,煤的坚固性系数及瓦斯放散初速度为影响煤与瓦斯突出的主要因素,利用MATLAB软件,基于BP神经网络,建立了适合土朱矿的煤与瓦斯突出强度预测模型,并进行了实际检验,确定了模型的可行性,为指导土朱矿的安全生产提供了理论依据。     

基于ANN的煤岩破坏电磁辐射预测研究

以自适应神经网络的基本原理和实现步骤为基础,研究了煤岩变形破裂过程电磁辐射自适应神经网络预测的原理及特点,将电磁辐射自适应神经网络模型应用于煤岩变形破裂过程声发射和电磁辐射序列的预测。研究结果表明,采用神经网络可以有效预测电磁辐射和声发射信号,为判定煤岩变形破裂状态提供依据。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

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。