基于改进型BP神经网络的煤炭发热量预测

煤炭发热量在煤炭工业生产中占据着重要的地位,是评价煤炭经济价值的重要参考依据。为了对煤炭发热量进行有效预测,尝试建立了数学模型进行求解。由于传统的神经网络模型存在着收敛速度慢、运算时间长等缺点,考虑到煤炭发热量主要受到其组成成分中水分和灰分的影响,且呈现非线性关系,建立了基于BP神经网络的非线性数学模型,并将其应用于煤炭发热量的预计研究中。实际的运行结果表明,该模型训练速度快、收敛时间短、运算结果比较符合实际情况,表明所建立的改进型BP神经网络模型可以有效用于煤炭发热量的预测研究中。     

配煤入洗选煤厂中煤炭发热量的预测研究

发热量是动力煤主要计价指标;对于单一矿区的煤,可通过测量煤炭灰分、水分预测发热量。但配煤入洗时煤质特性不均一,难以简单地建立模型预测。本文基于配煤入洗中的发热量可加性原则,分别建立单一煤炭的发热量预测模型,然后根据配煤比例加权平均获得最终公式,从而利用灰分、水分等指标预测配煤产品发热量。     

基于工业分析的煤质发热量预测

为提升煤质工业分析数据对煤质发热量的预测精度,以167种中国煤和4 540种美国煤的信息为基础建立了基于SVR的煤质发热量预测模型。重构Majumder等和 Parikh等提出的线性模型,用于对比非线性SVR和已有的基于线性的煤质发热量预测模型的预测能力。对比结果为：SVR对中国煤和美国煤的预测相对误差为2.16%和2.42%;重构后的Majumder模型为3.04%和4.61%;重构后的Parikh模型为3.39%和12.99%。工业分析对发热量的散点图也表明各工业分析组分与发热量之间没有明显的线性关系。研究结果表明,基于非线性SVR的煤质发热量预测模型具有更高的预测精度。     

基于小波神经网络的中国煤炭消耗预测

预测煤炭消耗量是一个与多种因素有关的复杂非线性问题.鉴于传统预测方法的缺陷,利用小波神经网络模型对中国煤耗预测,通过理论分析和仿真实验表明:模型是简单可行的,预测具有较高的精度.     

煤炭发热量回归方程的建立

运用Excel对煤样的实测数据进行数理分析，推导出两种回归方程，均具有较高的计算精度，可作为本单位及使用该矿区商品煤的广大企业参照使用。     

基于BP神经网络的煤炭自燃温度预测方法研究

在对BP神经网络原理进行分析的基础上,设计出预测煤层温度的BP神经网络模型,然后对实验数据进行仿真模拟,采用MATLAB语言,利用样本进行网络训练后,得出的预测结果达到了工程实际能够接受的精度,说明该模型能够用于煤矿煤炭自燃温度的预测,实现煤炭自燃早期预报。     

煤的发热量预测方法优缺点分析及展望

本文系统地回顾了近年来各种发热量预测模型,讨论了线性与非线性两大类建模手段,综述了预测算法的模型特点与建模流程,指出了发热量预测领域尚需解决的问题,给出了可能的解决办法,并提出了一些基于文献研究的展望.     

基于神经网络时间序列的煤炭自燃预测研究

依据神经网络建模的原理,提出了一种基于神经网络的时间序列预测方法,并通过在山东枣庄矿业集团公司柴里煤矿进行的预测分析,验证了预测方法的有效性。为解决煤炭自燃的预测提供了一条良好的思路和方法,具有较大的理论意义和应用价值。     

谈煤炭产品灰分与发热量的线性关系

<正>煤炭的发热量是指每单位质量的煤完全燃烧所产生的全部热量,它不仅是评价煤炭质量的一项重要指标,而且是当前动力用煤一项重要的经济评价参数.发热量作为动力煤的计价基础,关系着企业的经济效益.分析煤炭的灰分与发热量的关系,找出其变化规律,为选煤厂生产、管理及设计提供可靠的理论依据,使设计更能接近生产实际.因为煤炭的发热量与其灰分、水分及煤炭的变质程度等诸多因素有关,为了准确找到煤的发热量与灰分之间的变化规律,我们采用的煤质资料均为气煤煤种,其水分区间为7%～9%,灰分区间为10%～14%,以减少水分和变质程度对发热量的影响,找出发热量与灰分之间十分可靠的变化规律.