基于改进的GA-ELM煤与瓦斯突出预测模型

为准确、快速地预测煤与瓦斯突出,提出了一种基于因子分析和遗传算法(GA)优化极限学习机(ELM)的煤与瓦斯突出危险性预测模型。构建10种影响因素的煤与瓦斯突出评价指标体系,采用因子分析法对评价指标体系进行分析提取,将提取出的5个公因子作为ELM的输入参数,为避免ELM输入权值和隐含层偏差随机性的影响,应用GA对ELM模型参数进行优化,构建GA-ELM模型,选取20组实例进行仿真预测,同时与传统单一的ELM、SVM和BP模型进行对比分析。结果表明:基于改进的GA-ELM模型能有效降低数据冗余、简化网络结构和提高判别精度,提出将其运用到煤与瓦斯突出的预测与实际结果具有很好的一致性。     

用有机玻璃制轉子流量計的錐形玻璃管

过去,我们车间的转子流量计的锥形玻璃管是用硅玻璃制的。当压力不稳定、操作不正常或者是有气泡存在时,玻璃管易被鈶质的转子碰坏,有时一个班(八小时)就打坏三个之多,一坏就得停车另装,并重新标定,严重的影响生产,并损失物料,造成不必要的浪费。我们建議车间用有机玻璃代替硅玻璃来制锥形管,经采用后效果极为良好。三、四个月来无一损坏,很可能长期使用而不致于因碰撞损坏。但有机玻璃的锥形玻璃管不能用于有机溶剂(如三氯乙烯、二氯乙烷     

高瓦斯综放采空区瓦斯与火协同防治平衡点研究

为了解决高瓦斯综放采空区瓦斯与火协同防治问题,采用数值模拟的方法,构建采空区上隅角埋管抽采与注氮防灭火条件下的物理模型,引入可以均衡二者矛盾的"平衡点"概念,选取配风量、瓦斯抽采量和注氮量为试验因素,以氧化带最大宽度为试验指标,基于Design Expert软件中的BoxBehnken响应曲面设计,建立3因素3水平试验方案,通过现场观测和FLUENT数值模拟综合确定试验指标的不同取值,建立响应曲面模型,优化得到最佳工艺参数。研究结果表明:模型的P值为0. 009 5,二次回归模型显著,失拟项为0. 050 1,不显著,回归模型准确可靠;一次项对氧化带最大宽度的影响程度排序为配风量>瓦斯抽采量>注氮量,且2个影响因素之间无交互作用。利用该模型计算出亭南煤矿206综放工作面瓦斯与火协同防治的"平衡点",即配风量为1 168. 10 m3/min、瓦斯抽采量为162. 94 m3/min、注氮量为800. 01 m3/h。模拟结果与现场实测结果基本一致,可以指导类似条件下的矿井实践。     

基于KPCA和改进极限学习机的煤与瓦斯突出危险性判识

为实现煤与瓦斯突出危险性的准确、快速地动态预测,提出构建基于KPCA-BA-ELM的突出危险性耦合预测模型。根据煤与瓦斯突出综合作用机理,确定突出各影响因素参数;利用核主成分分析(KPCA)对样本数据进行预处理,提取出主成分序列;利用蝙蝠算法(BA)优化极限学习机(ELM)模型,并与BA-ELM、ELM、SVM和BP等模型共同进行突出危险性预测,验证模型的优越性。结果表明：基于KPCA-BA-ELM突出危险性预测模型平均绝对误差为4.560,平均相对误差为3.478%,运行时间为1.286s,较其他模型具有精准的判识度和较高的泛化能力;能充分挖掘突出时空演变的内部隐含规律,有效诠释突出危险性与其影响因素间的非线性关系。