CN105181744B - 一种煤堆发火期的计算方法和煤场防自燃监测系统 - Google Patents
一种煤堆发火期的计算方法和煤场防自燃监测系统 Download PDFInfo
- Publication number
- CN105181744B CN105181744B CN201510525010.1A CN201510525010A CN105181744B CN 105181744 B CN105181744 B CN 105181744B CN 201510525010 A CN201510525010 A CN 201510525010A CN 105181744 B CN105181744 B CN 105181744B
- Authority
- CN
- China
- Prior art keywords
- dump
- mrow
- coal
- temperature
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明提供一种煤堆发火期的计算方法和煤场防自燃监测系统,所述方法包括:根据煤堆温度、所述煤堆的高度、所述煤堆顶部到中心的距离、所述煤堆的堆积角度、所述煤堆的圆周角度、煤的密度、煤的含碳量、煤的挥发分含量计算热损失值;利用所述煤堆温度、所述热损失值、煤的比热容、煤的热导率计算煤堆发火期。
Description
技术领域
本发明涉及计算机数据处理领域,具体涉及一种煤堆发火期的计算方法和煤场防自燃监测系统。
背景技术
煤炭自燃是自然界存在的一种客观现象,从化学中可知,自燃是物质在空气中发生氧化作用而自动发生燃烧的现象,而燃烧则是物质剧烈氧化而发光、发热的一种化学现象,由此可知,煤炭自燃是煤长期与空气中的氧接触,发生物理、化学作用的结果。
为改变传统露天条形煤场要相应增大场地面积来提高贮煤量、减少对周边空气水源污染等问题,封闭式圆形煤场以其能提高场地利用率,增加贮煤容量,缩小占地面积,环保性能突出,以及其配套设备技术先进、程控水平高等特点而被广泛运用。封闭式圆形煤场优点很多,但缺点也同样突出:封闭式圆形煤场里煤堆易发生自燃,自燃明火及烟气对煤场安全生产有严重威胁,同时自燃还会造成重大的经济损失。因此需要采取有效的措施监测储煤期间煤炭自燃的趋势,确保煤场的安全运行。
现有技术通常是利用温度传感器监测煤场煤堆的温度,然后通过温度直接判断煤堆的状态,并进行预警。但是煤堆自燃过程非常复杂,一般要经过潜伏期、自热期和燃烧期三个阶段,潜伏期温度变化较小,无法通过监测温度的变化预测自燃发生时间,而自热期煤温上升急剧加快,此时可能已造成损失。
发明内容
本发明所要解决的问题是现有技术不能准确地预测煤堆自燃发生时间。
为解决上述问题,本发明提供了一种煤堆发火期的计算方法,包括:
根据煤堆温度、所述煤堆的高度、所述煤堆顶部到中心的距离、所述煤堆的堆积角度、所述煤堆的圆周角度、煤的密度、煤的含碳量、煤的挥发分含量计算热损失值;
利用所述煤堆温度、所述热损失值、煤的比热容、煤的热导率计算煤堆发火期。
优选地,所述根据煤堆温度、所述煤堆的高度、所述煤堆顶部到中心的距离、所述煤堆的堆积角度、所述煤堆的圆周角度、煤的密度、煤的含碳量、煤的挥发分含量计算热损失值包括:
利用下列公式计算所述热损失值:
其中Q为所述热损失值,S2=hcosθ+2dsinθ,C=1.64e-1.53Cad/Vad+0.79,λ=-0.40e-0.72Cad/Vad+0.25,h为所述煤堆的高度,d为所述煤堆顶部到中心的距离,θ为所述煤堆的堆积角度,α为所述煤堆的圆周角度,ρ为煤的密度,Cad为煤的含碳量,Vad为煤的挥发分含量,τ是所述煤堆温度,t(τ)是温度系数,a(τ)是温度随深度分布的二次项系数。
优选地,所述t(τ)=2.96τ+34.22,所述a(τ)=-12.39τ-9.69。
优选地,所述利用所述煤堆温度、所述热损失值、煤的比热容、煤的热导率计算煤堆发火期包括:
利用径向神经网络模型计算所述煤堆发火期,其中所述煤堆温度、所述热损失值、煤的比热容、煤的热导率为所述径向神经网络模型的输入值,所述煤堆发火期为所述径向神经网络模型的输出结果。
优选地,所述径向神经网络模型的输入层包括所述煤堆温度、所述热损失值、煤的比热容、煤的热导率;
所述径向神经网络模型的隐层输出值为
其中,Ωm为所述隐层输出值,X为输入层的值,cm为聚类中心、σm为方差;
所述径向神经网络模型的规则层输出值为
其中,Zi为规则层输出值,aij是隐层连接权重;
所述煤堆发火期为
其中,y(X)为所述煤堆发火期,ωi是规则层连接权重,bi是常数项参数。
优选地,所述煤堆温度为所述煤堆表面以下2米处的温度。
本发明还提供一种煤场防自燃监测系统,包括:温度采集单元,设置于被监测煤堆中,用于采集并发送所述煤堆的温度;数据处理端,用于接收所述煤堆的温度,并利用上述煤堆发火期的计算方法计算所述煤堆的发火期。
优选地,所述温度采集单元包括温度传感器、通信模块和判断模块,其中所述温度传感器用于采集所述煤堆的温度,所述通信模块用于向所述数据处理端发送所述煤堆的温度,所述判断模块用于判断所述温度传感器采集到的煤堆温度,当所述煤堆温度低于预设阈值时,关闭所述通信模块,当所述煤堆温度高于预设阈值时,开启所述通信模块。
优选地,所述通信模块为Zigbee模块。
优选地,所述温度采集单元设置在所述煤堆表面以下2米处。
根据本发明提供的煤堆发火期的计算方法和煤场防自燃监测系统,通过煤堆的多种实际物理参数计算出煤堆的热损失值,然后利用当前的煤堆温度、煤堆的热损失值、煤的比热容、煤的热导率准确地计算出煤堆发火期,以便相关人员清楚地了解煤堆将要发生自燃的时间,以便在煤堆自然之前进行处理,由此可以提高储煤场所的安全性。
本发明利用径向神经网络模型计算所述煤堆发火期,以煤堆温度、煤堆热损失值、煤的比热容、煤的热导率作为径向神经网络模型的输入值,煤堆发火期为径向神经网络模型的输出结果,由于径向神经网络模型具有极强的非线性逼近能力,能够真实地刻画出输入变量与输出变量之间的非线性关系, 因此利用径向神经网络模型计算出的发火期更准确。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是根据本发明实施例的煤场防自燃监测系统结构图;
图2是利用本发明实施例的煤堆发火期的计算方法计算出的煤堆热损失曲线图;
图3是本发明实施例的煤堆发火期的计算方法应用的径向神经网络模型结构示意图。
具体实施方式
图1示出了一种煤场防自燃监测系统,该系统包括数据处理终端12和多个温度采集单元11,温度采集单元11设置在煤堆之中,并通过有线或无线方式向数据处理终端12发送温度信息。
本发明实施例提供一种煤堆发火期的计算方法,该方法可以由上述数据处理终端执行,该方法包括如下步骤:
S1,获取某个煤堆当前的温度,以及该煤堆的多种物理数据,具体是煤堆高度、煤堆顶部到中心的距离、煤堆的堆积角度、煤堆的圆周角度、煤的密度、煤的含碳量、煤的挥发分含量;其中,温度信息可以通过上述温度采集单元获取,其它物理信息可以通过测量获取,为了使最终计算结果更加准确,上述温度优选为煤堆表面以下2米处的温度,例如对于较高的煤堆可以将上述温度采集单元设置在煤堆顶部以下2米处,经过现场试验测定,煤堆表面以下2米处是最易发生自燃的区域,升温最快。
S2,利用上述信息计算热损失值Q,本领域技术人员可以理解,热损失值是指物体向外界散失的热量,热损失值的计算方法有多种,针对不同的物体,应当利用物体的形状、物理参数等特性计算热损失值,本发明可以利用任意一种现有的计算方法计算热损失值Q。而为了使计算结果更准确,本实施例提 供一种针对煤堆的热损失值计算方式,即本发明可以按照下列公式进行计算:
其中,S2=hcosθ+2dsinθ,C=1.64e-1.53Cad/Vad+0.79,λ=-0.40e-0.72Cad/Vad+0.25,h为煤堆的高度,d为煤堆顶部到中心的距离,θ为煤堆的堆积角度,α为煤堆的圆周角度,ρ为煤的密度,Cad为煤的含碳量,Vad为煤的挥发分含量,τ是煤堆温度,t(τ)是温度系数,取值随温度增加而增大,通过实验测定可优选为t(τ)=2.96τ+34.22,a(τ)是温度随深度分布的二次项系数,取值随温度增加而减小,通过实验测定可优选为a(τ)=-12.39τ-9.69。
图2示出了多个不同煤种的热损失曲线,其中每一条曲线是一个煤堆的热损失曲线,图中横轴表示时间,纵轴表示热损失值,单位为MJ/kg,上述计算方式充分考虑了煤堆以及煤种的特性,计算出的热损失值更加准确且有针对性。
S3,利用当前的煤堆温度、上述热损失值、煤的比热容、煤的热导率计算煤堆发火期,上述四种数据与煤堆发火期的关系并非线性关系,因此应当利用具有非线性逼近能力的算法,以上述煤堆温度、热损失值、煤的比热容、煤的热导率为输入值,计算出煤堆发火期,本领域技术人员可以理解,现有的多种神经网络模型均可以用于计算上述煤堆发火期。
根据本发明实施例提供的煤堆发火期的计算方法,通过煤堆的多种实际物理参数计算出煤堆的热损失值,然后利用当前的煤堆温度、煤堆的热损失值、煤的比热容、煤的热导率准确地计算出煤堆发火期,以便相关人员清楚地了解煤堆将要发生自燃的时间,以便在煤堆自然之前进行处理,由此可以提高储煤场所的安全性。
由于径向基神经网络模型具有极强的非线性逼近能力,能够真实地刻画出输入变量与输出变量之间的非线性关系,因此本实施例优选利用径向神经网络模型计算煤堆发火期,上述煤堆温度、热损失值、煤的比热容、煤的热导率为径向神经网络模型的输入值,煤堆发火期为径向神经网络模型的输出 结果。
如图3所示,径向神经网络有4层,依次为输入层、隐层、规则层和输出结果,除输出结果外的3层均有多个节点,在本实施例中,输入层节点为4个,即煤堆温度、热损失值、煤的比热容和煤的热导率;
隐层输出为
其中,Ωm为隐层输出值,X为输入层的值,cm、σm均为径向基函数的参数,cm为聚类中心,σm为方差,σm值越小,宽度越窄,函数越具有选择性,实际计算中可根据样本点均值和方差设定径向基参数的初始值,再通过训练过程调整参数值。如果隐层结点数过少,网络不能具有必要的学习能力和信息处理能力。反之,若过多,不仅会大大增加网络结构的复杂性,根据相关文献m的取值优选为2n+1,其中n为输入层结点个数(n=4);由此,隐层有9个节点(Ω1-Ω9),即利用X1-X4计算出Ω1-Ω9;
规则层输出为
其中,Zi为规则层输出值,aij为隐层连接权重,即利用上述Ω1-Ω9计算出Z1-Zn;
煤堆发火期为
其中,y(X)为煤堆发火期,ωi、bi均为径向基函数的参数,ωi是规则层连接权重,bi是常数项参数。
本领域技术人员应当理解,上述径向神经网络模型是经过训练确定的,训练的对象是上述径向神经网络模型中的各种参数,各个参数的初始值可以随机初始化,然后通过样本数据不断修正,直至实际发火期与样本数据发火期的误差小于预设值为止。具体的训练过程如下:先对实际自燃样本的输入 数据进行正规化变化,即分别将其转化为0~1之间的量,并设定一个随机的网络连接强度序列,一并带入上述公式计算出预期的煤堆发火值。同时根据实际发火日期与预期值之间的偏差对权重等系数进行调整。用多个煤堆的样本数据对网络进行反复训练,直至各样本预测结果的误差均小于预设阈值(例如5%),认为网络达到收敛。通过样本的不断训练,预测误差不断缩小,经过离线训练完成的网络用来对各个煤堆自燃发火期进行实时预测,最终预测误差率控制在5%之内。
本发明的另一个实施例还提供一种煤场防自燃监测系统,返回图1所示,该系统包括:
温度采集单元11,设置于被监测煤堆中,用于采集所述煤堆的温度,煤场中通常有多个煤堆,实际应用时,可以在每个煤堆中分别设置至少一个温度采集单元,以便对所有煤堆同步监控。
数据处理端12,用于利用前一实施例中的煤堆发火期的计算方法计算煤堆的发火期。
根据本发明实施例提供的煤场防自燃监测系统,通过煤堆的多种实际物理参数计算出煤堆的热损失值,然后利用当前的煤堆温度、煤堆的热损失值、煤的比热容、煤的热导率准确地计算出煤堆发火期,以便相关人员清楚地了解煤堆将要发生自燃的时间,以便在煤堆自然之前进行处理,由此可以提高触媒场所的安全性。
为了达到节能的效果,上述温度采集单元11包括温度传感器和通信模块,通信模块优选为无线通信模块,更优选地,可以利用zigbee模块。温度采集单元11还可以包括判断模块,判断模块用于判断所述温度传感器采集到的煤堆温度,当所述煤堆温度低于预设阈值时,关闭所述通信模块,当所述煤堆温度高于预设阈值时,开启所述通信模块。由此,温度传感器可以根据温度的变化自适应的切换睡眠状态和通信状态,从而降低温度采集单元的功耗。
zigbee模块的功耗较低,但是通信距离较近,因此实际应用时还可以设置一个路由节点13来收集各个温度采集单元11通过zigbee网络发送的温度 信息,然后路由节点13可以使用功耗较大、通信距离较远的通信方式将收集到的温度信息发送给数据处理端12。
此外,数据处理端12还可以通过无线网络向温度采集单元11发送查询或者控制命令,并通过路由节点接收温度采集单元11反馈的信息;数据处理端12还可以接收并显示温度采集单元11的监测数据、实时显示网络拓扑结构,发送控制命令并显示查询结果,还具有历史数据查询及统计信息显示功能,以及将数据保存至数据库的功能。同时,数据处理端12可以通过与电厂分布式控制系统进行实时通信,实现存取煤的控制。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种煤堆发火期的计算方法,其特征在于,包括:
根据煤堆温度、所述煤堆的高度、所述煤堆顶部到中心的距离、所述煤堆的堆积角度、所述煤堆的圆周角度、煤的密度、煤的含碳量、煤的挥发分含量计算热损失值;
利用所述煤堆温度、所述热损失值、煤的比热容、煤的热导率计算煤堆发火期。
2.根据权利要求1所述的方法,其特征在于,所述根据煤堆温度、所述煤堆的高度、所述煤堆顶部到中心的距离、所述煤堆的堆积角度、所述煤堆的圆周角度、煤的密度、煤的含碳量、煤的挥发分含量计算热损失值包括:
利用下列公式计算所述热损失值:
<mrow>
<mi>Q</mi>
<mo>=</mo>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>0.3</mn>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mn>0.09</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mi>C</mi>
<mi>t</mi>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
<mo>-</mo>
<mn>2</mn>
<mi>&lambda;</mi>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>&tau;</mi>
</msubsup>
<mi>a</mi>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>1.7</mn>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mn>4.25</mn>
<mo>)</mo>
</mrow>
<mi>&rho;</mi>
<mi>C</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中Q为所述热损失值,S2=hcosθ+2dsinθ,C=1.64e-1.53Cad/Vad+0.79,λ=-0.40e-0.72Cad/Vad+0.25,h为所述煤堆的高度,d为所述煤堆顶部到中心的距离,θ为所述煤堆的堆积角度,α为所述煤堆的圆周角度,ρ为煤的密度,Cad为煤的含碳量,Vad为煤的挥发分含量,τ是所述煤堆温度,t(τ)是温度系数,a(τ)是温度随深度分布的二次项系数。
3.根据权利要求2所述的方法,其特征在于,所述t(τ)=2.96τ+34.22,所述a(τ)=-12.39τ-9.69。
4.根据权利要求1所述的方法,其特征在于,所述利用所述煤堆温度、所述热损失值、煤的比热容、煤的热导率计算煤堆发火期包括:
利用径向神经网络模型计算所述煤堆发火期,其中所述煤堆温度、所述热损失值、煤的比热容、煤的热导率为所述径向神经网络模型的输入值,所述煤堆发火期为所述径向神经网络模型的输出结果。
5.根据权利要求4所述的方法,其特征在于,所述径向神经网络模型的输入层包括所述煤堆温度、所述热损失值、煤的比热容、煤的热导率;
所述径向神经网络模型的隐层输出值为
<mrow>
<mi>&Omega;</mi>
<mi>m</mi>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>m</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,Ωm为所述隐层输出值,X为输入层的值,cm为聚类中心、σm为方差;
所述径向神经网络模型的规则层输出值为
<mrow>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>&Omega;</mi>
<mi>j</mi>
<mo>,</mo>
</mrow>
其中,Zi为规则层输出值,aij是隐层连接权重;
所述煤堆发火期为
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>j</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,y(X)为所述煤堆发火期,ωi是规则层连接权重,bi是常数项参数。
6.根据权利要求1所述的方法,其特征在于,所述煤堆温度为所述煤堆表面以下2米处的温度。
7.一种煤场防自燃监测系统,其特征在于,包括:
温度采集单元,设置于被监测煤堆中,用于采集并发送所述煤堆的温度;
数据处理端,用于接收所述煤堆的温度,并利用权利要求1-6中任一项所述的方法计算所述煤堆的发火期。
8.根据权利要求7所述的系统,其特征在于,所述温度采集单元包括温度传感器、通信模块和判断模块,其中所述温度传感器用于采集所述煤堆的温度,所述通信模块用于向所述数据处理端发送所述煤堆的温度,所述判断模块用于判断所述温度传感器采集到的煤堆温度,当所述煤堆温度低于预设阈值时,关闭所述通信模块,当所述煤堆温度高于预设阈值时,开启所述通信模块。
9.根据权利要求8所述的系统,其特征在于,所述通信模块为Zigbee模块。
10.根据权利要求7所述的系统,其特征在于,所述温度采集单元设置在所述煤堆表面以下2米处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510525010.1A CN105181744B (zh) | 2015-08-25 | 2015-08-25 | 一种煤堆发火期的计算方法和煤场防自燃监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510525010.1A CN105181744B (zh) | 2015-08-25 | 2015-08-25 | 一种煤堆发火期的计算方法和煤场防自燃监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105181744A CN105181744A (zh) | 2015-12-23 |
CN105181744B true CN105181744B (zh) | 2017-10-17 |
Family
ID=54903971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510525010.1A Expired - Fee Related CN105181744B (zh) | 2015-08-25 | 2015-08-25 | 一种煤堆发火期的计算方法和煤场防自燃监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105181744B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102103642B1 (ko) * | 2018-08-23 | 2020-04-22 | 한서대학교 산학협력단 | 심층신경망을 이용한 저탄장 자연발화 예측방법 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6594785B2 (ja) * | 2016-02-02 | 2019-10-23 | 千代田化工建設株式会社 | 貯炭場監視システムおよび貯炭場監視方法 |
CN106325188A (zh) * | 2016-10-18 | 2017-01-11 | 华电重工股份有限公司 | 一种料场智能监测方法及系统、监测装置及系统 |
CN108647819A (zh) * | 2018-05-09 | 2018-10-12 | 威特龙消防安全集团股份公司 | 一种煤堆管理系统 |
CN110334840A (zh) * | 2019-04-16 | 2019-10-15 | 南京华盾电力信息安全测评有限公司 | 一种基于神经网络算法的火电厂煤场场损预测方法 |
CN111027257B (zh) * | 2019-11-19 | 2021-10-08 | 中国矿业大学 | 一种利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法 |
CN115931966A (zh) * | 2022-11-09 | 2023-04-07 | 中国矿业大学 | 一种测量煤在自燃潜伏期温升特性的设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353763B (zh) * | 2011-09-14 | 2014-05-28 | 北京科技大学 | 一种测试煤炭自燃发火期小型模拟装置 |
RU2509212C1 (ru) * | 2012-09-03 | 2014-03-10 | Федеральное государственное автономное образовательное учреждение высшего профессионального образования "ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ" | Способ прогнозирования склонности ископаемых углей к самовозгоранию и устройство для его осуществления |
CN203465807U (zh) * | 2013-09-18 | 2014-03-05 | 安徽理工大学 | 煤堆煤矸石山自燃监测预警系统 |
CN104634815B (zh) * | 2013-11-14 | 2017-03-29 | 辽宁工程技术大学 | 一种模拟煤堆自燃的方法 |
CN204324147U (zh) * | 2014-12-08 | 2015-05-13 | 西安德龙电子有限公司 | 一种辐射型煤堆降温防自燃网笼管通风系统 |
-
2015
- 2015-08-25 CN CN201510525010.1A patent/CN105181744B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102103642B1 (ko) * | 2018-08-23 | 2020-04-22 | 한서대학교 산학협력단 | 심층신경망을 이용한 저탄장 자연발화 예측방법 |
Also Published As
Publication number | Publication date |
---|---|
CN105181744A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105181744B (zh) | 一种煤堆发火期的计算方法和煤场防自燃监测系统 | |
CN105020705B (zh) | 循环流化床锅炉燃烧性能实时优化控制方法及系统 | |
Garcia et al. | A resilient condition assessment monitoring system | |
CN104123476B (zh) | 基于极限学习机的气体浓度预测方法及其装置 | |
CN102333307B (zh) | 一种基于主观信念的无线传感器网络信任评估方法 | |
Li et al. | Model NOx emissions by least squares support vector machine with tuning based on ameliorated teaching–learning-based optimization | |
CN101969647B (zh) | 移动自组织网络中基于信任模型的协作通信方法 | |
Yan et al. | A fault prediction method that uses improved case-based reasoning to continuously predict the status of a shaft furnace | |
Ramakrishnan et al. | Optimization of operating parameters and performance evaluation of forced draft cooling tower using response surface methodology (RSM) and artificial neural network (ANN) | |
Mnasri et al. | A hybrid ant-genetic algorithm to solve a real deployment problem: a case study with experimental validation | |
CN111666652B (zh) | 蒸汽热网疏水器巡检排放操作调度方法及操作调度系统 | |
CN110488777A (zh) | 一种化工厂事故预警及事态跟踪系统 | |
CN108875230A (zh) | 水库水质预测模型的建立方法及装置 | |
Zhang et al. | A robust fuzzy tree method with outlier detection for combustion models and optimization | |
CN107993039A (zh) | 一种基于物联网的危化品在途监控与事故应急救援方法 | |
CN108235347A (zh) | 一种无线传感器网络能耗控制方法 | |
CN108776713B (zh) | 一种链篦机篦床温度场区域分解建模方法 | |
Lingda et al. | Evaluation method of trust degree of distribution IoT terminal equipment based on information entropy | |
Amirkhani et al. | Estimating flashpoints of fuels and chemical compounds using hybrid machine-learning techniques | |
Vu et al. | Combining trust and self-organization for robust maintaining of information coherence in disturbed mas | |
CN107437799A (zh) | 一种确定电网骨干网架线路的评估方法 | |
AU2021106298A4 (en) | Method for monitoring and evaluating pipeline leakage of LNG terminal wharf | |
CN103337000A (zh) | 一种油气集输系统安全监测预警方法 | |
CN114781936A (zh) | 一种氢气泄漏风险预警方法及系统 | |
CN104238516B (zh) | 一种锅炉系统设备状态监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhang Heming Inventor after: Peng Gongzhuang Inventor after: Wang Hongwei Inventor before: Zhang Heming Inventor before: Peng Gongzhuang |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171017 Termination date: 20210825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |