CN106777528B - 矿井需风量的全息预测方法 - Google Patents
矿井需风量的全息预测方法 Download PDFInfo
- Publication number
- CN106777528B CN106777528B CN201611051308.4A CN201611051308A CN106777528B CN 106777528 B CN106777528 B CN 106777528B CN 201611051308 A CN201611051308 A CN 201611051308A CN 106777528 B CN106777528 B CN 106777528B
- Authority
- CN
- China
- Prior art keywords
- holographic
- forecast model
- coal seam
- forecast
- yield
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000007789 gas Substances 0.000 claims abstract description 78
- 238000005422 blasting Methods 0.000 claims abstract description 38
- 239000003517 fume Substances 0.000 claims abstract description 38
- 239000000428 dust Substances 0.000 claims abstract description 30
- 238000007791 dehumidification Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000013016 learning Effects 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000009423 ventilation Methods 0.000 claims abstract description 12
- 239000003245 coal Substances 0.000 claims description 62
- 239000011435 rock Substances 0.000 claims description 21
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 20
- 230000005641 tunneling Effects 0.000 claims description 19
- 230000000505 pernicious effect Effects 0.000 claims description 16
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 238000010790 dilution Methods 0.000 claims description 9
- 239000012895 dilution Substances 0.000 claims description 9
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 8
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 8
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 7
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 6
- 239000001569 carbon dioxide Substances 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- 239000011593 sulfur Substances 0.000 claims description 4
- 230000008719 thickening Effects 0.000 claims description 4
- 238000003325 tomography Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 239000002360 explosive Substances 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- -1 period Chemical class 0.000 claims description 3
- 239000005864 Sulphur Substances 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000005474 detonation Methods 0.000 claims description 2
- 238000007789 sealing Methods 0.000 claims description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims 2
- 241000790917 Dioxys <bee> Species 0.000 claims 1
- 229910052757 nitrogen Inorganic materials 0.000 claims 1
- 239000000843 powder Substances 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 5
- 239000000779 smoke Substances 0.000 abstract description 4
- 239000002912 waste gas Substances 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000005036 nerve Anatomy 0.000 description 6
- 239000002817 coal dust Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- GCNLQHANGFOQKY-UHFFFAOYSA-N [C+4].[O-2].[O-2].[Ti+4] Chemical compound [C+4].[O-2].[O-2].[Ti+4] GCNLQHANGFOQKY-UHFFFAOYSA-N 0.000 description 2
- 239000002250 absorbent Substances 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001093 holography Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F1/00—Ventilation of mines or tunnels; Distribution of ventilating currents
- E21F1/006—Ventilation at the working face of galleries or tunnels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Mathematical Optimization (AREA)
- Architecture (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Pure & Applied Mathematics (AREA)
- Geochemistry & Mineralogy (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明提供一种矿井需风量的全息预测方法，包括：建立具有学习能力的全息人工神经网络预测模型，包括：除尘需风量全息预测模型、炮烟产生量全息预测模型、车辆废气排量全息预测模型、采掘工作面瓦斯涌出量全息预测模型和降温除湿舒适感需风量全息预测模型；获取与该工作面对应的各个全息预测模型的输入变量，并输入到对应的全息预测模型中，从而得到各个全息预测模型的输出变量；然后，得到该工作面在下一个控制时间段的需风量。优点为：可以根据满足矿井安全健康生产的瓦斯浓度、粉尘浓度、炮烟浓度和舒适度要求，有效地计算用风点的实际需风量，解决矿井通风系统正常时期按需供风和风流控制的需风量问题，为实时按需供风提供技术保障。
Description
技术领域
本发明属于矿井通风及其自动化技术领域，具体涉及一种矿井需风量的全息预测方法。
背景技术
矿井通风是确保矿井安全、高效和绿色开采的重要手段之一，矿井通风的核心任务是保证井下各用风地点的按时按需供风。但由于井下通风系统错综复杂，从环境监测、需风量计算到系统调节是一个复杂的系统工程。因此，实现矿井按时按需供风，超前计算需风量是首先要解决的技术问题。
现有技术中，主要通过在各用风地点安装多类传感器和人员定位系统，从而实时采集到用风地点的瓦斯涌出量、粉煤尘产生量和其他一些参数信息；然后，基于这些参数信息再计算得到当前用风地点的需风量，然而，由于计算过程需要耗费一定的时间，因此，所计算出的需风量已经处于滞后状态，中间一定存在一个具有安全隐患的灰色时段，从而给矿井安全造成一定的风险。
另外，虽然之前有人提出用人工神经网络计算方法来预测瓦斯涌出量，但把风流中的瓦斯浓度作为预测参数，而由于瓦斯浓度与实际供风量密切相关，而实际供风量是随时变化的，因此该方法既不科学又无法实现。另外，建立人工神经网络的另一个技术关键是输入因素的选择，已有方法并没有给出较全面与合理的输入参数集合，导致上述方法实际上是无法实现的，达不到使用目的。
总之，到目前为止，矿井需风量超前计算问题实际上并没有解决，严重影响了按时按需供风的技术需求和矿井的安全、健康和绿色生产。
发明内容
针对现有技术存在的缺陷，本发明提供一种矿井需风量的全息预测方法，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种矿井需风量的全息预测方法，包括以下步骤：
步骤1，建立具有学习能力的全息人工神经网络预测模型，包括：除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2、车辆废气排量全息预测模型G3、采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2；
其中，所述除尘需风量全息预测模型G1的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、机掘工作面的工作面推进速度、机采工作面所采用的每个机采设备的机采参数；所述除尘需风量全息预测模型G1的输出变量为除尘达标供风量Q1；
所述炮烟产生量全息预测模型G2的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、炮采或炮掘工作面的炮采或炮掘工艺参数；所述炮烟产生量全息预测模型G2的输出变量包括：炮烟产量W2、粉尘产量F1和有害气体产量；
所述车辆废气排量全息预测模型G3的输入变量包括：车辆参数、车辆燃料参数、环境参数、车辆行驶路段参数以及车辆行驶速度；所述车辆废气排量全息预测模型G3的输出变量包括烟雾排量W1和一氧化碳排量C1；
所述采掘工作面瓦斯涌出量全息预测模型M1的输入变量包括：开始记录的时间、工作面深度、煤层属性参数、瓦斯吸附常数a、瓦斯吸附常数b、前方最近断层的距离、前方最近构造的距离、前方变厚点的距离、后方最近断层的距离、后方最近构造的距离、后方变厚点的距离、前方应力峰值的距离、前方应力峰值、两帮应力峰值的距离、两帮应力峰值、最邻近煤层距离、最邻近煤层厚度、本层钻场位置、本层钻孔覆盖面积、本层抽放强度、邻层钻场位置、邻层钻孔覆盖面积、邻层抽放强度和工作面推进速度；所述采掘工作面瓦斯涌出量全息预测模型M1的输出变量为瓦斯绝对涌出量Ws；
所述降温除湿舒适感需风量全息预测模型M2的输入变量包括：进风温度、进风湿度、作业人数、作业温度、作业湿度和舒适度最优的风速值；所述降温除湿舒适感需风量全息预测模型M2的输出变量为进风量Q2；
其中，除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3，其输入变量只与静态因素相关，因此，所构建的除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3可用于各种工作面的需风量预测；
对于采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，其输入变量与静态因素和动态因素均相关，因此，需要对于每一个工作面分别建立采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，用于该工作面的需风量预测；
步骤2，当需要预测某工作面在下一个控制时间段的需风量时，获取与该工作面对应的各个全息预测模型的输入变量，并输入到对应的全息预测模型中，从而得到各个全息预测模型的输出变量；然后，对各个全息预测模型的输出变量进行进一步计算，得到该工作面在下一个控制时间段的需风量。
优选的，对于所述除尘需风量全息预测模型G1，其输入变量中的围岩属性参数包括：围岩的容重γ、围岩硬度f和岩断面积Sy；其煤层属性参数包括：煤层容重γ、煤层硬度f、煤层灰分、煤层水分、煤层挥发分、煤层全硫量、煤层发热量和煤断面积Sm；每个机采设备的机采参数包括：工作滚筒直径、工作滚筒切割深度、工作滚筒切割对象、工作滚筒转速和辅助滚筒开停状态。
优选的，对于所述炮烟产生量全息预测模型G2，其输入变量中的围岩属性参数包括：围岩的容重γ、围岩硬度f和岩断面积Sy；其煤层属性参数包括：煤层容重γ、煤层硬度f、煤层灰分、煤层水分、煤层挥发分、煤层全硫量、煤层发热量和煤断面积Sm；其炮采或炮掘工作面的炮采或炮掘工艺参数包括：炮孔平均深度、炮孔平均直径、炮孔数量、耦合或不耦合的装药方式、炸药型号、引爆方式、装药量和封口方式；其输出变量中的有害气体产量包括：一氧化碳产量C1、二氧化碳产量C2、二氧化氮产量N2、二氧化硫产量S2和硫化氢产量Hs；其中，有害气体产量的单位均为m3/次。
优选的，对于所述车辆废气排量全息预测模型G3，其输入变量中的车辆参数包括：车型、车辆100公里标准油耗、车辆使用年限和车辆载重量；所述车辆燃料参数为燃料标号系数；所述环境参数包括气压、气温和风速；所述车辆行驶路段参数包括坡度和深度。
优选的，对于所述采掘工作面瓦斯涌出量全息预测模型M1，其输入变量中的煤层属性参数包括：工作面煤层厚度、煤断面积、煤层容重、煤层硬度、煤层灰分、煤层水分、煤层挥发分、煤层硫分和煤层发热量。
优选的，步骤1中，对于所建立的具有学习能力的全息人工神经网络预测模型，为已经经过样本数据训练的人工神经网络模型。
优选的，步骤2具体为：
步骤2.1：对于机采机掘工作面j，通过以下步骤计算其需风量：
步骤2.1.1：如果在同一时刻，除尘需风量全息预测模型G1预测的除尘达标供风量为单位为m3/s；
步骤2.1.2：采掘工作面瓦斯涌出量全息预测模型M1预测的瓦斯绝对涌出量为Wj，单位为m3/s，则通过以下公式计算稀释瓦斯的风量单位为m3/s：
其中，Cw为企业规定最高允许瓦斯浓度；
步骤2.1.3：降温除湿舒适感需风量全息预测模型M2预测的舒适进风量为单位为m3/s；
步骤2.1.4：机采机掘工作面j在该时段的需风量为：
其中：k＝1.2～1.3，为由预测误差引起的可靠性系数；
步骤2.2：对于炮采炮掘工作面j，通过以下步骤计算其需风量：
步骤2.2.1：如果在同一时刻，炮烟产生量全息预测模型G2预测的炮烟产量为W2，单位为m3/次；粉尘产量为F1，单位为mg/次；有害气体产量包括：一氧化碳产量为C1、二氧化碳产量为C2、二氧化氮产量为N2、二氧化硫产量为S2和硫化氢产量为Hs2；其中，有害气体产量的单位均为m3/次；
则稀释炮烟、粉尘和有害气体的风量为：
其中：的单位为m3/s；T为通风时间，单位为s；CW2、CC1、CF1、CC2、CN2CS2CHs2
分别为通风后炮烟、一氧化碳、粉尘、二氧化碳、二氧化氮、二氧化硫和硫化氢的残余浓度要求；
步骤2.2.2：采掘工作面瓦斯涌出量全息预测模型M1预测的瓦斯绝对涌出量为Wsj，单位为m3/s，则稀释瓦斯的风量为：
其中，Cw为企业规定最高允许瓦斯浓度；
步骤2.2.3：降温除湿舒适感需风量全息预测模型M2预测的舒适风量为单位为m3/s；
步骤2.2.4：机采机掘工作面j在该时段的需风量为：
其中：k＝1.2～1.3为由预测误差引起的可靠性系数；
步骤2.3：对于井巷j，通过以下步骤计算其需风量：
步骤2.3.1：如果在同一时刻，由降温除湿舒适感需风量全息预测模型M2预测的井巷j的舒适风量为单位为m3/s；
步骤2.3.2：由车辆废气排量全息预测模型G3预测的烟雾排量为：一氧化碳排量为：
其中，n为巷道j中同时行驶的车辆类型总数，np为车辆类型为p的车辆数，Wp为一辆类型p的车辆的烟雾排量预测值；Cp为一辆类型p的车辆的一氧化碳排量的预测值；
则运输车辆的烟雾排量的稀释风量为：其中，Cy为巷道j中烟雾排量的浓度要求；
运输车辆的一氧化碳排量的稀释风量为：其中，CC为巷道j中一氧化碳排量的浓度要求；
步骤2.3.3：井巷j在该时段的需风量为：
单位为m3/s；
k＝1.2～1.3，为由预测误差引起的可靠性系数。
优选的，还包括：
步骤3：矿井在该时段的总需风量Q矿为：
其中：N巷,N机,N炮分别代表需要预测量风量的井巷个数，机采机掘工作面个数和炮采炮掘工作面个数；Q其它为包括各类硐室的需风量之和，为已知量。
本发明提供的矿井需风量的全息预测方法具有以下优点：
本发明可以比较精确的预测出每一个采掘工作面下一个控制时间段的绝对瓦斯涌出量、煤尘和矿尘绝对产出量、炮烟绝对产出量、运输车辆的烟雾和一氧化碳排放量，以及满足舒适感和除尘要求的工作面供风量，从而可以根据满足矿井安全健康生产的瓦斯浓度、粉尘浓度、炮烟浓度和舒适度要求，有效地计算每个用风点的实际需风量。该方法可有效地解决矿井通风系统正常时期按需供风和风流控制的需风量问题，为实时按需供风提供技术保障。
附图说明
图1为本发明提供的矿井需风量的全息预测方法的流程示意图；
图2为本发明建立的三层BP人工神经网络模型结构图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种矿井需风量的全息预测方法，主要思路为：根据不同的地质条件和采掘工艺，利用与需风量预测相关的和可测的一切信息，以及人工神经网络可逼近任意非线性函数的特点，分别建立采掘工作面的瓦斯涌出量全息预测模型，煤尘和矿尘产生量全息预测模型、炮烟产生量全息预测模型，各用风点进风风流参数与回风风流的温度、湿度、舒适度关系模型以及井巷中车辆的废气排量模型。利用这些模型可以比较精确的预测出每一个采掘工作面下一个控制时间段的绝对瓦斯涌出量、煤尘和矿尘绝对产出量、炮烟绝对产出量、以及各用风的进点进风温度、湿度、风量与回风温度、湿度的关系以及井巷中车辆的废气排量。从而可以根据满足矿井安全健康生产的粉尘浓度、炮烟浓度、温湿度以及瓦斯等有害浓度限制，有效地计算出每个时段各采掘工作面等用风点的实际需风量。该方法可有效地解决矿井通风系统按需供风和风流控制的需风量超前预测问题，为实时按需供风、消除‘一通三防’隐患提供技术保障。
本发明提供一种矿井需风量的全息预测方法，以解决矿井通风系统全自动调风控风和半自动调风控风的需风量精确计算问题，包括以下步骤：
步骤1，建立具有学习能力的全息人工神经网络预测模型，包括：除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2、车辆废气排量全息预测模型G3、采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2。
具体的，矿井各用风点影响需风量的主要条件分为如下两类：
第一类：只与开采的确定性地质条件、生产工艺、产量等静态因素相关，而与不确定性地质条件、推进速度、推进位置和停滞时间等动态因素相关性不大的需风量计算条件。
第二类：不仅与开采的确定性地质条件、生产工艺、产量等静态因素相关，而且与工作面的推进速度、推进位置和停滞时间等动态因素也密切相关的需风量计算条件。
本发明中，除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3，其输入变量只与静态因素相关，因此，除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3在构建过程中，将相关的静态因素作为输入参数，通过对其进行学习和训练，即可构建通用的需风量计算模型，一旦通用的需风量计算模型建立完成，即可用于各种工作面的需风量预测计算。
而对于采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，其输入变量与静态因素和动态因素均相关，因此，需要对于每一个工作面分别建立采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，并且，在模型构建过程中，将相关的静态因素和动态因素作为输入参数，通过对其进行学习和训练，可构建到对应的需风量计算模型，用于预测后继时段该工作面的需风量预测；
此外，本发明中，上述涉及到的具有学习能力的全息人工神经网络预测模型，为已经经过样本数据训练的人工神经网络模型。各个预测模型通过以下方法构建并训练得到：
步骤1.1，设置原始人工神经网络预测模型，然后，确定原始人工神经网络预测模型的输入参数、预测参数、隐含层节点数和激励函数，其中，输入参数的技术特征是既全面，又要能够利用矿山地理信息系统、环境监测系统和生产工艺参数方便地获取。
(1)对于待构建的除尘需风量全息预测模型G1，原始人工神经网络预测模型的输入参数和输出参数选取见表1。
表1机采机掘工作面除尘需风量全息预测模型G1所对应的参数
注：在选择样本数据对除尘需风量全息预测模型G1所对应的人工神经网络模型进行训练时，除尘达标的供风量Q1能够通过监测工作面回风侧出口处的残余矿尘浓度进行。即，按照采掘设备的辅助除尘工艺(0-无除尘工艺,1-喷雾,2-气水喷射,3-除尘风机，4-其它)分类进行，对于不同的采掘设备辅助除尘工艺，通过调整工作面的进风量，实时测量残余矿尘浓度，直到矿尘浓度达到煤安与健康要求(例如不超过2mg/m3)时的工作面的进风量就是该采掘环境下的除尘达标的供风量。
(2)对于待构建的炮烟产生量全息预测模型G2，原始人工神经网络预测模型的输入参数和输出参数选取见表2。
表2炮烟产生量全息预测模型G2所对应的参数
注：在选择样本数据对炮烟产生量全息预测模型G2所对应的人工神经网络模型进行训练时，输出的炮烟产量W2、粉尘产量F1和有害气体产量可通过测量回风量、相应排出量的浓度和通风时间测算出来。
(3)对于待构建的巷道中单辆车废气排量全息预测模型G3，其输入输出参数选取见表3。
表3巷道中单辆车废气排量全息预测模型G3所对应的参数
(4)对于待构建的采掘工作面瓦斯涌出量全息预测模型M1，原始人工神经网络预测模型的输入参数和输出参数选取见表4。
表4采掘工作面瓦斯涌出量全息预测模型M1所对应的参数
注：在选择样本数据对采掘工作面瓦斯涌出量全息预测模型M1所对应的人工神经网络模型进行训练时，样本参数的获取方法为：x1-x25可通过矿山地理信息系统的空间和属性的查询功能实施获取。
y1获取方法为：在工作面的回风巷道中一个风流比较稳定的断面监测瓦斯平均浓度c和平均风速v，结合该断面积s，计算瓦斯绝对涌出量y1＝c×v×s(m3/s)。注意：对于上述因素，可以分别与工作面的瓦斯涌出量进行相关性分析，预测时可以删除相关因子比较小的因素，特别是那些变化比较小的因素。
(5)对于待构建的降温除湿舒适感需风量全息预测模型M2，原始人工神经网络预测模型的输入参数和输出参数选取见表5。
表5降温除湿舒适感需风量全息预测模型M2所对应的参数
注：对于降温除湿舒适感需风量全息预测模型M2，对每一个作业点(需风点)均需建立一个，该模型隐含了围岩散热、环境水蒸汽、机械散热、工艺参数、人工呼吸等造成的影响，通过一定时段的训练学习。该模型可以实现：已知进风温度、进风湿度和作业人数，所要求的作业温度、作业湿度和舒适度(风速)，就可以求出进风量(m3/s)。舒适度可以定义为作业人员的实际感受：舒适1、良好0.85、一般0.7、较差0.6、不爽0.5、难受0.4等。
用BP人工神经网络等人工智能方法建立某个预测学习模型的关键就是如何确定输入变量和输出变量，使其满足科学性、合理性、可行性和实用性，本发明的重要特征之一就是科学合理地确定了上述预测学习模型的输入变量和输出变量。
步骤1.2，在确定了原始人工神经网络预测模型的输入参数和输出参数后，编制需风量预测的学习和预测软件，简称AnnFlow，要求该软件学习训练收敛速度快，建立样本数据库，通过安装AnnFlow，集成矿井地理信息系统和环境监测监控系统，实现各类模型的训练学习，得到模型G1、G2、G3、M1、M2中的各类参数。
下面以巷道中单辆车废气排量全息预测模型G3的建立方法进行说明：
以三层BP人工神经网络学习方法为例，三层BP人工神经网络预测模型结构和参数如图2所示。
其中：x1,…,xm,…,xM为输入层的变量，M为输入层变量个数；v1,v2…,vl,…,vL为隐含层的变量，L为隐含层变量个数；y1,…,yj,…,yJ为输出层的变量，也就是预测量；J为输出层变量的个数。它们之间的关系如下：
取S形激励函数，即u为函数自变量；
而ωml(m＝1,…,M,l＝1,…,L),
其中：ωml(m＝1,…,M,l＝1,…,L),wlj(l＝1,…,L,j＝1,…,J),θj(j＝1,…J)的含义分别为：隐含层权值、隐含层阈值、输出层权值和输出层阈值，这四个参数就是要通过样本数据和学习算法确定的模型参数。
即：对于给定的样本其中，代表M个输入量；代表J个实际输出量的值；求一组ωml(m＝1,…,M,l＝1,…,L),wlj(l＝1,…,L,j＝1,…,J),θj(j＝1,…J)使得学习误差函数E：
达到最小。
其中
根据表3的输入输出参数设计，该模型G3有11个输入变量，2个输出变量，取隐含层节点个数为39。即M＝11(对应输入xx,x2,…,x11)，J＝2(对应输出y1,y2)，L＝39。
通过100组样本进行了3000次迭代学习，得到的学习结果见表6。
其中P1和P2分别为学习后的Y1和Y2的模型计算值，由表6可知，其学习精度可以满足要求，用此模型对没有参与学习的样本进行预测，其结果列于表7。
表6巷道中单辆车废气排量预测模型G3的学习结果
| X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 | X11 | O1(Y1) | Q2(Y2) | P1 | P2 |
| 2 | 4 | 5 | 8 | 5 | 0 | 5 | -3 | 0.42 | 775 | 6 | 0.0079 | 1.9888 | 0.0079 | 1.9907 |
| 3 | 1 | 8 | 5 | 5 | 7 | 7 | 0 | -0.14 | 545 | 6 | 0.0118 | 2.9558 | 0.0118 | 2.9657 |
| 8 | 4 | 2 | 2 | 5 | 5 | 6 | 4 | -0.47 | 366 | 4 | 0.0018 | 0.4566 | 0.0018 | 0.4685 |
| 6 | 6 | 7 | 1 | 5 | 8 | 9 | -3 | 0.46 | 573 | 9 | 0.0121 | 3.0273 | 0.0121 | 3.0351 |
| 7 | 5 | 9 | 4 | 8 | 8 | 7 | 0 | 0.29 | 374 | 9 | 0.0153 | 3.8203 | 0.0153 | 3.8267 |
| 5 | 3 | 2 | 6 | 8 | 9 | 8 | 2 | -0.27 | 448 | 1 | 0.0014 | 0.3631 | 0.0014 | 0.3484 |
| 10 | 5 | 2 | 8 | 9 | 2 | 4 | 2 | -0.5 | 433 | 1 | 0.0004 | 0.0994 | 0.0006 | 0.1723 |
| 10 | 3 | 3 | 2 | 9 | 8 | 6 | -1 | -0.45 | 674 | 3 | 0.0017 | 0.4463 | 0.0017 | 0.4431 |
| 5 | 2 | 0 | 4 | 4 | 0 | 7 | 3 | -0.04 | 708 | 6 | 0.0036 | 0.9199 | 0.0036 | 0.9211 |
| 2 | 7 | 2 | 2 | 4 | 9 | 8 | 0 | 0.22 | 274 | 5 | 0.0047 | 1.1772 | 0.0047 | 1.1768 |
| … | … | … | … | … | … | … | … | … | … | … | … | … | … | … |
| 5 | 6 | 4 | 2 | 6 | 6 | 0 | 0 | 0.08 | 677 | 6 | 0.0051 | 1.2751 | 0.0052 | 1.3015 |
| 8 | 2 | 9 | 7 | 7 | 3 | 0 | 1 | 0.05 | 607 | 4 | 0.0044 | 1.0954 | 0.0044 | 1.1082 |
表7巷道中单辆车废气排量预测模型G3的预测结果
| X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 | X11 | Y1 | Y2 | P1 | P2 |
| 6 | 8 | 2 | 5 | 2 | 9 | 8 | 2 | .04 | 224 | 5 | 0.0033 | 0.8115 | .0034 | 0.87229 |
| 1 | 7 | 3 | 5 | 3 | 5 | 9 | 1 | -0.05 | 922 | 5 | 0.0069 | 1.7292 | .0060 | 1.5945 |
由表7可以看出，用该模型预测巷道(或隧道)中单车辆的废气排量误差在10％左右，完全可以达到实用要求。
步骤2，当需要预测某工作面在下一个控制时间段的需风量时，获取与该工作面对应的各个全息预测模型的输入变量，并输入到对应的全息预测模型中，从而得到各个全息预测模型的输出变量；然后，对各个全息预测模型的输出变量进行进一步计算，得到该工作面在下一个控制时间段的需风量。
具体的，利用已建立的除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2、车辆废气排量全息预测模型G3、采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，结合时态地理信息和监测信息，获得各预测模型的输入参数值，然后计算得到输出参数值；再按照安全规程要求的矿井各地点的有害气体浓度限制和作业人员的安全、健康、舒适对风速、温度和湿度需求，实时预测到各用风点、各时段的需风量。
本步骤具体通过以下步骤实现：
步骤2.1：对于机采机掘工作面j，通过以下步骤计算其需风量：
步骤2.1.1：如果在同一时刻，除尘需风量全息预测模型G1预测的除尘达标供风量为单位为m3/s；
步骤2.1.2：采掘工作面瓦斯涌出量全息预测模型M1预测的瓦斯绝对涌出量为Wj，单位为m3/s，则通过以下公式计算稀释瓦斯的风量单位为m3/s：
其中，Cw为企业规定最高允许瓦斯浓度；
步骤2.1.3：降温除湿舒适感需风量全息预测模型M2预测的舒适进风量为单位为m3/s；
步骤2.1.4：机采机掘工作面j在该时段的需风量为：
其中：k＝1.2～1.3，为由预测误差引起的可靠性系数；
步骤2.2：对于炮采炮掘工作面j，通过以下步骤计算其需风量：
步骤2.2.1：如果在同一时刻，炮烟产生量全息预测模型G2预测的炮烟产量为W2，单位为m3/次；粉尘产量为F1，单位为mg/次；有害气体产量包括：一氧化碳产量为C1、二氧化碳产量为C2、二氧化氮产量为N2、二氧化硫产量为S2和硫化氢产量为Hs2；其中，有害气体产量的单位均为m3/次；
则稀释炮烟、粉尘和有害气体的风量为：
其中：的单位为m3/s；T为通风时间，单位为s；CW2、CC1、CF1、CC2、CN2CS2CHs2
分别为通风后炮烟、一氧化碳、粉尘、二氧化碳、二氧化氮、二氧化硫和硫化氢的残余浓度要求；
步骤2.2.2：采掘工作面瓦斯涌出量全息预测模型M1预测的瓦斯绝对涌出量为Wsj，单位为m3/s，则稀释瓦斯的风量为：
其中，Cw为企业规定最高允许瓦斯浓度；
步骤2.2.3：降温除湿舒适感需风量全息预测模型M2预测的舒适风量为单位为m3/s；
步骤2.2.4：机采机掘工作面j在该时段的需风量为：
其中：k＝1.2～1.3为由预测误差引起的可靠性系数；
步骤2.3：对于井巷j，通过以下步骤计算其需风量：
步骤2.3.1：如果在同一时刻，由降温除湿舒适感需风量全息预测模型M2预测的井巷j的舒适风量为单位为m3/s；
步骤2.3.2：由车辆废气排量全息预测模型G3预测的烟雾排量为：一氧化碳排量为：
其中，n为巷道j中同时行驶的车辆类型总数，np为车辆类型为p的车辆数，Wp为一辆类型p的车辆的烟雾排量预测值；Cp为一辆类型p的车辆的一氧化碳排量的预测值；
则运输车辆的烟雾排量的稀释风量为：其中，Cy为巷道j中烟雾排量的浓度要求；
运输车辆的一氧化碳排量的稀释风量为：其中，CC为巷道j中一氧化碳排量的浓度要求；
步骤2.3.3：井巷j在该时段的需风量为：
单位为m3/s。
还包括：
步骤3：矿井在该时段的总需风量Q矿为：
其中：N巷,N机,N炮分别代表需要预测量风量的井巷个数，机采机掘工作面个数和炮采炮掘工作面个数；Q其它为包括各类硐室的需风量之和，为已知量，不需要预测，可通过比较简单的计算公式获得。
由此可见，本发明提供的矿井需风量的全息预测方法，根据不同的生产工艺和监测手段建立不同的参数预测模型，可保证预测值的可获取和可验证；并且，每个参数预测模型所选择的输入参数既全面又容易取得，或者是安全生产管理的必要参数，从而保证了建立的人工神经网络模型的学习样本库容易建立和扩展，达到了先进实用的目的。
利用本发明提供的矿井需风量的全息预测方法，可以比较精确的预测出每一个采掘工作面下一个控制时间段的绝对瓦斯涌出量、煤尘和矿尘绝对产出量、炮烟绝对产出量、运输车辆的烟雾和一氧化碳排放量，以及满足舒适感和除尘要求的工作面供风量，从而可以根据满足矿井安全健康生产的瓦斯浓度、粉尘浓度、炮烟浓度和舒适度要求，有效地计算每个用风点的实际需风量。该方法可有效地解决矿井通风系统正常时期按需供风和风流控制的需风量问题，为实时按需供风、消除‘一通三防’隐患提供技术保障。该发明虽然列举了大量的学习和预测参数，但不排除可以进一步细化和扩展，而且首次提出了预测矿井需风量的概念。因此，凡是利用全息的思想来预测矿井需风量的方法和技术都属于本专利的保护范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种矿井需风量的全息预测方法，其特征在于，包括以下步骤：
步骤1，建立具有学习能力的全息人工神经网络预测模型，包括：除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2、车辆废气排量全息预测模型G3、采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2；
其中，所述除尘需风量全息预测模型G1的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、机掘工作面的工作面推进速度、机采工作面所采用的每个机采设备的机采参数；所述除尘需风量全息预测模型G1的输出变量为除尘达标供风量Q1；
所述炮烟产生量全息预测模型G2的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、炮采炮掘工作面的炮采炮掘工艺参数；所述炮烟产生量全息预测模型G2的输出变量包括：炮烟产量W2、粉尘产量F1和有害气体产量；
所述车辆废气排量全息预测模型G3的输入变量包括：车辆参数、车辆燃料参数、环境参数、车辆行驶路段参数以及车辆行驶速度；所述车辆废气排量全息预测模型G3的输出变量包括烟雾排量W1和一氧化碳排量C1；
所述采掘工作面瓦斯涌出量全息预测模型M1的输入变量包括：开始记录的时间、工作面深度、煤层属性参数、吸附常数a、吸附常数b、前方最近断层的距离、前方最近构造的距离、前方变厚点的距离、后方最近断层的距离、后方最近构造的距离、后方变厚点的距离、前方应力峰值的距离、前方应力峰值、两帮应力峰值的距离、两帮应力峰值、最邻近煤层距离、最邻近煤层厚度、本层钻场位置、本层钻孔覆盖面积、本层抽放强度、邻层钻场位置、邻层钻孔覆盖面积、邻层抽放强度和工作面推进速度；所述采掘工作面瓦斯涌出量全息预测模型M1的输出变量为瓦斯绝对涌出量Ws；
所述降温除湿舒适感需风量全息预测模型M2的输入变量包括：进风温度、进风湿度、作业人数、作业温度、作业湿度和舒适度最优的风速值；所述降温除湿舒适感需风量全息预测模型M2的输出变量为进风量Q2；
其中，除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3，其输入变量只与静态因素相关，因此，所构建的除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3可用于各种工作面的需风量预测；
对于采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，其输入变量与静态因素和动态因素均相关，因此，需要对于每一个工作面分别建立采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，用于该工作面的需风量预测；
步骤2，当需要预测某工作面在下一个控制时间段的需风量时，获取与该工作面对应的各个全息预测模型的输入变量，并输入到对应的全息预测模型中，从而得到各个全息预测模型的输出变量；然后，对各个全息预测模型的输出变量进行进一步计算，得到该工作面在下一个控制时间段的需风量。
2.根据权利要求1所述的矿井需风量的全息预测方法，其特征在于，对于所述除尘需风量全息预测模型G1，其输入变量中的围岩属性参数包括：围岩的容重γ、围岩硬度f和岩断面积Sy；其煤层属性参数包括：煤层容重γ、煤层硬度f、煤层灰分、煤层水分、煤层挥发分、煤层全硫量、煤层发热量和煤断面积Sm；每个机采设备的机采参数包括：工作滚筒直径、工作滚筒切割深度、工作滚筒切割对象、工作滚筒转速和辅助滚筒开停状态。
3.根据权利要求1所述的矿井需风量的全息预测方法，其特征在于，对于所述炮烟产生量全息预测模型G2，其输入变量中的围岩属性参数包括：围岩的容重γ、围岩硬度f和岩断面积Sy；其煤层属性参数包括：煤层容重γ、煤层硬度f、煤层灰分、煤层水分、煤层挥发分、煤层全硫量、煤层发热量和煤断面积Sm；其炮采炮掘工作面的炮采炮掘工艺参数包括：炮孔平均深度、炮孔平均直径、炮孔数量、耦合或不耦合的装药方式、炸药型号、引爆方式、装药量和封口方式；其输出变量中的有害气体产量包括：一氧化碳产量C1、二氧化碳产量C2、二氧化氮产量N2、二氧化硫产量S2和硫化氢产量Hs2；其中，有害气体产量的单位均为m3/次。
4.根据权利要求1所述的矿井需风量的全息预测方法，其特征在于，对于所述车辆废气排量全息预测模型G3，其输入变量中的车辆参数包括：车型、车辆100公里标准油耗、车辆使用年限和车辆载重量；所述车辆燃料参数为燃料标号系数；所述环境参数包括气压、气温和风速；所述车辆行驶路段参数包括坡度和深度。
5.根据权利要求1所述的矿井需风量的全息预测方法，其特征在于，对于所述采掘工作面瓦斯涌出量全息预测模型M1，其输入变量中的煤层属性参数包括：工作面煤层厚度、煤断面积、煤层容重、煤层硬度、煤层灰分、煤层水分、煤层挥发分、煤层硫分和煤层发热量。
6.根据权利要求1所述的矿井需风量的全息预测方法，其特征在于，步骤1中，对于所建立的具有学习能力的全息人工神经网络预测模型，为已经经过样本数据训练的人工神经网络模型。
7.根据权利要求1所述的矿井需风量的全息预测方法，其特征在于，步骤2具体为：
步骤2.1：对于机采机掘工作面j，通过以下步骤计算其需风量：
步骤2.1.1：如果在同一时刻，除尘需风量全息预测模型G1预测的除尘达标供风量为单位为m3/s；
步骤2.1.2：采掘工作面瓦斯涌出量全息预测模型M1预测的瓦斯绝对涌出量为Wj，单位为m3/s，则通过以下公式计算稀释瓦斯的风量单位为m3/s：
其中，Cw为企业规定最高允许瓦斯浓度；
步骤2.1.3：降温除湿舒适感需风量全息预测模型M2预测的舒适进风量为单位为m3/s；
步骤2.1.4：机采机掘工作面j在该时段的需风量为：
其中：k＝1.2～1.3，为由预测误差引起的可靠性系数；
步骤2.2：对于炮采炮掘工作面j，通过以下步骤计算其需风量：
步骤2.2.1：如果在同一时刻，炮烟产生量全息预测模型G2预测的炮烟产量为W2，单位为m3/次；粉尘产量为F1，单位为mg/次；有害气体产量包括：一氧化碳产量为C1、二氧化碳产量为C2、二氧化氮产量为N2、二氧化硫产量为S2和硫化氢产量为Hs2；其中，有害气体产量的单位均为m3/次；
则稀释炮烟、粉尘和有害气体的风量为：
其中：的单位为m3/s；T为通风时间，单位为s；CW2、CC1、CF1、CC2、CN2、CS2、CHs2分别为通风后炮烟、一氧化碳、粉尘、二氧化碳、二氧化氮、二氧化硫和硫化氢的残余浓度要求；
步骤2.2.2：采掘工作面瓦斯涌出量全息预测模型M1预测的瓦斯绝对涌出量为Wsj，单位为m3/s，则稀释瓦斯的风量为：
其中，Cw为企业规定最高允许瓦斯浓度；
步骤2.2.3：降温除湿舒适感需风量全息预测模型M2预测的舒适风量为单位为m3/s；
步骤2.2.4：机采机掘工作面j在该时段的需风量为：
其中：k＝1.2～1.3为由预测误差引起的可靠性系数；
步骤2.3：对于井巷j，通过以下步骤计算其需风量：
步骤2.3.1：如果在同一时刻，由降温除湿舒适感需风量全息预测模型M2预测的井巷j的舒适风量为单位为m3/s；
步骤2.3.2：由车辆废气排量全息预测模型G3预测的烟雾排量为：一氧化碳排量为：
其中，n为巷道j中同时行驶的车辆类型总数，np为车辆类型为p的车辆数，Wp为一辆类型p的车辆的烟雾排量预测值；Cp为一辆类型p的车辆的一氧化碳排量的预测值；
则运输车辆的烟雾排量的稀释风量为：其中，Cy为巷道j中烟雾排量的浓度要求；
运输车辆的一氧化碳排量的稀释风量为：其中，CC为巷道j中一氧化碳排量的浓度要求；
步骤2.3.3：井巷j在该时段的需风量为：
单位为m3/s；
k＝1.2～1.3，为由预测误差引起的可靠性系数。
8.根据权利要求7所述的矿井需风量的全息预测方法，其特征在于，还包括：
步骤3：矿井在该时段的总需风量Q矿为：
其中：N巷,N机,N炮分别代表需要预测量风量的井巷个数，机采机掘工作面个数和炮采炮掘工作面个数；Q其它为包括各类硐室的需风量之和，为已知量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611051308.4A CN106777528B (zh) | 2016-11-25 | 2016-11-25 | 矿井需风量的全息预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611051308.4A CN106777528B (zh) | 2016-11-25 | 2016-11-25 | 矿井需风量的全息预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106777528A CN106777528A (zh) | 2017-05-31 |
| CN106777528B true CN106777528B (zh) | 2017-11-21 |
Family
ID=58911150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611051308.4A Active CN106777528B (zh) | 2016-11-25 | 2016-11-25 | 矿井需风量的全息预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106777528B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 |
| CN110533887B (zh) * | 2019-08-07 | 2022-08-26 | 山东蓝光软件有限公司 | 一种基于实时监测数据的煤与瓦斯突出灾害离散模态预警方法，装置及存储介质 |
| CN111523244B (zh) * | 2020-04-30 | 2023-02-10 | 西安科技大学 | 一种煤矿巷道断面气体分布检测方法 |
| CN112127934B (zh) * | 2020-09-10 | 2021-12-10 | 北京科技大学 | 高海拔高温特长隧道施工变频节能通风系统及方法 |
| CN112749507B (zh) * | 2020-12-29 | 2022-07-12 | 浙江大学 | 一种全息在线计量煤和生物质耦合发电掺混比例的方法 |
| CN112796710B (zh) * | 2020-12-30 | 2023-04-07 | 淮北矿业股份有限公司 | 一种用于矿区瓦斯抽采评判的处理系统及其方法 |
| CN114135337A (zh) * | 2021-11-29 | 2022-03-04 | 西安石油大学 | 一种基于lstm网络的物联网矿井通风远程监控管理系统 |
| CN114000907A (zh) * | 2021-12-10 | 2022-02-01 | 重庆邮电大学 | 一种基于数字孪生技术的矿井通风设备智能调控系统 |
| CN114484822B (zh) * | 2022-02-10 | 2023-01-31 | 中国海洋大学 | 基于温度和硫化氢浓度控制的海洋平台通风系统控制方法 |
| CN114733105B (zh) * | 2022-03-29 | 2022-12-02 | 中国安全生产科学研究院 | 一种有限空间防火用注氮量的计算方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4183114B2 (ja) * | 2002-09-04 | 2008-11-19 | 株式会社小松製作所 | 鉱山運搬管理システム及び方法 |
| CN103266906B (zh) * | 2013-05-03 | 2015-01-14 | 中国矿业大学 | 一种巷道风阻参数自调整的验证矿井通风系统状态的方法 |
| CN103603691B (zh) * | 2013-11-28 | 2016-08-17 | 煤炭科学技术研究院有限公司 | 一种矿井通风动态解算和分析预警方法及系统 |
| CN103902497A (zh) * | 2014-03-03 | 2014-07-02 | 河南理工大学 | 矿用通风计算器 |
| CN104453975B (zh) * | 2014-10-14 | 2015-09-30 | 卢新明 | 一种矿井通风系统全局自动调控装置及方法 |
| CN104612740A (zh) * | 2014-12-01 | 2015-05-13 | 中国矿业大学 | 一种矿井通风系统自动调节系统 |
| CN104832203B (zh) * | 2015-05-19 | 2016-03-16 | 山东蓝光软件有限公司 | 矿井通风系统在线闭环优调优控方法 |
| CN104948215B (zh) * | 2015-05-19 | 2016-05-25 | 卢新明 | 一种矿井通风系统的联合优调优控方法 |
-
2016
- 2016-11-25 CN CN201611051308.4A patent/CN106777528B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106777528A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106777528B (zh) | 矿井需风量的全息预测方法 | |
| Yoo et al. | Tunneling performance prediction using an integrated GIS and neural network | |
| CN106910139A (zh) | 一种煤矿突透水灾害应急疏散模拟方法 | |
| Wu et al. | GIS and ANN coupling model: an innovative approach to evaluate vulnerability of karst water inrush in coalmines of north China | |
| CN104317637A (zh) | 基于多智能体的虚拟矿工安全行为建模及应急仿真系统 | |
| CN104156422A (zh) | 一种基于动态神经网络的瓦斯浓度实时预测方法 | |
| WO2023097932A1 (zh) | 一种工程机械多仿真结果筛选方法及系统 | |
| CN106481344A (zh) | 一种土压平衡盾构机隧道掘进参数智能控制方法 | |
| Yan et al. | Identification of geological characteristics from construction parameters during shield tunnelling | |
| CN110630274B (zh) | 一种盾构隧道复合地层组段实施系统及实施方法 | |
| CN107346361A (zh) | 基于地形地质图的边坡稳定性初步判别方法 | |
| Ali et al. | Improving coal mine safety with internet of things (IoT) based Dynamic Sensor Information Control System | |
| Mahdevari et al. | A hybrid PSO-ANFIS model for predicting unstable zones in underground roadways | |
| CN114386150A (zh) | 一种应用6g数字孪生的数字、智慧化建筑物 | |
| Adoko et al. | Estimation of convergence of a high-speed railway tunnel in weak rocks using an adaptive neuro-fuzzy inference system (ANFIS) approach | |
| CN111324988B (zh) | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 | |
| CN104899392B (zh) | 一种基于gis的煤矿瓦斯涌出超限预测智能分析方法 | |
| CN112907130A (zh) | 基于盾构施工参数的施工风险等级确定方法、装置及介质 | |
| Zhao et al. | A novel evaluation model for carbon dioxide emission in the slurry shield tunnelling | |
| CN106453468A (zh) | 一种基于gis技术的煤矿突水预警方法 | |
| CN113221399B (zh) | 一种铁路隧道装配式衬砌构件划分方案决策方法 | |
| CN106246226A (zh) | 一种矿井瓦斯涌出异常的识别方法 | |
| Lv et al. | A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation | |
| Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
| Zheng et al. | Simulation of bench stepping and optimization of bolt parameters based on multiple geological information fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |