CN111027257B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111027257B CN111027257B CN201911132538.7A CN201911132538A CN111027257B CN 111027257 B CN111027257 B CN 111027257B CN 201911132538 A CN201911132538 A CN 201911132538A CN 111027257 B CN111027257 B CN 111027257B
- Authority
- CN
- China
- Prior art keywords
- coal
- neural network
- pile
- storage time
- network model
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 239
- 238000003860 storage Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 66
- 238000002485 combustion reaction Methods 0.000 claims abstract description 50
- 230000002269 spontaneous effect Effects 0.000 claims abstract description 49
- 230000004913 activation Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000011800 void material Substances 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 17
- 239000007789 gas Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006386 memory function Effects 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000001179 sorption measurement Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract description 2
- 230000003647 oxidation Effects 0.000 description 9
- 238000007254 oxidation reaction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 239000002802 bituminous coal Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052573 porcelain Inorganic materials 0.000 description 2
- 239000009798 Shen-Fu Substances 0.000 description 1
- 241001106462 Ulmus Species 0.000 description 1
- 244000058281 Ulmus pumila Species 0.000 description 1
- 235000001547 Ulmus pumila Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
- G01N25/22—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity on combustion or catalytic oxidation, e.g. of components of gas mixtures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/22—Fuels; Explosives
- G01N33/222—Solid fuels, e.g. coal
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Combustion & Propulsion (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了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，首先通过调研分析识别得到与安全堆储时间相关的因素，将粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率设定为煤堆安全堆储时间的影响因素，将放热强度与温度作为评判煤堆自燃倾向性指标，构建神经网络模型并设定最小均方误差加以训练，得到通过堆砌时间等影响因素预测温度和放热强度的BP神经网络模型，并据此计算出煤堆最短自燃发火期。本发明具有预测方法简单、准确、适用范围广等优点。
Description
技术领域
本发明涉及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，属于煤自燃预测技术领域。
背景技术
我国的煤炭资源十分丰富，煤炭产量和消费量均居于世界前列，约占国内一次能源生产和消费总量的85％以上，但是我国煤炭自燃火灾十分严重。从新疆、宁夏、内蒙古大面积煤田露头火灾和灵武、神府、大同等矿区地面煤场和秦皇岛等码头的煤堆自燃火灾到兖州、义马、靖远、抚顺等矿区井下采煤区域的煤层自燃火灾随处可见。煤的自燃是一种非常严重的自然灾害，严重影响了煤炭的生产，造成了重大的经济和资源的损失。
当前对于煤堆自燃倾向性和自然发火期的预测方法主要有现场检测法以及数学模型预测法。现场检验法主要是测量煤堆内部的温度以及对于煤堆中气体进行浓度分析来对于自燃倾向性进行判断，这种方法具有一定的滞后性不能对煤堆的自燃进行很好的预防；建立数学模型能够通过总结煤自燃的规律对自燃倾向性进行提前预测，建立数学模型的方式对自燃倾向性进行预测，主要有两种方法，传统多项式回归以及神经网络预测，此类方法多用于判断煤自燃危险等级，无法预测确定的自燃发火期。
发明内容
为了解决当前预防煤自燃方法的预测滞后性以及不确定性的问题，本发明提供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，预防煤堆的自燃。
为实现上述目的，本发明采用的技术方案如下：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，包括以下步骤：
将粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率设定为煤堆安全堆储时间的影响因素，将放热强度和温度作为评判煤堆自燃倾向性指标；
选取不同煤种、不同空隙率的煤堆，按照统一直径堆放在不同空气流量的环境中，并在煤堆的中部以下覆盖不同厚度的粉煤，在不同的堆储时间测得温度，并在煤堆测点位置取气体样品分析计算得到放热强度，从而获得N组包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率以及放热强度和温度的输入输出一一对应的数据组；
将包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率的N组影响因素数据组进行归一化预处理；将其中的n组数据组作为训练样本集，其余N-n组数据组作为测试样本集；
构建神经网络模型，将归一化预处理后的影响因素数据组作为神经网络模型的输入，将评判煤堆自燃倾向性指标作为神经网络模型的输出，建立煤堆安全堆储时间影响因素和煤堆自燃倾向性指标的非线性映射；
设置神经网络模型的最小均方误差，将训练样本集作为神经网络模型的输入和预期输出，对所述神经网络模型进行训练，并利用所述神经网络模型进一步设计样本，使之达到学习记忆功能；当所述神经网络模型学习精度满足最小均方误差后即得到训练好的神经网络模型；
调整神经网络中的隐含层节点数目，将测试样本集输入训练好的神经网络模型，基于最小的训练误差确定神经网络的隐含层节点数目，得到用于预测粉煤覆盖煤堆安全堆储时间的BP神经网络模型；
对待测煤堆进行测试，获得包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率的待测煤堆影响因素实测值，将所述待测煤堆影响因素实测值数据组输入BP神经网络模型，获得放热强度和温度的预测值；
将放热强度和温度预测值用来计算待测煤堆的最短自燃发火期，得到粉煤覆盖煤堆安全堆储时间的预测结果。
上述方法还包括：
构建神经网络模型，将归一化预处理后的影响因素数据组作为神经网络模型的输入，将评判煤堆自燃倾向性指标温度与放热强度的归一化数值作为神经网络模型的输出结果，所述输出结果经过反归一化处理，得到放热强度与温度的转化值。
所述归一化预处理方法为：
其中，xk为归一化后数据，x为原始数据，xmin、xmax分别为同一影响因素数据组中的最小值和最大值；所述数据包括粉煤覆盖厚度、煤堆空隙率、煤活化能、空气流量、堆储时间中的任一影响因素数据；经过归一化预处理后的数据xk分布在[0,1]区间内。
所述反归一化预处理方法为：
x＝x输出×(xmax-xmin)
其中，x为转化值，x输出为神经网络模型输出的归一化值，xmin、xmax分别为同一影响因素数据组中的最小值和最大值。
上述方法还包括：
气体取样分析，获得包括O2、CO和CO2的浓度，对应堆储时间和温度，得到O2的消耗速率以及CO和CO2的生成速率；
通过以下公式计算得到最大放热强度qmax和最小放热强度qmin，并通过qmax和qmin的算术平均值计算得到放热强度q：
其中，qmax、qmin为放热强度的最大值与最小值，单位J/s；
为氧气的消耗速率，vCO、
分别为CO、CO2的生成速率，单位mol/s；ΔHCO、
分别为生成CO和CO2的平均焓变，单位J/mol；qa为气体化学吸附热，单位J/mol。
上述技术方案中，所述最小均方误差选用1×10-5。
上述技术方案中，所述粉煤为通过选取煤堆的适量煤样经过粉碎后获得的粒径小于6mm的煤粉。
上述技术方案中，所述最短自燃发火期通过公式计算：
其中，ρc为煤体密度，单位g/cm3；cc为煤体比热容，单位kJ/(kg·K)；τ为煤自燃时间，单位d；T为温度，单位K；q(T)为放热强度，单位J/s。
与现有技术相比，本发明具有如下有益效果：通过利用BP神经网络对煤堆自燃发火期的预测，能够提前应对煤堆自燃；同时，能够对不同煤种、不同堆放条件的煤堆进行自燃发火期的预测，方法简单、可靠、适用范围广。
附图说明
图1为本发明的神经网络模型结构示意图。
图2为本发明实施例一预测温度值和实测温度值对比图。
图3为本发明实施例二预测温度值和实测温度值对比图。
图4为本发明实施例三预测温度值和实测温度值对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
为了实现对粉煤覆盖的煤堆安全堆储时间的预测，首先通过调研分析识别得到与安全堆储时间相关的因素，将粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率设定为煤堆安全堆储时间的影响因素，将放热强度与温度作为评判煤堆自燃倾向性指标，并通过放热强度和温度计算出煤堆最短自燃发火期。
采用中国榆家梁(YJL)、瓷窑湾(CYW)和上湾(SW)三种易自燃煤建立煤堆，进行了粉煤覆盖下煤堆低温氧化的模拟试验。首先测试出与煤种相关的数据，比如：
煤的空隙率：
其中，ε为空隙率，单位cm3/g；ρ、ρα分别为煤的堆积密度以及煤的表观密度，单位kg/m3、g/cm3。
煤的活化能：
其中，Ea为活化能，单位J/mol；K为速率常数；T为温度，单位K；R为摩尔气体常数，单位J/(mol*K)。
将煤堆按照统一直径堆放，改变粉煤覆盖厚度和空气流量，随着堆储时间的变化，在统一高度和深度位置测定温度，并使用气体测量仪以及传感器测量此处气体中主要组分的浓度，如O2、CO和CO2等。本实施例选取的是直径为35m且中下部分别覆盖30、70、100cm厚度粉煤的不同煤种不同空隙率的煤堆，堆放于风速不同(0.08、0.10、0.12cm/s)环境中，选用测点位置为煤堆2m高、1.5m深处的煤氧化层。根据时间变化和气体组分浓度变化，得到O2的消耗速率以及CO和CO2的生成速率，依据如下公式计算煤堆不同堆储时间下的放热强度最大值和最小值：
其中，qmax、qmin为放热强度的最大值与最小值，单位J/s；
为氧气的消耗速率，vCO、
分别为CO、CO2的生成速率，单位mol/s；ΔHCO、
分别为生成CO和CO2的平均焓变，单位J/mol；qa为气体化学吸附热，单位J/mol。
为了能够对不同煤种的煤堆都进行预测，直接通过qmax和qmin求取算术平均值近似认为是煤体的特征放热强度，作为上述数据组中的放热强度。
记录下包括粉煤覆盖厚度、煤堆空隙率、煤活化能、空气流量、堆储时间以及放热强度和温度的输入输出一一对应的100组数据。
构建如图1所示的包含输入层、隐含层以及输出层的神经网络模型，其中选用tansig、purelin作为传递函数，trainscg作为训练函数。将包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率的影响煤低温氧化的因素作为神经网络模型的输入，再将评判煤自燃倾向性的指标(放热强度与温度)作为神经网络模型的输出，建立影响因素与煤自燃倾向性的非线性映射。形成包含5个输入层节点、若干个隐含层节点和2个输出层节点的神经网络模型。
然后使用100组数据的前70组数据作为神经网络模型的训练样本集，后30组数据作为神经网络模型的测试样本集，建立并获得符合精度(最小均方误差为1×10-5)的BP神经网络模型。
训练神经网络模型前为了避免数据绝对大小对结果的不良影响，采用如下办法对输入和输出数据进行归一化处理：(实际值-最小值)/(最大值-最小值)＝归一值，即
其中，xk为归一化后数据，x为原始数据(某一影响因素的实际值)，xmin、xmax分别为同一因素原始数据中的最小值和最大值；所述数据包括粉煤覆盖厚度、煤堆空隙率、煤活化能、空气流量、堆储时间中的任一影响因素数据。
通过神经网络模型计算得到输出值结果后，再采用反归一化推导出实际值：
x＝x输出×(xmax-xmin)
其中，x为转化值，x输出为神经网络模型输出的归一化值，xmin、xmax分别为同一影响因素数据组中的最小值和最大值。
在matlab中，归一化和反归一化分别用premnmx和postmnmx函数实现。
最终得到放热强度与温度的实际值。
设置神经网络模型的最小均方误差为1×10-5，将训练样本集作为神经网络模型的输入和预期输出，对神经网络模型进行训练，并在训练过程通过重复滚动输出利用神经网络模型进一步设计样本，使之达到学习记忆功能。当神经网络模型学习精度满足最小均方误差后即认为完成了训练，得到训练好的神经网络模型。
设定神经网络模型隐含层的初始节点数，将测试样本集输入训练好的神经网络模型对其进行测试，并不断调整隐含层节点数目，重复上述过程，最后基于最小的训练误差确定确定神经网络的隐含层节点数目，得到用于预测粉煤覆盖煤堆安全堆储时间的BP神经网络模型。
对待测定的煤堆进行测试，获得包括粉煤覆盖厚度、煤堆空隙率、煤活化能、空气流量、堆储时间的待测煤堆影响因素实测值数据组；将所述待测煤堆影响因素实测值数据组输入BP神经网络模型，预测煤堆的放热强度和温度
利用神经网络预测的温度与放热强度的数值，代入下述公式计算煤堆的最短自燃发火期：
其中，ρc为煤体密度，单位g/cm3；cc为煤体比热容，单位kJ/(kg·K)；τ为煤自燃时间，单位d；T为温度，单位K；q(T)为放热强度，单位J/s。
通过上述分析过程可以看出，煤的放热强度测量和计算是一个复杂的过程，而利用训练好的BP神经网络模型来预测煤堆堆砌过程的温度和放热强度，从而预测出其最短自燃发火期，大大简化了其过程。
实施例一
选取直径为35m、中下部覆盖70cm厚度的粉煤的上湾煤，煤堆堆储于新鲜风流(0.08cm/s)环境中，煤堆的平均空隙率为0.40，测点选在距离地面2m高、深度1.5m的煤氧化层作为温度与放热强度测点。对现有煤堆输入数据得到输出的温度以及放热强度的数值。表1为放热强度的BP神经网络预测值和文献值对比表。图2为温度的BP神经网络模型预测值和实际煤堆温度实测值对比图。由表1可以看出BP神经网络预测出的放热强度的值在查阅资料得到的放热强度的平均值上下波动，误差在允许范围内。由图2可以看出煤堆内部测点处的温度的值与BP神经网络的预测值相接近。因此本发明所构建的BP神经网络的值结果较为可靠。
表1放热强度的BP神经网络预测值和文献值对比
注：放热强度文献值查取条件为：新鲜风流(0.08cm/s)中的松散煤体(烟煤)在低温氧化时的放热强度平均值。
根据BP神经网络模型预测的温度值T以及放热强度q求煤堆的最短自燃发火期。代入数据，得到在粉煤覆盖厚度为70cm时，煤堆的最短自燃发火期为109～139天。
对于当前煤堆，煤堆覆盖70cm厚的粉煤煤堆堆放120天时温度快速增加，有自燃趋势。证明BP神经网络模型的预测结果可靠。
实施例二
选取直径为35m、中下部覆盖80cm厚度的粉煤的榆家梁煤，煤堆堆储于新鲜风流(0.08cm/s)环境中，煤堆的平均空隙率为0.45，测点选在距离地面2m高、深度1.5m的煤氧化层作为温度与放热强度测点。对现有煤堆输入数据得到输出的温度以及放热强度的数值。表2为放热强度的BP神经网络预测值和文献值对比表。图3为温度的BP神经网络模型预测值和实际煤堆温度实测值对比图。由表2可以看出BP神经网络预测出的放热强度的值在查阅资料得到的放热强度的平均值上下波动，误差在允许范围内。由图3可以看出煤堆内部测点处的温度的值与BP神经网络的预测值相接近。因此本发明所构建的BP神经网络的值结果较为可靠。
表2放热强度的BP神经网络预测值和文献值对比
注：放热强度文献值查取条件为：新鲜风流(0.08cm/s)中的松散煤体(烟煤)在低温氧化时的放热强度平均值。
根据BP神经网络模型预测的温度值T以及放热强度q求煤堆的最短自燃发火期。代入数据，得到在粉煤覆盖厚度为80cm时，煤堆的最短自燃发火期为119～145天。
对于当前煤堆，煤堆覆盖80cm厚的粉煤煤堆堆放130天时温度快速增加，有自燃趋势。证明BP神经网络模型的预测结果可靠。
实施例三
选取直径为35m、中下部覆盖90cm厚度的粉煤的瓷窑湾煤，煤堆堆储于新鲜风流(0.08cm/s)环境中，煤堆的平均空隙率为0.48，测点选在距离地面2m高、深度1.5m的煤氧化层作为温度与放热强度测点。对现有煤堆输入数据得到输出的温度以及放热强度的数值。表3为放热强度的BP神经网络预测值和文献值对比表。图4为温度的BP神经网络模型预测值和实际煤堆温度实测值对比图。由表3可以看出BP神经网络预测出的放热强度的值在查阅资料得到的放热强度的平均值上下波动，误差在允许范围内。由图4可以看出煤堆内部测点处的温度的值与BP神经网络的预测值相接近。因此本发明所构建的BP神经网络的值结果较为可靠。
表3放热强度的BP神经网络预测值和文献值对比
注：放热强度文献值查取条件为：新鲜风流(0.08cm/s)中的松散煤体(烟煤)在低温氧化时的放热强度平均值。
根据BP神经网络模型预测的温度值T以及放热强度q求煤堆的最短自燃发火期。代入数据，得到在粉煤覆盖厚度为90cm时，煤堆的最短自燃发火期为129～150天。
对于当前煤堆，煤堆覆盖90cm厚的粉煤煤堆堆放140天时温度快速增加，有自燃趋势。证明BP神经网络模型的预测结果可靠。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述方法包括：
将粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率设定为煤堆安全堆储时间的影响因素，将放热强度与温度作为评判煤堆自燃倾向性指标；
选取不同煤种、不同空隙率的煤堆，按照统一直径堆放在不同空气流量的环境中，并在煤堆的中部以下覆盖不同厚度的粉煤，在不同的堆储时间测得温度，并在煤堆测点位置取气体样品分析计算得到放热强度，从而获得N组包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率以及放热强度和温度的输入输出一一对应的数据组；
将包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率的N组影响因素数据组进行归一化预处理；将其中的n组数据组作为训练样本集，其余N-n组数据组作为测试样本集；
构建神经网络模型，将归一化预处理后的影响因素数据组作为神经网络模型的输入，将评判煤堆自燃倾向性指标作为神经网络模型的输出，建立煤堆安全堆储时间影响因素和煤堆自燃倾向性指标的非线性映射；
设置神经网络模型的最小均方误差，将训练样本集作为神经网络模型的输入和预期输出，对所述神经网络模型进行训练，并利用所述神经网络模型进一步设计样本，使之达到学习记忆功能；当所述神经网络模型学习精度满足最小均方误差后即得到训练好的神经网络模型；调整神经网络中的隐含层节点数目，将测试样本集输入训练好的神经网络模型，基于最小的训练误差确定神经网络的隐含层节点数目，得到用于预测粉煤覆盖煤堆安全堆储时间的BP神经网络模型；
对待测煤堆进行测试，获得包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率的待测煤堆影响因素实测值，将所述待测煤堆影响因素实测值数据组输入BP神经网络模型，获得放热强度和温度的预测值；
将放热强度和温度预测值用来计算待测煤堆的最短自燃发火期，得到粉煤覆盖煤堆安全堆储时间的预测结果；
所述方法还包括：
气体取样分析，获得包括O2、CO和CO2的浓度，对应堆储时间和温度，得到O2的消耗速率以及CO和CO2的生成速率；
通过以下公式计算得到最大放热强度qmax和最小放热强度qmin，并通过qmax和qmin的算术平均值计算得到放热强度q：
其中，qmax、qmin为放热强度的最大值与最小值，单位J/s；
为氧气的消耗速率，vCO、
分别为CO、CO2的生成速率，单位mol/s；ΔHCO、
分别为生成CO和CO2的平均焓变，单位J/mol；qa为气体化学吸附热，单位J/mol；
所述最短自燃发火期通过公式计算：
其中，ρc为煤体密度，单位g/cm3；cc为煤体比热容，单位kJ/(kg·K)；τ为煤自燃时间，单位d；T为温度，单位K；q(T)为放热强度，单位J/s。
2.根据权利要求1所述的利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述方法还包括：
构建神经网络模型，将归一化预处理后的影响因素数据组作为神经网络模型的输入，将评判煤堆自燃倾向性指标温度与放热强度的归一化数值作为神经网络模型的输出结果，所述输出结果经过反归一化处理，得到放热强度与温度的转化值。
3.根据权利要求1或2所述的利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述归一化预处理方法为：
其中，xk为归一化后数据，x为原始数据，xmin、xmax分别为同一影响因素数据组中的最小值和最大值；所述数据包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率中的任一影响因素数据；经过归一化预处理后的数据xk分布在[0，1]区间内。
4.根据权利要求2所述的利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述反归一化预处理方法为：
x＝x输出×(xmax-xmin)
其中，x为转化值，x输出为神经网络模型输出的归一化值，xmin、xmax分别为同一影响因素数据组中的最小值和最大值。
5.根据权利要求1所述的利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述最小均方误差选用1×10-5。
6.根据权利要求1所述的利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述粉煤为通过选取煤堆的适量煤样经过粉碎后获得的粒径小于6mm的煤粉。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911132538.7A CN111027257B (zh) | 2019-11-19 | 2019-11-19 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911132538.7A CN111027257B (zh) | 2019-11-19 | 2019-11-19 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111027257A CN111027257A (zh) | 2020-04-17 |
| CN111027257B true CN111027257B (zh) | 2021-10-08 |
Family
ID=70201540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911132538.7A Active CN111027257B (zh) | 2019-11-19 | 2019-11-19 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027257B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723858B (zh) * | 2020-06-16 | 2023-07-11 | 中冶宝钢技术服务有限公司 | 基于svm的料堆质量估算方法、装置、电子设备和介质 |
| CN113051791B (zh) * | 2021-03-09 | 2021-10-01 | 中国安全生产科学研究院 | 硫化矿石新建矿床开采过程安全预防管控方法 |
| CN113670980B (zh) * | 2021-07-26 | 2023-09-01 | 中煤科工集团沈阳研究院有限公司 | 确定煤最短自然发火期的方法 |
| CN114565193B (zh) * | 2022-04-15 | 2024-07-19 | 西安科技大学 | 基于机器学习的煤自燃倾向性预测方法 |
| CN118485003A (zh) * | 2024-06-03 | 2024-08-13 | 中国矿业大学(北京) | 基于woa-bp的采空区自燃“三带”分布预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105181744A (zh) * | 2015-08-25 | 2015-12-23 | 清华大学 | 一种煤堆发火期的计算方法和煤场防自燃监测系统 |
| CN108844651A (zh) * | 2018-05-06 | 2018-11-20 | 北京工业大学 | 一种基于神经网络的球仓温度预警方法 |
| CN109492322A (zh) * | 2018-11-23 | 2019-03-19 | 大唐环境产业集团股份有限公司 | 一种储煤筒仓内部煤体自燃位置预测方法 |
| 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 |
-
2019
- 2019-11-19 CN CN201911132538.7A patent/CN111027257B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105181744A (zh) * | 2015-08-25 | 2015-12-23 | 清华大学 | 一种煤堆发火期的计算方法和煤场防自燃监测系统 |
| CN108844651A (zh) * | 2018-05-06 | 2018-11-20 | 北京工业大学 | 一种基于神经网络的球仓温度预警方法 |
| CN109492322A (zh) * | 2018-11-23 | 2019-03-19 | 大唐环境产业集团股份有限公司 | 一种储煤筒仓内部煤体自燃位置预测方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| Numerical simulation and application experiment of the spontaneous combustion tendency of a coal stockpile covered with pulverized coal;Ruizhi Chu 等;《THE CANADIAN JOURNAL OF CHEMICAL ENGINEERING》;20190930;第98卷(第2期);第1-9页 * |
| Prediction of Coal Spontaneous Combustion in Goaf Based on the BP Neural Network;Zhenhua Xie 等;《Procedia Engineering》;20121231;第43卷;第88-92页 * |
| 基于BP神经网络的煤自燃温度预测研究;昝军才 等;《煤炭工程》;20191029;第51卷(第10期);第113-117页 * |
| 褐煤低温氧化下表面活性基团变化的量子化学计算及自然发火期的预测;戴警株;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20160215(第02期);第B021-322页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111027257A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027257B (zh) | 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 | |
| Jensen et al. | Converting loss‐on‐ignition to organic carbon content in arable topsoil: Pitfalls and proposed procedure | |
| CN103983757B (zh) | 基于混合Weibull分布的变压器绝缘热老化状态可靠性评估方法 | |
| CN103424654B (zh) | 一种敏感设备电压暂降敏感度的评估方法 | |
| CN105259327B (zh) | 一种可燃气体检测仪及其检测方法 | |
| CN104807715B (zh) | 一种六氟化硫气体中矿物油含量定量方法 | |
| CN105181744B (zh) | 一种煤堆发火期的计算方法和煤场防自燃监测系统 | |
| AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
| CN110057396B (zh) | 一种土壤和地下水挥发性有机物连续监测系统及预警方法 | |
| CN108844651B (zh) | 一种基于神经网络的球仓温度预警方法 | |
| CN110043321A (zh) | 一种煤矿瓦斯安全智能巡检系统及方法 | |
| CN103364844A (zh) | 一种计算煤层含气量的方法 | |
| CN106292590A (zh) | 一种电厂煤耗及碳排放监测方法及系统 | |
| CN109669424A (zh) | 一种复杂条件下岩石力学性能试验控制系统及方法 | |
| Zhang et al. | SVM model for estimating the parameters of the probability-integral method of predicting mining subsidence | |
| Chunrong et al. | Coal mine gas emission gray dynamic prediction | |
| CN105512690B (zh) | 基于监督等距映射和支持向量回归的球磨机料位测量方法 | |
| CN115201055B (zh) | 一种核电厂用防火封堵材料使用寿命的评估方法 | |
| CN115936211A (zh) | 一种可考虑土骨架破损影响的土体工程参数预测方法 | |
| CN112464848B (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 | |
| Li et al. | Knowledge-based genetic algorithms data fusion and its application in mine mixed-gas detection. | |
| Kong et al. | Influence mechanism of lightweight aggregate on concrete impermeability: Prediction by ANN | |
| Loga | Hierarchical approach to water body status misclassification | |
| CN110298142B (zh) | 一种基于实测数据的脱硝催化剂工艺特性指标预测方法 | |
| CN111986064B (zh) | 一种水污染快速溯源方法及系统 |
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 |