CN111222238A - 用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法 - Google Patents

用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法 Download PDF

Info

Publication number
CN111222238A
CN111222238A CN202010005680.1A CN202010005680A CN111222238A CN 111222238 A CN111222238 A CN 111222238A CN 202010005680 A CN202010005680 A CN 202010005680A CN 111222238 A CN111222238 A CN 111222238A
Authority
CN
China
Prior art keywords
prediction model
big data
gas explosion
shock wave
disaster
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.)
Pending
Application number
CN202010005680.1A
Other languages
English (en)
Inventor
刘剑
曲敏
黄德
刘学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202010005680.1A priority Critical patent/CN111222238A/zh
Publication of CN111222238A publication Critical patent/CN111222238A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法。利用数值模拟或爆炸实验获得瓦斯爆炸冲击波及火焰传播的压力、温度、有毒有害气体等致灾因子在典型爆源附近、典型均直巷道、以及典型巷道交叉点的传播状态大数据，并将影响瓦斯爆炸冲击波及火焰传播的因素作为人工神经网络的输入节点，将压力、温度、有毒有害气体等致灾因子作为输出节点，建立瓦斯爆炸冲击波传播状态快速预测模型，有效解决了数值模拟建模、计算及数据分析处理等过程时耗大等问题，本发明在假设已知爆源位置及参与爆炸的瓦斯含量情况下，对爆炸冲击波及火焰的全风网传播状态预测可以控制在60秒之内完成，极大满足了应急救援的需求。

Description

用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法
技术领域
本发明涉及矿井瓦斯爆炸领域，尤其涉及一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法。
背景技术
将瓦斯爆炸冲击波的压力、火焰温度及生成的有毒有害气体称为造成通风系统失效的致灾因子。矿井瓦斯爆炸发生后，快速确定瓦斯爆炸冲击波及火焰在矿井全风网的传播状况，对快速判识矿井通风系统失效模式、制定决策救灾方案具有极其重要的意义。
目前，瓦斯爆炸冲击波传播理论的研究已经比较成熟，以实验和数值模拟为主要研究手段，瓦斯爆炸数值模拟涉及到建模、网格划分、运算等步骤，对于一次爆炸的模拟需要耗费的时间周期较长，一次完整的数值模拟需要消耗24h甚至更长的时间，瓦斯爆炸实验的设计操作具有特殊危险性。在瓦斯爆炸事故发生时，使用数值模拟和实验手段难以快速获取瓦斯爆炸冲击波的压力、温度、有毒有害气体等致灾因子的传播状态，对于应急救援决策方案的确定具有延时性，是没有办法满足应急救援需求的。
通过CFD软件或者瓦斯爆炸物理实验可以获得关于瓦斯爆炸冲击波全风网传播规律大数据，通过人工神经网络(简称ANN)方法构建关于瓦斯爆炸冲击波全风网传播状态预测模型。在给定假设爆源位置及爆炸当量的情况下，瓦斯爆炸冲击波全风网传播预测耗时能够控制在60s之内，满足应急决策之需。
矿井瓦斯爆炸冲击波传播状态影响因素主要包括：巷道断面形状、巷道截面大小、爆炸物体积量、爆炸物浓度、障碍物、支护方式以及巷道拐角、分岔等。巷道环境错综复杂，研究不同因素对瓦斯爆炸冲击波传播规律的影响，对判断爆炸险情，快速制定紧急救灾避灾方案可在很大程度上降低瓦斯爆炸所导致的伤害和损失。
发明内容
本发明基于现有的瓦斯爆炸数值模拟、爆炸实验及ANN方法进行进一步研究，为瓦斯爆炸冲击波传播提供快速预测方法，为应急救援方案的制定提供决策性信息，并达到具有普适性的效果。
为实现上述技术效果，本发明提出了一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法，包括以下步骤：
步骤1：建立无加速补给条件下瓦斯爆炸冲击波全风网传播的数值模拟模型或爆炸实验模型；
步骤2：利用数值模拟或实验方式获得N组影响瓦斯爆炸冲击波的压力、温度、有毒气体三种致灾因子传播状态的样本大数据，每组样本大数据包括致灾因子影响因素值以及致灾因子值；
步骤3：根据瓦斯爆炸冲击波全风网传播模型建立瓦斯爆炸冲击波传播ANN预测模型，将每组样本大数据中的致灾因子影响因素值作为ANN预测模型的输入，致灾因子值作为ANN预测模型的输出，所述ANN预测模型的输入端集成有归一化处理模块，ANN预测模型的输出端集成有反归一化处理模块；
步骤4：将N组样本大数据输入给ANN预测模型进行ANN预测模型的构建，所述构建包括训练过程和验证过程，随机选取n组样本大数据作为训练过程中的训练样本大数据，选取剩下的N-n组样本大数据作为验证过程中的验证样本大数据，训练过程中不断调整ANN预测模型参数，绘制N-n组验证样本大数据的相对误差值ε1散点图，当相对误差值ε1到达波谷时，对应参数的模型称为最优ANN预测模型，所述N-n组验证样本大数据的相对误差值ε1的计算如公式(1)所示；
Figure BDA0002355199520000021
式中，yi表示ANN预测模型输出的第i个致灾因子预测值，y′i表示第i组验证样本大数据中的致灾因子值；
步骤5：随机选取m组样本大数据作为测试样本大数据，将每组测试样本大数据中的致灾因子影响因素值作为最优ANN预测模型的输入，对最优ANN预测模型进行准确性的测试，当m组测试样本大数据的相对误差值ε2小于预设测试相对误差值
Figure BDA0002355199520000023
时，证明所述最优ANN预测模型符合准确性要求，所述m组测试样本大数据的相对误差值ε2的计算如公式(2)所示；
Figure BDA0002355199520000022
式中，yj表示最优ANN预测模型输出的第j个致灾因子预测值，y'j表示第j组测试样本大数据中的致灾因子值；
步骤6：将符合准确性要求的最优ANN预测模型用于瓦斯爆炸冲击波传播状态的预测。
所述步骤3中的瓦斯爆炸冲击波传播ANN预测模型是指爆源瓦斯爆炸冲击波传播ANN预测模型、均直巷道瓦斯爆炸冲击波传播ANN预测模型以及通过巷道交叉点的瓦斯爆炸冲击波传播ANN预测模型。
本发明的有益效果是：
本发明提出了一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法，采用数值模拟或瓦斯爆炸实验方式获取瓦斯爆炸冲击波传播状态大数据，建立瓦斯爆炸冲击波传播应急预测模型，有效解决了数值模拟建模、计算及数据分析处理等过程时耗大等问题，同时可以将预测时间控制在60s以内，极大满足了应急救援的时间需求。
附图说明
图1为本发明中的用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法流程图。
图2为本发明中的以一端封闭的掘进巷道工作面模型为例的爆源模型图。
图3为本发明中的致灾因子在均直巷道中的传播模型图。
图4为本发明中的一进一出巷道交叉点传播模型图。
图5为本发明中的一进二出巷道交叉点传播模型图。
图6为本发明中的以掘进工作面瓦斯爆炸模型为例的爆源参数ANN预测模型图。
图7为本发明中的瓦斯爆炸冲击波均直巷道传播ANN预测模型图。
图8为本发明中的瓦斯爆炸冲击波通过巷道交叉点的ANN预测模型图。
图9为本发明中的均直圆形巷道致灾因子传播模型图。
图10为本发明中的均直圆形巷道致灾因子传播ANN预测模型图。
图11为本发明中的最优ANN预测模型输出的验证样本与模拟样本的相对误差散点图。
图12为本发明中的测试最优ANN预测模型时的测试样本与模拟样本的相对误差散点图。
图13为本发明中的瓦斯爆炸冲击波传播状态预测值与CFD数值模拟值比较图，其中图(a)表示压力致灾因子值以及所对应的时间，图(b)表示温度致灾因子值以及所对应的时间。
图14为本发明中的ANN预测模型的预测相对误差图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明，一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法，利用数值模拟或爆炸实验获得瓦斯爆炸冲击波的压力、温度、有毒有害气体等致灾因子传播状态样本大数据，并将影响瓦斯爆炸传播的因子作为ANN的输入节点，压力、温度等因子作为输出节点，建立瓦斯爆炸致灾因子传播应急预测模型，解决数值模拟建模、计算及数据分析处理等过程时耗大等问题，将预测过程有效控制在60s以内，实现应急救援的瓦斯爆炸冲击波传播快速预测的方法。
说明书附图中给出了以一端封闭的掘进巷道工作面模型为例的爆源模型如图2所示，图2中T表示爆源温度，P表示爆源超压，x1表示爆源最高温度位置，x2表示爆源最大超压位置，T0表示爆源最高温度，P0表示爆源最大超压，致灾因子在均直巷道中的传播模型如图3所示，图3中M1表示冲击波传播始点，M2表示冲击波传播测点，(P1,T1,C1)表示冲击波传播始点的超压值、温度值、有毒有害气体量，(P2,T2,C2)表示冲击波传播至测点的超压值、温度、有毒有害气体量，一进一出巷道交叉点传播模型如图4所示，图4中(P3,T3,C3)表示冲击波始点的超压值、温度值、有毒有害气体量，(P4,T4,C4)表示测点超压值、温度值、有毒有害气体量，以及一进二出巷道交叉点传播模型如图5所示，图5中α表示交叉拐角，M'4(P4',T4',C'4)表示分叉支路测点以及测点的超压值、温度值、有毒有害气体量，同时还给出了以掘进工作面瓦斯爆炸模型为例的爆源参数ANN预测模型如图6所示，瓦斯爆炸冲击波均直巷道传播ANN预测模型如图7所示，以及瓦斯爆炸冲击波通过巷道交叉点的ANN预测模型如图8所示，本实施例将以一端封闭的掘进巷道工作面模型的爆源模型与致灾因子在均直巷道中的传播模型合并为一种情况，对一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法进行详细说明，如图1所示，包括以下步骤：
步骤1：建立无加速补给条件下瓦斯爆炸冲击波全风网传播的数值模拟模型或爆炸实验模型，包括爆源模型、致灾因子在均直巷道中的传播模型以及巷道交叉点传播等3个模型，所述数值模拟模型可以通过CFD软件建立，爆炸实验模型是通过实验建立，本实施例中需要建立如图9所示的均直圆形巷道瓦斯爆炸冲击波传播模型，其中巷道长度为1000m，巷道终端开口，其他壁面均封闭，巷道所有壁面均处于光滑绝热状态，断面直径分别取D＝4m、5m、6m，瓦斯充填长度分别取L＝100m、200m、300m，瓦斯浓度变化区间为7％-13％，每50m设置一个致灾因子观测点，图中M1～M20表示设置的20个致灾因子观测点，爆炸初始状态为常温常压，爆炸过程为绝热状态，采用点爆方式点火，点火位置在瓦斯空气混合气体中心处；
步骤2：利用数值模拟或实验方式获得N组影响瓦斯爆炸冲击波的压力、温度、有毒气体三种致灾因子传播状态的样本大数据，每组样本大数据包括致灾因子影响因素值以及致灾因子值，本实施例中根据建立好的均直圆形巷道瓦斯爆炸冲击波传播模型，利用CFD数值模拟方式通过改变巷道断面、瓦斯浓度、爆炸物总量等影响瓦斯爆炸冲击波传播的因素，其中改变巷道断面、爆炸物总量通过改变巷道直径和爆炸物的充填距离来实现，获得1263组瓦斯爆炸冲击波的压力、温度致灾因子传播状态的样本大数据；
步骤3：根据步骤1建立的瓦斯爆炸冲击波全风网传播模型建立瓦斯爆炸冲击波传播ANN预测模型，包括爆源瓦斯爆炸冲击波传播ANN预测模型、均直巷道瓦斯爆炸冲击波传播ANN预测模型以及通过巷道交叉点的瓦斯爆炸冲击波传播ANN预测模型，如图10所示，将每组样本大数据中的致灾因子影响因素值作为ANN预测模型的输入，致灾因子值作为ANN预测模型的输出，所述ANN预测模型的输入端集成有归一化处理模块，ANN预测模型的输出端集成有反归一化处理模块；
步骤4：将N组样本大数据输入给ANN预测模型进行ANN预测模型的构建，所述构建包括训练过程和验证过程，随机选取n组样本大数据作为训练过程中的训练样本大数据，选取剩下的N-n组样本大数据作为验证过程中的验证样本大数据，训练过程中不断调整ANN预测模型参数，绘制N-n组验证样本大数据的相对误差值ε1散点图，当相对误差值ε1到达波谷时即得到最优ANN预测模型，所述N-n组验证样本大数据的相对误差值ε1的计算如公式(1)所示；
Figure BDA0002355199520000051
式中，yi表示ANN预测模型输出的第i个致灾因子预测值，yi'表示第i组验证样本大数据中的致灾因子值；
步骤3中对样本大数据进行归一化处理就是为了取消训练样本大数据中各维数据间数量级差别，提高训练过程中迭代求解的收敛速度和精度；
步骤4中的参数包括随机样本数n、训练函数、期望误差最小值、隐含层数、隐含层神经元个数、最大训练步长、学习率；
本实施例中在构建ANN预测模型时，得到的最优ANN预测模型的验证输出样本与模拟输出样本的相对误差散点图如图11所示，最优ANN预测模型对应的参数分别为：输入层与隐含层间的传输函数为对数S型正切函数、隐含层与输出层间的传输函数为S型对数函数、期望误差最小值为0.006、最大训练步长为1000、学习率为0.05、训练样本数与测试样本数比例为17:3、隐含层层数为2、隐含层神经元个数为16；
步骤5：随机选取m组样本大数据作为测试样本大数据，将每组测试样本大数据中的致灾因子影响因素值作为最优ANN预测模型的输入，对最优ANN预测模型进行准确性的测试，当m组测试样本大数据的相对误差值ε2小于预设测试相对误差值
Figure BDA0002355199520000052
时，证明所述最优ANN预测模型符合准确性要求，所述m组测试样本大数据的相对误差值ε2的计算如公式(2)所示；
Figure BDA0002355199520000061
式中，yj表示最优ANN预测模型输出的第j个致灾因子预测值，y'j表示第j组测试样本大数据中的致灾因子值；
本实施例中随机选取5组样本大数据作为测试样本大数据，分别为样本①(5,9,300,600)、样本②(4,11,200,500)、样本③(5,8,300,450)、样本④(6,12,100,300)、样本⑤(6,9,200,550),其验证结果如表1所示，表中给出了5组测试样本大数据通过最优ANN预测模型输出的致灾因子的预测值，以及5组测试样本大数据通过CFD模拟获得的致灾因子模拟值，从表中可以看出最大相对误差为16.1％，平均误差为5.24％，其相对误差散点图如图12所示；
步骤6：将符合准确性要求的最优ANN预测模型用于瓦斯爆炸冲击波传播状态的预测，本实施例中瓦斯爆炸冲击波传播状态的预测样本参数为：断面直径D＝5m，瓦斯充填长度L＝200m，甲烷气体浓度为10％，得到的预测结果如图13、图14所示，从预测结果来看，通过最优ANN预测模型输出的预测值与通过CFD模拟模型获得的模拟值非常接近，平均相对误差为6.88％，可以较好的预测瓦斯爆炸冲击波传播状态，从预测时间来看，完成一次预测过程是瞬时的，即使加上输入变量的时间也可以将预测控制在1min以内，可以达到应急救援的目的。
表1测试样本大数据的预测值与模拟值的比较验证表
Figure BDA0002355199520000071

Claims (2)

1.一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法，其特征在于，包括以下步骤：
步骤1：建立无加速补给条件下瓦斯爆炸冲击波全风网传播的数值模拟模型或爆炸实验模型；
步骤2：利用数值模拟或实验方式获得N组影响瓦斯爆炸冲击波的压力、温度、有毒气体三种致灾因子传播状态的样本大数据，每组样本大数据包括致灾因子影响因素值以及致灾因子值；
步骤3：根据瓦斯爆炸冲击波全风网传播模型建立瓦斯爆炸冲击波传播ANN预测模型，将每组样本大数据中的致灾因子影响因素值作为ANN预测模型的输入，致灾因子值作为ANN预测模型的输出，所述ANN预测模型的输入端集成有归一化处理模块，ANN预测模型的输出端集成有反归一化处理模块；
步骤4：将N组样本大数据输入给ANN预测模型进行ANN预测模型的构建，所述构建包括训练过程和验证过程，随机选取n组样本大数据作为训练过程中的训练样本大数据，选取剩下的N-n组样本大数据作为验证过程中的验证样本大数据，训练过程中不断调整ANN预测模型参数，绘制N-n组验证样本大数据的相对误差值ε1散点图，当相对误差值ε1到达波谷时，对应参数的模型称为最优ANN预测模型，所述N-n组验证样本大数据的相对误差值ε1的计算如公式(1)所示；
Figure FDA0002355199510000011
式中，yi表示ANN预测模型输出的第i个致灾因子预测值，y′i表示第i组验证样本大数据中的致灾因子值；
步骤5：随机选取m组样本大数据作为测试样本大数据，将每组测试样本大数据中的致灾因子影响因素值作为最优ANN预测模型的输入，对最优ANN预测模型进行准确性的测试，当m组测试样本大数据的相对误差值ε2小于预设测试相对误差值
Figure FDA0002355199510000013
时，证明所述最优ANN预测模型符合准确性要求，所述m组测试样本大数据的相对误差值ε2的计算如公式(2)所示；
Figure FDA0002355199510000012
式中，yj表示最优ANN预测模型输出的第j个致灾因子预测值，y′j表示第j组测试样本大数据中的致灾因子值；
步骤6：将符合准确性要求的最优ANN预测模型用于瓦斯爆炸冲击波传播状态的预测。
2.根据权利要求1所述的一种用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法，其特征在于，所述步骤3中的瓦斯爆炸冲击波传播ANN预测模型是指爆源瓦斯爆炸冲击波传播ANN预测模型、均直巷道瓦斯爆炸冲击波传播ANN预测模型以及通过巷道交叉点的瓦斯爆炸冲击波传播ANN预测模型。
CN202010005680.1A 2020-01-03 2020-01-03 用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法 Pending CN111222238A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010005680.1A CN111222238A (zh) 2020-01-03 2020-01-03 用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010005680.1A CN111222238A (zh) 2020-01-03 2020-01-03 用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法

Publications (1)

Publication Number Publication Date
CN111222238A true CN111222238A (zh) 2020-06-02

Family

ID=70806470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010005680.1A Pending CN111222238A (zh) 2020-01-03 2020-01-03 用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法

Country Status (1)

Country Link
CN (1) CN111222238A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765891A (zh) * 2021-01-27 2021-05-07 辽宁工程技术大学 一种矿井火灾致灾因子最大值的预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095962A (zh) * 2015-07-27 2015-11-25 中国汽车工程研究院股份有限公司 一种基于bp人工神经网络的材料动态力学性能预测方法
CN105260599A (zh) * 2015-09-30 2016-01-20 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于bp神经网络建模的冲击地压动态预测方法
CN107122861A (zh) * 2017-04-28 2017-09-01 辽宁工程技术大学 一种基于pca‑pso‑elm的瓦斯涌出量预测方法
CN107122574A (zh) * 2017-06-30 2017-09-01 中国石油天然气股份有限公司西部管道分公司 一种天然气管道物理爆炸对周边建筑物损坏范围的估算方法
CN107403234A (zh) * 2017-06-24 2017-11-28 中铁二院工程集团有限责任公司 基于神经网络的隧道煤与瓦斯突出预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095962A (zh) * 2015-07-27 2015-11-25 中国汽车工程研究院股份有限公司 一种基于bp人工神经网络的材料动态力学性能预测方法
CN105260599A (zh) * 2015-09-30 2016-01-20 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于bp神经网络建模的冲击地压动态预测方法
CN107122861A (zh) * 2017-04-28 2017-09-01 辽宁工程技术大学 一种基于pca‑pso‑elm的瓦斯涌出量预测方法
CN107403234A (zh) * 2017-06-24 2017-11-28 中铁二院工程集团有限责任公司 基于神经网络的隧道煤与瓦斯突出预测方法
CN107122574A (zh) * 2017-06-30 2017-09-01 中国石油天然气股份有限公司西部管道分公司 一种天然气管道物理爆炸对周边建筑物损坏范围的估算方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SHAO H 等: "Numerical analysis of factors influencing explosion suppression of a vacuum chamber", JOURNAL OF LOSS PREVENTION IN THE PROCESS INDUSTRIES *
刘剑 等: "应急状态下矿井瓦斯爆炸致灾因子传播快速分类器研究", 中国安全生产科学技术 *
徐景德 等: "矿井瓦斯爆炸传播的试验研究", 煤炭科学技术 *
李江涛: "矿井瓦斯爆炸超压值分布的神经网络预测方法", 煤矿安全 *
李雨成;刘天奇;周西华;: "煤尘爆炸火焰传播特性因子分析与BP网络组合预测研究", 中国安全科学学报 *
魏宁 等: "基于 BP 神经网络的矿井摩擦阻力系数预测", 矿业安全与环保 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765891A (zh) * 2021-01-27 2021-05-07 辽宁工程技术大学 一种矿井火灾致灾因子最大值的预测方法
CN112765891B (zh) * 2021-01-27 2023-11-10 辽宁工程技术大学 一种矿井火灾致灾因子最大值的预测方法

Similar Documents

Publication Publication Date Title
Wu et al. Prediction of coal and gas outburst: A method based on the BP neural network optimized by GASA
Yan et al. Review of predicting the blast-induced ground vibrations to reduce impacts on ambient urban communities
CN106650052A (zh) 一种基于人工神经网络的配料爆破参数智能设计方法
CN109871640A (zh) 一种基于蒙特卡罗模拟的粉尘二次爆炸风险预测方法
CN111222238A (zh) 用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法
CN109934398A (zh) 一种钻爆法施工隧道瓦斯危险等级预测方法和装置
Skob et al. Numerical assessment of hydrogen explosion consequences in a mine tunnel
CN112711904A (zh) 一种基于sa-ga-bp的爆破振动特征参量预测方法
CN114117732A (zh) 燃气管道泄漏后爆炸模拟方法及装置
CN111814372A (zh) 一种联合数值计算和块度筛分的爆破块度控制方法
CN111444942A (zh) 一种高炉铁水硅含量智能预报方法及系统
CN103033606A (zh) 一种测定半敞开空间可燃气体最小点火能的方法
CN115496003A (zh) 一种加氢站泄漏爆炸事故超压伤害评估方法
CN116822311B (zh) 一种爆炸瞬时炮孔周围应力预测方法及系统
CN108399296B (zh) 一种临近构筑物的基坑静态爆破的振速预测方法
Zhu Quantitative evaluation of coal-mining geological condition
CN113153348B (zh) 一种高地应力条件下地下洞室群布置方案比选方法
CN113283173A (zh) 地下工程能量与参数综合反分析系统及其方法
Zhang Research on the fragment-size model for blasting in jointed rock mass
Tingke et al. Research on Residual Strength Prediction Model of Corroded Pipeline Based on Improved PSO-BP
CN214473306U (zh) 预混可燃气体爆炸火焰传播速度研究装置
Zhang et al. A support vector machine based prediction on sensitivity to coal ash blast for different degrees of deterioration
CN116629141B (zh) 采煤条件下基于pso-bp算法的采空区自然发火预测方法和系统
CN107145694A (zh) 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法
Xie et al. Research on parameter search of the worst operating condition for explosion overpressure in utility tunnels based on genetic algorithm

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