CN113887054A - 一种基于ga-bp神经网络的采空区线性测温反演方法 - Google Patents
一种基于ga-bp神经网络的采空区线性测温反演方法 Download PDFInfo
- Publication number
- CN113887054A CN113887054A CN202111177847.3A CN202111177847A CN113887054A CN 113887054 A CN113887054 A CN 113887054A CN 202111177847 A CN202111177847 A CN 202111177847A CN 113887054 A CN113887054 A CN 113887054A
- Authority
- CN
- China
- Prior art keywords
- goaf
- temperature
- monitoring
- fire source
- neural network
- 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
Links
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于GA‑BP神经网络的采空区线性测温反演方法,属于采空区煤自燃监测领域,包括:通过束管监测系统和光纤测温系统监测采集采空区的温度和其气体浓度数据;采用BP神经网络对不同时刻监测数据进行学习分析,根据分析结果判断采空区的煤自燃状态;监测数据包括监测时间、气体浓度、温度及监测位置坐标;若煤自燃处于温升状态,则启动采空区火源反演模型,反演采空区火源位置。本发明通过在工作面进回风巷两侧采空区埋设束管监测系统和光纤测温系统,形成采空区煤自燃气体浓度与温度联合感知网络,实现采空区煤自燃多点连续感知,对采空区遗煤中心发火点的温度的精准预测,从而减少矿井火灾事故的发生。
Description
技术领域
本发明属于采空区煤自燃监测技术领域,具体涉及一种基于GA-BP神经网络的采空区线性测温反演方法。
背景技术
采空区遗煤自燃是矿井火灾最主要的形式之一,煤炭自燃引起的火灾占矿井火灾总数的90%,由于其主要发生在煤矿采空区等隐蔽地点,这给它的扑救和防治带来很大困难,从煤自燃火灾的成因来看,煤氧化放热后热量的聚集是引起采空区煤自燃的最主要原因。煤炭自燃涉及到热量的产生与传递,它是热量在浮煤这种多孔介质的中的热量产生与传递的过程,是生热与散热博弈的结果。深入研究采空区煤自燃机理、剖析防灭火技术的基本理论是预防和控制矿井火灾事故的重要基础支撑。
采空区煤自燃预测预报通常使用指标气体浓度和温度测定两种方法。指标气体浓度测定法根据煤自燃发展过程产生的氧化产物和高温分解产物,采用煤自燃程序升温实验,建立煤氧化自燃指标气体与温度的关系,确定预警指标及阈值,利用束管监测系统,判断采空区煤自燃的程度。受采空区漏风流场影响,该方法存在煤自燃初期监测灵感度较低、高温区域定位困难等问题。
测温法利用热电偶温度传感器测温、红外测温、光纤测温和无线自组网测温等技术,直接测定煤的温度,具有外界干扰少,测定准确的特点。然而,由于煤体导热性较差,温度传导速度小于气体流动速度,因此,传感器的数量及位置是探测采空区高温区域的关键。邢震等提出了分布式光纤温度探测技术监测火源高温点以及井下近距离抽气束管探测技术监测气体异常点。受采空区顶板垮落、矿山压力显现等条件限制,有线温度传感器布置困难,无线自组网测温技术信号传输距离较短,使得测温法的现场推广难度较大。因此,可以采用测温与气体浓度相结合的方法,发挥气体浓度监测反应速度较快,温度测定直观、准确性较高的优势。
国内外学者针对煤层自燃火源位置探测做了大量的研究,但都存在一些不足之处。如采空区预埋温度传感器法,由于要预先埋设大量探头这样不但费时费力,长期大量使用不但在经济上也不可行,还会影响生产,不利于高产高效的实现。红外热测温技术是却只能探测固体表面的温度,内部温度无法测定。测氡火区定位主要在地面进行适用于地下的大范围火区,而对回采面采空区内的某一局部地点测误差较大。以前的数值模拟法由于模型的误差再加上边界条件的假设不合理导致其解算的火源位置往往与实际情况相差较大。地质雷达法受到的干扰因素太多,测定效果并不理想。而气体成份法在确定煤自燃着火程度时效果较好,而对火源定位由于受通风的影响难度较大。针对以上问题本项目考虑通过质量及能量守恒等基本科学规律建立采空区自燃模型,并用相似模拟方法精确测定松散煤体的热物理参数,并结合光纤线测温技术,实现模型反演的采空区温度场分布。
矿井煤层采空区防灭火的重中之重是防火,而防火的关键就是对煤的温度的早期监测,防止遗煤自然发火,只有实时掌握了解遗煤的温度的变化,才能自如的去应对各种遗煤自然发火问题,才可以彻底把矿井火灾扼杀在摇篮里。由于BP神经网络在使用过程中存在些许不足之处,如收敛速度慢、易陷入局部极小点和网络拓扑结构难以确定等,而遗传算法自身的特点刚好可以弥补这些不足,经遗传算法优化的BP神经网络研究分布式光纤传感技术对预防采空区遗煤自然发火具有重要研究意义。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种基于GA-BP神经网络的采空区线性测温反演方法。
为了实现上述目的,本发明提供如下技术方案:
一种基于GA-BP神经网络的采空区线性测温反演方法,所述采空区的工作面进风巷和回风巷两侧均埋设束管监测系统和光纤测温系统,形成采空区煤自燃气体浓度与温度联合感知网络,实现采空区煤自燃多点连续感知,对采空区遗煤中心发火点的温度进行预测,所述方法包括以下步骤:
步骤1、通过所述束管监测系统和光纤测温系统监测采集采空区的温度和其气体浓度数据;
步骤2、采用BP神经网络对不同时刻监测数据进行学习分析,根据分析结果判断采空区的煤自燃状态;
步骤3、若煤自燃处于温升状态,则启动采空区火源反演模型,反演采空区火源位置。
优选地,所述火灾发展状态包括温升、稳定、温降三种情况。
优选地,当采空区处于温升状态时,启动采空区火源反演模型,反演火源的位置,否则返回继续监测。
优选地,所述监测数据包括监测时间、气体浓度、温度及监测位置坐标。
优选地,所述采空区火源反演模型的火源反演过程为:
步骤3.1、模型构建:建立以采空区温度点最高为目标函数,以进回风巷侧的温度为决策变量,以束管监测点气体浓度、采空区“三带”分布规律、采空区温度场分布规律及漏风流场分布规律为约束条件的采空区火源反演模型;
步骤3.2、模型简化:为简化算法的计算复杂度,结合工作面采空区“三带”分步规律,GA算法的初始种群仅计算工作面倾斜方向的位置,以0代表不是火源,1代表是火源,采用单一火源,即每个种群中只有一个有效值1,其余均为0;种群规模控制由工作面的倾斜长度确定,一般精度设置为1m即可;
步骤3.3、模型计算:采用GA算法较强的全局搜索能力对BP神经网络结果进行优化,计算模型的最优解,即为采空区火源的位置。
优选地,所述GA算法火源反演模型的求解过程为:
步骤3.3.1、算法初始化:依据BP神经网络学习结果,得到优化的初始权值和阈值;随机生成某一个火源,对随机初始化参数进行编码,用适应度值代表优化的目标函数;
步骤3.3.2、适应度值计算:适应度值为不同时刻监测的温度值,按照漏风流场规律及温度变化梯度,计算采空区光纤线性监测位置处的适应度值;
步骤3.3.3、算法迭代:利用训练样本网络输出和实际输出的误差的不断迭代计算,执行步骤3.3.4;
步骤3.3.4、终止条件判断:终止条件为算法超过设定的迭代步骤,或者计算结果精度满足设定的要求;若适应度值达到设定的水平或触发其他终止条件,则该种群即为火源位置;
步骤3.3.5、种群进化:根据GA算法进行种群的选择、交叉、变异操作,此过程需要保证每代种群均为单一火源,然后执行步骤3.3.2进行新一代种群的进化操作。
本发明提供的基于GA-BP神经网络的采空区线性测温反演方法具有以下有益效果:
本发明在采空区气体束管监测系统的基础上,设计研制束管智能多源采样装置,提出采空区气体多点连续监测技术,结合光纤线测温技术,通过在工作面进回风巷两侧采空区埋设束管监测系统和光纤测温系统,形成采空区煤自燃气体浓度与温度联合感知网络,实现采空区煤自燃多点连续感知,对采空区遗煤中心发火点的温度的精准预测,从而减少矿井火灾事故的发生;
本发明通过研究采空区多孔介质热传导与气体输运传热的时空分布特征,利用GA-BP神经网络构建采空区煤自燃气体浓度与温度联合感知模型,建立温度与气体浓度联合监测的采空区煤自燃多点连续感知算法,对于采空区煤自燃监测和定位、为煤自燃提高预防具有重要的意义。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为BP神经网络模型;
图2为本发明实施例提供的基于GA-BP神经网络的采空区线性测温反演方法的流程图;
图3为采空区煤自燃温度与气体浓度联合感知网络示意图;
图4为采空区的工作面进风巷和回风巷的监测系统布设图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种基于GA-BP神经网络的采空区线性测温反演方法,如图4所示,采空区的工作面进风巷和回风巷两侧均埋设束管监测系统和光纤测温系统,形成采空区煤自燃气体浓度与温度联合感知网络,实现采空区煤自燃多点连续感知,对采空区遗煤中心发火点的温度进行预测,如图2和图3所示,该方法具体包括以下步骤:
步骤1、通过束管监测系统和光纤测温系统监测采集采空区的温度和其气体浓度数据;
步骤2、采用BP神经网络对不同时刻监测数据进行学习分析,根据分析结果判断采空区的煤自燃状态;如图1所示,监测数据包括监测时间、气体浓度、温度及监测位置坐标;
步骤2.1、构建GA-BP神经网络模型
BP神经网络就是在未知输入与输出的前提条件下,只要能得到更多的数据,就可以推出它们之间的关系,从而实现对任一数据的分析和预测。如图1所示,BP神经网络分为三个部分,有输入层、输出层以及输入层与输出层之间的隐含层。输入层的神经元节点向前传送给所有的隐含层的神经元节点,经过隐含层处理后,最后由输出层的神经元节点传出。BP神经网络分为两个工作,向前传播工作信号和逆向传播误差信号,让工作信号和误差信号不断循环往复,不断进行修改,直到得到满意的结果,方可停止,完成训练,输出结果。
遗传算法是用于解决最优化的搜索算法,是进化算法的一种,它以一种群体中的所有个体为对象,利用随机化技术指导对一个被编码的参数空间进行高效搜索,基本操作包括变异,交叉和选择,来生成优化和搜索问题的高质量解决方案。
结合BP神经网络结构和参数优化的实际问题,传统的改进方法包括附加动量项、自适应学习速率和可调激活函数等。
步骤2.2、样本数据集预处理
在已有训练函数应用效果不理想的情况下,需选择其他方法对BP神经网络的结构和参数进行优化,遗传算法就是这样一种有效的方法。利用遗传算法优化BP神经网络可以有效的弥补传统BP神经网络的不足。
这些方法在MATLAB中均以训练函数的方式实现,即可以在MATLAB函数的参数列表中选择不同的选项。这样的实现方法简单方便,但同时也限定了选择的范围,无法合理有效地根据需要解决的实际问题选择更好的方法。
步骤3、若煤自燃处于温升状态,则启动采空区火源反演模型,反演采空区火源位置。
本实施例中,火灾发展状态包括温升、稳定、温降三种情况。当采空区处于温升状态时,启动采空区火源反演模型,反演火源的位置,否则返回继续监测。
具体的,采空区火源反演模型的火源反演过程为:
步骤3.1、模型构建:建立以采空区温度点最高为目标函数,以进回风巷侧的温度为决策变量,以束管监测点气体浓度、采空区“三带”分布规律、采空区温度场分布规律及漏风流场分布规律为约束条件的采空区火源反演模型;
步骤3.2、模型简化:为简化算法的计算复杂度,结合工作面采空区“三带”分步规律,GA算法的初始种群仅计算工作面倾斜方向的位置,以0代表不是火源,1代表是火源,采用单一火源,即每个种群中只有一个有效值1,其余均为0;种群规模控制由工作面的倾斜长度确定,一般精度设置为1m即可;
步骤3.3、模型计算:采用GA算法较强的全局搜索能力对BP神经网络结果进行优化,计算模型的最优解,即为采空区火源的位置。
进一步地,本实施例中,GA算法火源反演模型的求解过程为:
步骤3.3.1、算法初始化:依据BP神经网络学习结果,得到优化的初始权值和阈值;随机生成某一个火源,对随机初始化参数进行编码,用适应度值代表优化的目标函数;
步骤3.3.2、适应度值计算:适应度值为不同时刻监测的温度值,按照漏风流场规律及温度变化梯度,计算采空区光纤线性监测位置处的适应度值;
步骤3.3.3、算法迭代:利用训练样本网络输出和实际输出的误差的不断迭代计算,执行步骤3.3.4;
步骤3.3.4、终止条件判断:终止条件为算法超过设定的迭代步骤,或者计算结果精度满足设定的要求;若适应度值达到设定的水平或触发其他终止条件,则该种群即为火源位置;若适应度值不满足终止条件,则执行步骤3.3.5;
步骤3.3.5、种群进化:根据GA算法进行种群的选择、交叉、变异操作,此过程需要保证每代种群均为单一火源,然后执行步骤3.3.2进行新一代种群的进化操作。
采用GA算法的全局搜索能力优化BP神经网络结构,得到优化的初始权值和阈值,对随机初始化参数进行编码,用适应度值代表优化的目标函数,利用训练样本网络输出和实际输出的误差的不断迭代计算,使适应度值达到设定的水平或触发其他终止条件,利用GA-BP神经网络去找寻最优解,使得最后所有解都在最优解范围内。
本发明公开的基于GA-BP神经网络的采空区线性测温反演方法在采空区气体束管监测系统的基础上,设计研制束管智能多源采样装置,提出采空区气体多点连续监测技术,结合光纤线测温技术,通过在工作面进回风巷两侧采空区埋设束管监测系统和光纤测温系统,形成采空区煤自燃气体浓度与温度联合感知网络,实现采空区煤自燃多点连续感知,对采空区遗煤中心发火点的温度的精准预测,从而减少矿井火灾事故的发生。
本发明在采空区气体束管监测系统的基础上,结合光纤线测温技术,提出采空区气体多点连续监测技术,通过在工作面进回风巷两侧采空区埋设束管监测系统和光纤测温系统,形成采空区煤自燃气体浓度与温度联合感知网络,实现采空区煤自燃多点连续感知,对采空区遗煤中心发火点的温度的精准预测,从而减少矿井火灾事故的发生;本发明通过研究采空区多孔介质热传导与气体输运传热的时空分布特征,利用GA-BP神经网络构建采空区煤自燃气体浓度与温度联合感知模型,建立温度与气体浓度联合监测的采空区煤自燃多点连续感知算法,对于采空区煤自燃监测和定位、为煤自燃提高预防具有重要的意义。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (6)
1.一种基于GA-BP神经网络的采空区线性测温反演方法,其特征在于,所述采空区的工作面进风巷和回风巷两侧均埋设束管监测系统和光纤测温系统,所述方法包括以下步骤:
步骤1、通过所述束管监测系统和光纤测温系统监测采集采空区的温度和其气体浓度数据;
步骤2、采用BP神经网络对不同时刻监测数据进行学习分析,根据分析结果判断采空区的煤自燃状态;
步骤3、若煤自燃处于温升状态,则启动采空区火源反演模型,反演采空区火源位置。
2.根据权利要求1所述的基于GA-BP神经网络的采空区线性测温反演方法,其特征在于,所述火灾发展状态包括温升、稳定、温降三种情况。
3.根据权利要求2所述的基于GA-BP神经网络的采空区线性测温反演方法,其特征在于,当采空区处于温升状态时,启动采空区火源反演模型,反演火源的位置,否则返回继续监测。
4.根据权利要求1所述的基于GA-BP神经网络的采空区线性测温反演方法,其特征在于,所述监测数据包括监测时间、气体浓度、温度及监测位置坐标。
5.根据权利要求1所述的基于GA-BP神经网络的采空区线性测温反演方法,其特征在于,所述采空区火源反演模型的火源反演过程为:
步骤3.1、模型构建:建立以采空区温度点最高为目标函数,以进回风巷侧的温度为决策变量,以束管监测点气体浓度、采空区“三带”分布规律、采空区温度场分布规律及漏风流场分布规律为约束条件的采空区火源反演模型;
步骤3.2、模型简化:为简化算法的计算复杂度,结合工作面采空区“三带”分步规律,GA算法的初始种群仅计算工作面倾斜方向的位置,以0代表不是火源,1代表是火源,采用单一火源,即每个种群中只有一个有效值1,其余均为0;
步骤3.3、模型计算:采用GA算法的全局搜索能力对BP神经网络结果进行优化,计算模型的最优解,即为采空区火源的位置。
6.根据权利要求1所述的基于GA-BP神经网络的采空区线性测温反演方法,其特征在于,所述GA算法火源反演模型的求解过程为:
步骤3.3.1、算法初始化:依据BP神经网络学习结果,得到优化的初始权值和阈值;随机生成某一个火源,对随机初始化参数进行编码,用适应度值代表优化的目标函数;
步骤3.3.2、适应度值计算:适应度值为不同时刻监测的温度值,按照漏风流场规律及温度变化梯度,计算采空区光纤线性监测位置处的适应度值;
步骤3.3.3、算法迭代:利用训练样本网络输出和实际输出的误差的不断迭代计算;
步骤3.3.4、终止条件判断:终止条件为算法超过设定的迭代步骤,或者计算结果精度满足设定的要求;若适应度值达到设定的水平或触发其他终止条件,则该种群即为火源位置;若适应度值不满足终止条件,则执行步骤3.3.5;
步骤3.3.5、种群进化:根据GA算法进行种群的选择、交叉、变异操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111177847.3A CN113887054A (zh) | 2021-10-09 | 2021-10-09 | 一种基于ga-bp神经网络的采空区线性测温反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111177847.3A CN113887054A (zh) | 2021-10-09 | 2021-10-09 | 一种基于ga-bp神经网络的采空区线性测温反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887054A true CN113887054A (zh) | 2022-01-04 |
Family
ID=79005699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111177847.3A Pending CN113887054A (zh) | 2021-10-09 | 2021-10-09 | 一种基于ga-bp神经网络的采空区线性测温反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887054A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115671328A (zh) * | 2022-11-08 | 2023-02-03 | 上海博迅医疗生物仪器股份有限公司 | 一种用于培养基制备的灭菌系统 |
CN116271667A (zh) * | 2023-05-12 | 2023-06-23 | 陕西开来机电设备制造有限公司 | 一种矿用皮带机电控防灭火系统 |
CN117420170A (zh) * | 2023-12-18 | 2024-01-19 | 山东科技大学 | 煤矿采空区煤自燃三带划分方法 |
-
2021
- 2021-10-09 CN CN202111177847.3A patent/CN113887054A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115671328A (zh) * | 2022-11-08 | 2023-02-03 | 上海博迅医疗生物仪器股份有限公司 | 一种用于培养基制备的灭菌系统 |
CN115671328B (zh) * | 2022-11-08 | 2023-12-05 | 上海博迅医疗生物仪器股份有限公司 | 一种用于培养基制备的灭菌系统 |
CN116271667A (zh) * | 2023-05-12 | 2023-06-23 | 陕西开来机电设备制造有限公司 | 一种矿用皮带机电控防灭火系统 |
CN117420170A (zh) * | 2023-12-18 | 2024-01-19 | 山东科技大学 | 煤矿采空区煤自燃三带划分方法 |
CN117420170B (zh) * | 2023-12-18 | 2024-03-12 | 山东科技大学 | 煤矿采空区煤自燃三带划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887054A (zh) | 一种基于ga-bp神经网络的采空区线性测温反演方法 | |
CN101251942B (zh) | 地下空间火灾智能检测预警预报方法及装置 | |
Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
CN105974793B (zh) | 一种电站锅炉燃烧智能控制方法 | |
CN102269014B (zh) | 基于无线传感器网络的煤矿井下火灾监测系统 | |
Liu et al. | An adaptive Particle Swarm Optimization algorithm for fire source identification of the utility tunnel fire | |
CN108154265A (zh) | 一种矿井火灾逃生路径的元胞自动机优化与引导方法 | |
CN113361192A (zh) | 一种锅炉内受热面壁温安全监测评估系统 | |
CN110398320A (zh) | 一种易于持续优化的燃气泄漏检测定位方法及系统 | |
CN105181744B (zh) | 一种煤堆发火期的计算方法和煤场防自燃监测系统 | |
CN1963878A (zh) | 高层建筑火灾智能监测预警预报装置 | |
CN112002095A (zh) | 一种矿山洞内的火灾预警方法 | |
Ma et al. | Location of natural gas leakage sources on offshore platform by a multi-robot system using particle swarm optimization algorithm | |
CN108760592A (zh) | 一种基于bp神经网络的飞灰含碳量在线测量方法 | |
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 | |
CN112065505A (zh) | 一种采空区煤自燃无线自组网监测系统及危险动态判识预警方法 | |
CN112503400A (zh) | 一种供水管网测压点多目标优化布置方法 | |
CN106851820A (zh) | 一种井下无线传感网络的定位方法 | |
Liu et al. | Real-time monitoring and prediction method of commercial building fire temperature field based on distributed optical fiber sensor temperature measurement system | |
Gu et al. | Experimental and machine learning studies of thermal impinging flow under ceiling induced by hydrogen-blended methane jet fire: Temperature distribution and flame extension characteristics | |
CN102588943A (zh) | 一种锅炉对流受热面灰污监测系统及监测方法 | |
CN106703887B (zh) | 矿井热动力灾害救援过程中继发性瓦斯爆炸判定方法 | |
CN116378771A (zh) | 一种煤矿智能防灭火预警方法及系统 | |
Liu et al. | A data-driven danger zone estimation method based on Bayesian inference for utility tunnel fires and experimental verification | |
CN116186625A (zh) | 一种锅炉受热面超温预警方法 |
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 |