低透煤层瓦斯超前排放钻孔布置方式优化研究

目的为有效解决低透气性煤层瓦斯突出问题,有效消除阵列布孔方式带来的瓦斯排放盲区以及对角圆相切布孔方式造成的钻孔数量增加、重复排放等问题。方法通过理论分析,在超前排放钻孔有效排放半径一定的情况下提出阵列菱形法优化超前排放孔的布置方式(R为有效排放半径,煤层走向排放孔的间距为√3R),其钻孔数量约为对角圆相切法的3/4,重复排放面积减少至11%,减少了对角圆相切布孔方式的重复排放面积,减少了钻孔的数量。结果运用COMSOL Multiphysics对阵列菱形法布孔方式进行数值模拟运算,结果表明,阵列菱形法布孔方式排放20 d后,钻孔有效排放半径内整体瓦斯压力低于0.5 MPa,排放100 d后瓦斯压力低于0.30 MPa,卸压效果优于对角圆相切布孔方式的。将阵列法和对角圆相切法两种布孔方式排放100 d时钻孔周围的瓦斯压力分布情况与阵列菱形法布孔方式排放20 d时的分布情况交叉对比,发现阵列菱形法布孔方式卸压速率更快,卸压范围更广。结论提出阵列菱形法设计钻孔布孔方式,并运用COMSOL Multiphysics对3种钻孔布孔方式的卸压情况进行数值模拟运算,对比发现,阵列菱形法钻孔布孔方式比阵列法和对角圆相切法布孔方式更具优势,且在相同时间内卸压速率更快、卸压范围更广,对低透煤层预防瓦斯突出具有重要的意义。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

基于变权-云模型的煤矿安全生产评价研究

目的为了合理有效评价煤矿安全生产状况,方法通过组合赋权法,结合变权综合法,提出变权-云模型评估方法。根据河南省煤矿安全专项整治三年行动评估表及现场调研,从人员、设备、环境、管理4个方面选取24个评价指标,建立煤矿安全生产评价指标体系。采用变异系数法对G1法中指标重要性的确定进行改进,结合COWA客观赋权法,对评价指标进行组合赋权。通过变权综合法对常权权重进行修正,结合云模型理论绘制出安全生产评价云图,通过云图表征该煤矿整体安全风险等级。结果结果表明:提出的变权-云模型评估方法评估结果与现场考察评估结果相符,验证了评价方法的准确性。选取的评价指标和划分的风险等级较为合理,变权综合法可以较好地实现动态权重计算。结合云模型理论提出的变权-云模型评估方法可以实现评价指标的定性和定量分析,绘制出的云图可以表征评价结果的模糊性和随机性,很好地评估煤矿安全生产状况,验证了评价指标选取的合理性和变权-云模型评估方法的准确性,并指出该煤矿当前安全生产工作不足之处。结论构建的评价指标体系和评价模型可以应用于煤矿安全生产评价,为煤矿进一步加强安全生产工作提供指导和参考。

基于MIV-PSO-BPNN的掘进面风温预测方法

目的为防治矿井热害,解决矿井掘进面风温预测问题,方法提出一种MIV算法优化的PSO-BPNN预测模型。通过利用MIV算法确定模型的输入变量,以BP网络建模,使用粒子群优化算法结合BP神经网络实现掘进工作面风流温度的预测,得到预测结果并与BPNN模型、PSO-BPNN模型、SVR模型相比较。结果结果表明:MIV-PSO-BPNN预测模型的相对误差为-0.47%~1.81%,分别优于PSO-BPNN、BPNN、SVR预测模型的-3.96%~1.93%,-5.54%~2.98%,-2.16%~2.95%,预测模型的误差为-0.1~0.5℃,表明预测值与实测值基本一致;与BPNN预测模型、PSO-BPNN预测模型、SVR预测模型相比,MIV-PSO-BPNN预测模型的预测结果平均绝对误差分别减少65%,54%,50%,均方误差分别减少88%,78%,69%,表明该预测模型的预测效果优于其他3种模型。结论所提模型适用于矿井掘进工作面风温的预测。