基于CFD的采空区三维流场分析及注氮参数优化研究

注氮是煤矿采空区发生自然发火征兆时常用的抑制措施,因其效果显著、安全可靠等特点被广泛应用于采空区灭火实践。注氮位置选取、注氮量的多少等直接影响注氮的效果及成本;采用数值模拟及现场实测相结合的方法,对注氮防灭火参数进行优化。以试验工作面为原型建立仿真物理模型,通过现场实测数据验证模型的有效性。在开展数值模拟试验的过程中,通过研究不同注氮位置、不同注氮流量等对采空区“三带”的影响,找到最优注氮参数,并进行了现场实测验证。研究结果表明,注氮口在进风侧距离工作面50 m处、注氮流量1 000 m~3/h时,注氮效果良好且成本最低。

面向煤矿混合气体检测的神经网络算法研究进展

煤矿气体传感器用于混合气体检测时测量信号之间有交叉干扰,难以保证检测准确性。对于相同的待识别气体,传统气体识别算法的识别精度低于基于神经网络的气体识别算法,神经网络通过调整其网络层、每层神经元的数量、神经元的激活函数和各层网络之间的权重等来实现更高的气体识别精度。介绍了煤矿混合气体检测系统结构,通过构建气体传感阵列,利用其多维空间气体响应模式,并结合特定的气体识别算法,实现对混合气体的定性定量识别。重点分析了几种面向煤矿混合气体检测的神经网络算法并进行了对比分析,主要包括反向传播(BP)神经网络、卷积神经网络(CNN)、循环神经网络(RNN)、径向基函数(RBF)神经网络:BP神经网络通常可以达到较高的分类精度,然而需要训练大量的参数,训练时间长,通常为了减少时长和提高精度,可以将BP神经网络与其他算法相结合;CNN可以自动提取数据特征,精度和训练速度都优于BP神经网络,但其易于陷入局部最优;RNN可以使用更少的数据并提取更有效的特征,但容易出现梯度消失等问题;RBF神经网络具有较强的鲁棒性和在线学习能力,但其通常需要大量数据完成模型训练。神经网络算法的应用将大幅提升煤矿混合气体的检测精度,保障煤矿智能化的实现。

低功耗微热板ZnO甲烷传感器仿真及性能研究

随着微机电系统(MEMS)的发展,运用该技术的半导体传感器也跟着迅速发展,逐渐走向微型化、集成化和智能化.基于MEMS的微加热板(MHP)的金属氧化物甲烷传感器具有功耗小、响应快等优点,广泛应用于甲烷检测.其中,氧化锌(ZnO)甲烷敏感材料因其灵敏度高、中毒效应小、工作温度低等优点,广受关注.但是,该敏感材料制备的传感器响应性能依然受加热温度及热量分布的强烈影响.使用有限元分析(FEA)软件COMSOL中的Multiphysics模块对物理场中的温度进行仿真分析与比较,揭示了在相同工作条件下加热电极结构对温度分布的影响,优选的微加热板达到300℃时需要75 mW左右的功率.在商用微加热板的叉指电极上采用无遮挡全表面溅射氧化锌敏感材料构建ZnO薄膜甲烷传感器,并使用合肥微纳公司HIS9010测试了气体传感器的响应.采用静态测量的方法向1 L的气体腔内注射甲烷气体,经过测试,与现在不同形貌的ZnO相比,本课题组使用的磁控溅射制备的氧化锌薄膜气体传感器,在(1000~10000)×10^(-6)甲烷浓度区间内响应线性度比较好,对浓度为10000×10^(-6)的甲烷响应值达到了30.与国内外商用甲烷传感器的甲烷响应性能进行了对比,结果表明本课题组制作传感器响应更高,更具有应用优势.