基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

南屯煤矿通风阻力测定与分析

为了能够准确获取南屯煤矿通风阻力数据,采用精密气压计逐点测定法,对南屯煤矿中央风井和白马河风井的通风阻力进行测定。通过分析数据,得出中央风井通风系统通风阻力为1238.8 Pa,风阻为0.14 N·s^(2)/m^(8),等积孔为3.17 m^(2);白马河风井通风系统的通风阻力为1390.1 Pa,白马河风井通风系统风阻为0.29 N·s^(2)/m^(8),等积孔为2.22 m^(2),2个风井的通风难易程度均为容易通风。经计算,测定误差均小于5%,满足精度要求,测定数据能够为通风系统阻力优化提供精确数据支持。

巷道通风摩擦阻力系数数据库设计与实现

概要地介绍了建立瓦斯通风阻力系数数据库的目的、数据库的构成、功能和技术特点等;巷道摩擦阻力系数数据库的建设,用于煤矿工作者在构建矿井通风仿真网络时,遇到未知通风阻力巷道时,可通过在该数据库系统中进行巷道基础参数数据匹配,得出建议的摩擦阻力系数,为未测巷道快速确定通风阻力、通风网络仿真模型的快速构建提供有力依据。

基于巷道摩擦阻力系数BP神经网络预测模型的矿井风网风量预测研究

针对矿井风网解算中待掘巷道摩擦阻力系数难以准确实测赋值的问题,构建了巷道摩擦阻力系数BP神经网络预测模型,以双柳煤矿各类巷道摩擦阻力系数实测数据作为训练样本进行学习训练,使预测模型的期望误差达到0.0001以下。利用该模型对尚未贯通的23(4)13回采工作面的巷道摩擦阻力系数进行预测,将预测结果代入基于斯考德—恒斯雷法风网解算方法构建的双柳煤矿通风网络解算模型中,分别对23(4)13回采工作面贯通后备用阶段和回采阶段全风网风量分布进行了解算,解算结果与现场实测结果之间相对误差小于8%。研究结果表明,利用基于BP神经网络算法的巷道摩擦阻力系数预测模型对待掘巷道摩擦阻力系数进行预测赋值,能够实现风网风量的准确解算。

基于支持向量机的巷道摩擦阻力系数确定

本文以径向基核函数作为支持向量机预测矿井巷道摩擦阻力系数模型的核函数,利用MATLAB环境下的LIBSVM,以凉水井煤矿锚网索支护巷道的摩擦阻力系数为研究对象,对样本数据进行训练,进行预测,并与实测数据进行对比。结果表明:支持向量机预测矿井巷道摩擦阻力系数的精度高、效果好,对其它同类型矿井巷道摩擦阻力系数的预测研究有借鉴作用。

图上计算法在确定通风最大阻力路线中的应用

利用图上计算法对通风网络进行计算,能够准确地计算出网络最大阻力值和找出最大阻力路线,同时提高了效率和准确性,为计算网络阻力提供了一种简单、清晰、全新的方法。