高瓦斯矿井掘进通风瓦斯浓度预测神经网络模型研究
随着煤矿采掘深度和规模的不断增加,煤层瓦斯涌出量不断上升,矿井瓦斯浓度超限事故频繁发生,其中掘进工作面瓦斯浓度超限事故尤为突出。经过调查研究发现,其中掘进通风系统不合理是导致掘进工作面瓦斯浓度超限事故发生的重要原因之一。通过对煤矿现场实地调研及获取的信息分析可知,掘进通风系统不合理包括掘进通风系统通风设备布局和配置参数不合理等因素。本文在对不同掘进阶段、不同瓦斯涌出量下的掘进通风关键影响因素分析基础上,采用神经网络技术建立了掘进通风各种关键影响因素与瓦斯浓度关系的神经网络预测模型。本文研究为掘进通风过程中的瓦斯浓度动态预测及合理优化的通风方案选择提供一定的理论依据。完成的主要研究内容如下: (1)在对掘进通风瓦斯浓度国内外研究现状,及煤矿现场实地调研获得的实测样本数据分析的基础上,对引起掘进工作面瓦斯浓度变化的掘进通风关键影响因素进行了分析,确定了不同瓦斯涌出量和不同掘进深度下的掘进通风关键影响因素分别为:局部通风机功率、风筒直径、风筒长度; (2)针对掘进通风各种关键影响因素与瓦斯浓度之间存在的复杂的非线性关系,及各种神经网络技术对处理非线性问题的优势,本文采用BP和RBF神经网络设计了掘进通风瓦斯浓度预测模型。瓦斯浓度BP预测模型结构设计时,采用一层隐含层的三层网络结构,利用现场获得的实测数据对不同隐含层神经元个数的模型分别训练,综合比较训练结果,确定最优隐含层神经元个数。RBF预测模型结构受自身因素决定隐含层只能为一层,隐含层神经元个数随着 RBF预测模型创建函数的选择而自动设定。以掘进通风关键影响因素作为两个预测模型的输入层,瓦斯浓度作为两个模型的输出层; (3)利用MATLAB软件和煤矿获得的现场实测样本数据,建立了掘进通风瓦斯浓度BP和RBF预测模型。BP模型建立过程中训练函数的选择,采用比较不同训练函数的训练性能,选择训练误差小、时间短、迭代过程平稳的函数作为BP模型的最优训练函数;RBF模型建立过程中分布密度的选择,采用比较不同分布密度值时的预测模型的预测误差,选择预测误差最小时的值作为 RBF模型的最优分布密度值。然后,利用现场实测样本数据测试BP和RBF预测模型的预测精度和性能,对比分析得到了预测精度和性能较好的RBF预测模型; (4)利用建立的瓦斯浓度RBF预测模型对不同掘进通风设备布局和配置参数方案下实际煤矿掘进工作面瓦斯浓度进行对比分析,优选出合理有效节能的掘进通风设备布局和配置方案,以达到瓦斯浓度RBF预测模型实际应用示范和验证目的。
煤矿瓦斯;通风系统;预测模型;神经网络
西安科技大学
硕士
机械电子工程
龚晓燕
2012
中文
TD712.5
57
2012-11-02（万方平台首次上网日期，不代表论文的发表时间）