基于人工智能的煤炭自燃倾向预测模型的近似分析研究.pdf

收稿日期:作者简介:王 良()男山西山阴人工程师从事煤矿安全管理技术研究工作:./.基于人工智能的煤炭自燃倾向预测模型的近似分析研究王 良(晋能控股煤业集团朔州煤电有限公司山西 朔州)摘 要:当煤暴露在空气中时会发生自热导致自燃 与近似分析不同测定煤中的各种成分特别是最终分析和岩石组成需要使用先进的设备和专业知识 文章在近似分析的基础上利用实验和人工智能对煤炭的自燃倾向性进行了预测 不同样品的煤性质不同将预测模型与传统的多元线性回归分析()进行比较 采用偏导数法研究了输入参数对预测可靠性指标的影响 预测模型的结果表明人工智能模型是最适用于责任指数预测的模型关键词:人工智能自燃倾向性预测模型偏导数法中图分类号:.文献标识码:文章编号:()自燃是采煤过程中遇到的最大障碍因此需要一个更准确的解决方案能可靠地预测其发生的概率 在这个过程中当煤暴露在大气中时它会在环境温度下或接近环境温度下氧化从而产生水蒸气、氧化煤和热量形式的能量 这一过程在本质上是危险的破坏动植物、采矿设备和煤层并消耗宝贵的不可再生资源 由于其放热性质一直是一个长期存在的问题当释放的热能散失到周围环境时会在煤和相关的碳质材料中积累 当这些热量没有以要求的速率释放时它会提高煤的激活温度点燃火花最终变成火灾 影响煤炭开采的外在因素有:采矿方法、大气条件等影响煤炭开采的内在因素有:地质因素、煤层因素等 因此应进一步研究内部因素对煤自燃的影响通过分析有几种相关关系被用于预测煤的自燃倾向 这些相关性为预测提供了变化的平均绝对误差和平均偏差误差 尽管如此这些用于评价煤自燃倾向的广义关联大多数都存在着需要最终分析和岩相组成作为输入数据的缺点这需要昂贵的设备和熟练的分析人员进行操作 然而很少有研究将人工智能和回归分析的结果进行比较来解释近似分析对自燃倾向指标的影响 本研究试图从煤的近似分析中建立预测煤自燃倾向的模型该模型非常容易执行只需要标准设备和经过适度训练的分析人员进行操作 建立了由神经网络和 分析的预测模型之间的比较分析 此外利用实验数据和公布的数据点解释了近似分析与自燃倾向指数之间的相互关系 材料和方法本研究采用了来自南阳坡矿的近似分析和自燃试验数据 采用分层抽样法共收集 份样本 每个样品都保存在塑料袋中(由铝涂层聚酯制成)并标有选定的编号 使用破碎机将样品块缩小到合适的尺寸()将样品粉碎到 用于近似分析与自燃试验 从实验测试出近似分析和自燃试验结果数据库如表、表 所示表 煤样自燃倾向指数计算结果样本阶段 斜率 指数 指数煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.为了使所提出的模型能够普遍应用使用神经网络和 对数据集进行训练和验证并相互比较 采用国际上常用的 法、指数法实实用用技技术术 第第 卷卷 第第 期期 年年 月月和 指数法确定了煤样的自燃倾向指数 自燃试验实验装置由 个煤样品和 个惰性标准物质(煅烧氧化铝)样品组成的样品池保存在由传热油组成的绝缘浴中 油从压缩机加热到该装置 空气供应是由流量计控制的 通过每个含煤单元的气流用气泡计监测并通过附在流量计上的阀门保持在/不变 每个电池配备 个铂电阻温度计允许样品(煤或煅烧氧化铝)在电池内的温度每 记录一次 在使用该装置时检查了三个阶段在第一阶段惰性材料样品的温度大于煤样品的温度这是由于煤样品的水分蒸发产生的冷却冲击造成的 在第二阶段煤的水分蒸发过程中煤样的升温速率高于惰性物质的升温速率 这是由于煤的易自加热因此试图达到周围的温度(油浴温度)高放热率到达线与零基线相交的区域 被定义为 第二阶段被认为是自燃倾向的指标 在第三阶段煤开始燃烧表 煤样.的近缘成分和元素组成结果样本煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.煤炭.由 和 阶段斜率组成的修正 指数被用来预测煤自燃的可能性 值小于 的煤为低风险 为中等风险负债值大于 的煤为高风险 大于 的煤被认为是低风险 被认为是中等风险 在 之间被认为是高风险等级 结果和讨论.煤特性分析与自燃试验通过 个煤样的自燃试验结果、和 自燃试验方法进行了比较 煤炭 的 含量最低为.煤炭 的 含量最高为.见表.煤炭 的 含量最低为.煤炭 的 含量最高为.煤炭 的 值最小为.煤炭 的 含量最大为.煤炭 的 含量最低为.煤炭 的 含量最高为.在 和 试验中 炭煤的 最小为.为.含量最高为.符合中等自燃倾向指数 炭煤的 含量最低为.含量最高为.在 和 试验中属于中等燃烧倾向如表 所示所有样品都有一个低自燃倾向因为所有样品都有 材料价值高于 .煤样品、自燃较温和因为有 材料值 和 .煤样品、自燃和 低负债因为有一个 材料的价值大于 之间 材料价值从 到 .从表 可以看出没有煤样的 指数低于 因此没有煤样的自燃倾向较低、煤 指数为 时煤的自燃倾向中等、煤 指数大于 时煤的自燃倾向较高 实验研究表明不同样品的煤性质不同 使用 测试被归类为具有中等和高风险的一些样本与 和 测试对实验数据和公布数据的测试不一致 结果表明煤的性质与自燃倾向指数之间没有直接的关系 因此有必要利用软计算技术()开发可以考虑输入和输出变量之间非线性的模型并将结果与 进行比较.煤自燃倾向预测模型的建立人工神经网络是人工智能的一个子集它模拟人脑在学习和处理提供给它的信息时的活动 的结构是分层的即输入层、隐藏层和输出层 的第一步是用一组输入数据和目标输出层来训练网络 因此有各种各样的算法被开发出来训练神经网络架构但其中最受欢迎的是反向传播算法 人工神经网络方法已被用于各种科学和工程领域的复杂非线性系统建模 本文利用该模型建立了、和 煤和煤页岩自燃倾向预测模型模型中、和 含量为输入参数目标输出参数分别为、指数和 指数 使用 个数据集作为输入数据数据集被随机分为训练()、测试()和验证()输入和输出数据集被归一化到 和 的范围内以避免过拟合并确保高效的 架构 使用 对神经网络模型进行几次运行使用决定系数()、平均绝对百分比误差()和方差占比()测量每一次运行的性能利用 模拟得到的权重和偏差将 模拟得到的结果转化为简单数学形式 对于 和 指数使用在输入和输出两层都具有乙状窦传递函数的 网络和乙状窦传递函数和檩条传递函数来建立其数学模型目的是保持方程的第 期 王 良:基于人工智能的煤炭自燃倾向预测模型的近似分析研究 简单和用户的可访问性 此外该数学模型所采用的网络 均在 以上表明该网络可以较好地预测、指数和 指数且具有较高的精度将数学模型与模拟 网络输出的直接值进行直接比较如图 所示 从图中可以看出所提出的数学模型与人工神经网络仿真的直接输出数据是相同的图 根据人工神经网络仿真输出验证所提出的方程的预测.人工智能与 预测的比较本文所述的统计指标对所提出的基于人工神经网络的数学模型和 模型的性能进行了检验可以看到所有的人工神经网络模拟的 都在以上相关的 小于.模型的 也大于.而在 情况下误差大于 而在 情况下小于.而 指数和 指数的 约为.同样使用 模型得到的、小于 指数和 指数均约为.和 的物理意义几乎是相同的它们的值越接近 这些模型的预测能力越好为了进一步评价所提模型的预测能力本文将表 中样本 修改后的实验结果与 模型和 模型的预测结果进行比较 模型预测的 对于所有数据集都非常接近实验值而 模型预测的 指数在煤炭 中表现更好 指数的预测提出 模型方程更接近实验结果(样本、)因此人工神经网络模型的预测结果与实验结果基本一致而 不能较好地预测.模型性能不佳的原因可能是它不能处理岩土材料的内在变异性或非线性.输入变量对输出结果的影响为了检验所采用的神经网络方法的解释能力通过敏感性分析量化输入参数对预测煤炭倾向性指标的影响 对 指数进行了演示展示使用神经网络模型的一种方法采用局部放电法来分析输入变量的微小变化对输出响应的影响 对于第一个结果使用输出变量对每个输入变量的偏导数 例如有 个输入神经元的网络的 采用 法得到的结果如图()()所示(下转第 页)第 卷 钱雷杰.寺家庄煤矿顶板高抽巷层位优化研究.徐州:中国矿业大学.丰 杰.高抽巷支护设计与掘进施工实践.山东煤炭科技():.本期编辑:路 方(上接第 页)图 输出变量对每个输入变量的偏导数的影响的剖面 图 显示的偏导数责任指数对 都积极和 的值非常高内容虽小责任指数增加而增加的偏导数的 和逐步增加落在恒定值最高价值的(图)负债指数对 的偏导数均为正说明 的增加会导致负债指数的增加 但是当这种趋势达到峰值时增量的方向就会向虚拟机的较低值反转图()负债指数对 的偏导数均为负说明随着 值的减小负债指数会增大如图()、()所示 而对于 负债指数的峰值出现在 的最大值 结 语本文对南阳坡矿不同煤种自燃试验结果进行了研究并利用人工智能和回归分析的方法进行了近似分析建立了预测煤种自燃倾向的模型 结果表明煤的性质与自燃倾向指数之间没有直接的关系此外 指数、指数和 指数之间也存在一些相互矛盾的结果 和 指数的结果相似而 试验的结果与其他自燃试验结果在大多数情况下不一致 将 模型、模型和 模型的结果与 模型进行了统计比较 模型比 模型与负债指数的相关性更强总体百分比误差小于 在 以上 模型与 的相关性很差 因此所建立的神经网络模型可以用于预测煤的自燃倾向参考文献:赵 亮王 旭李洪杰等.煤炭自燃防治高效环保新型防灭火材料实验研究.能源技术与管理():.姜智威.防治煤炭自燃的天然多糖接枝水凝胶的制备与特性研究.徐州:中国矿业大学.宫彪.石炭纪特厚煤层工作面自燃火灾综合治理技术实践研究.太原:太原理工大学.本期编辑:路 方欢迎投稿 欢迎订阅 欢迎刊登广告 第 卷