矿井需风量的全息预测方法技术

本发明专利技术提供一种矿井需风量的全息预测方法，包括：建立具有学习能力的全息人工神经网络预测模型，包括：除尘需风量全息预测模型、炮烟产生量全息预测模型、车辆废气排量全息预测模型、采掘工作面瓦斯涌出量全息预测模型和降温除湿舒适感需风量全息预测模型；获取与该工作面对应的各个全息预测模型的输入变量，并输入到对应的全息预测模型中，从而得到各个全息预测模型的输出变量；然后，得到该工作面在下一个控制时间段的需风量。优点为：可以根据满足矿井安全健康生产的瓦斯浓度、粉尘浓度、炮烟浓度和舒适度要求，有效地计算用风点的实际需风量，解决矿井通风系统正常时期按需供风和风流控制的需风量问题，为实时按需供风提供技术保障。

Holographic prediction method of mine air demand

The present invention provides a prediction method of mine air volume holographic holographic include: the establishment of artificial neural network with learning ability prediction model, including: dust air volume holographic prediction model, gun smoke generation model, vehicle exhaust emissions of holographic holographic holographic flow volume prediction prediction model and cooling dehumidification comfort air volume holographic prediction model model, mining working surface gas; the acquisition and work with the various holographic input variables in the model, and the input to the corresponding holographic prediction model, so as to obtain each holographic forecast model output variables; then, the working surface of the air volume control time of the next segment. Advantages: can meet the mine safety and health according to the production of gas concentration, dust concentration, smoke concentration and comfort requirements, effectively calculate the actual wind point of the air volume of mine ventilation system, solve the problem according to the required air volume in normal times for wind and wind control, as in real time according to need to provide technical support for the wind.

【技术实现步骤摘要】
矿井需风量的全息预测方法
本专利技术属于矿井通风及其自动化
，具体涉及一种矿井需风量的全息预测方法。
技术介绍
矿井通风是确保矿井安全、高效和绿色开采的重要手段之一，矿井通风的核心任务是保证井下各用风地点的按时按需供风。但由于井下通风系统错综复杂，从环境监测、需风量计算到系统调节是一个复杂的系统工程。因此，实现矿井按时按需供风，超前计算需风量是首先要解决的技术问题。现有技术中，主要通过在各用风地点安装多类传感器和人员定位系统，从而实时采集到用风地点的瓦斯涌出量、粉煤尘产生量和其他一些参数信息；然后，基于这些参数信息再计算得到当前用风地点的需风量，然而，由于计算过程需要耗费一定的时间，因此，所计算出的需风量已经处于滞后状态，中间一定存在一个具有安全隐患的灰色时段，从而给矿井安全造成一定的风险。另外，虽然之前有人提出用人工神经网络计算方法来预测瓦斯涌出量，但把风流中的瓦斯浓度作为预测参数，而由于瓦斯浓度与实际供风量密切相关，而实际供风量是随时变化的，因此该方法既不科学又无法实现。另外，建立人工神经网络的另一个技术关键是输入因素的选择，已有方法并没有给出较全面与合理的输入参数集合，导致上述方法实际上是无法实现的，达不到使用目的。总之，到目前为止，矿井需风量超前计算问题实际上并没有解决，严重影响了按时按需供风的技术需求和矿井的安全、健康和绿色生产。
技术实现思路
针对现有技术存在的缺陷，本专利技术提供一种矿井需风量的全息预测方法，可有效解决上述问题。本专利技术采用的技术方案如下：本专利技术提供一种矿井需风量的全息预测方法，包括以下步骤：步骤1，建立具有学习能力的全息人工神经网络预测模型，包括：除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2、车辆废气排量全息预测模型G3、采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2；其中，所述除尘需风量全息预测模型G1的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、机掘工作面的工作面推进速度、机采工作面所采用的每个机采设备的机采参数；所述除尘需风量全息预测模型G1的输出变量为除尘达标供风量Q1；所述炮烟产生量全息预测模型G2的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、炮采或炮掘工作面的炮采或炮掘工艺参数；所述炮烟产生量全息预测模型G2的输出变量包括：炮烟产量W2、粉尘产量F1和有害气体产量；所述车辆废气排量全息预测模型G3的输入变量包括：车辆参数、车辆燃料参数、环境参数、车辆行驶路段参数以及车辆行驶速度；所述车辆废气排量全息预测模型G3的输出变量包括烟雾排量W1和一氧化碳排量C1；所述采掘工作面瓦斯涌出量全息预测模型M1的输入变量包括：开始记录的时间、工作面深度、煤层属性参数、瓦斯吸附常数a、瓦斯吸附常数b、前方最近断层的距离、前方最近构造的距离、前方变厚点的距离、后方最近断层的距离、后方最近构造的距离、后方变厚点的距离、前方应力峰值的距离、前方应力峰值、两帮应力峰值的距离、两帮应力峰值、最邻近煤层距离、最邻近煤层厚度、本层钻场位置、本层钻孔覆盖面积、本层抽放强度、邻层钻场位置、邻层钻孔覆盖面积、邻层抽放强度和工作面推进速度；所述采掘工作面瓦斯涌出量全息预测模型M1的输出变量为瓦斯绝对涌出量Ws；所述降温除湿舒适感需风量全息预测模型M2的输入变量包括：进风温度、进风湿度、作业人数、作业温度、作业湿度和舒适度最优的风速值；所述降温除湿舒适感需风量全息预测模型M2的输出变量为进风量Q2；其中，除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3，其输入变量只与静态因素相关，因此，所构建的除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3可用于各种工作面的需风量预测；对于采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，其输入变量与静态因素和动态因素均相关，因此，需要对于每一个工作面分别建立采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，用于该工作面的需风量预测；步骤2，当需要预测某工作面在下一个控制时间段的需风量时，获取与该工作面对应的各个全息预测模型的输入变量，并输入到对应的全息预测模型中，从而得到各个全息预测模型的输出变量；然后，对各个全息预测模型的输出变量进行进一步计算，得到该工作面在下一个控制时间段的需风量。优选的，对于所述除尘需风量全息预测模型G1，其输入变量中的围岩属性参数包括：围岩的容重γ、围岩硬度f和岩断面积Sy；其煤层属性参数包括：煤层容重γ、煤层硬度f、煤层灰分、煤层水分、煤层挥发分、煤层全硫量、煤层发热量和煤断面积Sm；每个机采设备的机采参数包括：工作滚筒直径、工作滚筒切割深度、工作滚筒切割对象、工作滚筒转速和辅助滚筒开停状态。优选的，对于所述炮烟产生量全息预测模型G2，其输入变量中的围岩属性参数包括：围岩的容重γ、围岩硬度f和岩断面积Sy；其煤层属性参数包括：煤层容重γ、煤层硬度f、煤层灰分、煤层水分、煤层挥发分、煤层全硫量、煤层发热量和煤断面积Sm；其炮采或炮掘工作面的炮采或炮掘工艺参数包括：炮孔平均深度、炮孔平均直径、炮孔数量、耦合或不耦合的装药方式、炸药型号、引爆方式、装药量和封口方式；其输出变量中的有害气体产量包括：一氧化碳产量C1、二氧化碳产量C2、二氧化氮产量N2、二氧化硫产量S2和硫化氢产量Hs；其中，有害气体产量的单位均为m3/次。优选的，对于所述车辆废气排量全息预测模型G3，其输入变量中的车辆参数包括：车型、车辆100公里标准油耗、车辆使用年限和车辆载重量；所述车辆燃料参数为燃料标号系数；所述环境参数包括气压、气温和风速；所述车辆行驶路段参数包括坡度和深度。优选的，对于所述采掘工作面瓦斯涌出量全息预测模型M1，其输入变量中的煤层属性参数包括：工作面煤层厚度、煤断面积、煤层容重、煤层硬度、煤层灰分、煤层水分、煤层挥发分、煤层硫分和煤层发热量。优选的，步骤1中，对于所建立的具有学习能力的全息人工神经网络预测模型，为已经经过样本数据训练的人工神经网络模型。优选的，步骤2具体为：步骤2.1：对于机采机掘工作面j，通过以下步骤计算其需风量：步骤2.1.1：如果在同一时刻，除尘需风量全息预测模型G1预测的除尘达标供风量为单位为m3/s；步骤2.1.2：采掘工作面瓦斯涌出量全息预测模型M1预测的瓦斯绝对涌出量为Wj，单位为m3/s，则通过以下公式计算稀释瓦斯的风量单位为m3/s：其中，Cw为企业规定最高允许瓦斯浓度；步骤2.1.3：降温除湿舒适感需风量全息预测模型M2预测的舒适进风量为单位为m3/s；步骤2.1.4：机采机掘工作面j在该时段的需风量为：其中：k＝1.2～1.3，为由预测误差引起的可靠性系数；步骤2.2：对于炮采炮掘工作面j，通过以下步骤计算其需风量：步骤2.2.1：如果在同一时刻，炮烟产生量全息预测模型G2预测的炮烟产量为W2，单位为m3/次；粉尘产量为F1，单位为mg/次；有害气体产量包括：一氧化碳产量为C1、二氧化碳产量为C2、二氧化氮产量为N2、二氧化硫产量为S2和硫化氢产量为Hs2；其中，有害气体产量的单本文档来自技高网...

【技术保护点】
一种矿井需风量的全息预测方法，其特征在于，包括以下步骤：步骤1，建立具有学习能力的全息人工神经网络预测模型，包括：除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2、车辆废气排量全息预测模型G3、采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2；其中，所述除尘需风量全息预测模型G1的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、机掘工作面的工作面推进速度、机采工作面所采用的每个机采设备的机采参数；所述除尘需风量全息预测模型G1的输出变量为除尘达标供风量Q1；所述炮烟产生量全息预测模型G2的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、炮采或炮掘工作面的炮采或炮掘工艺参数；所述炮烟产生量全息预测模型G2的输出变量包括：炮烟产量W2、粉尘产量F1和有害气体产量；所述车辆废气排量全息预测模型G3的输入变量包括：车辆参数、车辆燃料参数、环境参数、车辆行驶路段参数以及车辆行驶速度；所述车辆废气排量全息预测模型G3的输出变量包括烟雾排量W1和一氧化碳排量C1；所述采掘工作面瓦斯涌出量全息预测模型M1的输入变量包括：开始记录的时间、工作面深度、煤层属性参数、瓦斯吸附常数a、瓦斯吸附常数b、前方最近断层的距离、前方最近构造的距离、前方变厚点的距离、后方最近断层的距离、后方最近构造的距离、后方变厚点的距离、前方应力峰值的距离、前方应力峰值、两帮应力峰值的距离、两帮应力峰值、最邻近煤层距离、最邻近煤层厚度、本层钻场位置、本层钻孔覆盖面积、本层抽放强度、邻层钻场位置、邻层钻孔覆盖面积、邻层抽放强度和工作面推进速度；所述采掘工作面瓦斯涌出量全息预测模型M1的输出变量为瓦斯绝对涌出量Ws；所述降温除湿舒适感需风量全息预测模型M2的输入变量包括：进风温度、进风湿度、作业人数、作业温度、作业湿度和舒适度最优的风速值；所述降温除湿舒适感需风量全息预测模型M2的输出变量为进风量Q2；其中，除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3，其输入变量只与静态因素相关，因此，所构建的除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3可用于各种工作面的需风量预测；对于采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，其输入变量与静态因素和动态因素均相关，因此，需要对于每一个工作面分别建立采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，用于该工作面的需风量预测；步骤2，当需要预测某工作面在下一个控制时间段的需风量时，获取与该工作面对应的各个全息预测模型的输入变量，并输入到对应的全息预测模型中，从而得到各个全息预测模型的输出变量；然后，对各个全息预测模型的输出变量进行进一步计算，得到该工作面在下一个控制时间段的需风量。...

【技术特征摘要】
1.一种矿井需风量的全息预测方法，其特征在于，包括以下步骤：步骤1，建立具有学习能力的全息人工神经网络预测模型，包括：除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2、车辆废气排量全息预测模型G3、采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2；其中，所述除尘需风量全息预测模型G1的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、机掘工作面的工作面推进速度、机采工作面所采用的每个机采设备的机采参数；所述除尘需风量全息预测模型G1的输出变量为除尘达标供风量Q1；所述炮烟产生量全息预测模型G2的输入变量包括：除尘工艺参数、围岩属性参数、煤层属性参数、吸附常数a、吸附常数b、炮采或炮掘工作面的炮采或炮掘工艺参数；所述炮烟产生量全息预测模型G2的输出变量包括：炮烟产量W2、粉尘产量F1和有害气体产量；所述车辆废气排量全息预测模型G3的输入变量包括：车辆参数、车辆燃料参数、环境参数、车辆行驶路段参数以及车辆行驶速度；所述车辆废气排量全息预测模型G3的输出变量包括烟雾排量W1和一氧化碳排量C1；所述采掘工作面瓦斯涌出量全息预测模型M1的输入变量包括：开始记录的时间、工作面深度、煤层属性参数、瓦斯吸附常数a、瓦斯吸附常数b、前方最近断层的距离、前方最近构造的距离、前方变厚点的距离、后方最近断层的距离、后方最近构造的距离、后方变厚点的距离、前方应力峰值的距离、前方应力峰值、两帮应力峰值的距离、两帮应力峰值、最邻近煤层距离、最邻近煤层厚度、本层钻场位置、本层钻孔覆盖面积、本层抽放强度、邻层钻场位置、邻层钻孔覆盖面积、邻层抽放强度和工作面推进速度；所述采掘工作面瓦斯涌出量全息预测模型M1的输出变量为瓦斯绝对涌出量Ws；所述降温除湿舒适感需风量全息预测模型M2的输入变量包括：进风温度、进风湿度、作业人数、作业温度、作业湿度和舒适度最优的风速值；所述降温除湿舒适感需风量全息预测模型M2的输出变量为进风量Q2；其中，除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3，其输入变量只与静态因素相关，因此，所构建的除尘需风量全息预测模型G1、炮烟产生量全息预测模型G2和车辆废气排量全息预测模型G3可用于各种工作面的需风量预测；对于采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，其输入变量与静态因素和动态因素均相关，因此，需要对于每一个工作面分别建立采掘工作面瓦斯涌出量全息预测模型M1和降温除湿舒适感需风量全息预测模型M2，用于该工作面的需风量预测；步骤2，当需要预测某工作面在下一个控制时间段的需风量时，获取与该工作面对应的各个全息预测模型的输入变量，并输入到对应的全息预测模型中，从而得到各个全息预测模型的输出变量；然后，对各个全息预测模型的输出变量进行进一步计算，得到该工作面在下一个控制时间段的需风量。2.根据权利要求1所述的矿井需风量的全息预测方法，其特征在于，对于所述除尘需风量全息预测模型G1，其输入变量中的围岩属性参数包括：围岩的容重γ、围岩硬度f和岩断面积Sy；其煤层属性参数包括：煤层容重γ、煤层硬度f、煤层灰分、煤层水分、煤层挥发分、煤层全硫量、煤层发热量和煤断面积Sm；每个机采设备的机采参数包括：工作滚筒直径、工作滚筒切割深度、工作滚筒切割对象、工作滚筒转速和辅助滚筒开停状态。3.根据权利要求1所述的矿井需风量的全息预测方法，其特征在于，对于所述炮烟产生量全息预测模型G2，其输入变量中的围岩属性参数包括：围岩的容重γ、围岩硬度f和岩断面积Sy；其煤层属性参数包括：煤层容重γ、煤层硬度f、煤层灰分、煤层水分、煤层挥发分、煤层全硫量、煤层发热量和煤断面积Sm；其炮采或炮掘工作面的炮采或炮掘工艺参数包括：炮孔平均深度、炮孔平均直径、炮孔数量、耦合或不耦合的装药方式、炸药型号、引爆方式、装药量和封口方式；其输出...

【专利技术属性】
技术研发人员：卢新明，尹红，
申请(专利权)人：山东蓝光软件有限公司，
类型：发明
国别省市：山东,37