硫化矿石堆自燃预测预报技术

笔者在参考大量有关煤炭自燃理论研究成果的基础上,结合国内外关于硫化矿石氧化自燃的研究现状,对硫化矿石堆自燃的预测预报技术进行系统分析。概述硫化矿石氧化自热的机理;详细介绍硫化矿石的自燃倾向性测试、综合因素评价、统计经验法等预测方法;找出煤炭与硫化矿石堆自燃过程的共性,提出了数学模型模拟预测方法;阐述了标志气体分析和测温两种预报方法。展望硫化矿石堆自燃预测预报技术对硫化矿山的安全生产具有重要的指导意义。     

硫化矿石堆自燃的灰色预测研究

采用灰色预测模型GM(1,1)对硫化矿石堆的自燃进行预测.根据相同间隔时间的矿石温度,通过灰色计算得出下一个或以后几个时间段的温度,将预测的温度与已有试验数据进行比较;参照硫化矿的发火周期,预测几天后矿石堆的自热状态,从而指导工作人员采取相应的防、灭火措施.实例验证表明,GM(1,1)适用于硫化矿的自燃预测.本研究对矿山安全建设工作具有一定的参考价值.     

基于CRITIC法与TOPSIS法的硫化矿自燃倾向性评定

现有的硫化矿自燃倾向性综合评价方法多样,且无统一的标准。以矿样的常温氧化增重率、自热点和自燃点3项指标为关键判定因子,结合CRITIC权重分析法和TOPSIS综合评价法,对硫化矿自燃倾向性进行综合判定。采用CRITIC权重分析法,综合考虑指标内的变异性和各指标间的冲突性,得到3项指标的权重,通过TOPSIS综合评价法计算评价对象与理想对象间的距离,对硫化矿自燃的危险性进行排序。运用该判定方法对国内某金属矿山的10个代表性矿样的自燃倾向性进行综合判定,比较了多个硫化矿矿样的自燃危险,得出10个矿样自燃倾向性从大到小为10#、2#、6#、1#、7#、3#、5#、4#、8#、9#,评价结果与实际情况相符,说明该方法是可行的。     

硫化矿石的自燃

硫化矿石氧化的规律由于硫化矿石的氧化与水份的关系十分大,研究当中出现了很复杂的情形。因此,必须采取专门的手段来保持恒湿;尽管如此,结果的重现性还是比煤的更差。 1.与水份的关系。没有水份时硫化矿石氧化很慢,例如,在干燥的室内空气中矿石块可能长时间没有显著变化,亦即它的表面还保持金属光泽。但是,如果矿石弄湿,很快就发生氧化——表面覆上了一层褐色氧化膜。系统地研究吸氧速度与水份的关系,得出的结果见图1。湿度增大,吸氧速度最初很快增大,但随后又衰减,俨著接近饱和,即湿度继续增大,吸氧速度几乎不变。达到饱     

流变-突变论在预防硫化矿自燃中的应用研究

利用安全流变-突变理论系统,分析了硫化矿石氧化自热到自燃整个过程的特征规律,确定了硫化矿堆自燃流变-突变的各个阶段,并提出了其流变-突变模型。根据模型提出了预防硫化矿堆自燃的安全管理及安全技术措施,例如:加强安全教育,完善规章制度等,建立完善的硫化矿石自燃火灾事故的应急预案机制等完善安全管理;合理设计通风系统,进行采场温度实时监测,喷洒阻化剂来抑制矿石的自热等主要安全技术措施。控制硫化矿堆自燃的关键在于将其控制在安全流变阶段,加强安全管理和采用安全技术,防止突变的发生,这对于硫化矿山的安全生产具有重大的指导意义。     

多因素耦合条件下硫化矿自燃神经网络动态预测模型研究

硫化矿石自燃是多种因素、多场耦合综合作用的结果,是一典型的非线性问题。笔者应用人工神经网络技术,以Matlab软件为平台,通过现场调查和理论分析,建立了矿石含硫量、通风强度、环境温度3因素与硫化矿石自燃之间的预测模型;通过数据样本学习与部分现场监测数据相结合进行模拟,研究表明预测数据与实测结果基本吻合,误差控制在10%以内,取得了较好的效果。该研究为预防硫化矿石自燃提供一个新的思路和方法,具有一定的理论意义和应用价值。     

基于BP神经网络的煤层自燃预测

在全面分析影响煤层自燃因素的基础上,建立了煤层自燃预测的人工神经网络模型.应用该模型对某煤田的多个煤层样本进行了训练和预测,网络经过10次训练后,误差达到设定的最小值,6次预测测试中最大误差仅为0.027 8,最小的为0.000 1.研究表明,该模型精度较高,可用于预测煤层自燃的实际应用.     

基于程序升温氧化法的硫化矿石自燃倾向性研究

由于不同类型的硫化矿石氧化性不同,暴露在空气中的表面活性不同,其耗氧速率也不同。本文对几种硫化矿石矿样进行了程序升温氧化实验,获得了不同类型的硫化矿石矿样在氧化过程中的总吸氧量、自热起始温度与温度曲线。实验表明：硫化矿石氧化前期（矿样温度小于自热起始温度）氧化速度较慢,后期（矿样温度大于自热起始温度）氧化速度较快,说明当矿样温度加热到其自热起始温度以上时,矿样氧化放热量明显加大,加快了矿体的升温。     

基于RS-云模型的硫化矿石自燃倾向性综合评价

为实现硫化矿石自燃倾向性的综合评价,应用云理论,选取矿样的氧化质量增加率、自热点和自燃点等定量化指标构建了评价指标体系,运用粗糙集法（Rough Set, RS）计算各评价指标权重,依据分级标准对云模型进行标准化,进而建立硫化矿石自燃倾向性分级的RS-标准云模型。以30组工程实例进行模型检验,并在实际工程中进行应用。结果表明:RS-标准云模型的判别结果与实际结果较吻合,且判别准确率高于贝叶斯(Bayesian, Bayes)方法,表明RS-标准云模型在硫化矿石自燃倾向性综合评价中具有良好的实用性和可靠性,可为矿山的硫化矿石自燃灾害的研究提供一种新思路。     

基于统计回归模型的硫化矿石自燃倾向性鉴定指标研究

合理的提出硫化矿石自燃倾向性的鉴定指标,准确鉴别其自燃倾向性,对于矿山防火工作有着重要的意义。本文采用应用非常广泛的一类随机模型—统计回归模型,首先通过分析硫化矿石自燃氧化机理,找到影响硫化矿石自燃倾向性的3个主要影响因素,实验获得相关数据;其次基于3个因素的数据,通过统计分析,建立回归模型,对硫化矿石自燃倾向性进行预测。     

基于MATLAB工具箱的开采煤层自燃危险性预测

正确预测开采煤层自燃发火的趋势与危险性,对煤矿安全生产具有重要的指导意义。煤层自燃发火的趋势和危险程度与其影响因素之间存在着复杂的非线性关系,而人工神经网络具有极强的非线性逼近能力,能真实刻画出输入变量与输出变量之间的非线性关系。为准确预测开采煤层自燃发火的危险性,笔者针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对开采煤层自燃的危险性进行了预测。根据开采煤层自燃的特点,选取煤本身自燃倾向性、煤层地质及赋存条件、通风技术条件3个关键影响因素作为开采煤层自燃危险性的评判指标,建立了开采煤层自燃危险性预测的神经网络模型。实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;该模型收敛速度快,准确性高,是一种十分有效的开采煤层自燃危险性预测方法。     

基于网格搜索和ELM的冲击地压危险等级预测

为提高冲击地压危险等级预测模型的泛化性能及预测精度,采用网格搜索法结合十折交叉验证法对极限学习机(ELM)中的隐含层神经元个数及激活函数的类型进行组合优化,进而建立冲击地压危险等级预测模型;选取重庆砚石台煤矿36组实测数据进行试验,对影响因素数据进行标准化处理,选择其中26组样本对模型进行训练,采用该模型对后10组样本中冲击地压危险等级进行预测,并与其他方法作对比。结果显示:经过十折交叉验证,用该模型得到的正确识别率为84.615%,高于朴素贝叶斯及Adaboost M1的76.92%、61.54%,采用该模型对测试样本集中冲击地压危险等级进行预测,预测准确率为90%,高于朴素贝叶斯及Adaboost M1预测准确率80%。     

基于神经网络的二元混合液体自燃温度预测

自燃温度(Auto-Ignition Temperature, AIT)是防火防爆安全设计的关键临界参数之一。为解决目前多数采用试验方法测量混合物AIT费时费力且有一定危险性的问题,运用定量结构-性质关系方法,使用反向传播神经网络(Back Propagation Neural Network, BPNN)和一维卷积神经网络(one-Dimensional Convolutional Neural Network, 1DCNN)技术建立二元混合液体AIT预测模型。以二元混合液体的分子描述符为输入、试验测得的AIT为输出,经多种方法对模型的拟合性、稳定性和预测能力评价验证。结果表明,BPNN模型和1DCNN模型均有良好的预测能力,其均方根误差分别为4.780℃和9.603℃,拟合度与5折交叉验证拟合度差值分别为0.058和0.040,表明BPNN模型有更好的拟合能力,1DCNN模型有良好的稳定性。     

基于BP神经网络的二元混合液体自燃温度预测

为了给工业界提供一种快速预测二元混合液体自燃温度的有效途径,将试验所测不同组分及配比的168个二元混合液体的自燃温度作为期望输出,将基于电性拓扑状态指数(ETSI)理论、引入混合ETSI概念而计算出的9种原子类型所对应的混合ETSI作为输入,采用三层BP神经网络技术建立了根据原子类型混合ETSI来预测混合液体自燃温度的BP神经网络模型,并应用改进的Garson算法进行多参数敏感性分析。经模型评价验证及稳定性分析,得到训练集的决定系数R2为0.965,平均绝对误差MAE为11.892 K,测试集的交叉验证系数Q2ext为0.923,平均绝对误差MAE为15.530 K,发现该模型的预测性能优于已有的多元非线性回归(MNR)模型,表明BP神经网络模型具有较好的拟合能力和预测能力,对烷、醇类混合体系自燃温度的预测精度最佳。     

浸水褐煤的自燃特性及红外分析

为防治采空区遗煤浸水后引发的自燃火灾,制备褐煤原煤及浸水煤煤样,进行程序升温试验,测试煤样的傅里叶变换红外(FT-IR)光谱,并通过分区拟合分析浸水对煤分子结构的影响。结果表明:浸水煤的失水结束点温度、着火温度和最大失重速率点温度较原煤均有不同程度的提前,着火活化能降低了11. 2%,说明浸水煤更容易发生自燃;浸水后煤中烷基醚、芳基醚、亚甲基以及自缔合羟基氢键等基团含量升高,导致煤体活性增强。     

硫化矿石自燃倾向性评价的属性区间识别模型

为合理判定硫化矿石的自燃倾向性大小,将属性区间识别理论与信息熵理论结合,建立硫化矿石自燃倾向性综合评价的熵权属性区间识别模型。选取矿样的吸氧速度常数、自热点、着火点3项指标作为属性区间识别模型的基本判别因子,依据信息熵理论获得各判别指标的权重。给出矿样自燃倾向性的属性空间矩阵,采用均化系数将矿样的属性测度区间转化为综合属性测度;利用置信度识别准则和分级标准判别各个矿样的自燃倾向性。对采自国内典型硫化矿山的14个代表性矿样的室内实测值进行综合判定;结果表明,基于熵权的属性区间识别模型能更好地评价硫化矿石的自燃倾向性大小,如实反映出矿样的自燃特性。     

基于可变模糊集理论的硫化矿炸药自爆危险性评价

为了判定某高硫矿山的炸药自爆危险性,采用可变模糊集理论对矿山中的黄铁矿含量、装药时间等8个影响炸药自爆的因素进行评价。根据可变模糊评价模型确定指标评价区间矩阵Iab、可变范围评价区间Icd和点值矩阵M,利用熵权法确定各影响因素权重,并根据指标特征值xij,Mih得到综合相对隶属度矩阵,结合判断准则得出该矿山炸药自爆危险性等级。研究结果表明:该矿山的炸药自爆危险等级为Ⅱ级,自爆危险性一般,与实际生产情况相符,可变模糊集理论在评价炸药自爆危险性时具有有效性。     

基于相关系数法的煤自燃危险性关联分析及预测

为缩短煤自燃倾向性的鉴定时间,首先利用工业分析仪及程序升温试验装置,测得各煤样煤质指标值及不同温度下煤自燃指标气体含量,并通过CO体积分数确定各煤样低温氧化临界温度点;然后再通过Arrhenius公式拟合得出温度与耗氧速率间的方程,并求解出各煤样临界温度前后不同阶段的表观活化能,通过Pearson相关系数法进行煤质指标值与煤样临界温度前后表观活化能之间的关联分析,并计算其相关系数;最后选取相关系数最大的煤质指标值,建立用于计算煤样表观活化能的多元线性回归模型,分析并预测煤自燃危险性。结果表明：煤质指标中不同成分与临界温度前后表观活化能间的相关系数有较大差异,其中挥发分与临界温度前后表观活化能的负相关系数最大,分别为-0.893和-0.977,燃料比与临界温度前后表观活化能的正相关系数最大,分别为0.956和0.968。所建立的多元线性回归模型,其拟合度可达0.912 5和0.933 0。     

基于氧化还原分析的硫化矿尘爆炸压力预测

为探究可应用于生产现场的硫化矿尘爆炸压力预测方法,基于硫化矿尘爆炸反应机理和粉尘引爆试验数据对硫化矿尘的氧化还原成分与其爆炸压力的相关关系进行分析。研究结果表明：硫化矿尘的还原成分指数与其爆炸压力的相关性极高,尤其是与其爆炸压力峰值的相关性系数高达0.993。整合研究结果形成的硫化矿尘爆炸压力和爆炸压力峰值计算和预测模型,可为金属矿山的硫化矿尘爆炸预防提供决策依据。     

基于遗传算法的支持向量机预测有机物自燃点的研究

根据定量构效关系(QSPR)原理,研究自燃点(AIT)与其分子结构间的内在定量关系。以265种有机化合物作为样本集,随机选择238种作为训练集,27种作为测试集,用遗传算法(GA)进行变量选择,分别建立多元线性回归(MLR)模型和支持向量机(SVM)模型研究有机物的自燃点与其分子结构间的关系。通过分析,发现造成模型预测效果不佳的原因是试验数据本身存在问题。通过对2个模型的比较,结果为GA-SVM模型明显优于GA-MLR模型,说明自燃点与其分子结构间具有很强的非线性关系。