基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

气喷旋冲烟气脱硫装置运行关键控制

气喷旋冲湿式石灰石-石膏法烧结烟气脱硫装置(XPB)是宝钢针对烧结烟气特性自主研发的新型脱硫技术,较详细论述该系统稳定、经济运行的关键控制:增压风机风门或叶轮的控制、吸收塔进气箱温度的控制、吸收塔反应池pH值的控制、曝气管浸没深度的控制等。     

综合防尘技术在开元公司的应用

主要介绍了采煤机高压引射降尘系统、液压支架自动喷雾、粉尘浓度在线检测超限自动喷雾等综合防尘技术在开元公司矿井中的应用。通过对降尘系统效果监测和分析,降尘效率达到84．1％,降尘效果明显,改善了作业场所的劳动卫生条件。     

创建本质安全型煤矿探讨

从保障煤炭企业自身持续稳定发展和建设和谐社会的高度,阐述了本质安全的内涵和本质安全型矿井的特征,从＂人、机、环境、管理＂等不同角度分析了影响煤矿安全生产的主要因素,探讨了提高从业人员本质安全素质、提升系统装备和作业环境本质安全化程度和强化本质安全管理等创建本质安全型煤矿应采取的综合措施。明确指出将＂人、机、环境、管理＂等要素有机融合起来构建煤矿本质安全生产管理体系,是煤炭企业安全生产管理工作的客观需要,对指导煤炭企业创建本质安全型矿井具有重要意义。     

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。     

巷道放顶煤人-机-环境系统可靠性研究

应用系统可靠性和人 -机工程学理论 ,建立了急倾斜煤层巷道放顶煤人 -机 -环境系统可靠性模型 ,给出了系统可用度和生产能力的计算公式。结合开滦马家沟矿 972 3工作面人 -机-环境系统分析 ,探讨了提高系统可靠性和生产能力的有效途径。理论分析及实例计算结果表明 ,所建立的模型能简便地找出系统的薄弱环节 ,准确预测系统可用度和生产能力 ,从而为指导矿井设计和生产提供科学依据     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

菇渣用作无纺布容器育苗成型机配套基质的研究

为探讨菇渣在无纺布容器育苗成型技术中作为配套容器基质应用的可行性,研究了育苗成型机制备的菇渣(发酵后)和草炭容器基质的基本理化性质、盐分淋洗特征及其对火炬树和侧柏出苗及生长的影响。结果表明:菇渣基质的容重、通气状况与草炭基质之间无显著差异,pH值虽显著高于草炭基质,但适宜多数植物生长;相对于草炭基质,菇渣基质的持水能力不足,保肥性能较差;菇渣基质的适宜水分范围(36.1%~143.5%)明显小于草炭基质(41.9%~193.8%),有效水绝对含量较低;菇渣基质的电导率(3.71 mS.cm-1)虽高于安全育苗的临界值(≤2.6 mS.cm-1),但随着浇水次数的增加可逐渐降到安全值以下;菇渣基质的全氮、全磷和全钾含量显著高于草炭基质。在充足的水分和养分条件下,菇渣和草炭容器基质对侧柏和火炬树出苗及成活的影响基本一致,但菇渣基质对火炬树的育苗效果优于草炭基质。可见,只要保证充足水分,菇渣基质在无纺布容器育苗成型技术中可以替代草炭基质用于火炬树和侧柏的育苗。     

基于机器学习分类算法解析EIS数据的有机涂层性能评价方法

目的 基于机器学习分类算法快速评估有机涂层的防腐性能。方法 通过实验室加速试验模拟涂层真实的退化过程,并根据测得的电化学数据,分析不同退化阶段的等效电路元件参数。随后,采用随机抽样方法获取大量数据,用于机器学习模型训练。通过对比支持向量机(SVM)、k最近邻(k-NN)和随机森林(RF)3种不同的机器学习算法,以及多种输入特征集训练的涂层性能分类器模型的准确率,分析最适合用于涂层性能快速评估的机器学习算法和电化学特征。结果 根据不同输入特征训练的k-NN和RF模型均表现出良好的预测效果,而SVM模型的预测效果相对较差。根据不同频率范围训练的分类器模型中,在低频区表现最佳,而在高频区表现较差。结论 基于阻抗虚部、虚部+实部和阻抗模值3种输入特征训练的RF分类器模型的预测效果最准确。不同频率区间内,低频区的阻抗特征更能准确表征涂层性能。     

基于SA-ELM的爆破震动速度预测

针对爆破震动速度与其影响因素之间的复杂非线性,结合模拟退火算法(SA)的全局寻优性,提出了一种新的SA-ELM算法.以矿山周边建筑物爆破震动实测数据作为训练样本,选取总药量、最大段药量、测点与爆破点距离、地面震动特性、建筑物震动特性等8个影响因素作为输入变量,建立了爆破震动速度预测的SA-ELM模型.模型训练值和预测值与实测值的均方误差(MSE)分别为0.20和3.26,平均相对误差控制在5％以内,显示出该模型具有良好的训练精度和泛化能力.对比传统ELM模型,SA-ELM模型不但提高了精度和泛化能力,而且降低了隐层节点数变化对训练结果的影响,提高了模型的稳定性.