一种基于bp人工神经网络的煤尘润湿接触角估算方法
【技术领域】
[0001] 本发明属于煤尘润湿接触角估算技术领域，具体涉及一种基于BP人工神经网络的 煤尘润湿接触角估算方法。
【背景技术】
[0002] 我国经济的高速增长是建立在能源高消耗基础上的。进入21世纪以来，我国能源 消耗呈线性增长，2005年我国原煤消耗量为22.68亿吨，2013年煤炭消耗总量达到39亿多 吨。我国一次能源消费中煤炭约占能源消耗总量的70%，其中约90%的煤炭来自地下开采。 据中国工程院预测，2050年我国煤炭消耗量仍将占能源消耗总量的50%左右。随着矿井及 综掘工作面朝着大型化和机械自动化方向发展，采煤各断面煤尘产生量越来越大，矿井作 业环境持续恶化。有资料显示，煤炭采掘过程中若不采取有效防尘控尘措施，采掘工作面煤 尘浓度最高可达1000~3000mg/m 3，其中呼吸性粉尘所占比例达20 %~40 %。
[0003] 煤矿企业通常采用通风排尘、湿法喷雾降尘和干法控尘除尘等措施以降低煤炭开 采过程产生的煤尘浓度，而我国90%以上的矿井采用湿法喷雾降尘技术。该技术利用具有 一定压力的水在喷嘴嘴部喷气作用下，高速运动的水流与空气发生碰撞并不断破裂而形成 微细水雾，空气中运动的颗粒物与微细雾滴发生碰撞或因拦截作用使颗粒增重而沉降。有 资料表明，采用喷雾降尘装置可使作业环境中煤尘量减少85%~95%;但也有大量资料表 明，矿井煤尘总降尘率不足50%，特别是细小颗粒降尘效率不足30%。煤质组成及其结构直 接影响了煤尘颗粒与液体的润湿性能，液体-固体润湿性差是导致喷雾降尘效率低的主要 因素。也就是说，润湿性能差的煤尘采用湿法喷雾降尘是一种选择不当的控尘除尘措施。进 行煤尘润湿性能的有效判断是控尘降尘措施选择的依据，矿井控尘除尘措施选择得当将大 大降低综掘工作面煤尘浓度。
[0004] 目前，煤尘润湿性是通过实验测定煤尘与液体接触角来表征的，接触角越大，煤尘 润湿性能越差，接触角越小，润湿性能越好。研究表明，当煤尘润湿接触角超过76°时，采用 湿法喷雾控尘除尘措施，矿井煤尘浓度将可能严重超过国家规定的浓度限值要求。煤尘润 湿接触角的实验测定过程较为复杂，涉及煤样粉碎、加压成型、样品浸泡和接触角测定仪测 定等过程，接触角测定涉及多种专用仪器，耗时较长且测定费用较高。国内现有资源无法满 足企业在矿井设计阶段前完成接触角的测定。因此，亟待开发出一种有效估算煤尘润湿接 触角的方法，估算结果用于指导煤矿井选择有效的防尘控尘措施，对降低综掘工作面煤尘 浓度以改善综掘工作面的空气品质具有重要的现实意义。
【发明内容】
[0005] 针对现有技术存在的问题，本发明提供一种基于BP人工神经网络的煤尘润湿接触 角估算方法。本发明的技术方案如下：
[0006] -种基于BP人工神经网络的煤尘润湿接触角估算方法，包括以下工艺步骤：
[0007] (1)选择影响煤尘润湿接触角的主要因素作为BP人工神经网络的输入变量；
[0008] (2)采集输入变量的样本数据并进行归一化处理，使所有样本数据在[0，1]范围 内；
[0009] (3)构建煤尘润湿接触角的ΒΡ人工神经网络结构；
[0010] (4)利用MATLAB编译程序对所构建的煤尘润湿接触角的ΒΡ人工神经网络进行网络 训练，得到不同隐含层节点数和激励函数条件下的误差均值和误差标准差，确定最佳隐含 层节点数和激励函数；
[0011] (5)利用MATLAB编译程序确定煤尘润湿接触角的ΒΡ人工神经网络的输入层与隐含 层、隐含层与输出层的连接权重，并获得目标煤尘润湿接触角的估算值；
[0012] (6)比较煤尘润湿接触角的估算结果和实测结果的误差，验证所构建的BP人工神 经网络的估算精度。
[0013] 煤尘润湿接触角主要受到煤质化学组成和结构的影响。煤质化学组成包括工业分 析中的固定碳(FCad)、挥发分(Vad)、灰分(Aad)、水分(Mad)和元素分析中的碳元素(Cdaf)、 氧元素(Odaf)、氢元素(Hdaf)、氮元素(Ndaf)和硫元素(Sdaf)含量，结构参数包括煤孔隙平 均孔径、比孔容、0/C比、H/C比，因此输入变量涉及13个因素，输出目标为煤尘润湿接触角。 [0014]所述步骤(1)的输入变量为煤尘中固定碳含量、挥发分含量、灰分含量、水分含量、 碳含量、氧含量、氢含量、氮含量、硫含量、平均孔径、比孔容、0/C比和H/C比。
[0015] 所述步骤(2)采集输入变量的样本数据涉及的煤矿种类为褐煤、黏煤、长焰煤、气 煤、肥煤、焦煤、瘦煤、贫煤、无烟煤。
[0016] 所述步骤(2)的样本数据归一化处理采用的公式为： λ·- minjx! …
[0017] >· =----- [1]* max J.vj - mm j.v}^
[0018]公式[1]中X表示输入变量的样本数据，min{x}表示输入变量的最小值，max{x}表 不输入变量的最大值，y表不归一化后输入变量的输出数据。
[0019] 所述步骤(3)煤尘润湿接触角的BP人工神经网络的结构为:输入层，隐含层和输出 层，其中输入层的节点个数为13,输出层的节点个数为1。
[0020] 所述步骤(4)煤尘润湿接触角的BP人工神经网络的网络训练过程是将线性函数与 对数S形转移函数组合、两层对数S形转移函数、两层双曲正切S形函数这三种组合方法并采 用十折交叉验证的寻参方式，采用误差梯度下降式反向传播算法调整隐含层节点数和激励 函数，使网络训练误差收敛至0.00001，最终确定的隐含层节点数为20~22个，最佳隐含层 节点数为21个，激励函数采用两层对数S形转移函数，所述对数S形转移函数为：
[0021] = , 0</〇')<!, [2], 1+e，
[0022]公式[2]中y表示归一化后输入变量的输出数据，a为对数S形转移函数的斜率参 数，f(y)为激励函数。
[0023]所述步骤(5)是在步骤(4)所得隐含层节点数为20~22、激励函数采用两层对数S 形转移函数的基础上，重新采集煤矿煤质数据并进行归一化处理，将归一化处理后的数据 输入MATLAB编译程序中，得出输入层与隐含层、隐含层与输出层连接权重，并获得目标煤尘 润湿接触角的估算值，所述煤矿涉及褐煤、黏煤、长焰煤、气煤、肥煤、焦煤、瘦煤、贫煤、无烟 煤。
[0024] 所述步骤(6)煤尘润湿接触角的估算结果和实测结果的误差范围在-10.778%~ 8.492 % 之间。
[0025] 本发明的有益效果为：
[0026]本发明首次提出一种基于BP人工神经网络的煤尘润湿接触角估算方法，利用影响 煤尘润湿性能的煤质化学组成和结构参数共13个参量作为煤尘润湿接触角估算的输入量， 构建的BP人工神经网络对煤尘润湿接触角的估算误差在-10.778 %~8.492 %之间，可有效 估算煤尘润湿接触角，进而指导煤矿井选择有效的防尘控尘措施。
【附图说明】
[0027]图1为本发明实施例1的基于BP人工神经网络的煤尘润湿接触角估算方法的流程 图。
[0028]图2为本发明实施例1的BP神经网络结构示意图，其中：w(1)ik(l = l，2，. . .，13;k = 1，2,. . .，22)为输入层与隐含层之间的连接权重;w(2)k3(k=l，2,. . .，22)为隐含层与输出层 之间的连接权重。
【具体实施方式】
[0029]下面结合附图对本发明的一种实施例作进一步说明。
[0030] 本发明实施例中，采集数据所涉及的煤矿种类包括褐煤、黏煤、长焰煤、气煤、肥 煤、焦煤、瘦煤、贫煤、无烟煤，涵盖了我国煤工业领域中主要煤种。
[0031] 本发明实施例的基于BP人工神经网络的煤尘润湿接触角估算方法，工艺流程图如 图1所示，包括以下步骤：
[0032] (1)选择煤尘中固定碳含量、挥发分含量、灰分含量、水分含量、碳含量、氧含量、氢 含量、氮含量、硫含量、平均孔径、比孔容、0/C比和H/C比13个因素作为BP人工神经网络的输 入变量，输出目标为煤尘润湿接触角；
[0033] (2)在全国范围内40多家煤矿企业共采集200个煤样本，按照GB/T212-2008测量这 些样本的固定碳含量、挥发分含量、灰分含量、水分含量；按照GB/T476-2001和GB/T476-2008测量这些样本的碳含量、氧含量、氢含量、氮含量、硫含量；
[0034]平均孔径