一种粉煤灰膏体管道输送水力坡度模型的建立方法技术

本申请公开了一种粉煤灰膏体管道输送水力坡度模型的建立方法，该方法将最大最小蚁群算法(MMAS)和BP神经网络结合应用于水力坡度的预测中，建立了水力坡度预测模型。经实践应用表明，该预测模型具有最大最小蚁群算法的快速收敛和全局性，又具有BP神经网络强大的映照效果，预测结果完全满足实际应用需要，为膏体充填开采系统设计提供了重要方法。

【技术实现步骤摘要】
一种粉煤灰膏体管道输送水力坡度模型的建立方法
本申请属于采矿
，具体地说，涉及一种粉煤灰膏体管道输送水力坡度模型的建立方法。
技术介绍
绿色采矿势在必行，充填采矿是绿色采矿重要组成部分。粉煤灰膏体即能解决粉煤灰污染环境的问题，又能满足充填开采的需要，有利于煤炭企业可持续发展膏体管道输送属于充填系统的关键环节，水力坡度作为管道输送最重要的参数之一，结果精度对工程实际应用起到至关重要的作用。水力坡度的影响因素复杂，它与材料物化性质、膏体特性和管道特性等诸多因素都存在密切的关系。对水力坡度的研究，主要经历了三个过程：有1931年前苏联学者B·M·Makaeebb最早提出基于扩散理论的计算；1944年前苏联学者M·A·Bennkahob提出基于重力理论的计算；前苏联煤矿科学研究院提出基于能量理论的计算；国内以鞍山矿山设计院和金川矿业提出的公式为主。然而，水力坡度呈非线性多因素影响，以上研究多以孤立因素和经验总结为主，目前还未有一套统一的指导方法和通用的公式，而且研究多集中输沙、输油气和输矿石相关方面，对粉煤灰膏体管道输送水力坡度研究的文献较少。
技术实现思路
有鉴于此，本专利技术提供一种基于MMAS-BP神经网络应用于煤矿粉煤灰膏体充填水力坡度的预测思路，建立相应模型，预测结果精度高，完全满足实际需要，为膏体充填系统设计提供了全新而又重要的理论方法，具有重要的现实意义。为了解决上述技术问题，本申请开了一种粉煤灰膏体管道输送水力坡度模型的建立方法，包括以下步骤：(1)确定目标函数，所述目标函数采用最小二乘目标函数，如下式表示：式中：r为试验组数；为第i组试验的实际输出；为第i组试验的期望输出；(2)管道输送试验所得数据作为样本集，并对样本集数据进行归一化处理；(3)进行BP神经网络学习，同时采用MMAS优化神经网络的权值、阈值和结构，建立管道输送水力坡度的影响因素与水力坡度的非线性映照，获得粉煤灰膏体输送的水力坡度预测模型；其中，所述水力坡度的影响因素包括浓度、流速和管径；所述粉煤灰膏体输送的水力坡度预测模型中，第一层为输入层，3个神经元，分别为浓度、流速和管径，第二层为隐层，第三层为输出层，1个神经元，为输送水力坡度。进一步地，如上所述的方法，所述粉煤灰膏体输送的水力坡度预测模型是基于MMAS的BP神经网络的建模，先将试验数据模糊化，再作为BP神经网络的输入和输出，同时利用MMAS配合BP神经网络学习训练，得到参数与有关指标之间的非线性映照模型。进一步地，如上所述的方法，基于MMAS的BP神经网络其训练过程如下：第一，初始化，基本参数包括最大信息素amax、最小信息素amin、随机的个体数量M、隐层数量W、每隐层节点最大值Wi、最大循环次数Dcmax和蚂蚁数量s；第二，蚂蚁并行从第一个节点开始，逐一的顺序处理，直至最后节点；对于第n只蚂蚁情况，具体操作为首先分析节点，判断节点的基本情况，然后根据元素选择规则计算概率，按照轮盘转动的方式，分别在前一个节点对应的权值和阈值集合中选择一个元素，元素选择规则按下述公式(1)进行：式中Ob——权值和阈值集合；j——元素；ai(Ob)——集合Ob中的信息素ai；第三，在每次迭代中，建立整个蚁群解对应的神经网络，输入样本，计算神经网络的均方误差MSE，记载蚂蚁所寻最优路径均方误差MSEbest1，用BP神经网络学习训练，再记载训练后的均方误差MSEtrain，具体表示如下述公式(2)：MSEbest＝min{MSEbest1,MSEtrain}(2)第四，更新元素和信息素，对于每一个节点，更新的方式按公式(3)和公式(4)进行：式中ρ——信息素挥发因子；△a＝1/MSEbest(4)第五，重复第二至第四步，直至Dc≥Dcmax时，循环中止；第六，MMAS找到的最优路径解建立BP神经网络，进行学习训练，对神经网络的权值、阈值和结构进行微调。与现有技术相比，本申请可以获得包括以下技术效果：(1)对于多因素非线性影响分析管道输送水力坡度，是基于MMAS-BP神经网络思想，将影响粉煤灰膏体水力坡度的主要因素浓度、流速和管径与水力坡度建立起预测模型，从而通过输入不同的浓度、流速和管径，预测膏体的水力坡度，模拟证明，该模型绝对误差最大-0.064kPa/m，最小-0.006kPa/m；它的相对误差最大-1.7％，最小-0.1％，在试验允许误差范围内，预测精度相当高，满足实际应用要求。(2)将MMAS和BP神经网络结合应用于水力坡度计算中，能够更好的预测粉煤灰膏体的水力坡度，方法可靠，运算效率高，完全满足实际要求，为充填管路降低能量损失，管路系统设计提供重要依据。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本专利技术MMAS-BP神经网络模型预测水力坡度的效果对比图。具体实施方式以下将配合实施例来详细说明本申请的实施方式，藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。水力坡度主要影响因素粉煤灰膏体是将粉煤灰、复合胶结料和水混合制成无临界流速的牙膏状浆体，它的输送需要克服与管壁产生的阻力和内部流层间的阻力，即管道输送的阻力损失，又称水力坡度。要研究水力坡度，需从其影响因素着手，影响水力坡度的因素较多，也比较复杂。通过分析大致可以从三个方面进行概括：(1)粉煤灰物化特性。粉煤灰化学性质对膏体输送不是直接影响，直接影响的因素主要是粉煤灰物理性能，具体表现为粉煤灰颗粒特性，主要包括颗粒形状、粒径、密度。其中颗粒形状的影响目前还未证实；颗粒粒径越大，需维持其悬浮的能量也越大，水力坡度也越大，粉煤灰粒径一般在10μm～100μm范围内，影响基本可以忽略；颗粒密度在一般情况下，颗粒密度越大，产生的管道阻力损失也越大，水力坡度也越大，但总的来说也可以忽略。(2)膏体特性。粉煤灰膏体特性主要指流变特性，就是对膏体流型和粘性及其相关性质的探讨，具体体现为膏体浓度、粘度和温度。对于稀浓度浆体一般属于牛顿体，而对于高浓度的粉煤灰膏体一般属于宾汉体，随着粘度不断增加，粘度对管道水力坡度所起的作用越专利技术显。温度升高，分子距离增大，引力减小，因而粘性下降，同时实验温度在15℃至25℃之间变化时，膏体的粘度波动范围不大，因此，在实际应用中可以不考虑温度对粘度的影响。(3)管道特性，主要是指管道的特征参数，具体内容为流速、管径和粗糙度。水力坡度的大小与膏体的流速有直接的关系，也与不同管径息息相关。流速越大，管径越小，阻力损失也越大。管道粗糙度是流动处于水力粗糙状态才会显现，主要受管材和输送的固体颗粒有关，但是当雷诺数比较小的时候，管道粗糙度对水力坡度影响较小。通过综合比较分析，粉煤灰膏体水力坡度的主要影响因素有浓度、流速和管径。MMAS-BP神经网络基本思路BP神经网络神经网络主要包括生物和人工神经网络。BP神经网络是人工神经网络应用最多的一种，它是多层前馈神经网络，拓扑结构为输入层、隐含层和输出层，训练方式采用误差逆向传播算法，BP神经网络的主要特征：一是，层与层之间的神经元连接方式为全连接；二是，训练过程分正向和反向两个过程训练，其中，正向训练过程是指本文档来自技高网...

【技术保护点】
一种粉煤灰膏体管道输送水力坡度模型的建立方法，其特征在于，包括以下步骤：(1)确定目标函数，所述目标函数采用最小二乘目标函数，如下式表示：

【技术特征摘要】
1.一种粉煤灰膏体管道输送水力坡度模型的建立方法，其特征在于，包括以下步骤：(1)确定目标函数，所述目标函数采用最小二乘目标函数，如下式表示：式中：r为试验组数；为第i组试验的实际输出；为第i组试验的期望输出；(2)管道输送试验所得数据作为样本集，并对样本集数据进行归一化处理；(3)进行BP神经网络学习，同时采用MMAS优化神经网络的权值、阈值和结构，建立管道输送水力坡度的影响因素与水力坡度的非线性映照，获得粉煤灰膏体输送的水力坡度预测模型；其中，所述水力坡度的影响因素包括浓度、流速和管径；所述粉煤灰膏体输送的水力坡度预测模型中，第一层为输入层，3个神经元，分别为浓度、流速和管径，第二层为隐层，第三层为输出层，1个神经元，为输送水力坡度。2.根据权利要求1所述的方法，其特征在于，所述粉煤灰膏体输送的水力坡度预测模型是基于MMAS的BP神经网络的建模，先将试验数据模糊化，再作为BP神经网络的输入和输出，同时利用MMAS配合BP神经网络学习训练，得到参数与有关指标之间的非线性映照模型。3.根据权利要求2所述的方法，其特征在于，基于MMAS的BP神经网络其训练过程如下：第一，初始化，基本参数包括最大信息素amax、最小信息素amin...

【专利技术属性】
技术研发人员：何荣军，张丽，骆大勇，秦江涛，庞成，黄文祥，喻晓峰，李星亮，
申请(专利权)人：重庆工程职业技术学院，
类型：发明
国别省市：重庆,50