一种锚喷巷道摩擦阻力系数的快速预测方法技术

本发明专利技术公开了一种锚喷巷道摩擦阻力系数的快速预测方法，S1：确定摩擦阻力系数影响因素分别为温度b1、湿度b2、大气压强b3；S2：建立锚喷巷道通风数值模拟模型；S3：采用数值模拟方法，获取摩擦阻力系数样本集；S4：以各摩擦阻力系数影响因素为输入、摩擦阻力系数值为输出，构建基于多层感知器MLP的摩擦阻力系数预测模型；S5：训练摩擦阻力系数预测模型；S6：对最优预测模型进行测试；S7：对待预测巷道的摩擦阻力系数最大值进行预测。本发明专利技术方法实现了锚喷巷道摩擦阻力系数的实时预测，并提高了预测准确性、实时性，有效解决了巷道通风阻力计算时摩擦阻力系数值的选用、气象及通风参数变化时摩擦阻力系数实时确定的问题。摩擦阻力系数实时确定的问题。摩擦阻力系数实时确定的问题。

【技术实现步骤摘要】
一种锚喷巷道摩擦阻力系数的快速预测方法


[0001]本专利技术属于矿井通风
，具体涉及一种锚喷巷道摩擦阻力系数的快速预测方法，可在黑色、有色、黄金等地下开采矿山矿井通风实时网络解算时广泛应用。

技术介绍

[0002]矿井通风实时网络解算时，快速确定摩擦阻力系数值，对井下通风阻力计算、实时风量分配方案的确定具有极其重要的意义。
[0003]对于尺寸和支护方式已定型的巷道，摩擦阻力系数影响因素主要包括：温度、湿度及大气压强。巷道通风阻力受气象条件、通风参数影响较大，研究不同通风条件时摩擦阻力系数的值，对利用巷道所处环境参数实时预测通风阻力变化情况、调整巷道送风方案具有重要意义，可在很大程度上降低由于送风量不足所导致的伤害和损失。
[0004]传统的方法，在进行通风阻力测量的过程中，不仅费时费力，而且需要的测量人员众多，大约在10人以上，协调工作也很困难，再加上许多地方测量环境较差，条件恶劣，测量的阻力系数的准确度不高。
[0005]目前，矿井通风理论及仿真研究已经比较成熟，以现场实验和数值模拟为主要研究手段。现有摩擦阻力系数值的使用参考多为经验值或人工现场测量。由于井下环境复杂，实时通风情况受气象条件及通风参数影响较大，传统研究方法无法根据巷道环境参数的变化实时获得摩擦阻力系数值，对于通风阻力的计算、风量分配方案的确定具有延时性，无法满足矿井通风系统安全的要求。
[0006]中国专利申请201811512523.9提供了一种基于大数据的通风巷道摩擦阻力系数快速确定方法，包括步骤：S1：采集巷道通风参数数据和巷道通风参数数据对应的巷道摩擦阻力系数；S2：建立分类数据母集合；建立分类数据子集合，并建立每种子集合的影响因子的三维分析模型；S3：采集所要确定巷道摩擦阻力系数的巷道的通风参数，找到与该巷道通风参数匹配的分类数据母集合和子集合，给出该巷道的摩擦阻力系数的建议值。但试验研究表明，该方法给出的巷道的摩擦阻力系数的建议值并不精准，且过程复杂，难以实现实时通风网络解算时摩擦阻力系数值的快速预测。

技术实现思路

[0007]本专利技术的目的就是针对现有技术存在的准确度不到、具有延时性且无法即时反应巷道环境参数的变化等问题，而提供一种锚喷巷道摩擦阻力系数的快速预测方法，该方法能够实现锚喷巷道摩擦阻力系数的快速预测，并提高预测准确性、实时性。
[0008]为实现本专利技术的上述目的，本专利技术一种锚喷巷道摩擦阻力系数的快速预测方法采用以下步骤实施：
[0009]S1：确定摩擦阻力系数影响因素
[0010]确定摩擦阻力系数的三项影响因素分别为温度b1、湿度b2、大气压强b3；
[0011]S2：建立锚喷巷道通风数值模拟模型
[0012]选取实际井下巷道作为原型，建立锚喷支护的均直巷道通风数值模拟模型；所述锚喷巷道通风数值模拟模型用于对不同温度b1、湿度b2、大气压强b3条件下的通风阻力进行数值模拟；
[0013]S3：获取摩擦阻力系数样本集
[0014]采用数值模拟方法，运行锚喷巷道通风数值模拟模型，获取摩擦阻力系数影响因素的N种取值组合下摩擦阻力系数的数据，得到摩擦阻力系数样本集C＝{c1,c2,...,c
n
,...,c
N
}；其中，c
n
为第n个摩擦阻力系数样本，n∈{1,2,...,N}，N为摩擦阻力系数样本总数，c
n
＝(b
1n
,b
2n
,b
3n
,a
n
)，b
kn
为第n个摩擦阻力系数样本中第k项摩擦阻力系数影响因素的值，a
n
为第n个摩擦阻力系数样本中摩擦阻力系数值；
[0015]S4：建立摩擦阻力系数预测模型
[0016]以各摩擦阻力系数影响因素为输入、摩擦阻力系数值为输出，构建基于MLP的摩擦阻力系数预测模型；所述摩擦阻力系数预测模型的输入端集成有归一化处理模块、输出端集成有反归一化处理模块；
[0017]S5：训练摩擦阻力系数预测模型
[0018]S5.1：从摩擦阻力系数样本集C中随机选取N1个样本构成训练集，从剩下的N
‑
N1个样本中随机选取N2个样本构成验证集；
[0019]S5.2：利用训练集对所述摩擦阻力系数预测模型进行训练，并利用验证集对训练后的摩擦阻力系数预测模型进行验证，计算验证集的相对误差ε1；
[0020]S5.3：判断验证集的相对误差ε1是否低于预设的阈值：若是，则输出此时的摩擦阻力系数预测模型为最优预测模型；若否，则调整摩擦阻力系数预测模型的参数，返回S5.1；
[0021]S6：对最优预测模型进行测试
[0022]S6.1：选取摩擦阻力系数样本集C中剩下的N
‑
N1‑
N2个样本构成测试集；
[0023]S6.2：利用测试集对所述最优预测模型进行测试，计算测试集的相对误差ε2；
[0024]S6.3：判断测试集的相对误差ε2是否低于预设的阈值：若是，则所述最优预测模型符合准确性要求，进入S7；若否，则调整所述最优预测模型的参数，返回S5.1；
[0025]S7：对待预测巷道的摩擦阻力系数最大值进行预测
[0026]S7.1：获取待预测巷道的摩擦阻力系数影响因素的数据；
[0027]S7.2：将待预测巷道的各摩擦阻力系数影响因素的数据输入所述最优预测模型中，输出待预测巷道的摩擦阻力系数的预测值。
[0028]进一步地，S2步骤所述的数值模拟模型为锚喷支护的均直巷道通风数值模拟模型，通过FLUENT流体动力学模拟软件建立。
[0029]进一步地，所述S5.3中，调整摩擦阻力系数预测模型的参数，具体包括：调整训练集中随机选取的样本数N1、深度学习优化器、激活函数、正则化项参数、隐含层数、隐含层神经元个数、最大迭代次数。
[0030]作为本专利技术方法的优选，MLP预测模型对应的参数分别为：深度学习优化器为quasi
‑
Newton方法的优化器，激活函数为“logistic”激活函数，正则化项参数为1e
‑
2，隐含层层数为1，隐含层神经元个数为10，最大迭代次数为10000。
[0031]特别的，所述深度学习优化器用来优化深度学习模型所引入的损失函数，其作用是使损失函数最小化的更改可训练参数，同时损失函数指导优化器朝正确的方向移动；所
述损失函数用于定义单个训练样本与真实值之间的误差。
[0032]本专利技术方法正则化是深度学习中用于减少测试误差，从而缓解过度拟合的设计策略。使用正则化策略减少测试误差时，可能会增大训练误差，出现过度拟合。正则化项参数即用来限值模型的学习能力，减少过度拟合的发生。
[0033]本专利技术一种锚喷巷道摩擦阻力系数的快速预测方法采用以上技术方案后，带来了以下有益效果：
[0034]本专利技术利用数值模拟本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锚喷巷道摩擦阻力系数的快速预测方法，其特征在于包括以下步骤：S1：确定摩擦阻力系数影响因素确定摩擦阻力系数的三项影响因素分别为温度b1、湿度b2、大气压强b3；S2：建立锚喷巷道通风数值模拟模型选取实际井下巷道作为原型，建立锚喷支护的均直巷道通风数值模拟模型；所述锚喷巷道通风数值模拟模型用于对不同温度b1、湿度b2、大气压强b3条件下的通风阻力进行数值模拟；S3：获取摩擦阻力系数样本集采用数值模拟方法，运行锚喷巷道通风数值模拟模型，获取摩擦阻力系数影响因素的N种取值组合下摩擦阻力系数的数据，得到摩擦阻力系数样本集C＝{c1,c2,...,c
n
,...,c
N
}；其中，c
n
为第n个摩擦阻力系数样本，n∈{1,2,...,N}，N为摩擦阻力系数样本总数，c
n
＝(b
1n
,b
2n
,b
3n
,a
n
)，b
kn
为第n个摩擦阻力系数样本中第k项摩擦阻力系数影响因素的值，a
n
为第n个摩擦阻力系数样本中摩擦阻力系数值；S4：建立摩擦阻力系数预测模型以各摩擦阻力系数影响因素为输入、摩擦阻力系数值为输出，构建基于MLP的摩擦阻力系数预测模型；所述摩擦阻力系数预测模型的输入端集成有归一化处理模块、输出端集成有反归一化处理模块；S5：训练摩擦阻力系数预测模型S5.1：从摩擦阻力系数样本集C中随机选取N1个样本构成训练集，从剩下的N
‑
N1个样本中随机选取N2个样本构成验证集；S5.2：利用训练集对所述摩擦阻力系数预测模型进行训练，并利用验证集对训练后的摩擦阻力系数预测模型进行验证，计算验证集的相对误差ε1；S5.3：判断验证集的相对误差ε1是否低于预设的阈值：若是，则输...

【专利技术属性】
技术研发人员：赵旭，贾敏涛，任甲泽，周伟，王爽，吴冷峻，张昊，张明峰，李晓健，
申请(专利权)人：华唯金属矿产资源高效循环利用国家工程研究中心有限公司，
类型：发明
国别省市：