[发明专利]一种利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法

权利要求书

1.一种利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述方法包括：

将粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率设定为煤堆安全堆储时间的影响因素，将放热强度与温度作为评判煤堆自燃倾向性指标；

选取不同煤种、不同空隙率的煤堆，按照统一直径堆放在不同空气流量的环境中，并在煤堆的中部以下覆盖不同厚度的粉煤，在不同的堆储时间测得温度，并在煤堆测点位置取气体样品分析计算得到放热强度，从而获得N组包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率以及放热强度和温度的输入输出一一对应的数据组；

将包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率的N组影响因素数据组进行归一化预处理；将其中的n组数据组作为训练样本集，其余N-n组数据组作为测试样本集；

构建神经网络模型，将归一化预处理后的影响因素数据组作为神经网络模型的输入，将评判煤堆自燃倾向性指标作为神经网络模型的输出，建立煤堆安全堆储时间影响因素和煤堆自燃倾向性指标的非线性映射；

设置神经网络模型的最小均方误差，将训练样本集作为神经网络模型的输入和预期输出，对所述神经网络模型进行训练，并利用所述神经网络模型进一步设计样本，使之达到学习记忆功能；当所述神经网络模型学习精度满足最小均方误差后即得到训练好的神经网络模型；调整神经网络中的隐含层节点数目，将测试样本集输入训练好的神经网络模型，基于最小的训练误差确定神经网络的隐含层节点数目，得到用于预测粉煤覆盖煤堆安全堆储时间的BP神经网络模型；

对待测煤堆进行测试，获得包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率的待测煤堆影响因素实测值，将所述待测煤堆影响因素实测值数据组输入BP神经网络模型，获得放热强度和温度的预测值；

将放热强度和温度预测值用来计算待测煤堆的最短自燃发火期，得到粉煤覆盖煤堆安全堆储时间的预测结果；

所述方法还包括：

气体取样分析，获得包括O₂、CO和CO₂的浓度，对应堆储时间和温度，得到O₂的消耗速率以及CO和CO₂的生成速率；

通过以下公式计算得到最大放热强度q_max和最小放热强度q_min，并通过q_max和q_min的算术平均值计算得到放热强度q：

其中，q_max、q_min为放热强度的最大值与最小值，单位J/s；为氧气的消耗速率，v_CO、分别为CO、CO₂的生成速率，单位mol/s；ΔH_CO、分别为生成CO和CO₂的平均焓变，单位J/mol；q_a为气体化学吸附热，单位J/mol；

所述最短自燃发火期通过公式计算：

其中，ρ_c为煤体密度，单位g/cm³；c_c为煤体比热容，单位kJ/(kg·K)；τ为煤自燃时间，单位d；T为温度，单位K；q(T)为放热强度，单位J/s。

2.根据权利要求1所述的利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述方法还包括：

构建神经网络模型，将归一化预处理后的影响因素数据组作为神经网络模型的输入，将评判煤堆自燃倾向性指标温度与放热强度的归一化数值作为神经网络模型的输出结果，所述输出结果经过反归一化处理，得到放热强度与温度的转化值。

3.根据权利要求1或2所述的利用神经网络预测粉煤覆盖煤堆安全堆储时间的方法，其特征在于，所述归一化预处理方法为：

其中，x_k为归一化后数据，x为原始数据，x_min、x_max分别为同一影响因素数据组中的最小值和最大值；所述数据包括粉煤覆盖厚度、空气流量、堆储时间、煤活化能、煤堆空隙率中的任一影响因素数据；经过归一化预处理后的数据x_k分布在[0，1]区间内。