一种基于BP人工神经网络的煤尘润湿接触角估算方法

摘要

一种基于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：（1）选择影响煤尘润湿接触角的主要因素作为输入变量；（2）采集输入变量的样本数据并进行归一化处理；（3）构建煤尘润湿接触角的BP人工神经网络结构；（4）利用MATLAB编译程序对所构建的煤尘润湿接触角的BP人工神经网络进行网络训练；（5）获得目标煤尘润湿接触角的估算值；（6）比较煤尘润湿接触角的估算结果和实测结果的误差。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作为输入量，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。

说明书

技术领域

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

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/m³，其中呼吸性粉尘所占比例达20％～40％。

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。

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

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：

一种基于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：

(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；

(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；

(3)构建煤尘润湿接触角的BP人工神经网络结构；

(4)利用MATLAB编译程序对所构建的煤尘润湿接触角的BP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；

(5)利用MATLAB编译程序确定煤尘润湿接触角的BP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；

(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。

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、O/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。

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、O/C比和H/C比。

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。

所述步骤(2)的样本数据归一化处理采用的公式为：

$y=\frac{x-min\left\{x\right\}}{max\left\{x\right\}-\min \left\{x\right\}}---\left[1\right],$

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}表示输入 变量的最大值，y表示归一化后输入变量的输出数据。

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。

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：

$f\left(y\right)=\frac{1}{1+e^{-ay}},0<f\left(y\right)<1,---\left[2\right],$

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。

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。

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。

本发明的有益效果为：

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

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。

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⁾_lk(l＝1，2，...，13；k＝1，2，...，22)为 输入层与隐含层之间的连接权重；w⁽²⁾_k3(k＝1，2，...，22)为隐含层与输出层之间的连接权重。

具体实施方式

下面结合附图对本发明的一种实施例作进一步说明。

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。

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：

(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、O/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；

(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；

平均孔径和比孔容数据是通过将粒径小于120目的煤样，在120℃条件下干燥5小时， 于0.010-0.995相对压力条件下和温度为77.5K条件下，采用3H-2000系列全自动氮吸附分析 测定仪测定煤样吸附等温线和脱附等温线；采用BET多层吸附方程(见公式[3])处理数据， 并采用公式[4]计算比表面积，然后根据公式[5]～[6]最终获得；相关公式如下所示：

$V_m=\frac{V(p_0-p)}{Cp}[1+(C-1)\frac{p}{p_0}]---\left[3\right],$

公式[3]中，V_m表示吸附剂被覆盖满一层时被吸附气体标态体积，m³；V表示在气体分压为p 时被吸附气体的标态体积，m³；p表示气体分压，Pa；p₀表示在吸附温度条件下吸附质的饱 和蒸汽压，Pa；C表示与吸附热有关的常数；

$\delta =\frac{1}{22400}\frac{V_m{N}_{A}A}{m}---\left[4\right],$

公式[4]中，δ表示比表面积，m²/g；V_m表示吸附剂被覆盖满一层时被吸附气体标态体积；N_A表示阿伏加德罗常数，6.023×10²³mol^-1；A表示N₂单个吸附质分子的截面积，13.8×10^-20m²； m表示煤质量，g；

$V_2=\frac{{\mathrm{ϵV}}_1}{m}---\left[5\right],$

公式[5]中，V₂表示煤样比孔容，m³/g；V₁表示煤样总体积，m³；ε为煤样孔隙率；

$d=4\frac{V_2}{\delta }---\left[6\right],$

公式[6]中，d表示平均孔直径，m；V₂表示煤样比孔容，m³/g；δ表示煤样比表面积，m²/g。

O/C比和H/C比分别表示煤尘中的氧碳摩尔比和氢碳摩尔比，其数据通过公式[7]和[8] 计算得到：

$X_{O/C}=\frac{O_{daf}}{M_O}·\frac{M_C}{C_{daf}}---\left[7\right],$

公式[7]中，X_O/C表示氧碳摩尔比，M_O和M_C分别表示氧、碳的原子量，O_daf和C_daf分别表示 煤尘中氧含量和碳含量；

$X_{H/C}=\frac{H_{daf}}{M_H}·\frac{M_C}{C_{daf}}---\left[8\right],$

公式[8]中，X_H/C表示氢碳摩尔比，M_H和M_C分别表示氢、碳的原子量，H_daf和C_daf分别表示 煤尘中氢含量和碳含量；

采用公式[1]对上述数据进行归一化处理，使所有样本数据在[0，1]范围内；

(3)构建煤尘润湿接触角的BP人工神经网络结构，如图2所示：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；

(4)利用MATLAB编译程序对所构建的煤尘润湿接触角的BP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；

隐含层节点数的确定过程是个较为复杂的问题，往往需要根据设计者的经验并结合多次 实验结果来确定，并且没有理想的解析式来表示。若隐含层节点数太少，网络能够获取的信 息有限；若隐含层节点数太多，不仅会导致学习时间过长，而导致得到的误差结果不一定最 佳，还可能出现不能识别未经训练样本的情况，即“过度吻合”问题。因此合理选择隐含层节 点数非常重要，本发明通过将将线性函数与对数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，其中：

线性函数为：f(y)＝y[9]，

对数S形转移函数为：$f\left(y\right)=\frac{1}{1+e^{-ay}}(0<f\left(y\right)<1)---\left[2\right],$

双曲正切S形函数：$f\left(y\right)=\frac{2}{1+e^{-2y}}-1(-1<f\left(y\right)<1)---\left[10\right],$

公式[2]、[9]、[10]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。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；

(5)利用MATLAB编译程序确定煤尘润湿接触角的BP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；

在获得本实施例的BP神经人工神经网络的隐含层节点数为21个、激励函数采用两层对 数S形转移函数后，重新采集100个煤样本并进行归一化处理到[0，1]范围内，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、隐含层与输出层的连接权重， 并获得目标煤尘润湿接触角的估算值，其中输入层至隐含层的连接权重和隐含层至输出层的 连接权重分别如表1和表2所示；

表1输入层至隐含层的连接权重

表2隐含层至输出层的连接权重

隐含层节点 1 2 3 4 5 6 7 连接权重 -1.11423 0.728352 3.955513 -4.65539 -2.30274 -3.07046 1.309323 隐含层节点 8 9 10 11 12 13 14 连接权重 1.829205 2.30216 4.540726 1.912076 -3.2478 1.029377 1.365501 隐含层节点 15 16 17 18 19 20 21 连接权重 2.515502 4.457492 -2.08673 -2.63862 -0.41046 -0.88904 -3.28545

(6)比较煤尘润湿接触角的估算结果和实测结果的误差在-10.778％～8.492％之间。