Structural optimization and intelligent parameter control of ventilation and dust removal systems for comprehensive excavation workface
-
摘要: 针对传统长压短抽式通风除尘系统易形成涡流和风流死角的问题，结合康达效应对长压短抽式通风除尘系统进行结构优化，将抽风管与压风管进行嵌套处理，使负压风筒中的风流在抽风筒管口产生康达效应，确保气流紧贴巷道壁面，减少了空气中粉尘的扩散，并显著降低了能耗。通过流场和离散相模型（DPM）仿真得到最佳压抽比为2∶3，在最佳压抽比下的仿真结果显示，与传统长压短抽式通风除尘系统相比，优化系统除尘后司机处及下风侧的粉尘浓度分别降低了5.56%和55.41%。确定通风除尘系统整体结构及压抽比后，通过参数调控可进一步提高除尘效率。选择风筒与产尘面的距离、风筒中轴线与地面的距离及抽压风筒之间的距离作为通风除尘系统的优化调控参数，通过卷积神经网络（CNN）对优化通风除尘系统的除尘参数进行智能调控，匹配出不同初始粉尘浓度下的最优参数，实现智能除尘。通过等比例缩小的通风除尘实验平台对45组参数调控方案进行实验，结果表明：对比BP神经网络，采用CNN模型进行粉尘浓度预测的准确性和稳定性更优；司机处和下风侧初始粉尘浓度为300～900 mg/m³时，采用优化通风除尘系统后，平均粉尘浓度分别下降了51.49%～83.88%，验证了参数调控的有效性。Abstract: This study addressed the challenges of vortex formation and dead air zones in traditional long-pressure short suction ventilation and dust removal systems. By leveraging the Coanda effect, the system's structure was optimized through the nesting of the exhaust and pressure ducts. This design enhanced airflow in the negative pressure duct, promoting adherence to the tunnel walls, reducing dust dispersion, and significantly lowering energy consumption. Simulations utilizing flow field analysis and discrete phase model (DPM) revealed an optimal pressure-extraction ratio of 2∶3. Under this ratio, results indicated that the optimized system reduced dust concentrations at the driver's position and downwind side by 5.56% and 55.41%, respectively, compared to traditional systems. With the structure and pressure-extraction ratio established, further improvements in dust removal efficiency were achievable through parameter regulation. Key parameters included the distance between the duct and the dust-producing surface, the distance from the duct's central axis to the ground, and the distance between the pressure and extraction ducts. Convolutional neural network (CNN) was employed for intelligent parameter control, enabling the identification of optimal parameters for varying initial dust concentrations. Experiments conducted on 45 parameter regulation schemes using a scaled-down experimental platform demonstrated that the CNN model outperformed BP neural networks in accuracy and stability for dust concentration predictions. When initial dust concentrations at the driver's position and downwind side ranged from 300 to 900 mg/m3, the optimized system achieved an average dust concentration reduction of 51.49% to 83.88%, thereby validating the effectiveness of parameter control.
-
0. 引言
为解决煤矿开采过程中的粉尘污染问题，降低作业人员的健康安全风险，各种控尘技术应运而生。其中，长压短抽式除尘方法因其高效的除尘效果而被广泛应用。该方法将长距离正压通风和短距离负压抽风相结合，实现了对综掘工作面粉尘的有效控制[1]。近年来，国内外专家学者对长压短抽式通风除尘系统结构参数优化进行了大量研究，由最开始的不改变压入风筒结构、调节风压比[2]，到改变压入风筒结构、增加控尘风筒和优化轴径向风压比[3-4]，再到改变压风筒风流角度[5]和增加负压除尘微雾净化装置[6]。以上研究虽然在一定程度上提高了长压短抽式通风除尘系统的效率，但由于正压和负压风流的交互作用，长压短抽式通风除尘系统本身很容易在综掘工作面形成许多涡流和风流死角，使粉尘聚集，因此需要从结构上优化通风除尘系统，减少风流死角。
康达效应是流体力学中的一个重要现象，描述了流体在流动时倾向于附着在附近固体表面上的行为。Li Angui[7]探讨了康达效应在通风系统中的应用，指出利用康达效应可显著改善空气分布和通风效率，特别是在封闭或复杂的空间中。卢文[8]利用康达效应改进气幕的结构，使得气幕的破裂条件保持不变，在更低风量条件下仍能保持气幕的完整性和控烟效果。利用康达效应能够在复杂环境中实现高效的气流引导和控制，因而在综掘工作面通风除尘系统中有很大的应用潜力。
通过流体力学建模仿真进行参数优化的方式[9]需要的计算资源较多，且在不同综掘工作面工况条件下，系统参数难以灵活调整，限制了方法的普适性和高效性。智能化煤矿通风除尘系统[10-12]将人工智能算法应用到通风除尘系统中，实现除尘参数调节策略优化和粉尘浓度预测等[13-15]。龚晓燕等[16]使用BP神经网络进行粉尘浓度预测，取得了较好的预测效果，但BP神经网络训练时易出现梯度爆炸等问题。卷积神经网络（Convolutional Neural Network，CNN）具有强大的特征提取能力，逐渐被应用于线性回归预测任务中[17-20]。CNN能够很好地处理一维数据的回归预测任务，还能与其他模型结合[21]，增强对跨领域数据的适应性，实现迁移学习，显著提升模型在不同工况下的泛化能力。
针对传统长压短抽式通风除尘系统易形成涡流和风流死角的问题，结合康达效应对长压短抽式通风除尘系统进行结构优化，将抽风管与压风管进行嵌套处理，通过在压风管管口产生康达效应，减少风流死角，进而提高除尘效率；结合CNN对不同调控参数下的粉尘浓度进行预测，从而匹配出不同初始粉尘浓度下的最优参数，实现智能除尘。
1. 基于康达效应的通风除尘系统结构优化
1.1 结构优化方案
通风管道是通风除尘系统的主要构成部分。长压短抽式通风管道结构如图1所示。由于通风管道的布置和通风机位置设计不当，风流组织复杂，易形成涡流或死角，粉尘和有害气体无法有效排除，导致局部区域除尘效率低。为了维持足够的通风量，通风机功率通常较高，导致能耗较大，尤其在长距离输风或复杂作业面条件下，能量损耗尤为严重。传统通风除尘系统缺乏对环境变化的自适应调节能力，无法实时应对综掘工作面动态变化的通风需求；风量和风压通常是预先设定的，不能根据实时粉尘浓度、气流速度等参数自动调整，降低了系统运行效率。
康达效应是流体力学中的一种现象，指流体在遇到曲面或障碍物时会附着在其表面并沿其流动的趋势。结合康达效应优化后的通风管道结构如图2所示。将负压风筒和抽风筒结合为一个嵌套结构，使负压风筒中的风流能在抽风筒管口产生康达效应。在传统系统中，风流易偏离设计路径，而优化后的结构则确保了气流紧贴巷道壁面，减少了空气中粉尘的扩散，使得通风除尘系统能够在更低的通风机功率下实现更高效的空气流动。此外，气流沿曲面流动的特性减少了风阻和能量损失，使通风除尘系统在保证除尘效果的同时，显著降低了能耗。
![]()
图 2 结合康达效应优化后的通风管道结构Figure 2. Optimized ventilation duct structure based on Coanda effect1.2 结构优化效果验证
1.2.1 模型建立
以山西王家岭煤业有限公司二号煤层20106号综掘工作面[22]为研究对象，根据综掘工作面实际情况对巷道尺寸及除尘装置进行调整。构建50 m×5.0 m×4.0 m（长×宽×高）的模拟巷道，模拟分析实粉尘运动规律和浓度分布。模型主要部件尺寸见表1。
表 1 模型主要部件尺寸Table 1. Dimensions of main parts of the model名称 尺寸 压风风筒 ϕ0.65 m 抽风风筒 ϕ0.50 m 压风风筒喇叭 ϕ1.8 m 抽风风筒喇叭 ϕ1.5 m 产尘面 ϕ0.8 m 掘进机 6.5 m×2.0 m×1.0 m（长×宽×高） 将建立好的优化通风除尘系统几何模型（图3）导入网格划分软件中进行结构化网格划分，最终生成的网格节点数量为326 421个，平均网格单元质量为0.951，网格精度达到仿真标准。
![]()
图 3 优化通风除尘系统几何模型Figure 3. Geometric model of optimized ventilation and dust removal system将网格导入Fluent求解器中进行仿真。设置湍流模型为真实的$k - \varepsilon $双方程模型。设置入口边界类型为“速度入口”，出口边界类型为“自由出流边界”，所有壁面为“无滑移的固体”，流体类型为“空气”。开启离散相模型（Discrete Phase Model，DPM），DPM参数设定见表2。
表 2 DPM参数设定Table 2. Discrete phase model (DPM) parameters settings参数类别 参数设定 Interaction with Continuous Phase（相间耦合） On DPM Iteration Interval（耦合步长） 200 Injection Type（射出类型） Surface Particle Type（颗粒类型） Inert Material（材料） Coal-hv Diameter Distribution（粒径分布） rosin-rammler Total Flow Rate（质量流率）/（$ {\mathrm{kg}}\cdot {{\mathrm{s}}}^{-1} $） 0.0025 Min Diameter（最小粒径）/μm 1×10−6 Max Diameter（最大粒径）/μm 1×10−4 Mean Diameter（中间粒径）/μm 1×10−5 Spread Parameter（传播参数） 3.5 Number of Diameters（颗粒个数） 15 1.2.2 最佳除尘压抽比确定
通风除尘系统的除尘效果主要受巷道内的流场影响。通过改变压抽比可控制流场内的风流走向，不同压抽比下流场内的粉尘运动规律不同，最终的除尘效果也不同。为匹配模拟巷道大小的流场，设置模拟抽风风筒供风量为固定的240 ${{\text{m}}^3}/\min $。当压抽比为1∶1且采用改进抽压风风筒除尘时，管口会产生由外向内包裹的旋转风流，从而扩大除尘范围。抽风管管口风流如图4所示。
设定抽风量为240 ${{\text{m}}^3}/\min $，压抽比分别为4∶5，1∶1，4∶3，2∶3，进行数值模拟仿真，分析司机处（坐标为y=2.0 m，x=2.5 m，z=7 m）粉尘浓度分布规律，如图5−图7所示。
由图5、图6可看出：当压入风量小于抽出风量（即压抽比为4∶5和1∶1）时，由于压入风量不足，导致粉尘大量聚集在工作面前端掘进机及司机位置；当压入风量大于抽出风量（即压抽比为4∶3和2∶3）时，压入风量足够将聚集在工作面头部的粉尘吹散并裹挟进抽风风筒；当压抽比为2∶3时，x=2.5 m及y=2.0 m截面处的粉尘浓度分布情况最好。由图7可知：压抽比为4∶5和1∶1时，z=7.0 m截面处粉尘浓度极高；压抽比为2∶3时，z=7.0 m截面处粉尘浓度最低。综上，该通风除尘系统最佳除尘压抽比为2∶3。
1.2.3 除尘效果对比
为验证优化通风除尘系统的可行性，在几何模型大小、DPM参数、风压比均相同的情况下对优化通风除尘系统及传统长压短抽式通风除尘系统进行仿真，结果如图8所示。由图8可知，在x=2 m截面处采用优化系统时粉尘浓度分布优于长压短抽系统。在司机处z轴及下风侧截面，采用长压短抽系统时平均粉尘浓度分别为433.17，821.27 mg/m3，采用优化系统时平均粉尘浓度分别为409.10，366.17 mg/m3，比长压短抽系统分别降低了5.56%，55.41%。
2. 基于CNN的通风除尘系统参数智能调控
2.1 调控参数确定
确定通风除尘系统整体结构及压抽比后，通过参数调控可进一步提高除尘效率。
风筒距离产尘面的远近直接决定了流场的覆盖范围和吸尘效果。当靠近产尘面时，吸尘效率相对较高，然而，风筒过近会导致流场范围缩小，无法有效控制较大范围内的粉尘扩散。风筒距离过远则会导致吸尘效率下降。因此，应在合理范围内选择风筒与产尘面的距离，以兼顾覆盖范围和吸尘效果。
风筒高度决定了风流的主要运动区域，直接影响除尘的空间范围。当风筒高度较低时，气流主要集中在地面附近，能够更有效地捕捉低处的粉尘，但也可能干扰作业面上方的气流组织。当风筒高度较高时，气流的覆盖范围变大，有利于捕捉更多粉尘，但可能降低对近地面粉尘的控制效果。矿井环境中，粉尘的分布往往存在差异，通过调节风筒高度，可更好地适应这种复杂多变的环境，确保系统在不同工作条件下仍能维持高效的除尘效果。
抽压风筒之间的距离直接影响康达效应的强度与效果。如果距离过小，气流可能无法充分附着，产生局部紊流，导致气流不稳定，影响除尘效率；如果距离过大，则康达效应减弱，气流的附壁能力下降，内旋风流结构不稳定，削弱了系统的整体除尘能力。因此，选择合理的距离可优化康达效应产生的附壁流动，确保气流能够沿着风筒内壁稳定流动，从而提高风流的稳定性与除尘效率。
基于上述分析，选择风筒与产尘面的距离d、风筒中轴线与地面的距离H及抽压风筒之间的距离h作为优化调控参数，如图9所示。通过对这些参数的精确调节，可实现对流场的精细控制，确保康达效应的最大化利用，从而进一步提升整个通风除尘系统的效率和稳定性。
2.2 调控参数数据集获取
搭建等比例缩小的模拟巷道通风除尘系统，调控参数优化实验平台如图10所示。模拟巷道的尺寸为3.2 m×1.6 m×1.6 m（长×宽×高）。使用激光测尘方法对司机处平均粉尘浓度进行测量，使用粉尘浓度测量仪对下风侧行人呼吸带处测尘点粉尘浓度进行测量。
![]()
图 10 调控参数优化实验平台1−模拟巷道；2−CCD工业相机；3−红色线激光；4−嵌套式通风管道。Figure 10. Experimental platform for optimizing parametesr control以搭建好的实验平台为基准，设风筒与产尘面的距离d调控步长为0.05 m，调控范围为0.3～0.5 m；设置风筒中轴线与地面的距离H调控步长为0.05 m，调控范围为0.45～0.55 m；设置抽压风筒之间的距离h调控步长为0.2 m，调控范围为−0.2～0.2 m。进行全因子实验，得到45组参数调控方案，见表3。
表 3 参数调控方案Table 3. Parameter control scheme序号 d/m h/m H/m 1 0.30 0.2 0.55 2 0.30 0 0.55 3 0.30 -0.2 0.55 4 0.35 0 0.45 5 0.35 0.2 0.45 41 0.50 0 0.50 42 0.50 0.2 0.50 43 0.50 0.2 0.55 44 0.50 0 0.55 45 0.50 −0.2 0.55 收集不同初始粉尘浓度条件下采用45组参数调控方案后的粉尘浓度，为保证模型训练的可靠性，每组调控方案进行25次不同初始粉尘浓度下的实验，最后收集到的数据见表4。
表 4 调控参数对除尘效果影响的实验数据Table 4. Experimental data on the influence of control parameters on dust removal efficiency序号 初始粉尘浓度/
（mg·m−3）d/m h/m H/m 通风后粉尘浓度/
（mg·m−3）司机处 下风侧 司机处 下风侧 1 542 513 0.35 0 0.45 137 291 2 392 359 0.35 0.2 0.45 207 356 3 611 493 0.35 −0.2 0.45 248 185 4 912 917 0.40 −0.2 0.45 292 303 5 844 944 0.40 0 0.45 249 227 1 121 646 647 0.35 0 0.55 185 127 1 122 562 565 0.35 0.2 0.55 199 170 1 123 238 234 0.30 0.2 0.55 172 257 1 124 469 461 0.30 0 0.55 237 181 1 125 461 454 0.30 −0.2 0.55 281 292 2.3 CNN模型训练及性能对比分析
CNN模型采用包含1个卷积层的网络结构，卷积核尺寸为（2，1），卷积核数量为64，以确保能够提取到多层次特征。经过卷积层特征提取后，使用全连接层进行回归任务预测，全连接层包含64个神经元，使用ReLU激活函数。采用BP神经网络与CNN进行对比，BP神经网络采用5−13−2的网络结构，即输入层包含5个节点，隐藏层设置为13个节点，输出层包含2个节点。隐藏层采用tanh函数作为激活函数。为了优化模型训练过程，CNN和BP神经网络均采用Adam优化算法，训练步数均为1 000。设置训练集占比为0.8，训练完成后模型测试结果对比见表5。
表 5 BP神经网络与CNN模型性能对比Table 5. Comparison of BP neural network and CNN model performance神经网
络模型数据集 位置 决定
系数平均绝对
误差均方根
误差BP神经网络 训练集 司机处 0.909 4 11.286 7 14.609 6 测试集 司机处 0.897 1 11.876 7 15.964 1 训练集 下风侧 0.889 2 14.247 1 19.778 9 测试集 下风侧 0.897 3 15.421 5 20.612 1 CNN 训练集 司机处 0.974 0 5.655 7 7.823 3 测试集 司机处 0.973 0 6.160 2 8.181 5 训练集 下风侧 0.964 5 6.881 6 11.188 3 测试集 下风侧 0.953 1 7.960 8 13.935 0 由表5可看出，对比BP神经网络，CNN的决定系数更高，说明预测结果更接近实际值，平均绝对误差与均方根误差都大幅度减小，说明模型的准确性和稳定性都更优。CNN通过卷积操作，能够在较低维度的数据中发现更丰富的特征模式，在回归预测任务中表现出更好的泛化能力和预测效果。因此采用训练好的CNN模型作为粉尘浓度预测模型。
2.4 CNN模型预测数据准确性验证
为验证CNN模型预测粉尘浓度的准确性，通过优化调控参数实验平台对随机15组参数调控方案进行实测，对比真实数据与CNN预测结果，如图11所示。分析得出司机处粉尘浓度预测值与真实值的误差范围为0.39%～6.01%，误差较小；下风侧误差范围稍大，为0.05%～9.15%。但总体来看，2个目标区域的预测误差都在较低水平，表明CNN模型具有较高的精度和良好的泛化能力。
![]()
图 11 CNN模型预测值与真实值对比Figure 11. Comparison of predicted values from CNN model and actual values2.5 基于CNN模型的通风除尘系统调控参数优化
设置初始粉尘浓度为300，500，700，900 mg/m3，通过训练好的CNN模型对采用45组参数调控方案后的粉尘浓度进行预测，结果如图12所示。可看出，初始粉尘浓度较高时，除尘后的粉尘浓度整体也较高，表明初始粉尘浓度对最终除尘效果有显著影响。下风侧粉尘浓度普遍高于司机处，尤其是在初始粉尘浓度较高时差异更为明显。这可能是由于下风侧处于气流下游位置，粉尘积聚更严重。
![]()
图 12 不同初始粉尘浓度下CNN模型预测结果Figure 12. Prediction results of CNN model at different initial dust concentrations在300 mg/m3初始粉尘浓度下，用第10、11组调控方案除尘后的粉尘浓度相对较高，第15、20、32组方案除尘效果较理想，粉尘浓度较低。初始粉尘浓度为500 mg/m3时，第11、27组方案的除尘效果较好。这说明在不同初始粉尘浓度下，最优调控参数组合不同，需要针对特定工况选择合适的调控方案，以实现最佳除尘效果。在司机处与下风侧初始粉尘浓度同时为300～900 mg/m3时的最优调控方案及其除尘效果见表6。
表 6 不同初始粉尘浓度下最优调控方案的除尘效果Table 6. Dust removal effectiveness of the optimal control scheme at different initial dust concentrations初始粉
尘浓度/
（mg·m−3）最优调
控方案d/m h/m H/m 司机处粉
尘浓度/
（mg·m−3）下风侧粉
尘浓度/
（mg·m−3）平均除尘
效率/%300 32 0.5 0 0.55 157.59 133.46 51.49 500 11 0.5 0 0.45 98.87 128.22 77.29 700 24 0.4 0.2 0.50 162.44 94.21 81.67 900 6 0.4 0.2 0.45 176.89 113.20 83.88 由表6可得：初始粉尘浓度为300 mg/m3时，使用第32组调控方案可获得最优除尘效果，司机处粉尘浓度下降47.47%，下风侧粉尘浓度下降55.51%；初始粉尘浓度为900 mg/m3时，使用第6组调控方案可最优除尘效果，司机处粉尘浓度下降80.35%，下风侧粉尘浓度下降87.42%。
3. 结论
1） 基于康达效应对长压短抽式通风除尘系统进行结构优化，显著提升了系统的除尘效率。通过流场和DPM仿真得到最佳压抽比为2∶3。在最佳压抽比下的仿真结果显示，与传统长压短抽式通风除尘系统相比，优化系统除尘后司机处及下风侧的粉尘浓度分别降低了5.56%和55.41%。
2） 选择风筒与产尘面的距离、风筒中轴线与地面的距离及抽压风筒之间的距离作为通风除尘系统的优化调控参数。为实现参数优化的智能化和快速化，采用CNN模型对通风除尘系统的调控参数进行了优化。实验结果表明，相较于BP神经网络，CNN模型具有更高的预测精度，能够更有效预测不同初始粉尘浓度下的除尘效果。
3） 基于CNN模型的预测结果，确定了不同初始粉尘浓度下的最佳调控参数组合。司机处和下风侧初始粉尘浓度为300～900 mg/m³时，采用优化通风除尘系统后，平均粉尘浓度分别下降了51.49%～ 83.88%，验证了参数调控的有效性。
4） 康达效应受限于巷道几何形状和作业面环境，难以在复杂、非规则环境中保持流体附壁效果的稳定性。此外，虽进行了仿真和实验，但缺乏真实掘进工作面的数据验证，暂无法应用于实际工作面。未来将探索在复杂巷道中优化康达效应的应用，并通过真实矿井数据测试验证系统有效性和稳定性。
-
![]()
图 2 结合康达效应优化后的通风管道结构
Figure 2. Optimized ventilation duct structure based on Coanda effect
![]()
图 3 优化通风除尘系统几何模型
Figure 3. Geometric model of optimized ventilation and dust removal system
![]()
图 10 调控参数优化实验平台
1−模拟巷道；2−CCD工业相机；3−红色线激光；4−嵌套式通风管道。
Figure 10. Experimental platform for optimizing parametesr control
![]()
图 11 CNN模型预测值与真实值对比
Figure 11. Comparison of predicted values from CNN model and actual values
![]()
图 12 不同初始粉尘浓度下CNN模型预测结果
Figure 12. Prediction results of CNN model at different initial dust concentrations
表 1 模型主要部件尺寸
Table 1 Dimensions of main parts of the model
名称 尺寸 压风风筒 ϕ0.65 m 抽风风筒 ϕ0.50 m 压风风筒喇叭 ϕ1.8 m 抽风风筒喇叭 ϕ1.5 m 产尘面 ϕ0.8 m 掘进机 6.5 m×2.0 m×1.0 m（长×宽×高） 
下载: 导出CSV
表 2 DPM参数设定
Table 2 Discrete phase model (DPM) parameters settings
参数类别 参数设定 Interaction with Continuous Phase（相间耦合） On DPM Iteration Interval（耦合步长） 200 Injection Type（射出类型） Surface Particle Type（颗粒类型） Inert Material（材料） Coal-hv Diameter Distribution（粒径分布） rosin-rammler Total Flow Rate（质量流率）/（$ {\mathrm{kg}}\cdot {{\mathrm{s}}}^{-1} $） 0.0025 Min Diameter（最小粒径）/μm 1×10−6 Max Diameter（最大粒径）/μm 1×10−4 Mean Diameter（中间粒径）/μm 1×10−5 Spread Parameter（传播参数） 3.5 Number of Diameters（颗粒个数） 15
下载: 导出CSV
表 3 参数调控方案
Table 3 Parameter control scheme
序号 d/m h/m H/m 1 0.30 0.2 0.55 2 0.30 0 0.55 3 0.30 -0.2 0.55 4 0.35 0 0.45 5 0.35 0.2 0.45 41 0.50 0 0.50 42 0.50 0.2 0.50 43 0.50 0.2 0.55 44 0.50 0 0.55 45 0.50 −0.2 0.55
下载: 导出CSV
表 4 调控参数对除尘效果影响的实验数据
Table 4 Experimental data on the influence of control parameters on dust removal efficiency
序号 初始粉尘浓度/
（mg·m−3）d/m h/m H/m 通风后粉尘浓度/
（mg·m−3）司机处 下风侧 司机处 下风侧 1 542 513 0.35 0 0.45 137 291 2 392 359 0.35 0.2 0.45 207 356 3 611 493 0.35 −0.2 0.45 248 185 4 912 917 0.40 −0.2 0.45 292 303 5 844 944 0.40 0 0.45 249 227 1 121 646 647 0.35 0 0.55 185 127 1 122 562 565 0.35 0.2 0.55 199 170 1 123 238 234 0.30 0.2 0.55 172 257 1 124 469 461 0.30 0 0.55 237 181 1 125 461 454 0.30 −0.2 0.55 281 292
下载: 导出CSV
表 5 BP神经网络与CNN模型性能对比
Table 5 Comparison of BP neural network and CNN model performance
神经网
络模型数据集 位置 决定
系数平均绝对
误差均方根
误差BP神经网络 训练集 司机处 0.909 4 11.286 7 14.609 6 测试集 司机处 0.897 1 11.876 7 15.964 1 训练集 下风侧 0.889 2 14.247 1 19.778 9 测试集 下风侧 0.897 3 15.421 5 20.612 1 CNN 训练集 司机处 0.974 0 5.655 7 7.823 3 测试集 司机处 0.973 0 6.160 2 8.181 5 训练集 下风侧 0.964 5 6.881 6 11.188 3 测试集 下风侧 0.953 1 7.960 8 13.935 0
下载: 导出CSV
表 6 不同初始粉尘浓度下最优调控方案的除尘效果
Table 6 Dust removal effectiveness of the optimal control scheme at different initial dust concentrations
初始粉
尘浓度/
（mg·m−3）最优调
控方案d/m h/m H/m 司机处粉
尘浓度/
（mg·m−3）下风侧粉
尘浓度/
（mg·m−3）平均除尘
效率/%300 32 0.5 0 0.55 157.59 133.46 51.49 500 11 0.5 0 0.45 98.87 128.22 77.29 700 24 0.4 0.2 0.50 162.44 94.21 81.67 900 6 0.4 0.2 0.45 176.89 113.20 83.88
下载: 导出CSV
-
[1] 程卫民,周刚,陈连军,等. 我国煤矿粉尘防治理论与技术20年研究进展及展望[J]. 煤炭科学技术,2020,48(2):1-20. CHENG Weimin,ZHOU Gang,CHEN Lianjun,et al. Research progress and prospect of dust control theory and technology in China's coal mines in the past 20 years[J]. Coal Science and Technology,2020,48(2):1-20.
[2] 蒋仲安,闫鹏,陈举师,等. 岩巷掘进巷道长压短抽通风系统参数优化[J]. 煤炭科学技术,2015,43(1):54-58. JIANG Zhong'an,YAN Peng,CHEN Jushi,et al. Optimization on parameters of long distance forced and short distance exhausted ventilation system in mine rock heading roadway[J]. Coal Science and Technology,2015,43(1):54-58.
[3] 侯树宏,郝军,李腾龙,等. 综掘工作面通风控尘参数匹配关系研究及应用[J]. 煤炭技术,2022,41(1):166-169. HOU Shuhong,HAO Jun,LI Tenglong,et al. Research and application of ventilation and dust control parameters matching in fully mechanized driving face[J]. Coal Technology,2022,41(1):166-169.
[4] 乔金林,安世岗,孙连胜,等. 长压短抽除尘系统不同因素变化对粉尘运移影响的模拟研究[J]. 煤矿机械,2021,42(9):187-191. QIAO Jinlin,AN Shigang,SUN Liansheng,et al. Simulation study on influence of different factors change on dust migration in long pressure and short suction dedusting system[J]. Coal Mine Machinery,2021,42(9):187-191.
[5] 肖旸,孙帅强,杨雪儿,等. 可变角度新鲜风流下煤巷掘进长压短抽除尘效果数值模拟[J]. 煤矿安全,2023,54(1):38-45. XIAO Yang,SUN Shuaiqiang,YANG Xue'er,et al. Numerical simulation of dust removal effect of long pressure and short drainage in coal roadway tunneling with variable angle fresh air flow[J]. Safety in Coal Mines,2023,54(1):38-45.
[6] 莫金明,马威. 大采高综采工作面负压除尘微雾净化装置应用研究[J]. 煤炭学报,2023,48(3):1267-1279. MO Jinming,MA Wei. Negative-pressure dust removal and micro-mist purification device application in fully-mechanised mining faces with a large mining height[J]. Journal of China Coal Society,2023,48(3):1267-1279.
[7] LI Angui. Extended Coanda effect and attachment ventilation[J]. Indoor and Built Environment,2019,28(4):437-442. DOI: 10.1177/1420326X19833850
[8] 卢文. 吹吸式空气幕的气流特性及控烟效果研究[D]. 徐州:中国矿业大学,2022. LU Wen. Research on the airflow characteristics and smoke control effect of blowing and sucking air curtains[D]. Xuzhou:China University of Mining and Technology,2022.
[9] 司俊鸿,王昊宇,霍小泉,等. 综掘工作面半封闭式区域联合控尘技术研究[J]. 金属矿山,2024(5):126-133. SI Junhong,WANG Haoyu,HUO Xiaoquan,et al. Study on semi-enclosed area joint dust control technology of comprehensive excavation face[J]. Metal Mine,2024(5):126-133.
[10] 王国法,杜毅博,任怀伟,等. 智能化煤矿顶层设计研究与实践[J]. 煤炭学报,2020,45(6):1909-1924. WANG Guofa,DU Yibo,REN Huaiwei,et al. Top level design and practice of smart coal mines[J]. Journal of China Coal Society,2020,45(6):1909-1924.
[11] 张浪,刘彦青. 矿井智能通风与关键技术研究[J]. 煤炭科学技术,2024,52(1):178-195. DOI: 10.12438/cst.2023-1987 ZHANG Lang,LIU Yanqing. Research on technology of key steps of intelligent ventilation in mines[J]. Coal Science and Technology,2024,52(1):178-195. DOI: 10.12438/cst.2023-1987
[12] 张景钢,王清焱,何鑫. 矿井智能通风现状与智能控制系统构建[J]. 矿业安全与环保,2023,50(5):37-42. ZHANG Jinggang,WANG Qingyan,HE Xin. Research status and system design of intelligent mine ventilation[J]. Mining Safety & Environmental Protection,2023,50(5):37-42.
[13] 张钧琦,朱斌,张有为. 基于决策树的矿井通风智能调控研究[J]. 现代机械,2023(1):90-94. ZHANG Junqi,ZHU Bin,ZHANG Youwei. Intelligent control of mine ventilation based on decision tree[J]. Modern Machinery,2023(1):90-94.
[14] QI Chongchong,ZHOU Wei,LU Xiang,et al. Particulate matter concentration from open-cut coal mines:a hybrid machine learning estimation[J]. Environmental Pollution,2020,263. DOI: 10.1016/j.envpol.2020.114517.
[15] SEO J,KIM S,JALALVAND A,et al. Avoiding fusion plasma tearing instability with deep reinforcement learning[J]. Nature,2024,626:746-751. DOI: 10.1038/s41586-024-07024-9
[16] 龚晓燕,程傲,邹浩,等. 综掘面风流调控下的瓦斯与粉尘浓度双目标预测模型研究[J]. 煤炭技术,2024,43(1):153-157. GONG Xiaoyan,CHENG Ao,ZOU Hao,et al. Study on dual-objective prediction mode of gas and dust concentration under regulation of airflow in fully mechanized excavation face[J]. Coal Technology,2024,43(1):153-157.
[17] 陈湘源,秦伟,刘晏驰,等. 融合卷积神经网络与线性回归的带式输送机托辊故障音频识别方法 [J/OL]. 煤炭科学技术:1-9[2024-06-22]. http:// kns.cnki.net/kcms/detail/11.2402.TD.20240701.1327.001.html. CHEN Xiangyuan,QIN Wei,LIU Yanchi,et al. Audio recognition method for belt conveyor roller faults by integrating convolutional neural network and linear regression[J/OL]. Coal Science and Technology:1-9[2024-06-22]. http://kns.cnki.net/kcms/detail/11.2402.TD.20240701.1327.001.html.
[18] JIAO Jinyang,ZHAO Ming,LIN Jing,et al. A comprehensive review on convolutional neural network in machine fault diagnosis[J]. Neurocomputing,2020,417:36-63. DOI: 10.1016/j.neucom.2020.07.088
[19] GOH G B,HODAS N O,SIEGEL C,et al. SMILES2Vec:an interpretable general-purpose deep neural network for predicting chemical properties[EB/OL]. [2024-06-25]. https://arxiv.org/abs/1712.02034v2.
[20] MICCIO L A,SCHWARTZ G A. From chemical structure to quantitative polymer properties prediction through convolutional neural networks[J]. Polymer,2020,193:122341. DOI: 10.1016/j.polymer.2020.122341
[21] 满轲,武立文,刘晓丽,等. 基于CNN−LSTM模型的TBM隧道掘进参数及岩爆等级预测 [J/OL]. 煤炭科学技术:1-19[2024-06-22]. http:// kns.cnki.net/kcms/detail/11.2402.TD.20231026.1344.003.html. MAN Ke,WU Liwen,LIU Xiaoli,et al. TBM tunnel excavation parameters and rockburst level prediction based on CNN-LSTM model[J/OL]. Coal Science and Technology:1-19 [2024-06-22]. http://kns.cnki. net/kcms/detail/11. 2402.TD.20231026.1344.003.html.
[22] 陈芳,张设计,马威,等. 综掘工作面压风分流控除尘技术研究与应用[J]. 煤炭学报,2018,43(增刊2):483-489. CHEN Fang,ZHANG Sheji,MA Wei,et al. Research and application of the technology of forced ventilation diversion to control and reduce dust in fully mechanized excavation face[J]. Journal of China Coal Society,2018,43(S2):483-489.
计量
- 文章访问数: 96
- HTML全文浏览量: 22
- PDF下载量: 20
