1) mine structure
矿井构造
1.
Automatic quantitative technique to predict relative complexity degrees of mine structure;
矿井构造相对复杂程度自动量化预测技术
2.
Practices on comprehensive fuzzy judgment of mine structure complicated degree base on ComGIS;
矿井构造复杂程度模糊综合评判ComGIS的实现
3.
According to the construction method of fuzzy artificial neural network (FANN) model, its application in quantitative evaluation of mine structure is discussed.
介绍了模糊综合评判和人工神经网络原理,分析了一般BP神经网络在研究复杂性问题时存在的局限性,根据模糊人工神经网络模型的构建方法,探讨了该模型在矿井构造定量评价中的应用,结合鲍店煤矿的实际资料,对建立的模糊人工神经网络模型进行了学习训练,对未采区的构造复杂程度进行了预测,结果表明:模糊人工神经网络较一般BP神经网络具有更快的收敛速度和更准确的预测效果。
2) mining structure
矿井构造
1.
Quantitative evaluation of mining structure based on the artificial neural network;
人工神经网络在矿井构造定量评价中的应用
2.
The paper discuses the application of artificial neural network in quantitative evaluation of mining structure by the example of Dengyo Mine.
以东坡井田为例介绍了人工神经网络方法在矿井构造定量评价中的应用。
3) minor structure in mine
矿井小构造
4) mine geological structure
矿井地质构造
1.
Quantitative evaluation model of mine geological structure;
矿井地质构造定量评价模型探讨
5) structure complicated coal mine
构造复杂矿井
补充资料：高山地区矿井通风
高山地区矿井通风
mine ventilation in high elevation area
gaoshan diqu kuangjing tongfeng高山地区矿井通风(mine ventilation in highelevation area)向海拔千米以上地区的矿井通人新鲜空气的过程。空气温度、大气压力随着海拔高度而变化。海拔每上升100m，气温下降约0.65C，气压下降约0.93325kPa。不同海拔的气温、大气压力可按下式计算: th~t。一月△H/100 P卜~P，一a△H/100式中t、、P。分别为在海拔高度为H米处的气温，C和气压，kPa;ta、P。为附近气象台站的年平均气温，C和年平均气压，kPa;△H为海拔高度为H处与附近气象台站间的高度差，m;口为气温梯度，夕一。，5一0.7C/10om;a为气压梯度，a~6一8(0.799932一1 .066576)kPa/100rn。 随着海拔高度的增加，空气重率则降低。即y一y0(1一H/443。。)5256。式中孔为标准状态下的空气重率，kg/m3。空气重率的降低引起通风风阻、通风阻力、扇风机的全压以及扇风机电机输人功率下降，但风量保持恒定，因此，扇风机效率不随海拔高度变化。以上参数可按下式计算:R一KrR。;h二Krho;H一KrH、Q=Q。;N=K:N。;7=夕。，式中R。、h。、H。。、Q。、N。、军。为标准状态下的风阻、阻力、全压、风量、功率和效率;R、h、H、Q、N、7为海拔高度为H处的风阻、阻力、全压、风量、功率和效率。 、r一哥一(‘一H/“300，525弓式中K，为高程校正系数。 因此，在通风设计时，不需要进行高程校正，高山矿井扇风机在实际运转时，其风量不变，风压降低，其值为设计风压乘以高程校正系数K二。 (赵梓成)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条