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
超宽带（Ultra Wide Band，UWB）技术具有窄脉冲、高带宽、隐蔽性好、功耗低、传输速率高、多径分辨力强、穿透能力强等优点。因此，UWB技术在雷达系统、通信、军事应用等领域受到越来越多的关注。特别是自2002年美国联邦通信委员会（Federal Communications Commission，FCC）将3.1～10.6 GHz频段向民用通信领域开放以来，UWB技术越来越多地应用于矿井、隧道和室内等封闭空间定位通信等，日益展现出其优越性能[1-6]。
虽然矿井UWB定位系统因为脉冲信号占空比低而降低了码间干扰，在一定程度上提高了多径分辨能力，但井下恶劣环境使得多径效应成为了影响矿井UWB定位系统定位精度的重要因素之一。因此，矿井内狭窄封闭空间环境造成的多径效应，是矿井UWB定位系统必须解决的关键技术难题。要有效抑制多径效应，就需要对矿井UWB定位系统进行不断优化和改进，而天线是矿井UWB定位系统的重要组成部分[7]，因此需要对矿井UWB定位系统的天线部分进行优化和改进。
矿井UWB定位系统一般使用线极化天线作为收发天线，对于物理上接收到的多径反射信号隔离能力较差。圆极化波经过地面、巷道壁等多径反射后会发生旋向逆转，具有旋向正交性的圆极化天线能隔离这些旋向相反的多径反射信号。因此，在矿井UWB定位系统中使用圆极化天线可有效抑制多径效应[8]。为了抑制矿井UWB定位系统接收到多径反射信号，提高矿井UWB定位系统的定位精度，有必要研发适用于矿井UWB定位系统的圆极化天线。
1. 圆极化天线
一般采用轴比和交叉极化电平分别表征圆极化天线的圆极化纯度和旋向纯度。轴比越小，则越接近标准圆极化；交叉极化电平是2个旋向增益方向图之间的差值，交叉极化电平越高，则旋向越纯净。因此，轴比越小、交叉极化电平越高，则圆极化天线对旋向相反的多径反射信号的抑制能力越强。能产生圆极化波的经典微带天线有圆形、矩形、椭圆形、开槽、扰动、切角等天线，如图1所示[9-13]。
![]()
图 1 常用的圆极化微带天线构造方式Figure 1. Construction mode of commonly used circularly polarized microstrip antenna圆极化天线分为左旋圆极化天线和右旋圆极化天线，这2种天线对抑制矿井UWB定位系统接收多径反射信号的效果相同，本文以右旋圆极化天线为例进行分析。若采用传统的基于正面微带线馈电方式的圆形开槽贴片天线设计方法（图1（c））设计右旋圆极化微带天线，则微带线的电流辐射会对天线有较大影响，因此对馈电方式进行改进，由正面微带线直接馈电改为背部馈电。传统右旋圆极化天线结构如图2所示，天线采用3层贴片结构，50 Ω微带线位于天线背面，通过VIA孔将信号馈入天线正面圆形贴片的特定位置，微带馈线和贴片天线之间用接地平面进行隔离。通过这种方式可将馈电网络对天线辐射的影响降低到最小。
![]()
图 2 传统右旋圆极化天线结构Figure 2. Structure of conventional right-handed circularly polarized antenna通过HFSS软件进行仿真验证[14]，可得传统右旋圆极化天线在4 GHz中心频率上E面（电面）、H面（磁面）的轴比曲线和交叉极化增益方向，分别如图3和图4所示。可看出传统右旋圆极化天线虽然达到了右旋圆极化的效果，但在主辐射方向附近的轴比数值均较高，因而圆极化纯度较差；传统右旋圆极化天线在主辐射方向上的交叉极化电平仅为4.8 dBi左右，旋向纯度不高。因此，传统右旋圆极化天线在抑制多径效应上并没有很突出的优势，难以满足矿井UWB定位系统较高的抗多径效应需求。
![]()
图 3 传统右旋圆极化天线E面、H面轴比曲线Figure 3. Axial ratio curves of E-plane and H-plane of conventional right-handed circularly polarized antenna![]()
图 4 传统右旋圆极化天线E面、H面交叉极化增益方向Figure 4. Cross-polarization gain direction of E-plane and H-plane of conventional right-handed circularly polarized antenna2. 新型右旋圆极化微带天线设计
针对传统右旋圆极化天线轴比高、交叉极化电平低、旋向纯度不高等问题，本文设计了新型右旋圆极化微带天线。从传统右旋圆极化天线出发，先将矩形开槽改为十字开槽，改变电流轨迹，使两正交线性极化电场的相差更接近90°，从而降低轴比，使天线的圆极化纯度更高。之后，将十字开槽平滑扩展为菱形开槽，达到提高交叉极化电平、抑制正交旋向的效果，使天线实现更高的右旋圆极化纯度。天线演化过程如图5所示。
新型右旋圆极化微带天线结构如图6所示。天线制作在长为L、宽为W的3层聚四氟乙烯环氧树脂基板上，基板相对介电常数为
$ {\varepsilon _{\rm{r}}} $ ，上层基板厚度为h1，下层基板厚度为h2，顶层铜厚t1，中间层铜厚t2，底层铜厚t3，50 Ω微带线线宽为$ \omega $ 。正面圆形贴片半径为R，馈电点位置位于圆形贴片竖直中线上距离圆心a处。菱形开槽长对角线长度为La，短对角线长度为Lb。经优化后的新型右旋圆极化微带天线参数见表1。![]()
图 6 新型右旋圆极化微带天线结构Figure 6. Structure of novel right-handed circularly polarized microstrip antenna表 1 新型右旋圆极化微带天线参数Table 1. Parameters of novel right-handed circularly polarized microstrip antennaW/
mmL/
mmR/
mma/
mmLa/
mmLb/
mm$ {\varepsilon _{\rm{r}}} $ h1/
mmh2/
mmt1/
μmt2/
μmt3/
μm$ \omega $/
mm32.7 40.6 9.3 3.4 11.2 6.44 4.2 1.58 0.4 26 16 26 0.7 3. 仿真结果及分析
在HFSS软件中对新型右旋圆极化微带天线进行仿真模拟，得到4 GHz中心频率下的E面、H面轴比曲线，并与传统右旋圆极化天线进行对比，如图7所示。可看出新型右旋圆极化微带天线在主辐射方向附近的轴比有明显改善，其圆极化纯度得到明显提高。
![]()
图 7 新型右旋圆极化微带天线和传统右旋圆极化天线E面、H面轴比曲线Figure 7. Axial ratio curves of E-plane and H-plane of novel right-handed circularly polarized microstrip antenna and conventional right-handed circularly polarized antenna新型右旋圆极化微带天线仿真模拟得到的E面、H面交叉极化增益方向如图8所示。可看出在主辐射方向上，新型右旋圆极化微带天线的交叉极化电平增加到了10.4 dBi以上，和传统右旋圆极化天线4.8 dBi的交叉极化电平相比有显著改善，大幅提高了右旋圆极化旋向纯度。
![]()
图 8 新型右旋圆极化微带天线E面、H面交叉极化增益方向Figure 8. Cross-polarization gain direction of E-plane and H-plane of novel right-handed circularly polarized microstrip antenna向新型右旋圆极化微带天线正面（即逆着主辐射方向）看去，在1个信号变化周期中辐射电场极化旋转方向的变化如图9所示，可以很直观地看到电场右旋圆极化的动态效果。
![]()
图 9 新型右旋圆极化微带天线辐射电场的极化旋转效果Figure 9. Polarization rotation effect of radiated electric field of novel right-handed circularly polarized microstrip antenna4. 实测结果
根据表1参数进行实际加工，制成的新型右旋圆极化微带天线样品实物如图10所示。在加工过程中，加工误差、介质基板相对介电常数等都会影响实际样品的性能[15]。用矢量网络分析仪对天线的端口回波性能进行测试，将得到的实测曲线和HFSS软件得到的仿真曲线进行对比，如图11所示。可看出实测的工作频带和回波同仿真结果略有偏差，但整体基本相当，说明该新型天线结构易于加工且正常容差内的工艺偏差对天线性能的影响程度相对较小。
![]()
图 10 新型右旋圆极化微带天线实物Figure 10. Material object of novel right-handed circularly polarized microstrip antenna在基于到达相位差[16]的UWB定位系统中，分别使用传统线极化天线和本文设计的新型右旋圆极化微带天线，在隧道环境下进行实地测试，现场测试环境如图12所示。
通过测试过程中记录的数据，可直观看到不同类型天线对于到达相位差稳定性的影响，如图13所示。可看出使用传统线极化天线时，到达相位差正负跳变频繁，很不稳定；而使用本文设计的新型右旋圆极化微带天线后，到达相位差正负跳变明显减少，到达相位差的稳定性有明显提高。这充分表明新型圆极化微带天线对隧道环境中的多径效应起到了显著的抑制作用，有效提高了接收信号的稳定性。
![]()
图 13 使用传统线极化天线和新型右旋圆极化微带天线时到达相位差对比曲线Figure 13. Comparison curves of phase difference of arrival when using conventional linearly polarized antenna and novel right-handed circularly polarized microstrip antenna5. 结语
通过对传统圆极化天线的结构改进，设计了一种新型右旋圆极化微带天线，通过优化开槽和馈电方式实现了轴比的大幅度降低和交叉极化电平的显著提高。该新型右旋圆极化微带天线具有体积小、质量轻、易于制作等优点。经过HFSS软件仿真模拟，主辐射方向交叉极化电平＞10.4 dBi，可以达到很好的右旋圆极化效果。新型右旋圆极化微带天线样品的工作频带和回波实测结果同仿真结果基本吻合，受工艺偏差影响小。将制作的新型右旋圆极化微带天线样品用于基于到达相位差的UWB定位系统，并在隧道环境下进行现场测试，实测得到的到达相位差稳定性有明显改善，对多径效应的抑制效果显著，可以有效提高UWB定位系统的定位精度。
-
![]()
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.
-
期刊类型引用(0)
其他类型引用(4)
计量
- 文章访问数: 105
- HTML全文浏览量: 28
- PDF下载量: 23
- 被引次数: 4
