一、用人工神经网络模型预测采煤工作面的瓦斯涌出量(论文文献综述)
钟慧伟[1](2021)在《高瓦斯综采面瓦斯分布规律与割煤速度自适应调控策略研究》文中研究表明针对综采面瓦斯浓度超限易造成采煤机频繁停机,开机率低等开采问题。以山西潞安矿业集团李村矿1306工作面为工程背景,采用理论分析、数值模拟和现场实测相结合的研究方法,对综采面瓦斯来源及涌出规律、瓦斯运移及影响因素分析和割煤速度对瓦斯涌出影响进行了分析,提出了智能工作面割煤速度自适应调控策略。取得了以下研究成果:(1)建立了高瓦斯工作面瓦斯涌出量预测的数学模型。确定1306综采工作面瓦斯主要涌出来源,利用分源预测法,建立了综采工作面瓦斯涌出量数学预测模型,结合工作面瓦斯在线监测系统数据,得到了综采工作面瓦斯浓度分布规律,并验证了数学预测模型的可行性。(2)分析了综采面瓦斯运移规律及其影响因素。采用数值模拟方法研究了通风方式、通风量、工作面长度等因素对瓦斯运移的影响规律,分析了采场孔隙率、渗透率及粘性阻力系数的变化规律,通过对不同风流下瓦斯运移方式分析,建立了工作面采空区瓦斯运移数学模型。(3)明晰了割煤速度与工作面瓦斯浓度时空分布的动态关系。采用数值模拟方法,分析了瓦斯在采场中的空间分布规律,当距进风口(回风口)距离相同时,工作面上隅角处瓦斯浓度与采煤机割煤速度成正相关关系;在相同割煤速度下,工作面瓦斯浓度与割煤距离基本呈正相关关系,验证了割煤速度与工作面瓦斯随动控制的可行性。(4)提出了高瓦斯综采面割煤速度自适应调控策略。制定了基于工作面瓦斯反馈的1306工作面割煤速度调控表,并利用Fluent软件,模拟检验了瓦斯浓度与采煤机割煤速度随动调控策略的应用效果,设计开发了工作面割煤速度自适应调控系统,实现了根据工作面基本信息,直观展现割煤速度与瓦斯随动关系,并对软件进行有效性验证,研究成果可为类似矿井工作面割煤速度调控提供借鉴。该论文有图66幅,表16个,参考文献102篇。
秦玉金,苏伟伟,姜文忠,陈煜朋[2](2020)在《我国矿井瓦斯涌出量预测技术研究进展及发展方向》文中认为通过系统调研,总结了我国矿井瓦斯涌出量预测技术从20世纪50年代至今历经的4个重要发展阶段,重点阐述了分源预测法、矿山统计法、瓦斯地质数学模型法、灰色预测法、神经网络预测法及组合预测法的基本原理、优缺点及适用范围,并结合现场应用现状,详细剖析了各种预测方法存在的问题。最后,围绕矿山机械化和智能化的发展目标,提出了3项技术攻关:完善分源预测参数科学选值、推进瓦斯地质模型预测技术模块化、集成化和组建信息化高端融合模型,为今后矿井瓦斯涌出量预测技术研究指明了方向。
任智旗[3](2020)在《采煤工作面的瓦斯涌出预测系统研究》文中研究表明煤矿瓦斯灾害长久以来一直是困扰着我国煤矿安全生产的主要灾害,与瓦斯相关的事故在煤矿安全事故中占据很高的比例,严重威胁着井下工作人员的生命安全。因此加强采煤工作面瓦斯涌出量的预测,掌握其涌出规律对我国煤矿的安全生产具有重要意义。本文以煤矿采煤工作面瓦斯涌出量为研究对象,对瓦斯涌出量的影响因素进行系统分析,筛选出最主要的几种影响因素作为本论文的参考量。在进行预测之前先用小波算法对采集到的原始数据进行去噪处理,将去噪后的数据作为瓦斯涌出量预测模型的样本数据集,并采用极限学习机算法(ELM)搭建预测模型对瓦斯涌出量进行预测。对ELM在预测过程中因随机生成输入权值和隐含层阈值导致预测模型精度不稳定的问题,选用遗传算法(GA)对ELM进行参数寻优,建立了 GA-ELM瓦斯涌出量预测模型实现煤矿工作面的瓦斯涌出量预测,并通过实验仿真进行了验证。本文在目标煤矿工作面原有监控分站的基础上,设计了采煤工作面瓦斯涌出预测系统,通过上位机、数据库和MATLAB的交互功能完成煤矿工作面瓦斯涌出量的预测,实现了工作面瓦斯涌出量信息的显示、分析、预测、查询和报警等功能,同时也验证了煤矿工作面瓦斯涌出预测算法模型的可行性。本文通过对煤矿采煤工作面瓦斯涌出量预测系统的研究,实现了对工作面瓦斯涌出量的预测,是对煤矿监控系统的完善和补充,在一定程度上保证了煤矿的安全生产,具有一定的理论研究意义和工程应用价值。
严欢[4](2020)在《综采工作面瓦斯涌出量AQPSO-RBF预测方法及其应用研究》文中认为在矿井的生产中,瓦斯灾害问题变得越来越严重,掌握瓦斯涌出量预测方法,实现对瓦斯涌出量精准预测是对掌握井下瓦斯涌出规律及其瓦斯防治的基础,对矿井瓦斯灾害的治理及其井下作业人员的安全具有重要意义。针对瓦斯涌出量影响因素多元且非线性以及预测的神经网络精度欠佳等问题。本文以山西某瓦斯试验矿井为研究对象,分别从地质因素和开采因素出发,分析工作面瓦斯涌出量影响因素与工作面瓦斯涌出量之间的作用关系。通过拟合分析得出影响因素作用众多,作用程度不一,又相互影响,它们之间存在着复杂而且非线性的关系。针对这些特点,经过研究和分析对比众多预测方法,采用了一种基于因子分析的预测指标提取方法。通过对因子进行旋转,在不降低原始信息的情况下,最大程度的提取有效信息,实现对原始变量的简化降维,减少信息重叠,提高数据有效性。针对影响因素时变性以及瓦斯涌出量预测效果精度等问题,通过研究分析构建自适应量子粒子群优化径向基函数神经网络的瓦斯涌出量预测模型,粒子群不仅对预测指标实现了非线性识别以及全局寻优,还对径向基函数的参数进行了修正与优化,使得瓦斯涌出量预测指标由非线性到线性的识别和输出产生最优结果。随着工作面的推进,进而实现对瓦斯涌出量的动态预测。通过研究总结因子分析、自适应量子粒子群以及径向基函数神经网络等相关理论,以MATLAB软件为平台,利用自带的工具箱,以GUI作为图形界面,设计开发出基于因子分析及自适应量子粒子群优化径向基函数的瓦斯涌出量动态预测软件。该软件包括了因子分析对预测指标的选取模块,也包括了自适应量子粒子群优化径向基函数瓦斯涌出量预测等相关模块。通过现场应用对比分析,因子分析法对于预测指标选取有很好的简化降维和可解释性,而且通过建立的模型与传统其他算法相比,预测精度提高,全局搜索能力增强,运算速度快等优点。基于此模型建立的软件具有操作方便快捷、数据处理能力强、预测精度高等特点,满足矿井工作面瓦斯涌出量的实时预测要求。
常一鸣[5](2020)在《基于矿山物联网的通风与瓦斯数据分析》文中研究指明煤矿通风系统和瓦斯防治一直是煤矿安全领域研究的重点。良好的通风系统是保障煤矿安全的关键之一,而瓦斯事故是煤矿井下所有的灾害事故中影响最大、人身伤亡最严重,同时发生频率最高的。故提升通风和瓦斯数据的精准度,对提升煤矿井下人员和设备安全具有更积极的现实意义。本文着重于研究通风网络解算和瓦斯涌出预测进而提升通风和瓦斯数据的准确性。本文基于现有的矿山物联网数据监测系统采集通风及瓦斯基础数据,并针对煤矿井下环境复杂、数据传输易受到干扰的情况,使用多传感器数据融合技术作数据分析,提升采集数据的准确性和可用性。基于多传感器数据融合技术处理的采集数据,对使用ScottHinsley算法的回路风量法改进从而建立通风网络模型得到精度更高的全局风量数据。针对瓦斯涌出这一复杂、非线性的动力学系统,建立瓦斯涌出预测指标,提出一种基于PCA-MLR-RBF瓦斯涌出预测模型。研究结果表明:(1)基于现有矿山物联网数据监测系统,分析研究其系统及拓扑结构。使用多传感器数据融合对采集数据做数据分析,提升数据的准确性和可靠性。相比于传统煤矿井下的单个节点数据采集,提升了数据精度,降低了数据采集的错报和漏报,加强了通风系统的联动性和可靠性。(2)基于煤矿通风网络图理论对煤矿通风系统进行研究,在构图处理和简化的原则下,生成煤矿局部通风网络图;针对现有通风网络解算方法对复杂通风网络圈划回路时存在巨大损耗,且无法保证网络的收敛性等问题,本文对Scott-Hinsley回路风量法进行改进,减少生成回路中的分支数,从而降低了回路迭代造成的积累误差。以生成的局部通风网络图为实例验证求解的风量数据具有更高精度。(3)按照瓦斯涌出预测指标选定原则,选定瓦斯涌出影响因素作为预测指标;利用主成分分析高效的消除多变量共线性、多元线性回归分析良好的处理线性数据特性和RBF神经网络优秀的非线性逼近能力,提出一个基于PCA-MLR-RBF瓦斯涌出预测模型。实验结果表明:基于PCA-MLR-RBF的瓦斯涌出预测模型相比于现有的预测方法,预测结果精度有较大提高。
李丹辉[6](2020)在《基于改进长短期记忆网络的煤矿瓦斯涌出量预测研究》文中指出由于我国能源资源储量的特点,煤炭在我国能源结构中占有很大的比重。在煤炭的开采过程中,瓦斯事故的发生始终威胁着煤矿工作人员的生命安全,也造成煤炭企业的经济损失。瓦斯涌出量能够体现出煤层中瓦斯的赋存情况,是设计矿井通风系统的重要指标。同时,煤炭企业中瓦斯爆炸、煤与瓦斯突出等事故的发生与瓦斯涌出异常密切相关。因此,准确快速的预测瓦斯涌出量数据对煤矿工作人员、企业、政府有十分重要的意义。在实际煤炭开采中,瓦斯的涌出量是各种复杂因素共同作用的结果,具有时序性和随机性的复杂非线性特点。在瓦斯涌出量预测方面,国内外学者做出了很多成果,在对这些成果分析的基础上,本文提出一种基于皮尔逊相关系数(Pearson correlation coefficient,PCCs)和长短期记忆网络(Long Short-Term Memory,LSTM)的瓦斯涌出量预测方法。首先对从矿井工作面瓦斯监测系统采集到的瓦斯相关数据进行数据预处理,由于瓦斯涌出量影响因素的选择与最终的预测结果密切相关,本文从国内外相关研究及其理论分析的基础上出发,通过比较几种降维算法,最终选用皮尔逊相关系数分析法,对影响瓦斯涌出的因素的特征属性进行约简,在保证特征数据完整性的情况下,对数据进行降维处理,从原始的13种数据中筛选出9种影响瓦斯涌出的关键因素。然后,通过分析瓦斯涌出的时序性的非线性特点,选用长短期记忆网络。该网络能够满足时间序列数据之间长期依赖信息的需求,自动挖掘出数据之间潜在存在的关联关系,同时克服了循环神经网络的梯度消失和梯度爆炸问题。将样本数据分为训练集和测试集,用训练集对长短期记忆网络模型进行训练,考虑到长短期记忆网络存在易于收敛于局部最优解的问题,采用灰狼优化算法对该模型进行参数优化。利用测试集数据对该模型进行试验分析。最后在系统上对预测结果进行效果展示。结果表明:本文提出的基于改进长短期记忆网络的瓦斯涌出量预测模型预测精度可达到97%,能有效的预测瓦斯涌出含量。
程波,颜文学,杨亮,何显能[7](2019)在《煤矿瓦斯涌出量预测方法的研究》文中认为瓦斯涌出量预测是煤矿编制瓦斯抽采规划与通风方案的基础。评述了现行瓦斯涌出量预测方法的标准,重点就近年来发展形成的基于煤层瓦斯流动理论、数学地质模型与趋势预测的涌出量预测方法理论进行了系统的梳理;从目前的算例来分析,该理论在定性层面上能够捕捉到各主要因素对煤矿瓦斯涌出量的影响,但这些预测结果定量上尚需进一步开展大规模的现场验证。目前,随着煤层瓦斯运移机理研究的逐步深入,还需要在煤层瓦斯流动特征与动态数据趋势预测相结合的求解算法方面开展更加深入的研究。
唐一举[8](2019)在《改进的卡尔曼滤波预测采煤工作面瓦斯涌出量》文中研究说明为了准确可靠预测工作面的瓦斯涌出量,本文以卡尔曼滤波为基础,结合人工神经网络,设计虚拟中间状态变量并得出对应预测模型。其间通过Matlab使预测模型实现目的,并用此方法对某矿采煤工作面瓦斯涌出量进行预测。结果表明,建立的预测方法具有较好的预测性能,其平均误差为3.35%,结果正确可靠。
徐琦,蒋勤,傅丹华,宗俊,金京,高巍[9](2019)在《瓦斯涌出量的人工神经网络预测的研究》文中指出基于反向传播神经网络、径向基函数神经网络和广义回归神经网络对采煤工作面瓦斯涌出量进行预测,比较和分析了瓦斯涌出量的预测值和实测值,并选定精度评价体系对预测结果进行评定。结果表明:反向传播神经网络、广义回归神经网络和径向基函数神经网络都能够较好的预测瓦斯涌出量,其中径向基函数神经网络的预测更精准。径向基函数神经网络的后验差检验比值c=0.07,小误差概率P=1.0,预测误差精度达到1级。
邱微[10](2019)在《基于KPCA与改进极限学习机的煤与瓦斯突出预测研究》文中研究指明煤与瓦斯的突出现象是目前煤矿开采过程中破坏性最强、危害性最严重的矿井安全事故之一,它的本质是一种极其复杂的矿井动力现象。如何对瓦斯灾害进行有效预测一直是煤矿安全领域中重要的研究课题。但目前鉴于煤与瓦斯突出机理本质尚未彻底清楚,且突出灾害本身受到多种复杂因素的综合作用和影响,是一个具有极强的非线性和复杂性的高维问题,采用传统的预测方法难以进行准确预测。因此,为了提高瓦斯灾害的预测精度和预测效率,本文在分析煤与瓦斯突出机理和影响因素的基础上,借鉴我国《防治煤与瓦斯突出规定》里描述的两种工作面和区域性突出预测方法及其预测指标体系的建立规则,从数据分析的角度深入分析各致突因素,提出了一种新的突出预测指标体系,建立了基于KPCA与IQGA-ELM的煤与瓦斯突出预测模型,并运用在矿井掘进工作面内的煤与瓦斯突出现象预测中。本文以准确、快速实现煤与瓦斯突出预测为目标,主要围绕以下几个方面进行工作:(1)总结目前应用较为广泛的各种煤与瓦斯突出机理假说,通过比较多种形式的煤与瓦斯突出预测方法,分析该领域的研究现状以及目前存在的不足之处,讨论了建立煤与瓦斯突出面域化预测模型的必要性和现实意义。(2)分析影响煤与瓦斯突出的各相关因素,建立面域化预测指标系统;提出采用核主成分分析方法对煤与瓦斯突出预测指标进行权重分析,并将其作为突出预测模型输入变量的选取原则。(3)通过对极限学习机原理的深入分析,针对其在学习训练过程中随机生成输入层权值及隐含层阈值的缺点,引入改进量子遗传算法对传统极限学习机网络进行改进,建立了基于IQGA算法优化的ELM煤与瓦斯突出预测模型。(4)对建立的基于KPCA与IQGA-ELM预测模型进行实例验证。采用开滦钱家营煤矿数据进行预测实验,预测结果验证了该预测模型的准确性。并将其与其他模型进行预测性能比较,凸显了该模型的良好预测性能。该论文有图18幅,表15个,参考文献60篇。
二、用人工神经网络模型预测采煤工作面的瓦斯涌出量(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用人工神经网络模型预测采煤工作面的瓦斯涌出量(论文提纲范文)
(1)高瓦斯综采面瓦斯分布规律与割煤速度自适应调控策略研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 选题背景 |
1.2 国内外研究现状 |
1.3 主要研究内容与方法 |
2 综采工作面瓦斯来源及涌出量预测方法研究 |
2.1 1306 工作面概况 |
2.2 瓦斯涌出来源与数学预测模型 |
2.3 综采工作面瓦斯涌出量计算 |
2.4 综采工作面瓦斯监测及规律分析 |
2.5 本章小结 |
3 综采工作面瓦斯运移规律及影响因素 |
3.1 综采工作面瓦斯的基本运移方式及数学模型 |
3.2 通风方式对瓦斯分布的影响 |
3.3 通风量对瓦斯分布的影响 |
3.4 工作面长度对瓦斯分布的影响 |
3.5 采煤机位置对瓦斯分布的影响 |
3.6 本章小结 |
4 割煤速度与工作面瓦斯涌出量的相互关系研究 |
4.1 采煤机合理割煤速度的确定 |
4.2 1306 工作面采空区物理模型的建立 |
4.3 割煤速度对工作面瓦斯分布的影响 |
4.4 割煤速度对上隅角瓦斯浓度的影响 |
4.5 本章小结 |
5 割煤速度自适应调控策略研究 |
5.1 上隅角瓦斯浓度反馈调控原理 |
5.2 采煤机割煤速度调控的模拟分析 |
5.3 工作面割煤速度自适应调控系统开发 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录 自适应调控系统核心程序 |
作者简介 |
学位论文数据集 |
(2)我国矿井瓦斯涌出量预测技术研究进展及发展方向(论文提纲范文)
1 我国矿井瓦斯涌出量预测技术发展历程 |
2 矿井瓦斯涌出预测技术研究进展 |
2.1 分源预测法 |
2.2 矿山统计法 |
2.3 瓦斯地质数学模型法 |
2.4 灰色预测方法 |
2.5 神经网络预测法 |
2.6 组合预测法 |
3 存在不足 |
4 研究展望 |
(3)采煤工作面的瓦斯涌出预测系统研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景和意义 |
1.2 本课题国内外研究现状及趋势 |
1.3 论文主要研究内容和章节安排 |
2 瓦斯涌出量影响因素的研究 |
2.1 瓦斯基本概念 |
2.2 瓦斯涌出量的概念 |
2.2.1 瓦斯的涌出形式和计算方式 |
2.2.2 煤层中瓦斯流动的基本规律 |
2.3 瓦斯涌出量的影响因素分析 |
2.4 瓦斯涌出量影响因素特征分析及选择 |
2.5 本章小结 |
3 瓦斯涌出量数据的预处理 |
3.1 瓦斯涌出量预测方法分析 |
3.2 小波的算法分析 |
3.2.1 小波基本理论 |
3.2.2 小波去噪原理 |
3.3 瓦斯涌出量数据的预处理 |
3.4 本章小结 |
4 采煤工作面瓦斯涌出量预测模型的建立与优化 |
4.1 极限学习机的算法分析 |
4.2 基于ELM的瓦斯涌出量预测模型的建立 |
4.2.1 ELM模型建立与分析 |
4.2.2 算法对比 |
4.3 遗传算法分析 |
4.4 基于GA-ELM的瓦斯涌出量预测模型的建立 |
4.4.1 模型建立的步骤 |
4.4.2 GA-ELM模型建立 |
4.4.3 GA-ELM预测模型仿真分析 |
4.5 本章小结 |
5 基于GA-ELM瓦斯涌出量预测系统调试 |
5.1 瓦斯涌出量预测系统整体设计 |
5.2 数据采集监测分站的介绍 |
5.3 系统数据通讯模块设计 |
5.4 系统的软件实现 |
5.4.1 系统的功能 |
5.4.2 预测模型动态链接库的编译及调用 |
5.4.3 数据库的设计 |
5.5 系统的调试与应用分析 |
5.5.1 结果分析 |
5.5.2 系统模型验证 |
5.6 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
(4)综采工作面瓦斯涌出量AQPSO-RBF预测方法及其应用研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状 |
1.2.1 矿井瓦斯涌出规律研究现状 |
1.2.2 传统矿井瓦斯涌出量预测方法 |
1.2.3 基于机器学习的矿井瓦斯涌出量预测方法 |
1.3 主要研究内容及研究目标 |
1.3.1 主要研究内容 |
1.3.2 研究目标 |
1.4 研究思路及技术路线 |
1.4.1 研究思路 |
1.4.2 技术路线图 |
2 综采工作面瓦斯涌出规律及影响因素分析 |
2.1 矿井地质概况 |
2.1.1 矿井地质构造特征 |
2.1.2 主采煤层概况及煤层开采地质特征 |
2.1.3 主采工作面概况 |
2.2 瓦斯涌出量影响因素分析 |
2.2.1 瓦斯涌出量受地质因素影响分析 |
2.2.2 瓦斯涌出量受开采技术因素影响分析 |
2.3 瓦斯涌出量影响因素特征分析 |
2.4 本章小结 |
3 综采工作面瓦斯涌出因子分析预测指标选取 |
3.1 因子分析法简介 |
3.1.1 因子分析法的基本思想 |
3.1.2 因子分析的步骤 |
3.2 综采工作面瓦斯涌出量预测指标选取 |
3.2.1 原始数据的输入 |
3.2.2 原始数据的处理检验 |
3.2.3 公因子方差分析 |
3.2.4 公因子解释分析 |
3.2.5 得分矩阵分析 |
3.3 本章小结 |
4 综采工作面瓦斯涌出量AQPSO-RBF预测模型建立 |
4.1 RBF预测方法简介 |
4.1.1 RBF神经网络原理及其思想分析 |
4.1.2 RBF神经网络结构 |
4.1.3 RBF神经网络参数学习算法 |
4.2 粒子群预测算法简介 |
4.2.1 粒子群算法原理 |
4.2.2 粒子群算法流程 |
4.2.3 粒子群算法改进分析研究 |
4.2.4 解决方案 |
4.3 综采工作面瓦斯涌出量AQPSO-RBF预测模型 |
4.3.1 粒子群算法的优化 |
4.3.2 AQPSO-RBF预测模型构建及流程 |
4.4 本章小结 |
5 综采面瓦斯涌出量AQPSO-RBF预测软件研发及工程应用 |
5.1 软件开发环境简介 |
5.1.1 软件的环境 |
5.1.2 软件功能实现 |
5.2 软件的模块 |
5.2.1 数据的预处理 |
5.2.2 数据检验 |
5.2.3 因子分析及标准化处理 |
5.2.4 神经网络模型的预测 |
5.3 综采工作面瓦斯涌出量预测软件应用 |
5.4 本章小结 |
6 结论与展望 |
6.1 主要结论 |
6.2 研究展望 |
致谢 |
参考文献 |
附录 |
(5)基于矿山物联网的通风与瓦斯数据分析(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 通风网络解算研究现状 |
1.3.2 瓦斯涌出预测研究现状 |
1.4 研究内容 |
1.5 研究技术路线图 |
1.6 论文组织结构 |
2 基于矿山物联网的数据采集及分析 |
2.1 矿山物联网技术 |
2.1.1 物联网的概念 |
2.1.2 物联网的技术框架 |
2.1.3 矿山物联网的基本含义及要求 |
2.2 矿山无线传感器网络 |
2.2.1 无线传感器网络 |
2.2.2 无线传感器网络通信协议 |
2.3 现有矿山物联网数据监测系统分析 |
2.3.1 数据监测系统结构 |
2.3.2 数据监测系统拓扑结构 |
2.4 多传感器数据融合 |
2.5 本章小结 |
3 煤矿通风网络解算 |
3.1 煤矿通风网络图理论 |
3.1.1 通风网络的基本概念 |
3.1.2 通风系统图与通风网络图 |
3.1.3 通风网络图的构图处理 |
3.1.4 通风网络图的简化 |
3.2 煤矿井下通风网络解算 |
3.2.1 通风网络解算基本公式 |
3.2.2 改进的回路风量法解算算法 |
3.3 实例验证 |
3.4 本章小结 |
4 瓦斯涌出预测 |
4.1 瓦斯浓度 |
4.1.1 瓦斯数据获取 |
4.1.2 瓦斯浓度动态计算公式 |
4.2 瓦斯涌出影响因素及预测指标 |
4.2.1 瓦斯涌出量的基本概念及计算 |
4.2.2 瓦斯涌出预测指标选择原则 |
4.2.3 瓦斯涌出预测指标 |
4.3 瓦斯涌出模型理论研究 |
4.3.1 主成分分析原理 |
4.3.2 主成分分析算法 |
4.3.3 多元线性回归原理 |
4.3.4 多元线性回归算法及显着性检验 |
4.3.5 径向基神经网络原理 |
4.3.6 径向基神经网络模型及算法 |
4.3.7 径向基神经网络的优势与不足 |
4.4 基于PCA-MLR-RBF瓦斯涌出预测模型建立 |
4.4.1 基于PCA-MLR-RBF瓦斯涌出预测模型基本步骤 |
4.4.2 RBF神经网络瓦斯涌出残差预测算法 |
4.5 实验仿真及结果对比 |
4.5.1 实验仿真 |
4.5.2 结果对比 |
4.6 本章小结 |
结论 |
5.1 结论 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(6)基于改进长短期记忆网络的煤矿瓦斯涌出量预测研究(论文提纲范文)
中文摘要 |
abstract |
第一章 绪论 |
1.1 研究的背景及意义 |
1.2 国内外研究现状 |
1.3 主要研究工作 |
1.4 论文的组织结构 |
第二章 瓦斯涌出量影响因素相关概念 |
2.1 瓦斯涌出的影响因素 |
2.1.1 瓦斯涌出的相关概念 |
2.1.2 瓦斯涌出量相关计算 |
2.1.3 影响瓦斯涌出的因素介绍 |
2.2 影响瓦斯涌出量各指标含义 |
2.3 本章小结 |
第三章 瓦斯涌出量预测模型的建立 |
3.1 数据预处理 |
3.2 几种常见的数据降维算法 |
3.2.1 因子分析 |
3.2.2 线性判别分析 |
3.2.3 独立成分分析 |
3.2.4 主元分析 |
3.2.5 皮尔逊相关系数 |
3.3 皮尔逊相关系数基本概念 |
3.3.1 皮尔逊相关系数的介绍 |
3.3.2 皮尔逊相关系数的特性 |
3.4 瓦斯涌出量预测指标的确定 |
3.5 长短期记忆网络 |
3.6 基于长短期记忆网络的瓦斯涌出量预测 |
3.6.1 模型建立的过程 |
3.6.2 长短期记忆网络瓦斯涌出量预测模型 |
3.6.3 实验结果分析 |
3.7 本章小结 |
第四章 瓦斯涌出量预测模型的改进及应用 |
4.1 灰狼优化算法 |
4.2 基于灰狼优化算法的长短期记忆网络 |
4.3 基于灰狼优化算法的LSTM瓦斯涌出量预测模型 |
4.4 基于GWO_LSTM预测模型的应用 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 未来研究方向 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
(7)煤矿瓦斯涌出量预测方法的研究(论文提纲范文)
1 煤矿瓦斯涌出量主要影响因素 |
2 矿山统计法与分源预测法 |
2.1 矿山统计法 |
2.2 分源预测法 |
3 基于煤层瓦斯流动理论与瓦斯地质方法的涌出量预测方法 |
4 基于数据分析的涌出量预测方法 |
4.1 逐步回归分析预测方法 |
4.2 基于深度学习的预测方法 |
5 结语 |
(8)改进的卡尔曼滤波预测采煤工作面瓦斯涌出量(论文提纲范文)
1 卡尔曼滤波法的瓦斯涌出量模型建立 |
1.1 预测方法的建立 |
1.2 状态空间方程确定 |
1.3 卡尔曼滤波实现 |
2 卡尔曼滤波瓦斯涌出量动态预测模型构建及应用 |
2.1 瓦斯涌出量相关数据的采集 |
2.2 相关数据的归一化处理 |
2.3 实例分析 |
3 结论 |
(9)瓦斯涌出量的人工神经网络预测的研究(论文提纲范文)
0 引言 |
1 相关理论基础与技术 |
1.1 人工神经网络 |
1.2 预测实例模型构建与仿真 |
1.3 因素分析及数据选取 |
1.4 精度检验及评价指标体系确定 |
2 结果分析 |
3 结论 |
(10)基于KPCA与改进极限学习机的煤与瓦斯突出预测研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 课题研究的背景及其意义 |
1.2 煤与瓦斯突出预测方法研究现状 |
1.3 本文研究内容及结构安排 |
2 煤与瓦斯突出机理及影响因素 |
2.1 煤与瓦斯突出机理研究现状 |
2.2 煤与瓦斯突出发展过程及一般规律 |
2.3 煤与瓦斯突出影响因素 |
2.4 煤与瓦斯预测指标的选取 |
2.5 本章小结 |
3 煤与瓦斯突出预测指标系统的核主成分分析 |
3.1 核主成分分析相关理论 |
3.2 基于核主成分分析的特征提取 |
3.3 核主成分分析的适应性分析 |
3.4 本章小结 |
4 基于KPCA与 IQGA算法优化的ELM煤与瓦斯突出预测模型 |
4.1 极限学习机神经网络基本理论 |
4.2 量子遗传算法优化的极限学习机 |
4.3 基于KPCA与 IQGA-ELM煤与瓦斯突出预测模型的建立 |
4.4 本章小结 |
5 预测模型在钱家营矿的实例应用 |
5.1 矿井概况 |
5.2 面域化预测指标的测定方法 |
5.3 钱家营矿煤与瓦斯突出预测实例分析 |
5.4 工程应用 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
四、用人工神经网络模型预测采煤工作面的瓦斯涌出量(论文参考文献)
- [1]高瓦斯综采面瓦斯分布规律与割煤速度自适应调控策略研究[D]. 钟慧伟. 中国矿业大学, 2021
- [2]我国矿井瓦斯涌出量预测技术研究进展及发展方向[J]. 秦玉金,苏伟伟,姜文忠,陈煜朋. 煤矿安全, 2020(10)
- [3]采煤工作面的瓦斯涌出预测系统研究[D]. 任智旗. 西安科技大学, 2020(01)
- [4]综采工作面瓦斯涌出量AQPSO-RBF预测方法及其应用研究[D]. 严欢. 西安科技大学, 2020(01)
- [5]基于矿山物联网的通风与瓦斯数据分析[D]. 常一鸣. 大连理工大学, 2020(02)
- [6]基于改进长短期记忆网络的煤矿瓦斯涌出量预测研究[D]. 李丹辉. 太原科技大学, 2020(05)
- [7]煤矿瓦斯涌出量预测方法的研究[J]. 程波,颜文学,杨亮,何显能. 中国煤炭, 2019(11)
- [8]改进的卡尔曼滤波预测采煤工作面瓦斯涌出量[J]. 唐一举. 河南科技, 2019(29)
- [9]瓦斯涌出量的人工神经网络预测的研究[J]. 徐琦,蒋勤,傅丹华,宗俊,金京,高巍. 宁波工程学院学报, 2019(03)
- [10]基于KPCA与改进极限学习机的煤与瓦斯突出预测研究[D]. 邱微. 辽宁工程技术大学, 2019(07)