本文選題：煤礦突水 + 水源判別��； 參考：《光譜學與光譜分析》2017年03期

【摘要】：防治煤礦突水時需迅速精準地判別突水水源,激光誘導熒光(LIF)光譜技術具有靈敏度高、快速準確監(jiān)測特點,為檢測突水水源提供了一種新的方法。該研究引入該技術以獲取突水熒光光譜數(shù)據(jù)。采用卷積(SG)平滑和多元散射校正(MSC)方法對光譜圖進行預處理,以消除光譜采集過程中噪聲干擾。采用主成分分析(PCA)方法提取特征信息,針對SG預處理后的數(shù)據(jù),當主成分個數(shù)為3時,累積貢獻率可達到99.76%,已基本保留原數(shù)據(jù)的全信息。選擇3層結構BP神經(jīng)網(wǎng)絡建立分類判別模型,通過不同方式構造訓練集和測試集,SG預處理數(shù)據(jù)構建的分類模型可以達到精準判別,而對于MSC預處理和原始數(shù)據(jù)出現(xiàn)很少的誤判。實驗結果表明SG預處理結果要優(yōu)于MSC預處理。研究結果表明,將PCA和BP神經(jīng)網(wǎng)絡結合建立分類模型,能有效判別煤礦突水水源,且具有較強的自組織、自學習能力。
[Abstract]:It is necessary to distinguish water inrush source quickly and accurately when preventing and curing water inrush in coal mine. Laser induced fluorescence spectroscopy (LIF) technique has the characteristics of high sensitivity, fast and accurate monitoring, which provides a new method for detecting water inrush water source.In this study, the technique was introduced to obtain fluorescence spectrum data of water inrush.In order to eliminate the noise interference in spectral acquisition, convolutional SG-based smoothing and multivariate scattering correction (MSC) methods are used to preprocess the spectral images.The principal component analysis (PCA) method is used to extract the feature information. When the number of principal components is 3, the cumulative contribution rate can reach 99.76, and the whole information of the original data has been basically preserved.The three-layer BP neural network is selected to establish the classification and discrimination model. The classification model constructed by constructing training set and test set SG pretreatment data in different ways can achieve accurate discrimination, but there are few misjudgments for MSC preprocessing and raw data.The experimental results show that SG pretreatment is superior to MSC pretreatment.The results show that the classification model based on PCA and BP neural network can effectively distinguish the water inrush from coal mine, and it has strong self-organization and self-learning ability.
【作者單位】： 安徽理工大學電氣與信息工程學院;阜陽師范學院計算機與信息工程學院;
【基金】：Project supported by the"Twelfth Five-year"National Science and Technology Support Projects(2013BAK06B01) the National Science Foundation Project of China(51174258) the National Safe Production Critical Incident to Key Technologies Science and Technology Project(anhui-0001-2016AQ) the Provincial Natural Science Research Project(KJ2015A278,KJ2015A295) the College Young Talent Support Plan(gxyqzd2016194)
【分類號】：TD745

【相似文獻】

相關期刊論文 前10條

1 殷曉曦;許光泉;桂和榮;陳陸望;;系統(tǒng)聚類逐步判別法對皖北礦區(qū)突水水源的分析[J];煤田地質(zhì)與勘探;2006年02期

2 陳俊環(huán);;水化學資料在煤礦突水水源判別中的應用[J];河北煤炭;2013年02期

3 張樂中;曹海東;;利用水化學特征識別桑樹坪煤礦突水水源[J];煤田地質(zhì)與勘探;2013年04期

4 子牛;;《用水化學方法快速預測突水水源的研究》成果通過鑒定[J];煤田地質(zhì)與勘探;1991年01期

5 白海波;孟巴礦“4·5”突水水源判斷和治理[J];江蘇煤炭;1998年04期

6 佟鳳健,郭愛民,孟新華,朱澤虎;用水化學分析法判別井下突水水源[J];煤礦開采;1999年04期

7 王毅;許光泉;何吉春;施安才;;灰色關聯(lián)分析方法在突水水源判別中的應用[J];地下水;2013年06期

8 劉可勝;;謝橋礦東風井突水水源分析[J];科技信息(學術研究);2007年35期

9 潘婧;錢家忠;馬雷;;基于離差加權的煤礦突水水源判別模型及應用[J];煤田地質(zhì)與勘探;2010年01期

10 朱衍利;石磊;李萬業(yè);郭英明;;水化學特征分析法在突水水源判別中的應用[J];山東煤炭科技;2010年01期

相關會議論文 前4條

1 丁麗云;劉平;金呂鋒;桂和榮;胡友彪;;新集五礦井筒突水水源分析[A];紀念礦井地質(zhì)專業(yè)委員會成立二十周年暨礦井地質(zhì)發(fā)展戰(zhàn)略學術研討會專輯[C];2002年

2 李小雪;;水質(zhì)分析在煤礦突水水源判別中的應用[A];煤礦水害防治技術研究——陜西省煤炭學會學術年會論文集（2013）[C];2013年

3 趙振中;;13071采煤工作面突水水源分析與治理技術[A];中國煤炭資源現(xiàn)狀與勘探開發(fā)利用技術進展及環(huán)境保護——中國地質(zhì)學會、中國煤炭學會煤炭田地質(zhì)專業(yè)委員會2004年學術交流會論文集[C];2004年

4 汪子勇;孟凡良;;擋水墻的設計與施工[A];全國礦山建設學術會議論文選集（下冊）[C];2004年

相關重要報紙文章 前1條

1 苑瑋　譚效林;為國家挽回價值12—14億元原煤資源[N];中煤地質(zhì)報;2010年

相關碩士學位論文 前10條

1 金洲洋;新集一礦突水水源綜合判別模型研究[D];安徽理工大學;2016年

2 張開遠;基于激光誘導熒光的煤礦突水水源識別系統(tǒng)的研制[D];安徽理工大學;2016年

3 王仲陽;鶴壁礦區(qū)利用水化學成分識別突水水源建模研究[D];河南理工大學;2014年

4 徐冬冬;鴨口井田地下水化學特征及突水水源判別研究[D];西安科技大學;2012年

5 周春寅;基于地下水三維水化學場的突水水源判別模型研究[D];合肥工業(yè)大學;2013年

6 李德強;葛泉礦東井突水水源快速判別技術研究與應用[D];河北工程大學;2010年

7 崔佳星;邢臺礦地下水化學特征及突水水源判別模型研究[D];河北工程大學;2012年

8 關秋紅;新莊孜井田地下水化學特征及突水水源快速判別模型[D];合肥工業(yè)大學;2009年

9 楊梅;基于GIS的淮南老礦區(qū)地下水環(huán)境特征及突水水源判別模型[D];合肥工業(yè)大學;2008年

10 張秀云;基于GIS的丁集煤礦地下水水化學特征分析及突水水源快速判別[D];合肥工業(yè)大學;2014年

，

本文編號：1743976