煤礦水源類型的識別貫穿于突水防治的前期預測和后期治理。以源頭預防為主的前期階段,要求準確而快速地識別水源以對突水防治工作起到預警作用。傳統(tǒng)水源識別的實驗方法和線性分類模型,已經不能滿足水源識別準確而快速的要求。本文以煤礦井下水源識別為研究背景,重點針對水源的快速識別、抗干擾和半監(jiān)督識別、多功能融合識別以及在線識別等問題,開展水源識別模型的研究。主要從模型的參數(shù)尋優(yōu)、結構設計和訓練方式等方面進行優(yōu)化,論文的主要研究成果總結如下:研究了煤礦水源準確而快速識別問題。以激光誘導熒光(Laser Induced Fluorescence,LIF)技術為新的實驗手段,獲取礦井下不同含水層水源的熒光光譜。以水源的熒光光譜為研究對象,提取光譜特征進而識別不同水源。運用機器學習中模式識別方法,建立非線性多元分類模型。提出了一種基于極限學習機(Extreme Learning Machine,ELM)的水源識別方法,建立ELM快速水源識別模型,確定模型中關鍵參數(shù),如隱含層節(jié)點數(shù)和激勵函數(shù)。ELM作為一種新型的非線性前饋神經網絡,其無限逼近能力可以達到識別精度的要求、極速運行能力可滿足識別速度的要求、通用的學習性能可以滿足識別的實際應用。研究了在復雜環(huán)境下水源識別模型的抗干擾性和半監(jiān)督學習能力的問題。基本的ELM算法在快速訓練模型識別水源時會出現(xiàn)性能的波動,因此從優(yōu)化網絡參數(shù)出發(fā),進而穩(wěn)定模型性能。以正則化方法優(yōu)化(Regularization Optimization)基本的ELM模型,使正則化ELM(Regularization ELM,RELM)模型能處理帶干擾及未標識類別數(shù)據(jù),具有抗干擾性和半監(jiān)督學習的能力。提出了基于等式約束的L2范數(shù)正則化(L2 norm RELM,L2-RELM)水源識別模型,以正則參數(shù)作為最小化訓練誤差的懲罰系數(shù),以交叉驗證的方式尋找合適的正則參數(shù)。實驗表明:L2-RELM模型不僅可避免過擬合現(xiàn)象且穩(wěn)定了模型性能,避免外界環(huán)境擾動對水源識別產生偏差,增強了模型的抗干擾能力。提出了基于圖的流形正則化(Graph Manifold RELM,GM-RELM)的水源識別模型。以未標識樣本與標識樣本服從相似的流形為前提假設,構造反映樣本間相似關系的Laplacian鄰接圖,通過最小化圖上的能量函數(shù),得到滿足全局一致性假設的分類函數(shù)。實驗表明:GM-RELM模型以大量未知類別樣本輔助識別模型的訓練,實現(xiàn)了半監(jiān)督分類,也提升了網絡的泛化能力。研究了水源識別模型中多功能融合的問題。主要從網絡結構設計進行優(yōu)化,提出了基于多隱含層融合的正則化(Multi-hidden-layer RELM,M-RELM)識別模型。通過設置多個隱含層實現(xiàn)數(shù)據(jù)預處理和分類學習,集成融合到統(tǒng)一的正則化模型中。在預處理階段,提出了以L2-RELM算法改進自編碼器(Auto Encoder,AE)網絡,借鑒深度學習方式對水源光譜進行逐層非線性特征學習。在分類學習階段,區(qū)分樣本是否具有類別標簽,而分別進行L2-RELM的監(jiān)督分類和GM-RELM的半監(jiān)督分類。以AE-RELM非線性特征提取與L2-RELM或GM-RELM分類學習融合,分別形成ML2-RELM或MGM-RELM模型,完成了M-RELM模型的多隱含層結構設計。以多隱含層之間的參數(shù)傳遞,實現(xiàn)了學習功能分階段逐層間傳播。實驗表明:M-RELM模型優(yōu)化了網絡結構設計,拓展了模型的多功能學習能力,適應了煤礦水源的非線性識別。研究了在線水源識別的靈活及穩(wěn)定性問題。主要從優(yōu)化網絡訓練的方式,提出了正則化的在線順序(Online Sequential RELM,OS-RELM)識別模型,改變批量訓練方式以順序方式訓練模型,使模型具備水源的在線識別能力。以L2范數(shù)正則優(yōu)化基本的OS-ELM算法,摒棄了對處理樣本塊大小的限制,使其可以靈活地順序學習隨機大小樣本,邊學習邊輸出訓練結果。實驗表明:OS-RELM模型實現(xiàn)了水源在線識別的穩(wěn)定性及靈活性。本文主要對水源識別的傳統(tǒng)方法提出了改進措施,以ELM及改進算法構建了非線性多元分類模型。從模型性能波動性、功能單一性以及訓練方式的約束性,結合水源識別的需求對模型進行優(yōu)化。優(yōu)化后的模型具有抗干擾性、功能可擴展性以及在線識別等特點。采用“理論分析、數(shù)值模擬和實驗測試”三位一體的研究方法,從礦井水源識別的實際應用需求分析構造模型,以標準數(shù)據(jù)集驗證模型的有效性,推廣到水源光譜數(shù)據(jù)中應用,進而輔助煤礦突水災害防治。
【學位單位】：安徽理工大學
【學位級別】：博士
【學位年份】：2018
【中圖分類】：TD745
【部分圖文】：

會形成地下水或老空水突水災害。圖 1-1 展示了富水性含水層水體經過滲透逐步形成礦井突水的示意圖。圖1-1 礦井下突水形成的示意圖Fig1-1 Diagram of the formation of water inrush under coal mine2016 年 8 月份據(jù)國家安監(jiān)總局數(shù)據(jù)統(tǒng)計顯示，“十二五”期間的突水事故總起數(shù)和死亡人數(shù)，分別占全國煤礦事故的 3.5%和 9.1%。其中，煤礦突水事故發(fā)生重大及以上的起數(shù)和死亡人數(shù)，分別占全國煤礦重大及以上事故起數(shù)和死亡人數(shù)的 23.6%和 19.2%，僅次于瓦斯事故。其中，在較大事故和重大及以上事故中，50起較大水害事故，老空水災害41起占82.0%；17起重大及以上水害事故

當突水事故發(fā)生時，會在短時間內淹沒煤礦巷道和生產設備經濟損失慘重，并直接威脅到煤礦井下人員的生命安全，發(fā)生突水事故示意圖如圖1-2所示。圖1-2 煤礦井下突水事故示意圖Fig1-2 Diagram of water inrush accident under coal mine礦井突水的防治工作可分為兩個階段，分別為前期預測和后期治理。在前期預測階段，根據(jù)水源類型的識別結果，結合地理條件預測可能存在的富含水體層。在后期治理階段，也要依據(jù)水源類型制定有效的治理方案，如采取降壓、疏干、堵水等措施[4-5]。因此，水源類別的識別貫穿防治工作始終，也是防治工作的基礎。在煤礦井下突水還未發(fā)生之前，準確而迅速地識別水源類別預測突水類型，對礦井突水防治工作能起到預警作用。地下含水層中化學物質會受環(huán)境影響而發(fā)生變化，但在短時間內區(qū)域內含水層化學物質則相對穩(wěn)定。針對含水層水源類型的識別

針對煤礦水源識別分別從物理、化學和地理信息系統(tǒng)等幾個方面進行研究，其中以水化學分析方法為主，對水化學分析數(shù)據(jù)進行數(shù)理分析，主要分為線性和非線性方法。常見水源識別方法歸納為圖1-3所示。圖1-3 常見的水源識別方法Fig 1-3 Common identification methods of water sources目前研究最多是水化學分析法，主要有代表離子法和微量元素法[20-21]。水化學分析方法主要根據(jù)煤礦含水層中代表離子和微量元素分布及變化規(guī)律分析含水層的特征。一般情況下，不同類型含水層水中具有不同化學成分，當含水層中水源發(fā)生運動或變化時，其化

【參考文獻】

相關期刊論文 前10條

1 李鳳蓮;馮琳;張雪英;王子中;;模糊綜合評判法的改進及在水源判別中的應用[J];太原理工大學學報;2015年04期

2 謝長侖;胡寶林;徐宏杰;劉會虎;程喬;高德q

本文編號：2834097