哈爾烏素露天煤礦作為我國儲煤量、開采量均處于前列的大型露天礦,對于內(nèi)蒙古乃至全國的能源供給具有重要作用。隨著采量增大和設備的大型化,露天開采過程中產(chǎn)生大量的煤、巖塵及其他物質(zhì)的擴散,對人員健康和工作安全都造成了極大地影響,同時加劇了西北地區(qū)的大氣污染。掌握露天煤礦粉塵濃度變化的特征,對其進行科學有效的預測是極具現(xiàn)實意義的。基于此,本文探索了哈爾烏素露天煤礦粉塵濃度的變化特征及影響因素,建立預測模型,實現(xiàn)對哈爾烏素露天煤礦PM2.5濃度值的預測。論文以哈爾烏素露天煤礦工作幫和端幫頂幫布設的兩個監(jiān)測點所提供的9¹2月的粉塵濃度數(shù)據(jù)、氣象數(shù)據(jù)為研究基礎,探究了露天礦粉塵濃度在月、日兩個時間尺度上的變化規(guī)律;分析了露天煤礦開采強度和氣象因子對監(jiān)測點粉塵濃度值的影響;尋找監(jiān)測點粉塵濃度的空間聯(lián)系。最終得出剝采量、風力-風速、風向、溫度、溫度變化率、濕度、濕度變化率及風速*剝采量是影響哈爾烏素露天煤礦粉塵濃度顯著變化的變量。建立哈爾烏素露天煤礦傳統(tǒng)回歸、隨機森林、LSTM循環(huán)神經(jīng)網(wǎng)絡預測模型,選取時間因子、氣象因子及采裝強度作為輸入變量,RMSE、MAPE作為評價指標,預測露... 

【文章來源】：中國礦業(yè)大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

哈爾烏素露天礦粉塵污染Figure1-1DustPollutioninHearwusuOpen-pitMine

碩士學位論文8圖2-1哈爾烏素露天煤礦顆粒污染物監(jiān)測點分布Figure2-1MonitoringPointofParticlePollutantinHearwusuOpen-pitMine2.3監(jiān)測方案（EnvironmentalMonitoringProgramme）本文所用數(shù)據(jù)均來自哈爾烏素露天煤礦生產(chǎn)過程中所檢測到的實時數(shù)據(jù)，選取的監(jiān)測時段是2018年9月10日至2018年12月10日。原始數(shù)據(jù)包括以下兩個部分：（1）顆粒物濃度實時數(shù)據(jù)監(jiān)測空氣中TSP、PM10及PM2.5的值，單位為μg/m3，數(shù)據(jù)采樣頻率為每五分鐘一次。2#號監(jiān)測點共計采集顆粒物濃度數(shù)據(jù)34920條，3#號監(jiān)測點共計采集顆粒物濃度數(shù)據(jù)68379條。（2）露天礦日均剝采量數(shù)據(jù)通過到哈爾烏素露天煤礦生產(chǎn)計劃部門收集每日的工作計劃及實際采剝量，統(tǒng)計9、10、11、12四個月共計122條日均采剝量數(shù)據(jù)。（3）氣象實況數(shù)據(jù)數(shù)據(jù)采樣頻率為每五分鐘一次，具體采集內(nèi)容如表2-1。

4預測模型介紹37入層將特征數(shù)據(jù)輸入網(wǎng)絡，用于下一層自動學習，一般以矩陣的數(shù)據(jù)形式存在；隱藏層的作用是自動學習輸入層輸入的特征數(shù)據(jù)，尋找隱藏的有用信息；輸出層將每次的學習預測到的結果與真實數(shù)據(jù)進行比較，得到的反饋誤差用來矯正隱藏層的參數(shù)，更新模型以用于下一次訓練，通過不斷的迭代訓練提升精度。與傳統(tǒng)神經(jīng)網(wǎng)絡不同的地方在于循環(huán)神經(jīng)網(wǎng)絡隱藏層之間有循環(huán)連接，即同層神經(jīng)元間存在相互傳遞。圖4-2為循環(huán)神經(jīng)網(wǎng)絡的簡化結構。Xt表示第t步的輸入；St表示當前t時刻的隱含狀態(tài)，也就是整個網(wǎng)絡在t時刻保留下的記憶信息，它是根據(jù)上一層的隱含狀態(tài)St-1以及當前層的輸入Xt計算得到的；Ot是每一步的輸出；U為輸入層到隱藏層的權重矩陣；V為隱藏層到輸出層的權重矩陣；W為上一隱藏層到當前隱藏層的權重矩陣。圖4-2循環(huán)神經(jīng)網(wǎng)絡的簡化結構Figure4-2SimplifiedStructureofRecurrentNeuralNetwork可以用下面的公式來表示循環(huán)神經(jīng)網(wǎng)絡的計算方法：()ttogVs（4-4）1()tttsfUxWs（4-5）其中f為激活函數(shù)，將公式（4-5）代入公式（4-4）中得到123(((())))tttttoVfUxWfUxWfUxWfUx（4-6）由公式（4-6）看出循環(huán)神經(jīng)網(wǎng)絡的輸出值受之前輸入值的影響。4.3.3循環(huán)神經(jīng)網(wǎng)絡的梯度消失問題循環(huán)神經(jīng)網(wǎng)絡善于處理時間序列數(shù)據(jù)，但當學習的時序較長時就會出現(xiàn)問題。循環(huán)神經(jīng)網(wǎng)絡出現(xiàn)的梯度消失問題是指在深度學習過程中，前面隱藏層的學習率低于后面隱藏層，即模型的梯度被近距離梯度主導，較遠節(jié)點的影響變的微乎其微，從而導致模型速率變慢甚至趨于停滯，學習不到任何信息[72]。一般來說，導致梯度消失的原因是隱藏層層數(shù)設置過多，并和激活函數(shù)的選擇有關，大部分神經(jīng)網(wǎng)絡都是利用反向傳播誤差來進行學習，此刻的誤

【參考文獻】：
期刊論文
[1]京津冀大氣污染的時空分布與人口暴露[J]. 趙輝,鄭有飛,張譽馨,王占山.  環(huán)境科學學報. 2020(01)
[2]長三角區(qū)域大氣重污染應急減排效果評估[J]. 王曉元,江飛,徐圣辰,田旭東,姚德飛.  環(huán)境科學研究. 2020(04)
[3]基于PSO-BP神經(jīng)網(wǎng)絡的能見度預測[J]. 楊光興,石大維.  南方農(nóng)機. 2019(23)
[4]2015年上海崇明島PM2.5和 PM10濃度變化特征及氣象因素影響分析[J]. 吳健,齊曉寶,蘇敬華,李佳鳳,沙晨燕,熊麗君,王敏.  氣象與環(huán)境科學. 2019(03)
[5]上海市大氣環(huán)境中PM2.5/PM10時空分布特征[J]. 李敏,何紅弟,郝楊楊.  云南大學學報(自然科學版). 2019(02)
[6]基于隨機森林和氣象參數(shù)的PM2.5濃度等級預測[J]. 任才溶,謝剛.  計算機工程與應用. 2019(02)
[7]濟南市2008-2017年塵肺病發(fā)病特征及趨勢分析[J]. 王靜,彭秀苗,蔡俊麗,陳傳剛.  中國公共衛(wèi)生管理. 2018(05)
[8]鄭州市氣象因子對大氣顆粒物濃度的影響研究[J]. 馬格,田國行,李永華,段彥博,吳寶軍,雷雅凱.  氣象與環(huán)境科學. 2018(03)
[9]2005年至2017年內(nèi)蒙古自治區(qū)煤炭資源開發(fā)利用情況及趨勢分析[J]. 郝逸凡,呂德潔.  內(nèi)蒙古煤炭經(jīng)濟. 2018(17)
[10]鄭州市大氣顆粒物季節(jié)日變化特征及氣象要素相關性研究[J]. 李倩楠,張寧丹,馬運通.  科技風. 2018(17)

博士論文
[1]嚴寒地區(qū)城市住區(qū)內(nèi)PM2.5濃度分布及室內(nèi)外關聯(lián)性研究[D]. 肖曄.哈爾濱工業(yè)大學 2019
[2]北京地區(qū)典型城市綠地對PM2.5等顆粒物濃度及化學組成影響研究[D]. 陳博.北京林業(yè)大學 2016

碩士論文
[1]基于LUR模型的城市交通顆粒物污染空間分布研究[D]. 魯鳳杰.長安大學 2019
[2]烏魯木齊市PM2.5、PM10濃度時空變化特征[D]. 游超.新疆大學 2018
[3]露天礦剝離工作面粉塵分布與運移規(guī)律模擬研究[D]. 湯萬鈞.中國礦業(yè)大學 2014
[4]露天礦鉆孔揚塵控制方案的數(shù)值模擬及其優(yōu)化[D]. 馮耀萱.遼寧工程技術大學 2014



本文編號：3440403