瓦斯?jié)舛仁菍?dǎo)致瓦斯災(zāi)害的重要因素之一,瓦斯?jié)舛阮A(yù)測(cè)是為了保障煤礦安全生產(chǎn)和工作人員的生命安全。因此,有效的預(yù)防瓦斯災(zāi)害,可減少瓦斯事故的發(fā)生和降低事故造成的損失。針對(duì)煤礦安全生產(chǎn)的需要,對(duì)煤礦采煤工作面瓦瓦斯?jié)舛冗M(jìn)行精準(zhǔn)預(yù)測(cè)是非常重要的研究課題。煤礦瓦斯?jié)舛仁芰髁?風(fēng)速、抽采負(fù)壓、濃度、溫度等多個(gè)因素的影響。由于各影響因素之間具有復(fù)雜的非線性關(guān)系,采用單傳感器進(jìn)行瓦斯?jié)舛阮A(yù)測(cè)會(huì)導(dǎo)致預(yù)測(cè)準(zhǔn)確率較低,不能有效反應(yīng)礦井真實(shí)環(huán)境狀況。因此,需要通過(guò)多參數(shù)融合預(yù)測(cè)來(lái)提高瓦斯?jié)舛阮A(yù)測(cè)的精度,進(jìn)而構(gòu)建精度更高的多參數(shù)瓦斯?jié)舛阮A(yù)測(cè)模型。首先基于Lasso回歸算法對(duì)預(yù)處理后的瓦斯?jié)舛葧r(shí)間序列的多個(gè)參數(shù)進(jìn)行特征選擇,構(gòu)建瓦斯?jié)舛忍卣鬟x擇算法,并基于網(wǎng)格搜索法選取最優(yōu)的α值和L1范數(shù),從而確定具有強(qiáng)解釋性的工作面瓦斯?jié)舛葧r(shí)間序列特征集合,并對(duì)Lasso特征選擇前后的瓦斯?jié)舛阮A(yù)測(cè)結(jié)果進(jìn)行實(shí)驗(yàn)對(duì)比,驗(yàn)證了該算法的有效性。其次,以Lasso回歸算法特征選擇后的瓦斯?jié)舛忍卣骷蠟檠芯繉?duì)象,構(gòu)建基于RNN的工作面瓦斯?jié)舛榷鄥?shù)融合預(yù)測(cè)模型,確定模型的預(yù)測(cè)方法性能評(píng)價(jià)指標(biāo),并采用網(wǎng)格搜索法對(duì)批量大小、神經(jīng)元個(gè)數(shù)、學(xué)習(xí)率...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1煤礦瓦斯事故傷亡比例圖

1緒論11緒論1.1研究背景及意義我國(guó)是一個(gè)煤炭生產(chǎn)和消費(fèi)大國(guó)，煤炭資源在一次能源的生產(chǎn)中占比77%，在一次性能源的消費(fèi)中占比66%[1-2]。近幾年，在煤炭開(kāi)發(fā)過(guò)程中，瓦斯事故發(fā)生頻率在逐年減少，但是在各類(lèi)事故中，瓦斯事故傷亡率在所有事故傷亡中較高，煤礦瓦斯事故傷亡比例如圖1.....

圖1.6MTA-RNN模型架構(gòu)

1緒論91.2.3RNN在時(shí)間序列預(yù)測(cè)的研究現(xiàn)狀隨著大數(shù)據(jù)和人工智能的發(fā)展，深度學(xué)習(xí)在處理時(shí)間序列問(wèn)題上具有代表性的RNN（RecurrentNeuralNetwork）在許多方面都取得了很好的成績(jī)，黃婕[50]以RNN和CNN為基礎(chǔ)，采用Stacking融合兩者，提出了基于RN....

圖2.4激活函數(shù)可視圖

2循環(huán)神經(jīng)網(wǎng)絡(luò)理論15yt-1ht-1xt-1ytxtwxhwhyutghftwhhwyh圖2.3RNN前向傳播運(yùn)行原理圖圖2.4激活函數(shù)可視圖隱藏層的輸出信息由兩部分組成：上一時(shí)刻隱藏層的輸出信息和當(dāng)前時(shí)刻輸入層輸出的信息。輸入層的輸入信息為：1xhthWx(2.1)時(shí)刻的隱藏....

圖3.1數(shù)據(jù)展示

西安科技大學(xué)全日制工程碩士學(xué)位論文24MinstdMaxMinXXXXX(3.4)如圖3.1所示，圖(a)為原始的瓦斯?jié)舛葧r(shí)間序列數(shù)據(jù)，各特征之間存在不同的量綱和單位，為提高算法收斂速度、預(yù)測(cè)精度，采用MinMaxScaler方法處理后的數(shù)據(jù)如圖(b)所示，各特征全部被縮放至[0....

本文編號(hào)：3942695