瓦斯?jié)舛仁菍е峦咚篂暮Φ闹匾蛩刂?瓦斯?jié)舛阮A測是為了保障煤礦安全生產(chǎn)和工作人員的生命安全。因此,有效的預防瓦斯災害,可減少瓦斯事故的發(fā)生和降低事故造成的損失。針對煤礦安全生產(chǎn)的需要,對煤礦采煤工作面瓦瓦斯?jié)舛冗M行精準預測是非常重要的研究課題。煤礦瓦斯?jié)舛仁芰髁?風速、抽采負壓、濃度、溫度等多個因素的影響。由于各影響因素之間具有復雜的非線性關系,采用單傳感器進行瓦斯?jié)舛阮A測會導致預測準確率較低,不能有效反應礦井真實環(huán)境狀況。因此,需要通過多參數(shù)融合預測來提高瓦斯?jié)舛阮A測的精度,進而構建精度更高的多參數(shù)瓦斯?jié)舛阮A測模型。首先基于Lasso回歸算法對預處理后的瓦斯?jié)舛葧r間序列的多個參數(shù)進行特征選擇,構建瓦斯?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),從而確定具有強解釋性的工作面瓦斯?jié)舛葧r間序列特征集合,并對Lasso特征選擇前后的瓦斯?jié)舛阮A測結果進行實驗對比,驗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ο?構建基于RNN的工作面瓦斯?jié)舛榷鄥?shù)融合預測模型,確定模型的預測方法性能評價指標,并采用網(wǎng)格搜索法對批量大小、神經(jīng)元個數(shù)、學習率...

【文章頁數(shù)】：76 頁

【學位級別】：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是一個煤炭生產(chǎn)和消費大國，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中占比66%[1-2]。近幾年，在煤炭開發(fā)過程中，瓦斯事故發(fā)生頻率在逐年減少，但是在各類事故中，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

1緒論91.2.3RNN在時間序列預測的研究現(xiàn)狀隨著大數(shù)據(jù)和人工智能的發(fā)展，深度學習在處理時間序列問題上具有代表性的RNN（RecurrentNeuralNetwork）在許多方面都取得了很好的成績，黃婕[50]以RNN和CNN為基礎，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)絡理論15yt-1ht-1xt-1ytxtwxhwhyutghftwhhwyh圖2.3RNN前向傳播運行原理圖圖2.4激活函數(shù)可視圖隱藏層的輸出信息由兩部分組成：上一時刻隱藏層的輸出信息和當前時刻輸入層輸出的信息。輸入層的輸入信息為：1xhthWx(2.1)時刻的隱藏....

圖3.1數(shù)據(jù)展示

西安科技大學全日制工程碩士學位論文24MinstdMaxMinXXXXX(3.4)如圖3.1所示，圖(a)為原始的瓦斯?jié)舛葧r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、預測精度，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：3942695