导读:本文包含了瓦斯浓度预测论文开题报告文献综述及选题提纲参考文献,主要关键词:瓦斯灾害,瓦斯浓度,预测,Isomap
瓦斯浓度预测论文文献综述
吴海波,施式亮,念其锋[1](2019)在《基于Isomap+SVR的瓦斯浓度预测方法》一文中研究指出对煤矿关键测点的瓦斯浓度进行科学且准确的预测,是防范瓦斯灾害的关键.为了从瓦斯监测监控系统实时采集的煤矿安全环境数据中分析和挖掘瓦斯浓度信息,从而进行关键测点的瓦斯浓度预测,本文采用等度量映射算法(Isomap)结合支持向量回归算法(SVR)来预测瓦斯浓度.该方法首先通过Isomap算法将非线性的高维煤矿井下安全环境数据进行维数约减,然后利用SVR算法进行回归预测.通过实验分析与对比,该方法行之有效,与多元线性回归(MLR)、支持向量回归(SVR)方法相比,在预测精度上有一定的优势,且在瓦斯波动异常情况下,鲁棒性更强.(本文来源于《矿业工程研究》期刊2019年02期)
高意义,张磊,王智鹏[2](2019)在《基于PSO-SVR的多因素瓦斯浓度预测》一文中研究指出为提高瓦斯浓度预测的准确性,针对影响瓦斯浓度的相关因素众多,且各因素之间呈现复杂非线性特征的问题,建立支持向量机回归模型,并采用粒子群优化算法对支持向量机回归模型的参数进行寻优,得到模型的最佳参数组合,最后采用某矿综采工作面瓦斯监测数据进行验证,预测结果表明:采用粒子群寻优算法建立的支持向量机回归模型可以提高瓦斯浓度的预测精度,预测结果的平均绝对误差为0.021。(本文来源于《科学技术创新》期刊2019年19期)
李绍良,王茜,张毅,张磊[3](2019)在《基于混沌相空间重构的IGA-LSSVM在线煤矿工作面瓦斯浓度预测模型的研究》一文中研究指出为了改进煤矿工作面瓦斯浓度预测可靠性和精度,运用基于混沌相空间重构的免疫遗传最小二乘支持向量机瓦斯浓度预测方法,把瓦斯浓度当做一组非线性混沌时间序列,使用相空间重构以恢复混沌时间序列在高维空间的运动轨迹,即混沌吸引子,运用IGA-LSSVM模型预测混沌吸引子未来的运动轨迹,再把预测的运动轨迹还原到时间序列中,得到预测的瓦斯浓度。研究表明,运用混沌IGA-LSSVM模型预测瓦斯浓度,由于引入了混沌吸引子,使模型不同于传统预测所建立的主观模型(如神经网络),而是直接根据数据序列本身计算出来的客观规律(混沌吸引子)进行预测,并且使用免疫遗传算法(IGA)对LSSVM模型的参数进行优化选择,可以避免预测的人为主观性,提高预测的精度和可信度。(本文来源于《中国煤炭》期刊2019年05期)
张雨[4](2019)在《基于深度学习的井下瓦斯浓度预测系统设计与实现》一文中研究指出煤炭是我国的重要能源之一,占有很大的消费比重,随着需求量的不断增加,煤矿的采掘规模也在不断的扩增,与此同时生产安全也是我们必须关注的重大问题。瓦斯灾害在煤矿事故中经常发生,对于煤矿开采工作造成了很大的危害。随着通信技术、互联网技术以及大数据技术的快速发展,煤矿开采现场已经实现井下分布式传感器系统,该系统采集的瓦斯数据呈现着高非线性和高度复杂性的特点。就目前而言,对于采集的海量数据进行瓦斯浓度预测,在可靠性、准确性和实时性方面还存在严重的不足。因此,本文基于深度置信网络对采集的瓦斯数据进行处理和分析,可以很好的利用其强大的函数表达能力和特征提取功能以及处理非线性数据的优势;并设计了基于Spark的实时数据处理系统对瓦斯浓度进行准确实时的预测,作用于海量的数据分析,从后期的维护和扩展性等方面来说都是可行的,主要研究工作如下:首先,对传统的BP神经网络进行分析,并针对BP神经网络容易出现梯度扩散和陷入局部极小值等问题,提出了基于受限玻尔兹曼机的深度置信网络,构建瓦斯浓度预测模型。该模型是从人工神经网络发展而来,不但充分利用了人工神经网络的优点,而且也弥补了它的不足之处,和BP神经网络预测模型进行对比分析,进一步确定了其应用于瓦斯浓度预测的可行性以及准确性。然后,针对矿井下采集的瓦斯浓度数据特点以及数据量的快速增长等问题,建立Spark实时数据处理系统,结合深度置信网络算法,对瓦斯浓度进行准确实时的预测。同时,整个系统具备高可用、易扩展、通用性等特点,减轻了后期对于系统维护的负担,解决了海量数据处理的问题。在设计上采用了大数据生态圈中例如Flume、Kafka、Spark等优秀的技术框架,并且提出了一系列优化策略。最后,将采集到的大量数据集通过离线数据处理系统进行验证,最终结果显示:对叁个月的数据进行预测分析,使用DBN网络预测模型对比于BP网络预测模型,工作面各节点平均均方根误差减少0.01378左右,实时计算每个批次任务处理时间约为4.5s,预测准确率较高,实时性较好,从而达到了良好的瓦斯浓度预测,减少瓦斯灾害的发生。(本文来源于《中国矿业大学》期刊2019-05-01)
张以文,郭海帅,涂辉,余国锋[5](2019)在《基于随机隐含层权值神经网络的瓦斯浓度预测》一文中研究指出煤矿的安全生产一直是人们重点研究的课题之一。在众多的煤矿开采安全事故中,瓦斯引起的事故占到了大多数。对井下生产线的瓦斯浓度进行实时准确的预测,提前预知生产环境是否处于安全状态,对煤矿的安全生产来说意义重大。针对这一问题,提出了一种基于NSGA-II训练的随机隐含层神经网络(BNSGA-II NN)来进行瓦斯浓度预测的方法。一方面,NSGA-II需要设定的参数少,使用较为简单;另一方面,NSGA-II中的交叉变异机制避免了陷入局部最优解。为了证明NSGA-II训练的随机隐含权值神经网络的预测质量,通过实验与PSOGSA训练的随机隐含层神经网络(PSOGSA NN)进行了对比。实验结果表明,BNSGA-II NN的预测质量明显高于PSOGSA NN的预测质量。(本文来源于《计算机工程与科学》期刊2019年04期)
王鹏,伍永平,王栓林,宋超,吴学明[6](2019)在《矿井瓦斯浓度Lagrange-ARIMA实时预测模型研究》一文中研究指出矿井瓦斯浓度监测是瓦斯事故最直接有效的防控手段之一,为提高监测信息的利用效率,提出了一种瓦斯浓度Lagrange-ARIMA实时预测模型。首先应用拉伊达准则实现瓦斯浓度监测缺失值构建,其次采用滑动Lagrange插值方法进行缺失值预测,最后基于自回归差分移动平均模型(ARIMA)序贯学习,依据L1范数最小化原则,确定出Lagrange-ARIMA序贯学习窗口合适尺度,进行瓦斯浓度实时预测。实例仿真显示:Lagrange-ARIMA实时预测模型处理瓦斯浓度时间序列缺失值平均误差为1.397%,当序贯学习窗口尺度为85时,预测的瓦斯浓度序列平均绝对误差(MAE)为0.011 8。相比传统ARIMA静态学习模型,建立的Lagrange-ARIMA模型学习窗口尺度降低了90.3%,建模复杂度显着降低,MAE降低了16.3%,预测精度能满足现场需求。(本文来源于《煤炭科学技术》期刊2019年04期)
李欢[7](2019)在《基于时空序列的瓦斯浓度预测方法研究》一文中研究指出煤矿井下瓦斯事故破坏力大,造成的人员伤亡惨重,居煤矿五大灾害事故之首。分析和研究瓦斯数据的特性,构建有效的瓦斯浓度预测模型,对瓦斯异常做出及时、准确预警,以减少瓦斯事故的发生,具有重要意义。本文分析工作面瓦斯运移的时空特性,将时空建模思想与最小二乘支持向量机(LSSVM)结合,构建一种瓦斯浓度时空预测模型。时空模型引入先验信息的同时还会引入噪声,为减弱噪声对预测精度的影响,引入选择性集成学习方法,构建一种基于选择性集成的瓦斯浓度时空预测模型。(1)针对一些智能优化算法易陷入局部最优解的问题,采用一种动态蚁群算法(DACO),对LSSVM的惩罚参数和核函数参数寻优,构建DACO-LSSVM模型。该蚁群算法将求解空间进行区间划分,初始化时,蚁群较为分散地分布在解空间中,搜索过程不易陷入局部最优解。同时采用动态全局选择因子和动态信息素蒸发因子,在提升寻优精度的同时加快求解速度。(2)针对单点瓦斯浓度预测模型存在预测精度低的问题,研究瓦斯浓度时间序列的时空特性,将时空建模思想与DACO-LSSVM模型结合,构建瓦斯浓度时空预测模型。将时间延迟信息和空间位置信息引入瓦斯浓度预测模型,通过K-means算法确定最佳空间延迟算子边界值;通过实验分析得到最佳时间延迟算子边界值;提出一种基于样本相似度高斯函数的时空权矩阵建立方法,建立动态的时空权矩阵。采用工作面现场采集的瓦斯数据进行仿真实验,结果表明模型具有良好的预测效果。(3)针对时空预测模型会引入噪声的问题,将选择性集成学习方法与时空模型结合,提出一种基于选择性集成的瓦斯浓度时空预测模型。构建若干个具有差异性的基时空预测器,将基时空预测器集成时对应的权重组成权重向量,采用人工蜂群算法(ABC)对权重向量寻优。根据权重筛选出性能较好的基时空预测器,将归一化的权重作为每个基时空预测器的集成权重,得到集成模型。采用测试集数据进行仿真实验,结果表明模型进一步提高了瓦斯浓度预测精度。(本文来源于《中国矿业大学》期刊2019-04-01)
陈帅[8](2019)在《寸草塔煤矿回采工作面上隅角瓦斯涌出浓度预测研究》一文中研究指出为了准确预测寸草塔煤矿22301回采工作面上隅角每日最大瓦斯浓度,通过分析上隅角瓦斯浓度的影响因素,建立相应的指标体系,并收集瓦斯监测监控系统采集的上隅角瓦斯浓度,作为BP神经网络的训练样本,利用MATLAB对样本数据进行BP神经网络训练,最终得到BP神经网络模型,利用采集的实测数据对BP神经网络模型预测结果进行误差分析。结果表明:BP神经网络模型的平均预测误差小于10%,预测误差在合理范围内,BP神经网络预测模型可以应用于寸草塔煤矿22301回采工作面上隅角每日最大瓦斯浓度的预测。(本文来源于《陕西煤炭》期刊2019年02期)
张俭让,马彦龙[9](2019)在《基于时间序列的综采工作面瓦斯浓度预测研究》一文中研究指出以R语言作为工具,建立ARIMA模型拟合瓦斯浓度时间序列并对拟合的残差序列建立GARCH模型,最后将ARIMA模型和GARCH模型结合起来对综采工作面瓦斯浓度进行预测并对预测效果进行评价。研究表明,利用时间序列分析方法可以对综采工作面瓦斯浓度进行精确地预测,进而为综采工作面的安全生产提供合理的决策依据。(本文来源于《煤炭技术》期刊2019年03期)
丰胜成,卢万杰,徐耀松,孟庭儒,代巍[10](2019)在《瓦斯浓度动态在线预测模型》一文中研究指出为有效预测采煤工作面的瓦斯浓度,针对具有高度非线性、不确定性、时变性及复杂性的瓦斯浓度序列,提出在线序贯极限学习机理论的瓦斯浓度动态预测模型,该模型可以实时更新监测信息,并根据历史数据和当前数据进行模型的离线训练和在线学习以完成对未来时刻瓦斯浓度的动态预测.同时,引入自适应萤火虫算法优化预测模型参数.实验结果表明:该方法通过实时更新样本数据,降低了复杂度,耗时小,学习影射能力强.该模型的预测误差比BPNN和ELM网络模型低,具备良好的预测精度与更强的泛化能力.(本文来源于《辽宁工程技术大学学报(自然科学版)》期刊2019年01期)
瓦斯浓度预测论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
为提高瓦斯浓度预测的准确性,针对影响瓦斯浓度的相关因素众多,且各因素之间呈现复杂非线性特征的问题,建立支持向量机回归模型,并采用粒子群优化算法对支持向量机回归模型的参数进行寻优,得到模型的最佳参数组合,最后采用某矿综采工作面瓦斯监测数据进行验证,预测结果表明:采用粒子群寻优算法建立的支持向量机回归模型可以提高瓦斯浓度的预测精度,预测结果的平均绝对误差为0.021。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
瓦斯浓度预测论文参考文献
[1].吴海波,施式亮,念其锋.基于Isomap+SVR的瓦斯浓度预测方法[J].矿业工程研究.2019
[2].高意义,张磊,王智鹏.基于PSO-SVR的多因素瓦斯浓度预测[J].科学技术创新.2019
[3].李绍良,王茜,张毅,张磊.基于混沌相空间重构的IGA-LSSVM在线煤矿工作面瓦斯浓度预测模型的研究[J].中国煤炭.2019
[4].张雨.基于深度学习的井下瓦斯浓度预测系统设计与实现[D].中国矿业大学.2019
[5].张以文,郭海帅,涂辉,余国锋.基于随机隐含层权值神经网络的瓦斯浓度预测[J].计算机工程与科学.2019
[6].王鹏,伍永平,王栓林,宋超,吴学明.矿井瓦斯浓度Lagrange-ARIMA实时预测模型研究[J].煤炭科学技术.2019
[7].李欢.基于时空序列的瓦斯浓度预测方法研究[D].中国矿业大学.2019
[8].陈帅.寸草塔煤矿回采工作面上隅角瓦斯涌出浓度预测研究[J].陕西煤炭.2019
[9].张俭让,马彦龙.基于时间序列的综采工作面瓦斯浓度预测研究[J].煤炭技术.2019
[10].丰胜成,卢万杰,徐耀松,孟庭儒,代巍.瓦斯浓度动态在线预测模型[J].辽宁工程技术大学学报(自然科学版).2019