基于CNN的煤岩瓦斯复合动力灾害预测

TD713; 随着我国煤矿开采逐渐进入深部区域,煤岩瓦斯复合动力灾害日益严重,对煤矿的安全生产造成极大威胁.基于某矿现场数据,采用智能预测手段对煤岩瓦斯复合动力灾害进行研究.首先,依据大数据处理流程,应用箱型图分析法(Box-plot)与多重插补法(MI)进行数据清洗,结合灰色关联度分析法(GRA)建立煤岩瓦斯复合动力灾害指标体系;然后应用主成分分析法(PCA)进行数据降维,结合深度学习中的卷积神经网络(CNN)建立基于BMGP-CNN的煤岩瓦斯复合动力灾害预测模型;运用现场案例数据将此模型与BP 模型、随机森林(RF)模型、支持向量机(SVM)模型及人工神经网络(ANN)模型进行对比验证,发...

Full description

Saved in:
Bibliographic Details
Published in矿业科学学报 Vol. 8; no. 5; pp. 613 - 622
Main Authors 王凯, 李康楠, 杜锋, 张翔, 王衍海, 周家旭
Format Journal Article
LanguageChinese
Published 中国矿业大学(北京)应急管理与安全工程学院,北京 100083%中国矿业大学(北京)应急管理与安全工程学院,北京 100083 01.10.2023
中国矿业大学(北京)共伴生能源精准开采北京市重点实验室,北京 100083
Subjects
deep learning
煤岩瓦斯复合动力灾害
prediction model
coal-gas compound dynamic disaster
深度学习
预测模型
指标体系
big data
大数据
index system
Online AccessGet full text
ISSN2096-2193
DOI10.19606/j.cnki.jmst.2023.05.003

Cover

More Information
Summary:TD713; 随着我国煤矿开采逐渐进入深部区域,煤岩瓦斯复合动力灾害日益严重,对煤矿的安全生产造成极大威胁.基于某矿现场数据,采用智能预测手段对煤岩瓦斯复合动力灾害进行研究.首先,依据大数据处理流程,应用箱型图分析法(Box-plot)与多重插补法(MI)进行数据清洗,结合灰色关联度分析法(GRA)建立煤岩瓦斯复合动力灾害指标体系;然后应用主成分分析法(PCA)进行数据降维,结合深度学习中的卷积神经网络(CNN)建立基于BMGP-CNN的煤岩瓦斯复合动力灾害预测模型;运用现场案例数据将此模型与BP 模型、随机森林(RF)模型、支持向量机(SVM)模型及人工神经网络(ANN)模型进行对比验证,发现BMGP-CNN模型预测结果的准确率最高,且该模型的收敛速度较快,能够在数秒内完成预测.研究结果对于煤岩瓦斯复合动力灾害的预测和防控具有重要意义.
ISSN:2096-2193
DOI:10.19606/j.cnki.jmst.2023.05.003