基于循环神经网络的哈尔乌素露天煤矿粉尘浓度预测
发布时间：2021-10-16 19:51
哈尔乌素露天煤矿作为我国储煤量、开采量均处于前列的大型露天矿,对于内蒙古乃至全国的能源供给具有重要作用。随着采量增大和设备的大型化,露天开采过程中产生大量的煤、岩尘及其他物质的扩散,对人员健康和工作安全都造成了极大地影响,同时加剧了西北地区的大气污染。掌握露天煤矿粉尘浓度变化的特征,对其进行科学有效的预测是极具现实意义的。基于此,本文探索了哈尔乌素露天煤矿粉尘浓度的变化特征及影响因素,建立预测模型,实现对哈尔乌素露天煤矿PM2.5浓度值的预测。论文以哈尔乌素露天煤矿工作帮和端帮顶帮布设的两个监测点所提供的912月的粉尘浓度数据、气象数据为研究基础,探究了露天矿粉尘浓度在月、日两个时间尺度上的变化规律;分析了露天煤矿开采强度和气象因子对监测点粉尘浓度值的影响;寻找监测点粉尘浓度的空间联系。最终得出剥采量、风力-风速、风向、温度、温度变化率、湿度、湿度变化率及风速*剥采量是影响哈尔乌素露天煤矿粉尘浓度显著变化的变量。建立哈尔乌素露天煤矿传统回归、随机森林、LSTM循环神经网络预测模型,选取时间因子、气象因子及采装强度作为输入变量,RMSE、MAPE作为评价指标,预测露...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
哈尔乌素露天矿粉尘污染Figure1-1DustPollutioninHearwusuOpen-pitMine
硕士学位论文8图2-1哈尔乌素露天煤矿颗粒污染物监测点分布Figure2-1MonitoringPointofParticlePollutantinHearwusuOpen-pitMine2.3监测方案（EnvironmentalMonitoringProgramme）本文所用数据均来自哈尔乌素露天煤矿生产过程中所检测到的实时数据，选取的监测时段是2018年9月10日至2018年12月10日。原始数据包括以下两个部分：（1）颗粒物浓度实时数据监测空气中TSP、PM10及PM2.5的值，单位为μg/m3，数据采样频率为每五分钟一次。2#号监测点共计采集颗粒物浓度数据34920条，3#号监测点共计采集颗粒物浓度数据68379条。（2）露天矿日均剥采量数据通过到哈尔乌素露天煤矿生产计划部门收集每日的工作计划及实际采剥量，统计9、10、11、12四个月共计122条日均采剥量数据。（3）气象实况数据数据采样频率为每五分钟一次，具体采集内容如表2-1。
4预测模型介绍37入层将特征数据输入网络，用于下一层自动学习，一般以矩阵的数据形式存在；隐藏层的作用是自动学习输入层输入的特征数据，寻找隐藏的有用信息；输出层将每次的学习预测到的结果与真实数据进行比较，得到的反馈误差用来矫正隐藏层的参数，更新模型以用于下一次训练，通过不断的迭代训练提升精度。与传统神经网络不同的地方在于循环神经网络隐藏层之间有循环连接，即同层神经元间存在相互传递。图4-2为循环神经网络的简化结构。Xt表示第t步的输入；St表示当前t时刻的隐含状态，也就是整个网络在t时刻保留下的记忆信息，它是根据上一层的隐含状态St-1以及当前层的输入Xt计算得到的；Ot是每一步的输出；U为输入层到隐藏层的权重矩阵；V为隐藏层到输出层的权重矩阵；W为上一隐藏层到当前隐藏层的权重矩阵。图4-2循环神经网络的简化结构Figure4-2SimplifiedStructureofRecurrentNeuralNetwork可以用下面的公式来表示循环神经网络的计算方法：()ttogVs（4-4）1()tttsfUxWs（4-5）其中f为激活函数，将公式（4-5）代入公式（4-4）中得到123(((())))tttttoVfUxWfUxWfUxWfUx（4-6）由公式（4-6）看出循环神经网络的输出值受之前输入值的影响。4.3.3循环神经网络的梯度消失问题循环神经网络善于处理时间序列数据，但当学习的时序较长时就会出现问题。循环神经网络出现的梯度消失问题是指在深度学习过程中，前面隐藏层的学习率低于后面隐藏层，即模型的梯度被近距离梯度主导，较远节点的影响变的微乎其微，从而导致模型速率变慢甚至趋于停滞，学习不到任何信息[72]。一般来说，导致梯度消失的原因是隐藏层层数设置过多，并和激活函数的选择有关，大部分神经网络都是利用反向传播误差来进行学习，此刻的误
【参考文献】：
期刊论文
[1]京津冀大气污染的时空分布与人口暴露[J]. 赵辉,郑有飞,张誉馨,王占山. 环境科学学报. 2020(01)
[2]长三角区域大气重污染应急减排效果评估[J]. 王晓元,江飞,徐圣辰,田旭东,姚德飞. 环境科学研究. 2020(04)
[3]基于PSO-BP神经网络的能见度预测[J]. 杨光兴,石大维. 南方农机. 2019(23)
[4]2015年上海崇明岛PM2.5和 PM10浓度变化特征及气象因素影响分析[J]. 吴健,齐晓宝,苏敬华,李佳凤,沙晨燕,熊丽君,王敏. 气象与环境科学. 2019(03)
[5]上海市大气环境中PM2.5/PM10时空分布特征[J]. 李敏,何红弟,郝杨杨. 云南大学学报(自然科学版). 2019(02)
[6]基于随机森林和气象参数的PM2.5浓度等级预测[J]. 任才溶,谢刚. 计算机工程与应用. 2019(02)
[7]济南市2008-2017年尘肺病发病特征及趋势分析[J]. 王静,彭秀苗,蔡俊丽,陈传刚. 中国公共卫生管理. 2018(05)
[8]郑州市气象因子对大气颗粒物浓度的影响研究[J]. 马格,田国行,李永华,段彦博,吴宝军,雷雅凯. 气象与环境科学. 2018(03)
[9]2005年至2017年内蒙古自治区煤炭资源开发利用情况及趋势分析[J]. 郝逸凡,吕德洁. 内蒙古煤炭经济. 2018(17)
[10]郑州市大气颗粒物季节日变化特征及气象要素相关性研究[J]. 李倩楠,张宁丹,马运通. 科技风. 2018(17)
博士论文
[1]严寒地区城市住区内PM2.5浓度分布及室内外关联性研究[D]. 肖晔.哈尔滨工业大学 2019
[2]北京地区典型城市绿地对PM2.5等颗粒物浓度及化学组成影响研究[D]. 陈博.北京林业大学 2016
硕士论文
[1]基于LUR模型的城市交通颗粒物污染空间分布研究[D]. 鲁凤杰.长安大学 2019
[2]乌鲁木齐市PM2.5、PM10浓度时空变化特征[D]. 游超.新疆大学 2018
[3]露天矿剥离工作面粉尘分布与运移规律模拟研究[D]. 汤万钧.中国矿业大学 2014
[4]露天矿钻孔扬尘控制方案的数值模拟及其优化[D]. 冯耀萱.辽宁工程技术大学 2014
本文编号：3440403
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
哈尔乌素露天矿粉尘污染Figure1-1DustPollutioninHearwusuOpen-pitMine
硕士学位论文8图2-1哈尔乌素露天煤矿颗粒污染物监测点分布Figure2-1MonitoringPointofParticlePollutantinHearwusuOpen-pitMine2.3监测方案（EnvironmentalMonitoringProgramme）本文所用数据均来自哈尔乌素露天煤矿生产过程中所检测到的实时数据，选取的监测时段是2018年9月10日至2018年12月10日。原始数据包括以下两个部分：（1）颗粒物浓度实时数据监测空气中TSP、PM10及PM2.5的值，单位为μg/m3，数据采样频率为每五分钟一次。2#号监测点共计采集颗粒物浓度数据34920条，3#号监测点共计采集颗粒物浓度数据68379条。（2）露天矿日均剥采量数据通过到哈尔乌素露天煤矿生产计划部门收集每日的工作计划及实际采剥量，统计9、10、11、12四个月共计122条日均采剥量数据。（3）气象实况数据数据采样频率为每五分钟一次，具体采集内容如表2-1。
4预测模型介绍37入层将特征数据输入网络，用于下一层自动学习，一般以矩阵的数据形式存在；隐藏层的作用是自动学习输入层输入的特征数据，寻找隐藏的有用信息；输出层将每次的学习预测到的结果与真实数据进行比较，得到的反馈误差用来矫正隐藏层的参数，更新模型以用于下一次训练，通过不断的迭代训练提升精度。与传统神经网络不同的地方在于循环神经网络隐藏层之间有循环连接，即同层神经元间存在相互传递。图4-2为循环神经网络的简化结构。Xt表示第t步的输入；St表示当前t时刻的隐含状态，也就是整个网络在t时刻保留下的记忆信息，它是根据上一层的隐含状态St-1以及当前层的输入Xt计算得到的；Ot是每一步的输出；U为输入层到隐藏层的权重矩阵；V为隐藏层到输出层的权重矩阵；W为上一隐藏层到当前隐藏层的权重矩阵。图4-2循环神经网络的简化结构Figure4-2SimplifiedStructureofRecurrentNeuralNetwork可以用下面的公式来表示循环神经网络的计算方法：()ttogVs（4-4）1()tttsfUxWs（4-5）其中f为激活函数，将公式（4-5）代入公式（4-4）中得到123(((())))tttttoVfUxWfUxWfUxWfUx（4-6）由公式（4-6）看出循环神经网络的输出值受之前输入值的影响。4.3.3循环神经网络的梯度消失问题循环神经网络善于处理时间序列数据，但当学习的时序较长时就会出现问题。循环神经网络出现的梯度消失问题是指在深度学习过程中，前面隐藏层的学习率低于后面隐藏层，即模型的梯度被近距离梯度主导，较远节点的影响变的微乎其微，从而导致模型速率变慢甚至趋于停滞，学习不到任何信息[72]。一般来说，导致梯度消失的原因是隐藏层层数设置过多，并和激活函数的选择有关，大部分神经网络都是利用反向传播误差来进行学习，此刻的误
【参考文献】：
期刊论文
[1]京津冀大气污染的时空分布与人口暴露[J]. 赵辉,郑有飞,张誉馨,王占山. 环境科学学报. 2020(01)
[2]长三角区域大气重污染应急减排效果评估[J]. 王晓元,江飞,徐圣辰,田旭东,姚德飞. 环境科学研究. 2020(04)
[3]基于PSO-BP神经网络的能见度预测[J]. 杨光兴,石大维. 南方农机. 2019(23)
[4]2015年上海崇明岛PM2.5和 PM10浓度变化特征及气象因素影响分析[J]. 吴健,齐晓宝,苏敬华,李佳凤,沙晨燕,熊丽君,王敏. 气象与环境科学. 2019(03)
[5]上海市大气环境中PM2.5/PM10时空分布特征[J]. 李敏,何红弟,郝杨杨. 云南大学学报(自然科学版). 2019(02)
[6]基于随机森林和气象参数的PM2.5浓度等级预测[J]. 任才溶,谢刚. 计算机工程与应用. 2019(02)
[7]济南市2008-2017年尘肺病发病特征及趋势分析[J]. 王静,彭秀苗,蔡俊丽,陈传刚. 中国公共卫生管理. 2018(05)
[8]郑州市气象因子对大气颗粒物浓度的影响研究[J]. 马格,田国行,李永华,段彦博,吴宝军,雷雅凯. 气象与环境科学. 2018(03)
[9]2005年至2017年内蒙古自治区煤炭资源开发利用情况及趋势分析[J]. 郝逸凡,吕德洁. 内蒙古煤炭经济. 2018(17)
[10]郑州市大气颗粒物季节日变化特征及气象要素相关性研究[J]. 李倩楠,张宁丹,马运通. 科技风. 2018(17)
博士论文
[1]严寒地区城市住区内PM2.5浓度分布及室内外关联性研究[D]. 肖晔.哈尔滨工业大学 2019
[2]北京地区典型城市绿地对PM2.5等颗粒物浓度及化学组成影响研究[D]. 陈博.北京林业大学 2016
硕士论文
[1]基于LUR模型的城市交通颗粒物污染空间分布研究[D]. 鲁凤杰.长安大学 2019
[2]乌鲁木齐市PM2.5、PM10浓度时空变化特征[D]. 游超.新疆大学 2018
[3]露天矿剥离工作面粉尘分布与运移规律模拟研究[D]. 汤万钧.中国矿业大学 2014
[4]露天矿钻孔扬尘控制方案的数值模拟及其优化[D]. 冯耀萱.辽宁工程技术大学 2014
本文编号：3440403
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3440403.html
