基于支持向量机的矿井瓦斯事故风险预测技术研究
发布时间：2021-12-10 21:56
随着机器学习与数据挖掘技术的不断发展,大数据处理技术逐渐在各行各业中扮演着驱动性的角色,对企业传统的经营管理模式产生了巨大的冲击与变革。在煤矿开采领域,由于煤矿自身信息化建设水平的局限性,起步较晚。瓦斯浓度监测基本上实现了瓦斯数据的采集、汇总、储存与共享阶段,但在数据的深层次挖掘研究方面相对滞后。如果有效利用瓦斯监测数据库中这些具有较强关联特征的数据,结合同一时段内采掘工作面的采煤量、风流速度、瓦斯抽采量、工作面推进速度等相关影响因素,利用支持向量机回归与分类预测技术,挖掘出这些因素间隐藏的内在联系,以及这些因素共同对回采工作面、掘进工作面、回风巷等瓦斯事故高发区域瓦斯浓度的影响。从而可以将这些规律应用到矿井瓦斯浓度异常分析、瓦斯事故风险预测等方面,为矿井的安全决策、风险预评估、瓦斯事故的预防提供参考意义。本文在研究过程中,主要完成了以下几个方面工作:（1）研究了支持向量机的非线性预测理论,并分析了该理论在矿井瓦斯事故风险预测方面的优越性,为后续的研究工作提供理论基础。（2）通过对瓦斯易积聚区域内瓦斯浓度影响因素的分析,并结合相关区域瓦斯浓度监测数据形成了瓦斯浓度预测的样本数据,基于非...
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
006-2017年我国煤矿安全事故总体情况
图 1-1 2006-2017 年我国煤矿安全事故总体情况Fig.1-1 Overall situation of coal mine safety accidents in China from 2006 to 利用有效的瓦斯事故风险预测方法对矿井回采工作面、掘进工作高发区域进行瓦斯浓度与瓦斯事故风险进行预测，预先评估瓦斯故的发生的概率就变的尤为重要。
论文结构框图
【参考文献】：
期刊论文
[1]国际能源转型的趋势与挑战[J]. 孙贤胜,许慧文. 国际石油经济. 2018(01)
[2]基于高斯核函数支持向量机的脑电信号时频特征情感多类识别[J]. 李幼军,钟宁,黄佳进,栗觅,王东升. 北京工业大学学报. 2018(02)
[3]基于参数优化支持向量机的水稻施氮水平分类研究[J]. 周琼,杨红云,杨珺,孙玉婷,杨文姬,石强强. 南方农业学报. 2017(08)
[4]改进粒子群算法优化支持向量机在故障诊断中的应用研究[J]. 孙瑶琴. 计算机测量与控制. 2017(03)
[5]基于混沌粒子群神经网络的瓦斯浓度预测[J]. 耿越. 中国煤炭. 2017(03)
[6]利用智能算法优化支持向量机参数[J]. 崔君荣,苑薇薇. 河北科技师范学院学报. 2017(01)
[7]基于交叉验证支持向量机算法的交通状态判别研究[J]. 高林,盛子豪,刘英. 青岛科技大学学报(自然科学版). 2017(01)
[8]支持向量机在高考成绩预测分析中的应用[J]. 张莉,卢星凝,陆从林,王邦军,李凡长. 中国科学技术大学学报. 2017(01)
[9]深度学习耦合粒子群优化SVM的瓦斯浓度预测[J]. 钱建生,邱春荣,李紫阳,吴响. 煤矿安全. 2016(11)
[10]统计学习理论基础研究新进展[J]. 杜二玲,范毅君,李海军. 现代工业经济和信息化. 2016(18)
博士论文
[1]粒子群算法研究及其工程应用案例[D]. 邵晴.吉林大学 2017
[2]煤与瓦斯突出能量分析及其物理模拟的相似性研究[D]. 张庆贺.山东大学 2017
[3]煤矿安全风险评价与预警研究[D]. 杨军.中国矿业大学 2013
[4]基于安全监控系统实测数据的瓦斯浓度预测预警研究[D]. 董丁稳.西安科技大学 2012
[5]支持向量机学习算法若干问题的研究[D]. 常甜甜.西安电子科技大学 2010
[6]基于支持向量机数据融合的矿井瓦斯预警技术研究[D]. 黄为勇.中国矿业大学 2009
硕士论文
[1]综放工作面瓦斯涌出规律及治理技术研究[D]. 王洪武.内蒙古科技大学 2017
[2]基于支持向量机的矿井巷道摩擦阻力系数预测研究[D]. 张欢欢.西安科技大学 2017
[3]我国煤矿生产安全事故统计分析及预测[D]. 赵春侠.西南科技大学 2017
[4]基于功效系数法的J公司财务风险评价研究[D]. 于宛平.沈阳工业大学 2017
[5]基于支持向量机的量化择时策略及实证研究[D]. 宋文达.西安工业大学 2017
[6]基于AHP—模糊综合评价法的农村电网改造项目后评价研究[D]. 高璐.吉林大学 2017
[7]基于遗传算法与人工神经网络的加热炉建模方法研究[D]. 杨猛.中国科学技术大学 2017
[8]半监督学习分类算法的研究[D]. 陈英豪.江苏大学 2017
[9]基于PSO-SVR的瓦斯浓度预测方法研究[D]. 邱春荣.中国矿业大学 2017
[10]基于多尺度核加权融合的支持向量机核函数优化方法的研究[D]. 陈洋洋.杭州电子科技大学 2017
本文编号：3533461
【文章来源】：太原理工大学山西省 211工程院校
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
006-2017年我国煤矿安全事故总体情况
图 1-1 2006-2017 年我国煤矿安全事故总体情况Fig.1-1 Overall situation of coal mine safety accidents in China from 2006 to 利用有效的瓦斯事故风险预测方法对矿井回采工作面、掘进工作高发区域进行瓦斯浓度与瓦斯事故风险进行预测，预先评估瓦斯故的发生的概率就变的尤为重要。
论文结构框图
【参考文献】：
期刊论文
[1]国际能源转型的趋势与挑战[J]. 孙贤胜,许慧文. 国际石油经济. 2018(01)
[2]基于高斯核函数支持向量机的脑电信号时频特征情感多类识别[J]. 李幼军,钟宁,黄佳进,栗觅,王东升. 北京工业大学学报. 2018(02)
[3]基于参数优化支持向量机的水稻施氮水平分类研究[J]. 周琼,杨红云,杨珺,孙玉婷,杨文姬,石强强. 南方农业学报. 2017(08)
[4]改进粒子群算法优化支持向量机在故障诊断中的应用研究[J]. 孙瑶琴. 计算机测量与控制. 2017(03)
[5]基于混沌粒子群神经网络的瓦斯浓度预测[J]. 耿越. 中国煤炭. 2017(03)
[6]利用智能算法优化支持向量机参数[J]. 崔君荣,苑薇薇. 河北科技师范学院学报. 2017(01)
[7]基于交叉验证支持向量机算法的交通状态判别研究[J]. 高林,盛子豪,刘英. 青岛科技大学学报(自然科学版). 2017(01)
[8]支持向量机在高考成绩预测分析中的应用[J]. 张莉,卢星凝,陆从林,王邦军,李凡长. 中国科学技术大学学报. 2017(01)
[9]深度学习耦合粒子群优化SVM的瓦斯浓度预测[J]. 钱建生,邱春荣,李紫阳,吴响. 煤矿安全. 2016(11)
[10]统计学习理论基础研究新进展[J]. 杜二玲,范毅君,李海军. 现代工业经济和信息化. 2016(18)
博士论文
[1]粒子群算法研究及其工程应用案例[D]. 邵晴.吉林大学 2017
[2]煤与瓦斯突出能量分析及其物理模拟的相似性研究[D]. 张庆贺.山东大学 2017
[3]煤矿安全风险评价与预警研究[D]. 杨军.中国矿业大学 2013
[4]基于安全监控系统实测数据的瓦斯浓度预测预警研究[D]. 董丁稳.西安科技大学 2012
[5]支持向量机学习算法若干问题的研究[D]. 常甜甜.西安电子科技大学 2010
[6]基于支持向量机数据融合的矿井瓦斯预警技术研究[D]. 黄为勇.中国矿业大学 2009
硕士论文
[1]综放工作面瓦斯涌出规律及治理技术研究[D]. 王洪武.内蒙古科技大学 2017
[2]基于支持向量机的矿井巷道摩擦阻力系数预测研究[D]. 张欢欢.西安科技大学 2017
[3]我国煤矿生产安全事故统计分析及预测[D]. 赵春侠.西南科技大学 2017
[4]基于功效系数法的J公司财务风险评价研究[D]. 于宛平.沈阳工业大学 2017
[5]基于支持向量机的量化择时策略及实证研究[D]. 宋文达.西安工业大学 2017
[6]基于AHP—模糊综合评价法的农村电网改造项目后评价研究[D]. 高璐.吉林大学 2017
[7]基于遗传算法与人工神经网络的加热炉建模方法研究[D]. 杨猛.中国科学技术大学 2017
[8]半监督学习分类算法的研究[D]. 陈英豪.江苏大学 2017
[9]基于PSO-SVR的瓦斯浓度预测方法研究[D]. 邱春荣.中国矿业大学 2017
[10]基于多尺度核加权融合的支持向量机核函数优化方法的研究[D]. 陈洋洋.杭州电子科技大学 2017
本文编号：3533461
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3533461.html
