煤与瓦斯突出事故分析及预测研究
发布时间：2021-12-12 10:45
煤与瓦斯突出是煤矿开采、生产过程中最严重、破坏性最大的安全事故之一,其安全问题已成为我国能源安全的工作重中之重。煤与瓦斯突出问题是一个受多种因素综合影响的复杂的、非线性的、高维问题。在现实中,由于技术或人为原因,导致事故突出数据容易存在缺失情况,在以往的研究中大多采取直接删除,但是容易导致样本数据处于不平衡状态。因此提高不平衡数据下突出样本的预测精度是尚需解决的问题。本文首先对近十年的事故数据进行多维度统计分析,并基于数据驱动思想提取事故关键词,并总结出了煤炭安全问题新形势和新特点。得出环境类因素占比最重。然后对煤与瓦斯突出机理和影响因素进行深入研究,完成煤与瓦斯突出指标体系的构建,最后为了进一步准确预测突出情况,降低煤与瓦斯突出事故的发生率,对基本鲸鱼算法进行改进,构建混合核极限学习机,采用改进的鲸鱼算法对其参数进行寻优,并将该模型应用到煤与瓦斯突出危险性预测上。通过对淮南煤矿的样本数据进行处理,构建填补前后的数据集,将选取的各影响因素输入到IWRWOA-HKELM中试验100次,并与HKELM、WOA-HKELM等其他模型进行对比。结果表明:本文提出的改进鲸鱼算法优化了混合核极限学...
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
研究技术路线
41.3技术路线M樄簄簄簄簄簄灭茄茄图1.1研究技术路线Figure1.1TechnicalRoute1.4研究内容煤与瓦斯突出是煤炭生产中严重的自然灾害，每年国内因为瓦斯事故的损失均非常严重。若能对其进行准确预测，则可以避免大量的生命危险和财产损失。所以，本文将
21Figure3.1predictionindexsystemofcoalandgasoutburst4煤与瓦斯突出预测模型设计4.1混合核极限学习机4.1.1基本极限学习机极限学习机是一种单隐含层的前馈神经网络。其基本模型理论为：假定有N个任意样本tX),(，若g(x)表示隐含层映射函数，W和b表示输入权重和隐含层偏置，β和L表示输出权重和隐含层节点数。ELM算法的示意图如下所示。1βLβ图4.1极限学习机示意图Figure4.1schematicdiagramofultimatelearningmachine其中，左边为输入层，jx表示第j个样本，Tjnjjjxxxx],,[21=K，中间为隐藏层，输入层与第i个隐藏节点的连接权值为iw，=,....2,1Li,Tiniiiwwww],.....,[2,1=，第i个节点的偏差值为ib，),(iibw随机生成，xg)(表示激活函数，输出层与第i个隐藏节点的连接权值为iβ，最右边为输出层，输出值为jo。由此该单层神经网络可表示为：WNjobXgjLiijii==+=3,2,1)(1β（4-1）为使输出值和真实值的误差尽可能小，即01==Njjjto（4-2）
【参考文献】：
期刊论文
[1]煤层突出区域预测指标瓦斯含量临界值确定方法研究[J]. 郭杰,邓奇根. 煤炭技术. 2020(04)
[2]Review of coal and gas outburst in Australian underground coal mines[J]. Dennis J.Black. International Journal of Mining Science and Technology. 2019(06)
[3]突出过程中煤层瓦斯压力与温度演化规律研究[J]. 许江,杨孝波,周斌,彭守建,程亮,闫发志. 中国矿业大学学报. 2019(06)
[4]基于LLE-FOA-BP模型的煤与瓦斯突出强度预测[J]. 隆能增,袁梅,敖选俊,李鑫灵,张平. 工矿自动化. 2019(10)
[5]煤与瓦斯突出区域预测瓦斯地质方法的可靠性预计[J]. 王子健,程五一. 煤矿安全. 2019(09)
[6]基于贝叶斯网络的煤矿瓦斯爆炸事故致因分析[J]. 张宁,盛武. 工矿自动化. 2019(07)
[7]基于TensorFlow的时间序列预测系统[J]. 刘俊利,何波,胡雅萌. 现代计算机. 2019(14)
[8]基于时间序列与GWO-ELM模型的滑坡位移预测[J]. 廖康,吴益平,李麟玮,苗发盛,薛阳. 中南大学学报(自然科学版). 2019(03)
[9]非线性权重和收敛因子的鲸鱼算法[J]. 王涛,Ryad Chellali. 微电子学与计算机. 2019(01)
[10]煤与瓦斯突出多指标耦合预测模型研究及应用[J]. 张友谊,崔金雷,焦向东. 工程科学学报. 2018(11)
博士论文
[1]陕北榆神矿区生态地质环境特征及煤炭开采影响机理研究[D]. 杨志.中国矿业大学 2019
[2]基于瓦斯含量法的煤与瓦斯突出预测关键技术研究[D]. 郑晓亮.安徽理工大学 2018
[3]煤与瓦斯突出事故预警研究[D]. 高明明.辽宁工程技术大学 2015
[4]煤与瓦斯突出的耦合灾变机制及非线性分析[D]. 赵志刚.山东科技大学 2007
硕士论文
[1]基于Spark的煤与瓦斯突出预警研究[D]. 邵帆.西安科技大学 2019
[2]基于灰色关联分析和PSO-SVM的煤与瓦斯突出预测应用研究[D]. 孙利源.中国矿业大学 2019
[3]基于粒子群算法优化混合核极限学习机的构造煤厚度预测研究与应用[D]. 范君.中国矿业大学 2018
[4]我国煤炭产能过剩的形成机理及调控对策研究[D]. 张言方.中国矿业大学 2014
[5]立井掘进过程中的煤与瓦斯突出动力现象研究[D]. 程建圣.安徽理工大学 2006
本文编号：3536533
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
研究技术路线
41.3技术路线M樄簄簄簄簄簄灭茄茄图1.1研究技术路线Figure1.1TechnicalRoute1.4研究内容煤与瓦斯突出是煤炭生产中严重的自然灾害，每年国内因为瓦斯事故的损失均非常严重。若能对其进行准确预测，则可以避免大量的生命危险和财产损失。所以，本文将
21Figure3.1predictionindexsystemofcoalandgasoutburst4煤与瓦斯突出预测模型设计4.1混合核极限学习机4.1.1基本极限学习机极限学习机是一种单隐含层的前馈神经网络。其基本模型理论为：假定有N个任意样本tX),(，若g(x)表示隐含层映射函数，W和b表示输入权重和隐含层偏置，β和L表示输出权重和隐含层节点数。ELM算法的示意图如下所示。1βLβ图4.1极限学习机示意图Figure4.1schematicdiagramofultimatelearningmachine其中，左边为输入层，jx表示第j个样本，Tjnjjjxxxx],,[21=K，中间为隐藏层，输入层与第i个隐藏节点的连接权值为iw，=,....2,1Li,Tiniiiwwww],.....,[2,1=，第i个节点的偏差值为ib，),(iibw随机生成，xg)(表示激活函数，输出层与第i个隐藏节点的连接权值为iβ，最右边为输出层，输出值为jo。由此该单层神经网络可表示为：WNjobXgjLiijii==+=3,2,1)(1β（4-1）为使输出值和真实值的误差尽可能小，即01==Njjjto（4-2）
【参考文献】：
期刊论文
[1]煤层突出区域预测指标瓦斯含量临界值确定方法研究[J]. 郭杰,邓奇根. 煤炭技术. 2020(04)
[2]Review of coal and gas outburst in Australian underground coal mines[J]. Dennis J.Black. International Journal of Mining Science and Technology. 2019(06)
[3]突出过程中煤层瓦斯压力与温度演化规律研究[J]. 许江,杨孝波,周斌,彭守建,程亮,闫发志. 中国矿业大学学报. 2019(06)
[4]基于LLE-FOA-BP模型的煤与瓦斯突出强度预测[J]. 隆能增,袁梅,敖选俊,李鑫灵,张平. 工矿自动化. 2019(10)
[5]煤与瓦斯突出区域预测瓦斯地质方法的可靠性预计[J]. 王子健,程五一. 煤矿安全. 2019(09)
[6]基于贝叶斯网络的煤矿瓦斯爆炸事故致因分析[J]. 张宁,盛武. 工矿自动化. 2019(07)
[7]基于TensorFlow的时间序列预测系统[J]. 刘俊利,何波,胡雅萌. 现代计算机. 2019(14)
[8]基于时间序列与GWO-ELM模型的滑坡位移预测[J]. 廖康,吴益平,李麟玮,苗发盛,薛阳. 中南大学学报(自然科学版). 2019(03)
[9]非线性权重和收敛因子的鲸鱼算法[J]. 王涛,Ryad Chellali. 微电子学与计算机. 2019(01)
[10]煤与瓦斯突出多指标耦合预测模型研究及应用[J]. 张友谊,崔金雷,焦向东. 工程科学学报. 2018(11)
博士论文
[1]陕北榆神矿区生态地质环境特征及煤炭开采影响机理研究[D]. 杨志.中国矿业大学 2019
[2]基于瓦斯含量法的煤与瓦斯突出预测关键技术研究[D]. 郑晓亮.安徽理工大学 2018
[3]煤与瓦斯突出事故预警研究[D]. 高明明.辽宁工程技术大学 2015
[4]煤与瓦斯突出的耦合灾变机制及非线性分析[D]. 赵志刚.山东科技大学 2007
硕士论文
[1]基于Spark的煤与瓦斯突出预警研究[D]. 邵帆.西安科技大学 2019
[2]基于灰色关联分析和PSO-SVM的煤与瓦斯突出预测应用研究[D]. 孙利源.中国矿业大学 2019
[3]基于粒子群算法优化混合核极限学习机的构造煤厚度预测研究与应用[D]. 范君.中国矿业大学 2018
[4]我国煤炭产能过剩的形成机理及调控对策研究[D]. 张言方.中国矿业大学 2014
[5]立井掘进过程中的煤与瓦斯突出动力现象研究[D]. 程建圣.安徽理工大学 2006
本文编号：3536533
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3536533.html
