基于深度卷积模型的煤矿顶板危险性预测与评价研究

发布时间：2024-03-21 22:47

　　顶板事故在所有煤矿事故中发生最为频繁,造成的损失最大,对顶板危险性进行预测与评价的研究刻不容缓。传统顶板危险性预测与评价方法无法满足煤炭工业的实际需求,而深度学习模型与方法能够弥补此短板。但在煤矿安全领域,尤其是在顶板危险性预测与评价的课题中,基于深度学习的研究工作还是一项空白。因此,亟需将深度学习引入煤矿安全领域,根据井下煤矿的实际情况,对监测数据进行非线性与混沌分析,研究基于深度学习的改进模型与算法,对煤矿井下巷道顶板的局部点与局部区域进行危险性预测,对巷道顶板整体危险性进行动态评价。论文在充分的文献与资料调研基础上,首先研究了煤矿顶板多源动态监测数据的混沌分析解耦方法,为后续危险性预测奠定了基础;其次研究了基于深度时序卷积生成网络的顶板危险性预测模型,从多元时间序列回归预测角度对煤矿井下巷道顶板的局部监测点进行危险性预测;之后研究了类别不平衡监测数据问题,从多元时间序列分类预测角度对煤矿巷道顶板局部区域进行危险性预测;最后研究了基于深度卷积模型特征融合的顶板危险性评价方法,从多源信息时空融合角度将各类监测变量融合,用于煤矿井下巷道顶板整体区域的危险性动态评价。论文的主要研究内容如...

【文章页数】：139 页

【学位级别】：博士

【部分图文】：

图１．１?２００４年－２０１６年全国煤矿事故情况??Ｆｉｇ．?１．１?Ｎａｔｉｏｎａｌ?Ｃｏａｌ?Ｍｉｎｅ?Ａｃｃｉｄｅｎｔｓ?ｉｎ?２００４－２０１６??

图2.1LeNet-5网络结构[8Ej

图2.2DCNN从全连接转为稀疏连接Fig.2.2DCNNFullyConnectiontoSparseConnection

图23局部感受野

本文编号：3934242