一、遗传神经网络在煤层自燃预测中的应用(论文文献综述)
毛俊凯[1](2021)在《基于IWOA-GRU的综采工作面瓦斯浓度监测预警研究》文中提出瓦斯安全事故是长期以来困扰我国煤矿井下人员安全和生产作业的重大影响因素之一,对煤矿井下人员和设备安全造成了严重威胁。综采工作面作为煤矿开采的第一现场,属于瓦斯事故高发区域,因此对综采工作面瓦斯浓度异常变化趋势进行研究,实现稳定的瓦斯浓度监测并提前对瓦斯浓度异常趋势进行预警,对保障煤矿工作人员生命安全和提高煤炭资源生产有着重要的研究价值和实践意义。本文以综采工作面瓦斯浓度监测数据为研究对象,在对瓦斯浓度监测预警方法国内外研究现状分析的基础上,对综采工作面瓦斯浓度异常变化趋势特征进行研究,确定了综采工作面瓦斯浓度预测参数,在此基础上采用门控循环单元(GRU)神经网络进行综采工作面瓦斯浓度预测。针对GRU在预测过程中由于梯度下降算法易陷入局部最优问题,采用改进鲸鱼优化算法(IWOA)对神经网络模型参数进行寻优并进行瓦斯浓度预测。将预测结果与预测样本灰色关联度分析相结合建立了 IWOA-GRU瓦斯浓度预警模型并应用于综采工作面瓦斯浓度预警中,并通过实验仿真对预警可靠性进行验证。本文在煤矿KJ95X安全监测平台的基础上设计了综采工作面瓦斯浓度预警系统,通过主机、数据库与预警模型的交互式应用完成了综采工作面瓦斯浓度实时预测,实现了综采工作面瓦斯浓度数据显示、预测和预警功能。本文通过对综采工作面瓦斯浓度数据监测预警方法的研究,可以实现综采工作面瓦斯浓度的准确预测并对瓦斯异常上升趋势进行预警,能够对煤矿安全监控系统进行完善和补充,在一定程度上确保了煤矿安全生产,具有一定的理论研究价值和工程应用价值。
景聪慧[2](2021)在《基于优化小波神经网络的煤系气共采产能预测研究》文中提出近年来,随着我国对煤系非常规天然气资源潜力及开发价值的关注,逐步推动着煤系气产业的快速发展。煤系气共采产能是衡量煤系气井储层潜在产气能力的综合指标,产能的高低直接影响着煤系气项目的经济效益。由于煤系气储层间存在复杂的叠置关系,其产出过程由多个地质因素决定且各因素之间关系复杂,难以采用精确的数学表达式来描述动态的生产过程。论文基于遗传算法优化小波神经网络建立煤系气共采产能预测模型,对研究区煤系气井进行产能的预测,为进一步研究煤系气共采产能预测提供了新思路。首先,在影响煤系气共采产能地质特征基础上,结合前人工作成果深入探讨了煤系气共采产能的影响因素。对研究区样本数据采用GIS空间插值进行完善,并引入灰色关联法筛选出对共采产能影响最大的因素。然后,采用小波神经网络作为产能预测模型,并使用遗传算法优化了网络中各层权值、平移缩放因子的初始值,提高了预测模型的泛化性和收敛性。针对样本数据量小且存在多样性影响模型训练的问题,采用K-Means方法将数据聚为3类,保证了每类样本的质量和共性。对聚类后的每类样本分别构建模型,并重点探讨了模型中遗传算法各初始参数以及小波神经网络的各层节点个数,确定了3类不同结构的基于煤系气共采产能预测的遗传算法优化小波神经网络模型。最后,对选定的研究区20个煤系气样本数据,采用KNN方法进行分类,然后采用相应类别的遗传算法优化小波神经网络模型进行产能的预测,并与另外4种对比模型的预测结果进行比较。结果表明,无论从预测精度、稳定性还是泛化能力来看,遗传算法优化小波神经网络模型均具有最好的预测效果,验证了该模型在煤系气共采产能预测中的适用性和精确度。论文有图40幅,表13个,参考文献95篇。
吴善杰[3](2021)在《基于RBF神经网络的构造煤多分类研究》文中认为煤与瓦斯突出是矿井开采中三大主要动力灾害之一,主要表现为煤和瓦斯在井下瞬间涌出等现象。已有研究表明,在发生煤与瓦斯突出事故的矿井煤层中,普遍发育着不同类别的构造煤,且不同类别构造煤所导致煤与瓦斯突出事故的危险系数又有所不同。因此,在实际煤矿开采中,如果能够对矿井中所存在构造煤的类别进行准确预测,进而标注出瓦斯突出等级并采取相对应的应急处理措施以达到减少瓦斯突出事故发生的目的,将会对煤矿管理和安全开发生产起到非常重要的保障作用。针对目前构造煤类别预测方法因各种限制性因素而导致预测精度不高的问题,提出了基于AGA-DBSCAN(Adaptive Genetic Algorithm,Density-Based Spatial Clustering of Applications with Noise)优化的改进型RBF神经网络模型对构造煤的类别进行预测。首先,对淮北矿业集团芦岭煤矿Ⅱ六采区8#煤层进行实际勘探与技术应用获取相关的三维地震属性数据,其次,为了降低该煤层三维地震属性的维数和消除属性变量之间的线性相关性,采用了主成分分析(PCA)算法来进行预处理。然后,利用遗传算法较好的寻优能力优化密度聚类(DBSCAN)中关键超参数(Eps,min_samples)得到真实有效的核心点数据,并通过高密度过滤获得最佳核心点数据,进一步经过层次聚类对最佳核心点数据构建凝聚层次树以此获取最佳K-means聚类的初始聚类中心。最后,将K-means聚类运算结果所获取的簇中心作为最优的RBF神经网络隐藏层中心向量参数,进而增加该模型预测的精准性和鲁棒性。同时,对于遗传算法存在容易陷入局部最优的问题,通过引入随进化次数的增多自适应的改变交叉率和变异率以及增加混沌变量参数来改善遗传算法的全局与局部搜索能力,使之逃离局部最优点,获得更优的进化结果。此外,为了增强构造煤分类模型的泛化性能,对模型权重参数加入了L2正则化项,有效的避免了噪声与异常点对模型泛化能力的影响。为了进一步探究模型的分类预测性能,将本文提出的改进模型与运用K折交叉验证优化参数的支持向量机(SVM)模型以及传统BP神经网络模型进行对比实验,通过实际煤层地震属性数据的训练与测试,最终均取得了更优的分类预测结果,并与实际地质资料具有较高的一致性。所以,本文提出的改进型RBF神经网络构造煤多分类模型实际预测精度较高、误差较小,可以进行实际采区构造煤分类的应用推广。
邓皓[4](2020)在《基于思维进化Elman神经网络的核桃果实膨大期需水预测研究》文中研究指明水资源短缺以及不合理利用问题日益严峻,而用在农业上的灌溉水量占全部用水的70%。农作物在生长和发育的过程中,各个时期都要保证充足的水分供应。尤其是某些关键时期,浇灌过量则会造成用水浪费,浇灌不足又会导致缺产问题。所以对农作物的灌溉量需要控制在合理的范围,这就需要准确地预测农作物的需水和缺水状况。而我国核桃种植面积和产量在世界处于领先地位,对其进行研究具有很强的代表性。基于此,本文做了以下研究:(1)核桃需水存在不确定和多输入等复杂的非线性特性,并且各个影响因子之间的联系错综复杂。对于这种问题,神经网络在这方面具有很好的优势。但传统的神经网络求解时会存在早熟和陷入局部极小值以及受制于初始权值和阈值的随机选择的问题。因此,提出了一种思维进化Elman神经网络核桃需水预测模型。思维进化算法(MEA)具有很好的全局搜索性,可以有效的解决这类问题。其预测结果经基于相似日算法的误差修正模型修正后得到更为精准的核桃需水量数值。(2)预测得到的结果免不了存在误差,误差修正的本质就是找到一个合适的修正因子,来对预测结果进行处理。本文在传统方法的基础上建立了以相似日选取为先决条件,系统聚类法、多项式拟合法、中位数法三种方法结合的误差修正模型。结果分析表明,经模型修正后的核桃需水预测值进一步贴近实际值。(3)前面工作得出的结果只是用于满足核桃在阶段内正常发育所需的水量,然而在实际情况中,要考虑到自然降雨的补充。在研究地区核桃果实膨大期内,正是降雨量非常充足的时期。所以引入有效降雨量概念对核桃在果实膨大时期内自然降雨的利用情况,对核桃的实际缺水程度进行合理判断。以具有代表性的核桃作物为研究对象,结合精准试验田核桃果实膨大期内的历史数据,进行需水量预测工作。再引入有效降雨量,对时期内的核桃实际缺水程度进行合理判断。为实现农田水分有效管理、节约农业水资源、缓解水资源短缺等问题提供有效参考。
李杰[5](2020)在《青龙煤矿煤自燃无线监测预警技术研究》文中提出作为制约煤炭安全生产的重大灾害之一,煤自燃始终是煤炭企业需要时时面对的问题。因此,采取科学有效的煤自燃预测预报技术,是保障煤矿安全生产的重要前提条件。传统的井下预测预报方法存在指标参数单一、铺设距离远、束管易堵塞漏气及光纤线路易损坏等缺点。针对以上存在问题,本文以青龙煤矿11811采空区为研究对象,采用煤自燃指标气体实验、GA-BP采空区温度预测模型建立、现场应用相结合的研究方法,对采空区煤自燃监测预警技术进行了系统研究,对实现采空区煤自燃灾害监测预警具有重要的意义。通过青龙煤矿16#、17#、18#煤层煤样程序升温实验,总结分析各气体随温度的变化规律,确定煤自燃监测预警气体及特征温度,划分煤层自然程度预警等级。选取井下监测预警气体指标浓度作为模型的输入层,输出目标为预测煤温。通过遗传算法优化BP神经网络,构建GA-BP采空区温度预测模型。通过对模型进行误差分析,优选最佳的采空区温度预测模型。构建集O2、CO、CH4、压差等传感器于一体的煤自燃无线监测预警装置、基站及系统,并开发了采空区监测预警软件,能够实现在线实时监测、煤自燃预警及历史数据趋势分析等功能。该系统应用于青龙煤矿11811采空区,通过现场监测数据与人工色谱误差分析,结果表明该系统可实现预期设置的各项指标,且数据能够及时、准确的传输至地面PC控制端,方便管理人员监测预警,实现了对采空区煤自燃灾害的提前预防预控。
段梦楠[6](2020)在《基于改进神经网络的煤与瓦斯突出预测研究》文中提出煤与瓦斯突出灾害是煤矿开采过程中的重大灾害之一,其发生由众多复杂的因素综合作用导致,传统的煤与瓦斯突出危险性预测的可靠性还不够高,煤与瓦斯突出防治的许多难题没有得到很好的解决,近年来突出事故呈多发态势,严重威胁煤矿的安全生产。本文分析了目前常见的传统煤与瓦斯突出预测方法的优劣势,引入具有解决复杂线性或非线性问题功能的神经网络。针对目前标准BP及RBF神经网络在预测煤与瓦斯突出的研究中存在的问题,采用枚举法的思路,提出利用改进算法改进后的BP和RBF神经网络对煤与瓦斯突出样本进行特征预处理,综合考虑突出煤层的13个因素,对46个含瓦斯煤层应用以上改进手段进行训练与预测。结果表明:(1)使用BP神经网络预测时,PCA对煤与瓦斯突出样本特征的预处理对预测起到了负面效果,而使用RBF时,PCA没有明显提升预测的准确度。(2)改进后的BP和RBF神经网络同时选择包含埋深、断层数量、围岩组合、煤体破坏类型、煤厚、煤层倾角、瓦斯放散初速度以及坚固系数这八个特征的组合,发现这一组合的预测准确率最高。该组合全面涵盖了瓦斯特性、煤体结构以及地质构造三部分信息。(3)本次预测煤与瓦斯突出中,PSO对BP神经网络的初始权值、阈值优化效果要优于GA算法,改进算法后的BP神经网络搜索确定的拓扑结构(8,12,1 1,1)的预测性能要优于经验公式所确定的拓扑结构的预测性能。改进算法后的RBF神经网络搜索确定的最佳spread值为21。(4)改进算法后的PSO-BP与RBF神经网络经过煤与瓦斯突出样本的学习后达到较好的预测性能,两者平均决定系数分别达到0.75与0.83。但由于两类神经网络在取得相同精度的时候,PSO-BP神经网络内部复杂程度要远高于RBF神经网络,所以当煤与瓦斯突出样本数量较少时,可以采用改进的PSO-BP神经网络,当样本数量较多时,使用RBF神经网络更为合适。图[21]表[3]参[64]
邱微[7](2019)在《基于KPCA与改进极限学习机的煤与瓦斯突出预测研究》文中研究说明煤与瓦斯的突出现象是目前煤矿开采过程中破坏性最强、危害性最严重的矿井安全事故之一,它的本质是一种极其复杂的矿井动力现象。如何对瓦斯灾害进行有效预测一直是煤矿安全领域中重要的研究课题。但目前鉴于煤与瓦斯突出机理本质尚未彻底清楚,且突出灾害本身受到多种复杂因素的综合作用和影响,是一个具有极强的非线性和复杂性的高维问题,采用传统的预测方法难以进行准确预测。因此,为了提高瓦斯灾害的预测精度和预测效率,本文在分析煤与瓦斯突出机理和影响因素的基础上,借鉴我国《防治煤与瓦斯突出规定》里描述的两种工作面和区域性突出预测方法及其预测指标体系的建立规则,从数据分析的角度深入分析各致突因素,提出了一种新的突出预测指标体系,建立了基于KPCA与IQGA-ELM的煤与瓦斯突出预测模型,并运用在矿井掘进工作面内的煤与瓦斯突出现象预测中。本文以准确、快速实现煤与瓦斯突出预测为目标,主要围绕以下几个方面进行工作:(1)总结目前应用较为广泛的各种煤与瓦斯突出机理假说,通过比较多种形式的煤与瓦斯突出预测方法,分析该领域的研究现状以及目前存在的不足之处,讨论了建立煤与瓦斯突出面域化预测模型的必要性和现实意义。(2)分析影响煤与瓦斯突出的各相关因素,建立面域化预测指标系统;提出采用核主成分分析方法对煤与瓦斯突出预测指标进行权重分析,并将其作为突出预测模型输入变量的选取原则。(3)通过对极限学习机原理的深入分析,针对其在学习训练过程中随机生成输入层权值及隐含层阈值的缺点,引入改进量子遗传算法对传统极限学习机网络进行改进,建立了基于IQGA算法优化的ELM煤与瓦斯突出预测模型。(4)对建立的基于KPCA与IQGA-ELM预测模型进行实例验证。采用开滦钱家营煤矿数据进行预测实验,预测结果验证了该预测模型的准确性。并将其与其他模型进行预测性能比较,凸显了该模型的良好预测性能。该论文有图18幅,表15个,参考文献60篇。
赵云红[8](2019)在《基于Adaboost改进的BP神经网络地表沉陷预测研究》文中研究指明采空区地表沉陷预测是矿山地表灾害研究的重点部分,对于煤炭资源丰富的地区,其研究意义尤为重要。为减少采空区地表沉陷对地表构筑物、高速公路、水体、铁路等基础设施的不利影响,对采空区地表沉陷进行预测具有重要的现实意义。基于采空区地表沉陷变形移动规律,从地质、采矿和地形等方面分析采空区地表沉陷的影响因素,运用灰色关联分析法分析各影响因素与地表最大下沉量之间的关联度,依据关联度大小,选取覆岩力学性质、煤层倾角、采深、采厚、采空区大小、工作面推进速度、开采方法及顶板管理方法、重复采动作为采空区地表沉陷的主要影响因素,并利用层次分析法求得各主要影响因素的权重。论文利用BP神经网络进行采空区地表沉陷量的预测,由于BP神经网络算法收敛速度慢,泛化能力差,遂引入Adaboost算法对BP神经网络进行改进,构建Adaboost改进的BP神经网络预测模型,拟通过该模型提高地表沉陷预测的预测效率与精度,为采空区地表沉陷预测提供一种新的途径。计算过程中,根据选取的影响因素样本数据,运用主成分分析法(PCA)对各影响因素做进一步处理,简化各因素之间的关系,将影响因子转换成几个综合变量作为输入变量,将输入变量与输出变量导入Adaboost改进的BP神经网络预测模型,进行地表下沉量预测。最后分别与GA-BP神经网络和PSO-BP神经网络预测模型计算结果进行对比分析,研究结果表明,Adaboost改进的BP神经网络预测模型的预测效果更优,更适用于采空区地表下沉量的预计,具有较强的工程实用性。
王少卿[9](2019)在《基于深度信念网络的煤层气井产能预测研究》文中认为随着我国传统能源的日益枯竭,作为新能源的煤层气因其储量丰富、环保可靠、燃烧彻底等优点越来越受到重视,但由于排采不当而造成煤层气资源的过度浪费,因此构建适合煤层气产能的预测模型对煤层气井产能进行可靠、科学的预测势必为煤层气的开采工作提供一定的便利,从而一定程度上提高煤层气的排采效率本文首先对传统浅层神经网络中的经典BP神经网络的理论以及学习过程进行介绍,利用BP神经网络的非线性回归预测能力构建适合研究区块的煤层气产能预测模型,但BP预测模型在训练过程中存在容易陷入局部最优值,以及增加隐含层的层数引发梯度弥散的缺陷,接着利用遗传算法的搜索寻优能力对BP神经网络的阈值及权值进行优化,虽然一定程度上避免了上述缺陷,但仍然存在浅层模型在面临多维数据时精度低的问题针对上述问题,本文将深度信念网络与共辄梯度法相结合的模型应用于煤层气井的产能预测上,利用共轭梯度法对DBN网络的权重矩阵进行优化,从而加快训练速度以及提高预测精度,同时结合研究区块的地质背景以及主要地质风貌,对采集到的原始数据统一进行归一化处理消除不同指标之间的量纲影响,并采取实验的方法确定DBN模型的最优结构以及权重的更新方式。本文结合煤层气排采数据的特点,构建基于深度信念网络的预测模型并将其应用于煤层气的产能预测上,与传统的BP神经网络相比,该模型避免了传统BP神经网络模型在训练过程中容易陷入最优值以及随着隐含层层数增加发生梯度弥散的缺陷,并且在GA优化BP神经网络的基础上提高了预测精度。与浅层模型在面对多维地质因素时相比,表现出较好的预测能力。
温荣岩[10](2019)在《基于改进粒子群小波神经网络的煤自燃预测系统》文中研究表明以往对于煤自燃的预测工作仅仅依靠单一或者少量的传感器采集到的数据,根据这些少量的传感器数据预测煤自燃的危害状态并指导工作。该类方法精确度低,易受到复杂环境的影响导致传感器的数据出现误差,还会导致误操作。多传感器技术类似于人脑同时处理多个感官信息从而获得一致性的目标状态描述的过程,在最大程度的利用多个检测装置检测资源的基础上实现资源收集与整合利用,提高检测资源的利用率,可以改善煤自燃预测系统预测煤自燃危险状态的准确率。系统的正常工作离不开硬件电路的支持,煤自燃预测系统的工作环境苛刻,需要设计专用的系统硬件电路以保证数据来源的可靠性与数据处理时的有效性和准确性,因此,本文设计了煤自燃预测系统的硬件电路,包括指标气体传感器的专用测量电路等,最大程度地适应井下严苛复杂的工作环境需求,提升煤自燃预测系统的工作性能。环境的扰动、电路的启停等电磁干扰现象会给测量信号带来噪声,因此就需要对含有噪声的信号进行降噪处理。传统的傅里叶变换降噪方法适用于非时变信号,对于时变信号或者变化迅速的信号并不适用,而处理时变信号恰恰是小波降噪的强项,针对时变信号的噪声,本文选用小波变换降噪分析处理。降噪处理后的信号送入网络中用于网络的训练。对于多种检测气体和煤自燃程度之间的非线性关系可以通过基于小波理论的小波神经网络来近似,克服了传统的神经网络模型结构选择的盲目性。本文进一步提出了基于改进粒子群算法的小波神经网络进行多传感器煤自燃信号的融合,分析比较了四种模型,即遗传算法改进的小波神经网络模型、SVM模型、原始的小波神经网络模型和本文所提模型的工作性能,实验结果表明改进粒子群小波神经网络实际的分类精度最高,同时该模型的训练速度最快。该方法克服了传统贪心算法存在的早熟收敛的弊端。因此,本文工作对于安全过程中煤自燃预测的研究有着一定的应用价值。
二、遗传神经网络在煤层自燃预测中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传神经网络在煤层自燃预测中的应用(论文提纲范文)
(1)基于IWOA-GRU的综采工作面瓦斯浓度监测预警研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 煤矿数据监测系统及应用研究现状 |
1.2.2 瓦斯浓度预警方法研究现状 |
1.2.3 目前研究存在的主要问题 |
1.3 论文研究方案及结构安排 |
2 综采工作面瓦斯浓度监测数据分析 |
2.1 综采工作面工况环境分析 |
2.2 综采工作面瓦斯浓度变化影响因素分析 |
2.3 综采工作面瓦斯浓度表示及特性分析 |
2.3.1 综采工作面瓦斯浓度表示 |
2.3.2 综采工作面瓦斯浓度数据特性 |
2.4 综采工作面瓦斯浓度监测数据特征 |
2.5 本章小结 |
3 综采工作面瓦斯浓度预警方法研究 |
3.1 综采工作面瓦斯浓度预警技术分析 |
3.2 瓦斯浓度预测方法研究 |
3.3 瓦斯浓度预警方法研究 |
3.4 本章小结 |
4 基于IWOA-GRU预测的综采工作面瓦斯浓度预警 |
4.1 基于IWOA-GRU的综采工作面瓦斯浓度预测 |
4.1.1 门控循环单元神经网络 |
4.1.2 基于GRU神经网络的综采工作面瓦斯浓度预测 |
4.1.3 改进鲸鱼优化算法 |
4.1.4 基于IWOA-GRU的综采工作面瓦斯浓度预测 |
4.2 基于IWOA-GRU预测的综采工作面瓦斯浓度预警模型 |
4.2.1 综采工作面瓦斯浓度预警指标选择 |
4.2.2 综采工作面瓦斯浓度预警阈值确定 |
4.2.3 综采工作面瓦斯浓度预警分析流程 |
4.3 综采工作面瓦斯浓度预警实验分析 |
4.4 本章小结 |
5 综采工作面瓦斯浓度预警系统调试 |
5.1 验证工作面概况 |
5.1.1 工作面位置 |
5.1.2 煤层情况 |
5.2 综采工作面瓦斯浓度预警系统总体架构 |
5.3 综采工作面瓦斯浓度预警系统软件设计 |
5.3.1 系统功能设计 |
5.3.2 数据库设计 |
5.4 综采工作面瓦斯浓度预警系统测试 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
(2)基于优化小波神经网络的煤系气共采产能预测研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 目前存在问题 |
1.4 研究内容及论文研究特色 |
1.5 研究技术路线及章节安排 |
2 研究区概况及样本数据处理 |
2.1 位置及构造 |
2.2 煤系储层地质参数 |
2.3 影响煤系气共采产能指标的优选 |
2.4 本章小结 |
3 小波神经网络原理及优化方法 |
3.1 人工神经网络结构 |
3.2 小波神经网络原理 |
3.3 遗传算法优化小波神经网络研究 |
3.4 本章小结 |
4 基于遗传算法优化小波神经网络的煤系气共采产能预测模型的构建 |
4.1 模型精度性能评价指标 |
4.2 基于样本数据的K-Means聚类分析 |
4.3 遗传算法最优初始参数的设定 |
4.4 不同类别遗传算法优化小波神经网络模型结构的确定 |
4.5 本章小结 |
5 遗传算法优化小波神经网络在煤系气共采产能预测中的应用 |
5.1 预测样本类别判断 |
5.2 煤系气产能预测结果分析 |
5.3 模型精度对比验证与分析 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 不足与展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(3)基于RBF神经网络的构造煤多分类研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 选题背景和研究意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 本文组织结构 |
2 机器学习理论基础 |
2.1 神经网络模型 |
2.2 RBF神经网络 |
2.3 主成分分析算法 |
2.4 聚类算法 |
2.5 模型性能评价指标 |
2.6 本章小结 |
3 基于RBF神经网络的构造煤多分类预测 |
3.1 实际采区地震属性数据的获取 |
3.2 地震属性数据预处理 |
3.3 构建RBF神经网络模型 |
3.4 实验测试与结果 |
3.5 本章小结 |
4 基于AGA-DBSCAN优化的RBF神经网络构造煤多分类预测 |
4.1 遗传算法的改进 |
4.2 RBF神经网络结构优化 |
4.3 改进型RBF神经网络模型建立与测试 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(4)基于思维进化Elman神经网络的核桃果实膨大期需水预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 作物需水预测国内外研究现状 |
1.2.2 误差修正国内外研究现状 |
1.2.3 有效降雨量计算方法国内外研究现状 |
1.3 研究目的方法及技术路线 |
1.3.1 研究目的和方法 |
1.3.2 技术路线 |
1.4 论文结构 |
1.5 本章小结 |
第2章 核桃需水特点和数据预处理 |
2.1 核桃需水特点 |
2.1.1 生长期需水情况 |
2.1.2 核桃需水的影响因素 |
2.2 数据预处理 |
2.2.1 数据来源 |
2.2.2 数据异常值和缺失值问题处理 |
2.2.3 数据归一化处理 |
2.3 本章小结 |
第3章 基于思维进化神经网络的核桃需水量预测模型 |
3.1 平均影响值算法 |
3.1.1 平均影响值算法概述 |
3.1.2 平均影响值的计算方式 |
3.1.3 筛选流程 |
3.2 Elman神经网络 |
3.2.1 Elman神经网络的基本构成和拓扑结构 |
3.2.2 Elman神经网络的预测流程 |
3.2.3 Elman神经网络的优点和不足之处 |
3.3 思维进化算法 |
3.3.1 生物进化理论 |
3.3.2 思维进化算法理论框架概述 |
3.3.3 思维进化算法优化Elman神经网络思路 |
3.4 仿真分析 |
3.4.1 平均影响值算法对影响因素的筛选 |
3.4.2 思维进化算法优化神经网络 |
3.4.3 预测结果以及与其它模型的对比 |
3.5 本章小结 |
第4章 核桃需水预测的误差修正模型 |
4.1 预测误差产生的原因分析 |
4.2 相似日算法 |
4.2.1 可用于核桃需水预测的改进相似日算法 |
4.2.2 相似日算法的差异判别函数与相似日的选取 |
4.3 基于相似日的误差修正 |
4.3.1 误差修正方法 |
4.3.2 核桃需水预测的误差修正模型实现步骤 |
4.4 仿真分析 |
4.5 本章小结 |
第5章 有效降雨量和核桃缺水量 |
5.1 有效降雨量 |
5.1.1 有效降雨量概念 |
5.1.2 有效降雨量相关计算方法 |
5.2 核桃缺水量 |
5.2.1 作物缺水量概念与计算 |
5.2.2 作物水分盈亏指数 |
5.3 案例分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和科研成果 |
致谢 |
作者简介 |
(5)青龙煤矿煤自燃无线监测预警技术研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状 |
1.2.1 煤自燃预测技术 |
1.2.2 煤自燃监测技术 |
1.2.3 神经网络在矿井内的应用 |
1.2.4 多源信息融合研究现状 |
1.3 研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 青龙煤矿主采煤层煤自燃指标气体研究 |
2.1 煤自燃程序升温实验 |
2.1.1 实验原理 |
2.1.2 实验煤样制备 |
2.1.3 实验装置 |
2.1.4 实验条件 |
2.2 气体产生规律及耗氧特性 |
2.2.1 气体浓度分析 |
2.2.2 气体产生速率 |
2.2.3 耗氧速率分析 |
2.3 煤自燃指标气体的确定 |
2.3.1 指标气体选取条件 |
2.3.2 指标气体确定 |
2.4 .煤层自燃程度预警等级划分 |
2.5 本章小结 |
3 基于GA-BP神经网络的采空区温度预测模型 |
3.1 数据预处理 |
3.1.1 数据来源 |
3.1.2 原始特征变量异常值的处理 |
3.1.3 实验数据的归一化处理 |
3.1.4 模型检验指标研究 |
3.2 基于BP神经网络煤自燃预测模型 |
3.2.1 BP神经网络算法原理 |
3.2.2 BP神经网络温度预测模型的建立 |
3.2.3 结果分析 |
3.3 基于GA-BP神经网络温度预测模型 |
3.3.1 遗传算法(GA) |
3.3.2 GA-BP模型构建 |
3.3.3 结果分析 |
3.4 预测模型的对比分析 |
3.5 本章小结 |
4 采空区煤自燃无线监测预警技术及系统 |
4.1 采空区煤自燃无线监测系统构架及模块组成 |
4.1.1 系统构架的建立 |
4.1.2 系统功能模块组成 |
4.2 采空区煤自燃无线监测硬件 |
4.2.1 煤自燃无线监测装置 |
4.2.2 煤自燃无线监测基站 |
4.3 预警软件功能实现 |
4.3.1 系统管理 |
4.3.2 基站测点设置 |
4.3.3 信息监测 |
4.4 本章小结 |
5 煤自燃监测预警系统应用 |
5.1 矿井概况 |
5.2 系统布置 |
5.2.1 布置方法 |
5.2.2 测点布置 |
5.3 工业应用 |
5.3.1 试验流程 |
5.3.2 监测系统的运行 |
5.3.3 监测结果 |
5.4 应用效果分析 |
5.5 本章小结 |
6 结论与展望 |
6.1 主要结论 |
6.2 展望 |
致谢 |
参考文献 |
附录 |
(6)基于改进神经网络的煤与瓦斯突出预测研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 煤与瓦斯突出预测的研究意义与目的 |
1.2 目前煤与瓦斯突出预测国内外研究现状 |
1.3 本文研究内容 |
2 煤与瓦斯突出机理以及影响因素分析 |
2.1 煤与瓦斯突出假说 |
2.2 煤与瓦斯突出影响因素分析 |
2.2.1 煤体结构 |
2.2.2 瓦斯赋存状态 |
2.2.3 地质构造 |
2.2.4 人为因素 |
2.3 煤与瓦斯突出样本预测指标的选取 |
2.4 小结 |
3 人工神经网络概况 |
3.1 BP神经网络 |
3.1.1 BP神经网络的理论与设计 |
3.1.2 BP神经网络目前存在的优缺点 |
3.1.3 BP神经网络的改进方法 |
3.2 RBF神经网络 |
3.2.1 RBF神经网络的理论与设计 |
3.2.2 RBF神经网络目前存在的优缺点 |
3.3 小结 |
4 神经网络在煤与瓦斯突出预测中的应用 |
4.1 样本预处理 |
4.1.1 主成分分析法(PCA)-特征降维 |
4.1.1.1 主成分分析法(PCA) |
4.1.1.2 特征降维 |
4.1.2 改进后的神经网络-特征选择 |
4.1.2.1 神经网络的改进 |
4.1.2.2 特征选择 |
4.1.3 小结 |
4.2 神经网络参数的选择与优化 |
4.2.1 粒子群算法(PSO) |
4.2.2 遗传算法(GA) |
4.2.3 改进的神经网络 |
4.2.4 结果分析对比 |
4.2.5 改进后的神经网络的训练与预测 |
4.2.6 小结 |
5 结论与展望 |
5.1 主要结论 |
5.2 展望 |
参考文献 |
致谢 |
作者简历及攻读硕士学位期间取得的研究成果 |
(7)基于KPCA与改进极限学习机的煤与瓦斯突出预测研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 课题研究的背景及其意义 |
1.2 煤与瓦斯突出预测方法研究现状 |
1.3 本文研究内容及结构安排 |
2 煤与瓦斯突出机理及影响因素 |
2.1 煤与瓦斯突出机理研究现状 |
2.2 煤与瓦斯突出发展过程及一般规律 |
2.3 煤与瓦斯突出影响因素 |
2.4 煤与瓦斯预测指标的选取 |
2.5 本章小结 |
3 煤与瓦斯突出预测指标系统的核主成分分析 |
3.1 核主成分分析相关理论 |
3.2 基于核主成分分析的特征提取 |
3.3 核主成分分析的适应性分析 |
3.4 本章小结 |
4 基于KPCA与 IQGA算法优化的ELM煤与瓦斯突出预测模型 |
4.1 极限学习机神经网络基本理论 |
4.2 量子遗传算法优化的极限学习机 |
4.3 基于KPCA与 IQGA-ELM煤与瓦斯突出预测模型的建立 |
4.4 本章小结 |
5 预测模型在钱家营矿的实例应用 |
5.1 矿井概况 |
5.2 面域化预测指标的测定方法 |
5.3 钱家营矿煤与瓦斯突出预测实例分析 |
5.4 工程应用 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(8)基于Adaboost改进的BP神经网络地表沉陷预测研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 采空区地表沉陷预测方法国内外研究现状 |
1.2.1 经验分析法 |
1.2.2 概率积分法 |
1.2.3 数值模拟法 |
1.2.4 人工神经网络法 |
1.2.5 其他方法 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 采空区地表沉陷影响因素分析 |
2.1 采空区地表沉陷的基本规律 |
2.1.1 采空区上覆岩石的移动形式 |
2.1.2 采空区“三带”理论 |
2.2 采空区地表沉陷预测的影响因素 |
2.2.1 采矿因素 |
2.2.2 地质因素 |
2.2.3 地形因素 |
2.3 采空区地表沉陷影响因素筛选 |
2.3.1 影响因素初步选取 |
2.3.2 灰色关联分析 |
2.3.3 影响因素的权重确定 |
2.4 本章小结 |
3 Adaboost改进的BP神经网络预测模型 |
3.1 BP神经网络 |
3.1.1 BP神经网络的原理 |
3.1.2 BP神经网络的特点与应用 |
3.2 Adaboost算法 |
3.2.1 Adaboost算法的原理 |
3.2.2 Adaboost算法的特点 |
3.2.3 Adaboost算法的应用 |
3.3 Adaboost改进的BP神经网络预测模型 |
3.4 本章小结 |
4 基于Adaboost改进的BP神经网络地表沉降预测 |
4.1 数据处理 |
4.1.1 主成分分析法 |
4.1.2 基于主成分分析法的数据处理 |
4.2 Adaboost算法改进的BP神经网络预测模型 |
4.2.1 基于Adaboost的 BP神经网络预测模型 |
4.2.2 结果分析 |
4.3 地表沉陷预测模型结果对比分析 |
4.3.1 遗传算法改进的BP神经网络模型 |
4.3.2 粒子群算法优化的BP神经网络模型 |
4.3.3 预测结果分析 |
4.4 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
附录 |
(9)基于深度信念网络的煤层气井产能预测研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题的研究背景及意义 |
1.2 国内外研究现状及发展趋势 |
1.3 本文主要工作与结构安排 |
2 煤层气产能预测理论基础 |
2.1 神经网络理论 |
2.1.1 神经元模型 |
2.1.2 人工神经网络的互连结构 |
2.1.3 人工神经网络的主要学习方式 |
2.2 BP神经网络的理论基础以及优缺点 |
2.2.1 BP神经网络结构 |
2.2.2 BP算法的原理 |
2.2.3 BP算法的训练步骤 |
2.2.4 BP神经网络的优点 |
2.2.5 BP神经网络的缺点 |
2.3 遗传算法优化BP神经网络 |
2.3.1 遗传算法的基本思想 |
2.3.2 遗传算法的基本流程 |
2.3.3 遗传算法的优点 |
2.3.4 遗传算法优化BP神经网络的流程图 |
2.4 玻尔兹曼机 |
2.4.1 玻尔兹曼机的网络结构 |
2.4.2 玻尔兹曼机的学习算法 |
2.5 受限玻尔兹曼机(RBM) |
2.5.1 受限玻尔兹曼机的训练过程 |
2.5.2 对比散度算法 |
2.6 深度信念网络的理论基础 |
2.6.1 DBN的网络结构 |
2.6.2 DBN的学习过程 |
2.7 本章总结 |
3 基于DBN的煤层气井产能预测模型构建 |
3.1 研究区块地质背景介绍 |
3.2 主要地貌特征介绍 |
3.2.1 渗透率 |
3.2.2 煤储层压力 |
3.2.3 临界解吸压力 |
3.2.4 水文地质条件 |
3.3 主要地质变量的选择 |
3.4 数据的预处理 |
3.5 预测模型的构建过程 |
3.5.1 DBN网络结构的确定 |
3.5.2 BP网络最优结构的确定 |
3.5.3 共轭梯度法加速 |
3.6 性能评价与对比模型 |
3.7 本章总结 |
4 实验结果与分析 |
4.1 实验环境 |
4.2 矿区资料数据 |
4.3 DBN模型的构建 |
4.3.1 DBN的最优结构 |
4.3.2 DBN的权重更新方式 |
4.4 对比模型的预测与仿真分析 |
4.4.1 BP神经网络的预测与仿真分析 |
4.4.2 GA优化BP的预测与仿真分析 |
4.5 DBN模型的预测与仿真分析 |
4.6 本文预测模型与对比模型在误差评价方面的对比分析 |
4.7 本章总结 |
5 总结与展望 |
5.1 全文总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 |
(10)基于改进粒子群小波神经网络的煤自燃预测系统(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 课题的背景与意义 |
1.2 煤自燃成因及影响因素 |
1.3 国内外研究现状 |
1.4 研究内容和技术路线 |
2 煤自燃气体生成规律研究 |
2.1 煤自燃过程中指标气体的生成及影响因素 |
2.2 煤自然氧化过程中指标气体之间的关联性研究 |
2.3 本章小结 |
3 煤自燃预测系统设计 |
3.1 系统总体设计 |
3.2 一氧化碳传感器选型及测量电路 |
3.3 氧气传感器选型及测量电路 |
3.4 红外二氧化碳传感器以及测量电路 |
3.5 瓦斯气体与温湿度传感器选取 |
3.6 系统基本误差性能测试 |
3.7 系统稳定性测试 |
3.8 本章小结 |
4 粒子群小波神经网络模型的设计理论 |
4.1 小波分析理论 |
4.2 小波分析降噪的基本原理和应用 |
4.3 小波分析与神经网络的结合 |
4.4 现有煤自燃预测算法的不足 |
4.5 本章小结 |
5 改进的粒子群小波神经网络研究 |
5.1 标准粒子群算法 |
5.2 改进的粒子群算法 |
5.3 结合改进粒子群算法的小波神经网络 |
5.4 本章小结 |
6 基于改进粒子群小波神经网络的煤自燃预测 |
6.1 改进粒子群小波神经网络仿真流程 |
6.2 改进粒子群小波神经网络的输出性能 |
6.3 网络训练指标分析 |
6.4 本章小结 |
7 结论与展望 |
7.1 主要结论 |
7.2 展望 |
参考文献 |
附录1 |
作者简历 |
学位论文数据集 |
四、遗传神经网络在煤层自燃预测中的应用(论文参考文献)
- [1]基于IWOA-GRU的综采工作面瓦斯浓度监测预警研究[D]. 毛俊凯. 西安科技大学, 2021(02)
- [2]基于优化小波神经网络的煤系气共采产能预测研究[D]. 景聪慧. 中国矿业大学, 2021
- [3]基于RBF神经网络的构造煤多分类研究[D]. 吴善杰. 中国矿业大学, 2021
- [4]基于思维进化Elman神经网络的核桃果实膨大期需水预测研究[D]. 邓皓. 河北工程大学, 2020(04)
- [5]青龙煤矿煤自燃无线监测预警技术研究[D]. 李杰. 西安科技大学, 2020(01)
- [6]基于改进神经网络的煤与瓦斯突出预测研究[D]. 段梦楠. 安徽理工大学, 2020(02)
- [7]基于KPCA与改进极限学习机的煤与瓦斯突出预测研究[D]. 邱微. 辽宁工程技术大学, 2019(07)
- [8]基于Adaboost改进的BP神经网络地表沉陷预测研究[D]. 赵云红. 西安科技大学, 2019(01)
- [9]基于深度信念网络的煤层气井产能预测研究[D]. 王少卿. 西安科技大学, 2019(01)
- [10]基于改进粒子群小波神经网络的煤自燃预测系统[D]. 温荣岩. 中国矿业大学, 2019(09)