基于LSTM的煤矿底板突水预警模型研究与应用

摘要

突水是影响煤矿安全生产的主要灾害，且影响突水发生的因素会随时间不断变化，是一个动态的复杂系统。基于长短时记忆单元（Long Short-Term Memory， LSTM）的循环神经网络（Recurrent Neural Network，RNN）模型，通过在隐藏层中增加一条自连接边，将时间序列的概念引入网络模型中，非常适合处理动态时间序列数据，因此，论文提出将 LSTM模型应用在煤矿突水预测中。论文的主要工作如下： （1）通过研究突水机理及已有突水预测技术，总结分析出影响突水的主要因素；通过正态性检验、基于封装式(Wrapper)评价策略的特征选择和归一化等方法对所采集的数据进行预处理。 （2）从模型框架和训练算法两方面对RNN及LSTM进行研究分析，构建了用于解决突水预测问题的LSTM模型；通过实验确定模型性能最优参数。 （3）采用预处理后的数据训练LSTM模型，用Softmax分类器得出预测结果。设置对比实验，与改进的BP、SVM突水预测模型作对比，从预测精度和速度等方面对模型进行评估。 （4）论文在对突水预测的基础上，采用图论与网络理论的方法，建立煤矿巷道的空间网络，并根据矿井突水量计算方法和巷道突水蔓延路径模型，预测突水范围，作为开展突水预防工作和分析事故危害程度的参考依据。

目录

第一个书签之前