CN110309616A - 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 - Google Patents
构建瓦斯浓度预测模型的方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN110309616A CN110309616A CN201910616932.1A CN201910616932A CN110309616A CN 110309616 A CN110309616 A CN 110309616A CN 201910616932 A CN201910616932 A CN 201910616932A CN 110309616 A CN110309616 A CN 110309616A
- Authority
- CN
- China
- Prior art keywords
- gas density
- neural network
- gas
- network model
- working face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种构建瓦斯浓度预测模型的方法、装置、系统及存储介质,该方法包括:获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素;利用预设位置的瓦斯浓度和与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,获取最优神经网络模型,作为瓦斯浓度预测模型。通过该种方式得到的最优神经网络模型,能够更加精确的测定瓦斯浓度。减少瓦斯传感器误报警的次数,更主要的是,能够监管单位提供瓦斯的精确数据,确保煤矿安全生产,减少瓦斯爆炸事故发生的次数。
Description
技术领域
本发明实施例涉及煤矿安全技术领域,具体涉及一种构建瓦斯浓度预测模型的方法、装置、系统及存储介质。
背景技术
对矿井来说,只要有一个煤(岩)层发现瓦斯,该矿井即为瓦斯矿井。瓦斯矿井依照矿井瓦斯等级进行管理,分为低瓦斯矿井,高瓦斯矿井和煤与瓦斯突出矿井。矿井瓦斯灾害是矿井七大灾害之一,严重威胁着矿井的安全生产,监控煤矿井下采煤工作面的瓦斯浓度,对于煤矿安全生产具有重要指导意义。
整个矿井中,U形采煤工作面上隅角容易积聚采空区和采面交汇释放的瓦斯,瓦斯浓度较高,是工作面防治瓦斯的重点。目前煤炭企业对于瓦斯事故的预防还停留在监测阶段,对危险的发现和预防能力不足。因此研究瓦斯变化的规律,利用瓦斯监测数据实现对未来时刻瓦斯浓度的预测,为安全管理人员提供辅助支持,在煤矿安全生产中显得尤为重要。且在实际生产中,煤矿为减少瓦斯传感器报警次数,会对传感器监测值进行造假操作。所以需利用预测方法,计算还原上隅角瓦斯浓度值,为监管单位提供瓦斯的准确数据,确保煤矿安全生产,减少瓦斯爆炸事故发生的次数。
针对现有的煤矿瓦斯浓度预测方法,将其分为:线性分析方法与非线性预测方法。线性分析方法包括矿山统计法、瓦斯地质数学模型法、分源预测法,瓦斯含量法、瓦斯梯度法等,这类方法已经用于实际生产中,但有预见性不足的缺点。非线性分析方法包括卡尔曼滤波法、神经网络预测法、灰色系统法、主成分回归分析法、聚类分析法等。这些方法在瓦斯浓度预测研究中起到了一定的作用,但是上隅角瓦斯浓度变化受环境因素、地理位置影响较大,单纯的利用非线性分析方法预测瓦斯浓度仍然存在很大的误差。
那么如何才能够得到一种能够精准预测瓦斯浓度的模型成为本申请所要解决的技术问题。
发明内容
为此,本发明实施例提供一种构建瓦斯浓度预测模型的方法、装置、系统及存储介质,以解决现有技术中没有能够精准预测瓦斯浓度模型的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例的第一方面,提供了一种构建瓦斯浓度预测模型的方法,该方法包括:
获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素;
利用预设位置的瓦斯浓度和与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,获取最优神经网络模型,作为瓦斯浓度预测模型。
进一步地,采煤工作面内与瓦斯浓度相关的因素至少包括如下中的一种:风速、风压、一氧化碳、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
进一步地,预设位置具体为:上隅角、工作面进风顺槽和工作面回风顺槽。
进一步地,利用预设位置的瓦斯浓度和与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,具体包括:
对预设位置的瓦斯浓度和与瓦斯浓度相关的因素进行预处理,获取预处理后的数据;
利用预处理后的数据,对预构建的神经网络模型进行训练。
进一步地,对预设位置的瓦斯浓度和与瓦斯浓度相关的因素进行预处理,获取预处理后的数据,具体包括:
对预设位置的瓦斯浓度和与瓦斯浓度相关的因素进行清洗,获取清洗后的数据;
利用前值法对清洗后的数据进行补全;
将补全后的数据进行格式转换,获取预处理后的数据。
进一步地,利用预处理后的数据,对预构建的神经网络模型进行训练,具体包括:
按照预设规则将预处理后的数据进行划分,获取训练集和测试集;
利用训练集对预构建的神经网络模型进行训练,获取经过训练后的神经网络模型;
利用测试集对经过训练后的神经网络模型进行测试,确定测试结果;
并验证测试结果的误差,当误差小于预设阈值时,确定经过训练后的神经网络模型为最优神经网络模型,作为瓦斯浓度预测模型。
进一步地,瓦斯浓度预测模型为长短期记忆网络(Long Short-Term Memory,简称LSTM)模型。
根据本发明实施例的第二方面,提供了一种构建瓦斯浓度预测模型的装置,该装置包括:
获取单元,用于获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素;
处理单元,用于利用预设位置的瓦斯浓度和与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,获取最优神经网络模型,作为瓦斯浓度预测模型。
进一步地,采煤工作面内与瓦斯浓度相关的因素至少包括如下中的一种:风速、风压、一氧化碳、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
进一步地,预设位置具体为:上隅角、工作面进风顺槽和工作面回风顺槽。
进一步地,处理单元具体用于,对预设位置的瓦斯浓度和与瓦斯浓度相关的因素进行预处理,获取预处理后的数据;
利用预处理后的数据,对预构建的神经网络模型进行训练。
进一步地,处理单元具体用于,对预设位置的瓦斯浓度和与瓦斯浓度相关的因素进行清洗,获取清洗后的数据;
利用前值法对清洗后的数据进行补全;
将补全后的数据进行格式转换,获取预处理后的数据。
进一步地,处理单元具体用于,按照预设规则将预处理后的数据进行划分,获取训练集和测试集;
利用训练集对预构建的神经网络模型进行训练,获取经过训练后的神经网络模型;
利用测试集对经过训练后的神经网络模型进行测试,确定测试结果;
并验证测试结果的误差,当误差小于预设阈值时,确定经过训练后的神经网络模型为最优神经网络模型,作为瓦斯浓度预测模型。
进一步地,瓦斯浓度预测模型为长短期记忆网络LSTM模型。
根据本发明实施例的第三方面,提供了一种构建瓦斯浓度预测模型的系统,该系统包括:处理器和存储器;
存储器用于存储一个或多个程序指令;
处理器,用于运行一个或多个程序指令,用以执行如上一种构建瓦斯浓度预测模型的方法中的任一方法步骤。
根据本发明实施例的第四方面,提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令,一个或多个程序指令用于被一种构建瓦斯浓度预测模型的系统执行如上一种构建瓦斯浓度预测模型的方法中的任一方法步骤。
本发明实施例具有如下优点:获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素。通过这些参数对预构建的神经网络模型进行迭代训练,不断对神经网络模型的参数进行调优,直至获取到最优神经网络模型,并将其作为瓦斯浓度预测模型。通过该种方式,得到的最优神经网络模型,能够更加精确的测定瓦斯浓度。减少瓦斯传感器误报警的次数,更主要的是,能够监管单位提供瓦斯的精确数据,确保煤矿安全生产,减少瓦斯爆炸事故发生的次数。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的一种采煤工作面的结构示意图;
图2为本发明实施例1提供的一种构建瓦斯浓度预测模型的方法流程示意图;
图3为本发明提供的一种瓦斯浓度预测结果示意图;
图4为本发明实施例2提供的一种构建瓦斯浓度预测模型的装置结构示意图;
图5为本发明实施例3提供的一种构建瓦斯浓度预测模型的系统结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在介绍本发明实施例提供的构建瓦斯浓度预测模型的方法之前,首先给出一种采煤工作面的结构示意图。具体参见图1所示,从该图中可以看出:采煤工作面为U形结构。T0位置即为上隅角,由于进风、回风等存在一定的时差,因为T0位置的瓦斯浓度与工作面回风顺槽端头T1、工作面回风顺槽口T2、工作面进风顺槽端头T3以及工作面进风顺槽口T4等存在密切关系。图中可以看出,气流流向为从T4位置流向T3位置,然后到达T0位置,再经过T1位置流向T2位置。也即是说,预设位置T1、T2、T3以及T4的瓦斯浓度也与T0位置的瓦斯浓度有一定的关系。另外,影响T0位置的瓦斯浓度的还包括采煤工作面内与瓦斯浓度相关的因素。
因此,在执行本发明实施例1提供的构建瓦斯浓度预测模型的方法时,首先要做的就是获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素。具体参见图2所示,图2中示出了一种构建瓦斯浓度预测模型的方法流程示意图,具体如图2所示,该方法步骤如下:
步骤210,获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素。
具体的,采煤机的预设位置包括上隅角、工作面回风顺槽和工作面进风顺槽。
优选的,采煤机的预设位置包括:上隅角T0、工作面回风顺槽端头T1、工作面回风顺槽口T2、工作面进风顺槽端头T3以及工作面进风顺槽口T4。
预设位置的瓦斯浓度可以通过相应的传感器获取。
而整个采煤工作面内与瓦斯浓度相关的因素可以包括:风速、风压、一氧化碳CO、温度、割煤速度、瓦斯抽放量、瓦斯抽出压力等因素。在获取时,可以获取其中的一种或多种。具体获取哪些因素可以根据实际情况设定,这里不做过多说明。在本实施例中,将获取所有因素。
步骤220,利用预设位置的瓦斯浓度和与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,获取最优神经网络模型,作为瓦斯浓度预测模型。
具体的,可以将预设位置的瓦斯浓度和与瓦斯浓度相关的因素共同输入到神经网络模型中进行训练。而在具体执行时,考虑到传感器采集的原始数据可能存在无效的数据、存在数据缺失或者数据采集时间间隔不一致的情况。因此,该方法还可以包括:首先对原始数据进行预处理。也即是,对预设位置的瓦斯浓度和与瓦斯浓度相关的因素分别进行预处理,获取预处理后的数据。
这里的预处理主要包括:步骤1,对原始数据进行清洗。具体的清洗可以包括:对于不在量程范围内的数据直接删除。并且,可以设定数据采集时间间隔为预设时间间隔,例如为30s。如果数据采集时间间隔不足30s,则删除该数据。如果数据采集时间间隔超过30s,则需要进行补全。上述对于原始数据进行清洗的过程均为现有技术,因此这里不再做过多说明。在对数据进行清洗后,可能存在数据缺失的情况。因此,预处理还包括步骤2,将经过清洗后的数据利用前值法进行补全。以及步骤3,将补全后的数据进行格式转换,将其转换为后续神经网络模型能够识别的数据,并进行归一化处理。具体参见如表1所示。
表1示出了可以输入到神经网络模型中的数据形式。
表1
而利用预处理后的数据,对预构建的神经网络模型进行训练,具体可以包括如下步骤:
按照预设规则将预处理后的数据进行划分,获取训练集和测试集。
利用训练集对预构建的神经网络模型进行训练,获取经过训练后的神经网络模型;
利用测试集对经过训练后的神经网络模型进行测试,确定测试结果;
并验证测试结果的误差,当误差小于预设阈值时,确定经过训练后的神经网络模型为最优神经网络模型,作为瓦斯浓度预测模型。
具体的,在构建神经网络模型时,可以采集keras框架构建。然后将预处理后的数据按照一定的百分比划分训练集和测试集。例如,将预处理后的数据中67%的数据作为训练集,剩余的33%数据作为测试集。
可选的,瓦斯浓度预测模型可以为LSTM模型。也即是说,预构建的神经网络模型为LSTM模型。
在keras框架构建神经网络模型时,可以设定隐藏层神经元个数、输入步长、输出步长、激活函数、损失函数、优化器、epochs、batch_size,这些参数需在训练过程中得到最优值。
具体的,就是利用训练集的数据对LSTM模型进行训练,然后利用测试集数据进行测试,确定测试效果。如果达不到理想状态,则对LTSM模型的参数进行调整,继续进行训练,再次使用测试集的数据进行测试。如此迭代,直至LTSM模型中的参数达到最优。
这里说的LTSM模型中的参数达到最优的评判标准就是验证测试结果的误差,当误差小于预设阈值(例如0.025)时,才能够确定参数已经达到最优。此时所获取到的也就是最优神经网络模型了,可以作为本实施例中所说的预构建的神经网络模型了。
具体参见图3所示,图3为预测瓦斯浓度的预测结果示意图。图3中的预测结果与实际结果之间的误差为0.025。而最终的LSTM模型的参数设定如表2所示。
表2
本发明实施例提供的一种构建瓦斯浓度预测模型的方法,获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素。通过这些参数对预构建的神经网络模型进行迭代训练,不断对神经网络模型的参数进行调优,直至获取到最优神经网络模型,并将其作为瓦斯浓度预测模型。通过该种方式,得到的最优神经网络模型,能够更加精确的测定瓦斯浓度。减少瓦斯传感器误报警的次数,更主要的是,能够监管单位提供瓦斯的精确数据,确保煤矿安全生产,减少瓦斯爆炸事故发生的次数。
与上述实施例1对应的,本发明实施例2还提供了一种构建瓦斯浓度预测模型的装置,具体如图4所示,该装置包括:获取单元401和处理单元402。
获取单元401,用于获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素;
处理单元402,用于利用预设位置的瓦斯浓度和与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,获取最优神经网络模型,作为瓦斯浓度预测模型。
可选的,采煤工作面内与瓦斯浓度相关的因素至少包括如下中的一种:风速、风压、一氧化碳、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
可选的,预设位置具体为:上隅角、工作面进风顺槽和工作面回风顺槽。
可选的,处理单元402具体用于,对预设位置的瓦斯浓度和与瓦斯浓度相关的因素进行预处理,获取预处理后的数据;
利用预处理后的数据,对预构建的神经网络模型进行训练。
可选的,处理单元402具体用于,对预设位置的瓦斯浓度和与瓦斯浓度相关的因素进行清洗,获取清洗后的数据;
利用前值法对清洗后的数据进行补全;
将补全后的数据进行格式转换,获取预处理后的数据。
可选的,处理单元402具体用于,按照预设规则将预处理后的数据进行划分,获取训练集和测试集;
利用训练集对预构建的神经网络模型进行训练,获取经过训练后的神经网络模型;
利用测试集对经过训练后的神经网络模型进行测试,确定测试结果;
并验证测试结果的误差,当误差小于预设阈值时,确定经过训练后的神经网络模型为最优神经网络模型,作为瓦斯浓度预测模型。
可选的,瓦斯浓度预测模型为长短期记忆网络LSTM模型。
本发明实施例提供的一种构建瓦斯浓度预测模型的装置中各部件所执行的功能均已在上述实施例1中做了详细介绍,因此这里不做过多赘述。
本发明实施例提供的一种构建瓦斯浓度预测模型的装置,获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素。通过这些参数对预构建的神经网络模型进行迭代训练,不断对神经网络模型的参数进行调优,直至获取到最优神经网络模型,并将其作为瓦斯浓度预测模型。通过该种方式,得到的最优神经网络模型,能够更加精确的测定瓦斯浓度。减少瓦斯传感器误报警的次数,更主要的是,能够监管单位提供瓦斯的精确数据,确保煤矿安全生产,减少瓦斯爆炸事故发生的次数。
与上述实施例相对应的,本发明实施例3还提供了一种构建瓦斯浓度预测模型的系统,具体如图5所示,该系统包括:处理器501和存储器502;
存储器502用于存储一个或多个程序指令;
处理器501,用于运行一个或多个程序指令,用以执行如上实施例所介绍的一种构建瓦斯浓度预测模型的方法中的任一方法步骤。
本发明实施例提供的一种构建瓦斯浓度预测模型的系统,获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素。通过这些参数对预构建的神经网络模型进行迭代训练,不断对神经网络模型的参数进行调优,直至获取到最优神经网络模型,并将其作为瓦斯浓度预测模型。通过该种方式,得到的最优神经网络模型,能够更加精确的测定瓦斯浓度。减少瓦斯传感器误报警的次数,更主要的是,能够监管单位提供瓦斯的精确数据,确保煤矿安全生产,减少瓦斯爆炸事故发生的次数。
与上述实施例相对应的,本发明实施例还提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令。其中,一个或多个程序指令用于被一种构建瓦斯浓度预测模型的系统执行如上所介绍的一种构建瓦斯浓度预测模型的方法。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific工ntegrated Circuit,简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种构建瓦斯浓度预测模型的方法,其特征在于,所述方法包括:
获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素;
利用所述预设位置的瓦斯浓度和所述与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,获取最优神经网络模型,作为瓦斯浓度预测模型。
2.根据权利要求1所述的方法,其特征在于,所述采煤工作面内与瓦斯浓度相关的因素至少包括如下中的一种:风速、风压、一氧化碳、温度、割煤速度、瓦斯抽放量或者瓦斯抽出压力。
3.根据权利要求1所述的方法,其特征在于,所述预设位置具体为:上隅角、工作面进风顺槽和工作面回风顺槽。
4.根据权利要求1所述的方法,其特征在于,所述利用所述预设位置的瓦斯浓度和所述与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,具体包括:
对所述预设位置的瓦斯浓度和所述与瓦斯浓度相关的因素进行预处理,获取预处理后的数据;
利用预处理后的数据对预构建的神经网络模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述对所述预设位置的瓦斯浓度和所述与瓦斯浓度相关的因素进行预处理,具体包括:
对所述预设位置的瓦斯浓度和所述与瓦斯浓度相关的因素进行清洗,获取清洗后的数据;
利用前值法对所述清洗后的数据进行补全;
将补全后的数据进行格式转换,获取预处理后的数据。
6.根据权利要求4所述的方法,其特征在于,所述利用预处理后的数据对预构建的神经网络模型进行训练,具体包括:
按照预设规则将所述预处理后的数据进行划分,获取训练集和测试集;
利用所述训练集对所述预构建的神经网络模型进行训练,获取经过训练后的神经网络模型;
利用所述测试集对所述经过训练后的神经网络模型进行测试,确定测试结果;
并验证所述测试结果的误差,当所述误差小于预设阈值时,确定所述经过训练后的神经网络模型为最优神经网络模型,作为所述瓦斯浓度预测模型。
7.根据权利要求1-6任一项所述的方法,其特征在于,瓦斯浓度预测模型为长短期记忆网络LSTM模型。
8.一种构建瓦斯浓度预测模型的装置,其特征在于,所述装置包括:
获取单元,用于获取采煤工作面的预设位置的瓦斯浓度,以及采煤工作面内与瓦斯浓度相关的因素;
处理单元,用于利用所述预设位置的瓦斯浓度和所述与瓦斯浓度相关的因素对预构建的神经网络模型进行训练,获取最优神经网络模型,作为瓦斯浓度预测模型。
9.一种构建瓦斯浓度预测模型的系统,其特征在于,所述系统包括:处理器和存储器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1-6任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被一种构建瓦斯浓度预测模型的系统执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616932.1A CN110309616A (zh) | 2019-07-09 | 2019-07-09 | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910616932.1A CN110309616A (zh) | 2019-07-09 | 2019-07-09 | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309616A true CN110309616A (zh) | 2019-10-08 |
Family
ID=68079961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910616932.1A Pending CN110309616A (zh) | 2019-07-09 | 2019-07-09 | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309616A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112228036A (zh) * | 2020-06-04 | 2021-01-15 | 精英数智科技股份有限公司 | 一种瓦斯抽采监控方法、系统、设备及可读存储介质 |
CN113266412A (zh) * | 2021-05-17 | 2021-08-17 | 陕西长武亭南煤业有限责任公司 | 一种煤矿的瓦斯防治方法 |
CN114925623A (zh) * | 2022-07-22 | 2022-08-19 | 中国地质大学(北京) | 油气藏产量预测方法及系统 |
WO2023056695A1 (zh) * | 2021-10-09 | 2023-04-13 | 安徽理工大学 | 一种基于深度循环神经网络的煤与瓦斯突出事故预测与识别方法 |
CN116559362B (zh) * | 2023-04-13 | 2023-12-01 | 威利朗沃矿业设备(北京)有限公司 | 基于地质构造的煤矿瓦斯异常检测方法、装置和电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
KR20150010138A (ko) * | 2013-07-18 | 2015-01-28 | 한국가스안전공사 | 적외선 센서를 이용한 가스 농도 검출기 및 가스 검출 방법 |
CN104598738A (zh) * | 2015-01-26 | 2015-05-06 | 辽宁工程技术大学 | 一种上隅角瓦斯浓度预测方法 |
CN105976025A (zh) * | 2016-03-18 | 2016-09-28 | 孙胜伟 | 基于遗传算法优化的bp神经网络的瓦斯预测方法 |
CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
CN107704951A (zh) * | 2017-09-15 | 2018-02-16 | 周光前 | 一种瓦斯涌出量的预测方法 |
CN108921359A (zh) * | 2018-07-26 | 2018-11-30 | 安徽大学 | 一种分布式瓦斯浓度预测方法及装置 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
CN109934398A (zh) * | 2019-03-05 | 2019-06-25 | 山东大学 | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 |
-
2019
- 2019-07-09 CN CN201910616932.1A patent/CN110309616A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150010138A (ko) * | 2013-07-18 | 2015-01-28 | 한국가스안전공사 | 적외선 센서를 이용한 가스 농도 검출기 및 가스 검출 방법 |
CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
CN104598738A (zh) * | 2015-01-26 | 2015-05-06 | 辽宁工程技术大学 | 一种上隅角瓦斯浓度预测方法 |
CN105976025A (zh) * | 2016-03-18 | 2016-09-28 | 孙胜伟 | 基于遗传算法优化的bp神经网络的瓦斯预测方法 |
CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
CN107704951A (zh) * | 2017-09-15 | 2018-02-16 | 周光前 | 一种瓦斯涌出量的预测方法 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
CN108921359A (zh) * | 2018-07-26 | 2018-11-30 | 安徽大学 | 一种分布式瓦斯浓度预测方法及装置 |
CN109934398A (zh) * | 2019-03-05 | 2019-06-25 | 山东大学 | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 |
Non-Patent Citations (1)
Title |
---|
阎东慧: "高瓦斯矿井掘进通风瓦斯浓度预测神经网络模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112228036A (zh) * | 2020-06-04 | 2021-01-15 | 精英数智科技股份有限公司 | 一种瓦斯抽采监控方法、系统、设备及可读存储介质 |
CN113266412A (zh) * | 2021-05-17 | 2021-08-17 | 陕西长武亭南煤业有限责任公司 | 一种煤矿的瓦斯防治方法 |
WO2023056695A1 (zh) * | 2021-10-09 | 2023-04-13 | 安徽理工大学 | 一种基于深度循环神经网络的煤与瓦斯突出事故预测与识别方法 |
CN114925623A (zh) * | 2022-07-22 | 2022-08-19 | 中国地质大学(北京) | 油气藏产量预测方法及系统 |
CN114925623B (zh) * | 2022-07-22 | 2022-09-23 | 中国地质大学(北京) | 油气藏产量预测方法及系统 |
CN116559362B (zh) * | 2023-04-13 | 2023-12-01 | 威利朗沃矿业设备(北京)有限公司 | 基于地质构造的煤矿瓦斯异常检测方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309616A (zh) | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 | |
US8229973B2 (en) | Infrastructure and architecture for development and execution of predictive models | |
US20190034815A1 (en) | Customer behavior predictive modeling | |
CN110177108A (zh) | 一种异常行为检测方法、装置及验证系统 | |
CN109635298A (zh) | 团体状态识别方法、装置、计算机设备及存储介质 | |
CN107366534B (zh) | 粗化渗透率的确定方法和装置 | |
CN101923510B (zh) | 软件探测方法和应用该方法的软件探测器及软件探测系统 | |
CN105934923A (zh) | 反恶意软件移动内容数据管理设备和方法 | |
CN103679038B (zh) | 并行程序共享数据类漏洞的检测方法及系统 | |
Jakobsen et al. | A standardized Approach to Multi-criteria Assessment of CCS Chains | |
CN111025409B (zh) | 一种水淹层评价方法、装置及存储介质 | |
CN109409659A (zh) | 风险预警方法、装置、计算机设备和存储介质 | |
CN109710517A (zh) | 基于自动化测试工具的集成测试方法、装置和计算机设备 | |
CN110334451B (zh) | 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 | |
Galán et al. | Model-based indicators for the identification of cyclical systemic risk | |
CN102929614A (zh) | 一种用于漏洞检测的可调对象程序特征提取方法 | |
CN114511330A (zh) | 一种基于改进的cnn-rf的以太坊庞氏骗局检测方法及系统 | |
CN106649325A (zh) | 网站错别字的识别方法及装置 | |
CN102622299A (zh) | 一种软件探测系统的工作方法 | |
Al-Khulaifi | An empirical study on inflation and economic growth in Qatar | |
CN112819621A (zh) | 一种智能合约资损测试方法及系统 | |
CN101778110A (zh) | 业务协议挖掘方法及装置 | |
CN103955516B (zh) | 联机交易中主机资源访问信息优化方法及装置 | |
Shokouhi et al. | A physics-informed deep learning method for prediction of CO2 storage site response | |
Ostertag-Hill | Ideal Point Models with Social Interactions Applied to Spheres of Legislation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |