CN112308306A - 一种多模态输入的煤与瓦斯突出危险预测方法 - Google Patents
一种多模态输入的煤与瓦斯突出危险预测方法 Download PDFInfo
- Publication number
- CN112308306A CN112308306A CN202011163596.9A CN202011163596A CN112308306A CN 112308306 A CN112308306 A CN 112308306A CN 202011163596 A CN202011163596 A CN 202011163596A CN 112308306 A CN112308306 A CN 112308306A
- Authority
- CN
- China
- Prior art keywords
- data
- coal
- neural network
- prediction
- layer
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
本发明公开的属于煤与瓦斯突出预测技术领域,具体为一种多模态输入的煤与瓦斯突出危险预测方法,利用静态指标数据和动态指标数据互为补充,可以同时具备较高的精准度和时效性,是煤与瓦斯突出预测方法的又一创新。通过将输入数据划分为静态预测数据和动态预测数据,分别构建基于全链接神经网络的地质指标数据特征提取器和基于长短期记忆神经网络的瓦斯浓度序列特征提取器。利用数据融合的方法,将张量数据特征和时间序列数据特征连接起来,共同输入到一个全链接层,输出是否发生煤与瓦斯突出的类别标签,从而实现煤与瓦斯突出预测任务。
Description
技术领域
本发明涉及煤与瓦斯突出预测技术领域,具体为一种多模态输入的煤与 瓦斯突出危险预测方法。
背景技术
煤与瓦斯突出是煤矿井下发生的恶性灾害事故,往往造成重大的人员伤 亡和财产损失。按照国家相关行业法规要求,突出煤层必须开展瓦斯综合防 治工作,其中至关重要的的环节就是对煤层进行煤与瓦斯突出预测,而工作 面突出危险性预测则是煤与瓦斯突出预测的重要组成部分,主要包括石门揭 煤工作面煤与瓦斯突出预测、煤巷掘进工作面煤与瓦斯突出预测和回采工作 面煤与瓦斯突出预测。
一般来说,工作面煤与瓦斯突出预测可分为静态非连续式预测和动态连续 非接触式预测两种,其中静态预测以煤体、瓦斯、地应力等地质指标作为输 入,可以综合反映煤体、瓦斯、地应力等信息,然而对于煤体破坏与瓦斯参 数动态变化的瞬态信息难以捕捉,往往预测精度有限;动态指标主要是基于 矿井的信息化平台对瓦斯、风速、温度等时间序列数据作为输入,这些实时 监控平台可以有效获取煤岩体破坏和瓦斯瞬态变化特征信息,然而由于预测 的时间间隔短,给现场预留采取应对措施的时间十分有限,这在一定程度上也制约了这种方法的有效应用。针对上述问题,如何构建一个既能够处理地 质指标又能够处理时间序列数据的多模态输入的煤与瓦斯突出预测模型,是 煤矿信息化背景下充分利用企业日常生产过程中所产生的海量数据,提升煤 与瓦斯突出预测的准确率和时效性的关键技术之一。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些 较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些 简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简 化或省略不能用于限制本发明的范围。
鉴于上述和/或现有煤与瓦斯突出预测方法中存在的问题,提出了本发 明。
因此,本发明的目的是提供一种多模态输入的煤与瓦斯突出危险预测方 法,有效整合煤矿生产过程中产生的不同类型的数据,借助于多模态输入技 术有效整合信息特征,从而提高了煤与瓦斯突出预测的准确率和时效性,为 煤矿安全生产提供了一种新的技术手段。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术 方案:
一种多模态输入的煤与瓦斯突出危险预测方法,其包括:数据准备模块、 地质指标特征提取模块、时间序列特征提取模块、特征连接模块和分类输出 模块;
数据准备模块接收包括工作面地质指标和相应工作面瓦斯浓度序列数据 的多模态原始数据,经预处理得到地质特征矩阵并对矩阵进行标准化处理, 对时间序列数据进行解析同样通过标准化处理并转换成一个Numpy数组,两 类数据经过处理之后分别生成训练样本集和测试样本集,所述的训练样本集 和测试样本集之比优选为8:2;
将对应的训练样本集输入到地质指标特征提取模块中的全链接层神经网 络对网络进行训练,对地质指标进行特征提取;
将对应的训练样本集输入到时间序列特征提取模块中的长短期记忆神经 网络进行训练,对时间序列数据进行特征提取;
特征连接模块通过连接和融合将两类特征进行融合并共同传输至分类输 出模块,分类输出模块采用全链接层利用sigmoid激活函数实现煤与瓦斯突 出与否的结果输出,从而实现煤与瓦斯突出预测,经训练集数据训练之后, 将该模型应用于测试集数据,获取测试集数据的预测分类标签,并与实际结 果相比较,从而评估整个模型的准确率以及是否存在过拟合问题。
作为本发明所述的多模态输入的煤与瓦斯突出危险预测方法的一种优选 方案,其中:所述的张量数据是指:一个n维的数组或列表,是矢量概念和 矩阵概念的推广。
作为本发明所述的多模态输入的煤与瓦斯突出危险预测方法的一种优选 方案,其中:所述的时间序列数据是指:是在不同时间上收集到的数据,用 于所描述现象随时间变化的情况,这类数据反映了某一事物、现象等随时间 的变化状态或程度。
作为本发明所述的多模态输入的煤与瓦斯突出危险预测方法的一种优选 方案,其中:所述的标准化是指:由于这些数据取值范围差异很大,如果不加 处理就输入到神经网络中,会导致模型学习变得非常困难,所以需要进行标 准化处理,即对于输入数据的每个特征减去特征平均值,再除以标准差,从 而使得特征平均值为0,标准差为1,计算方法如公式1所示
作为本发明所述的多模态输入的煤与瓦斯突出危险预测方法的一种优选 方案,其中:所述的全链接层神经网络是指:每个神经网络单元都和其他所 有单元相连接,能够尝试映射任意两个输入特征的关系,最常用于张量数据, 包括:接收张量数据的输入层、提取数据特征的隐藏层和用于输出分类结果 的输出层,通常如果数据量比较大,隐藏层还可能不止一层。其中每一层网 络都包含一定数量的神经元,各层通过优化器对权重进行更新,通过损失函 数来确定模型是否满足精度要求,最后通过各层的线性堆叠来构成网络。
作为本发明所述的多模态输入的煤与瓦斯突出危险预测方法的一种优选 方案,其中:所述的长短期记忆神经网络是指:针对数据的长短期依赖关系 所提出的一个十分经典的循环神经网络结构,实质是一种重复神经网络模块 的链式,相比较于传统的循环神经网络,它增加了一种携带信息跨越多个时 间步的方法,具体方法是可以通过内部的门结构,包括遗忘门,更新门,输 出门,来对之前的输入信息进行增加与遗忘。
作为本发明所述的多模态输入的煤与瓦斯突出危险预测方法的一种优选 方案,其中:所述的特征连接是指:将全连接层神经网络输出和长短期记忆 神经网络输出进行拼接操作。
作为本发明所述的多模态输入的煤与瓦斯突出危险预测方法的一种优选 方案,其中:所述的Sigmoid函数是指:也叫Logistic函数,常被用作神经 网络的激活函数,取值范围为(0,1),计算方法如公式2所示:
作为本发明所述的多模态输入的煤与瓦斯突出危险预测方法的一种优选 方案,其中:所述的模型准确率(Accuracy)是指:根据样本的实际类别标 签,所有预测正确的样本数量占总的样本数量的百分比。计算方法如公式3 所示:
其中:tp:将正类预测为正类;tn:将负类预测为负类;fp:将负类预测 为正类;fn:将正类预测为负类。
与现有技术相比:本发明利用多模态输入技术对静态预测指标和动态预 测数据进行整合,在煤与瓦斯突出预测当中,能够同时对地质指标张量数据 和瓦斯浓度时间序列数据进行处理,通过全链接层神经网络和长短期记忆神 经网络分别对两类数据进行特征提取,利用两种模态数据间的信息互补和交 互,以特征连接融合的方式同时保证了模型预测的准确率和时效性。传统的 两种预测方法受数据本身缺陷的制约,难以同时兼顾准确率和时效性,而这 两项指标都是衡量煤与瓦斯突出预测能否指导生产实践所不可或缺的。所以 本方法有效整合煤矿生产过程中产生的不同类型的数据,借助于多模态输入 技术有效整合信息特征,从而提高了煤与瓦斯突出预测的准确率和时效性, 为煤矿安全生产提供了一种新的技术手段。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细 实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本 发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动 性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明的系统框图;
图2为本发明的瓦斯浓度数据簇示意图;
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图 对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发 明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以 在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体 实施方式的限制。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发 明的实施方式作进一步地详细描述。
实施例
以盘江矿区煤矿为例,采用本方法进行突出危险性预测,训练精度达到 93.48%,验证精度达到90%,相比传统的神经网络等煤与瓦斯突出预测方法, 预测准确率提高了至少5个百分点。
采集现场基础数据。
1.1根据矿井生产资料、监测监控系统储存数据信息,采集或测试包括瓦 斯压力、瓦斯含量、埋深、断层密度、泥岩厚度、围岩强度系数、煤厚变异 系数、煤层倾角变异系数、瓦斯放散初速度、煤厚、煤层倾角、煤的坚固性 系数共12个基础参数值,共采集了56组基础数据,其中20组数据具有突出 危险、36组数据无突出危险性(表1)。其中瓦斯压力、瓦斯含量、埋深、 泥岩厚度、瓦斯放散初速度、煤厚、煤层倾角和煤的坚固性系数根据现场实 测获得,断层密度是指统计单位面积(100m×100m)内断层数量,主要反 映该地质块段内断层的发育程度。围岩强度系数、煤厚变异系数和煤层倾角 变异系数根据以下公式计算获得:
(1)围岩强度系数统计煤层顶底板10米范围内砂岩及其他强岩层占比, 其计算公式如公式4所示:
式中,H是围岩强度系数;
mi是强岩层厚度;
li是强岩层和煤层的距离。
(2)煤厚变异系数通过计算统计地质块段内钻孔煤厚和该地段平均煤厚 的比值,来表征煤层厚度变化与煤与瓦斯突出之间的关系,该计算公式如公
式5所示:
式中,I是煤厚变异系数;
M是煤厚;
(3煤层倾角变异系数统计地质块段(按100×100m)内煤层倾角和平均 倾角的偏离程度,其计算公式如公式6所示:
其中,S是煤层倾角变异系数;
αi是第i点煤层倾角;
n是煤层倾角数量;
表1地质指标数据
1.2按每隔60s从T0甲烷传感器采集一次数据,与1.1中的地质指标相对 应,以突出前一天的数据作为预测数据,共采集80640个瓦斯浓度数据(图2)。
2.将数据读入模型。无论是地质指标数据还是瓦斯浓度数据都通过excel 表格来进行保存,本方法通过pandas库里面的read_excel函数分别将地质 指标数据和瓦斯浓度数据及标签读入程序当中。
3.数据预处理。
3.1数据标准化。利用公式1对地质指标数据和瓦斯浓度时间序列数据值 减去特征平均值,再除以标准差,从而使得特征平均值为0,标准差为1。
3.2对于瓦斯浓度数据,需要应用numpy库中的array函数将存储在列表 中的数据转换为数组形式。
4.模型的建立。整个模型的结构如表4所示。
4.1利用全链接神经网络对地质指标进行特征提取。本例共有12个地质 评价指标,所以确定深度学习的输入层m为12,分别对应影响煤与瓦斯突出 的12个地质因素,由于样本数量有限,所以隐含层层数和神经单元个数不宜 太多,防止太早进入过拟合,所以确定隐含层层数为1层,神经元个数为16 个。由于该模型实际上是一个两分类问题,网络实际输出的是一个有无突出 危险性的概率值,所以使用交叉熵损失函数(binary_crossentropy)作为损 失函数。优化器决定如何基于损失函数对网络进行更新,属于随机梯度下降 (SGD)的某个变体,本发明使用relu(Rectified linear unit)激活函数 作为模型的优化器。
4.2利用长短期记忆神经网络对瓦斯浓度时间序列数据进行特征提取。时 间序列长度是每次输入模型的数据序列的长度,长度选取太长,表现突出的 个别数据会被大量的非突出数据所淹没,模型可能无法明显辨别未来一段时 间是否会发生突出;长度选择太短,数据波动差异会比较大,规律反而不明 显。经过试算,本发明选择1天即1440个数据长度作为时间序列的长度,对 后续一天有无突出危险性进行预测,所以LSTM的输入矩阵为[1440,1],隐含 层同样为1层,神经元的个数同样为16个。
4.3特征连接。将步骤4.1得到的地质指标特征向量和步骤4.2得到的瓦 斯浓度序列特征向量通过concatenate函数进行连接,特征向量分别为16和 16,共同组成一个32维的综合特征向量。
4.4特征融合。将连接后的特征向量输入一个全链接层,利用sigmoid激 活函数将综合特征向量映射至目标数组空间,输出最终的分类结果与相应的 概率。
表3多模态输入模型示意
5保存最好的模型。为防止模型过拟合,通过keras库中的回调函数下面 的ModelCheckpoin函数保存最佳模型,模型评价依据为验证精度,最佳模型 保存名称为"weights_import.hdf5"。
6.训练模型。将表1、表3中的数据输入模型进行训练,设置epochs即 迭代次数为20次,batch_size即一个批次为10个数据样本, validation_split为0.2(即训练集和验证集的比值为8:2)。模型最初的训 练精度为0.7826,验证精度为0.7,经过16次迭代之后训练精度变为0.9348, 验证精度为0.9,之后训练精度继续提高到0.9565,但是验证精度急剧下降 到0.3,说明在16次迭代之后模型开始出现过拟合,最佳模型是第16次迭代 得到的模型,该模型保存到了"weights_import.hdf5"中,详见表4。
表4模型训练结果
7加载最佳模型。通过keras库中的model.load_weight函数读取模型 训练过程中所保存的最佳模型"weights_import.hdf5"的权重。
8.利用最佳模型对工作面突出危险性进行判定。将该模型应用到工作面 对煤与瓦斯突出危险性进行预测,共获得10天数据,将验证集输入已训练好 的模型,与实际结果进行对比,即回判验证,回判结果如表5所示。
表5煤与瓦斯突出危险性预测回判结果验证
与实际结果进行对比分析,除8号样本突出预测错误之外,其余9次预 测结果与实际完全一致,说明该可靠,能够满足煤与瓦斯突出预测的需要。 与传统的预测方法相比,多模态输入的预测模型能够反映众多不同格式的影 响因素,发现并刻画问题内部复杂的结构特征,故而能够很大程度提高预测 性能。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本 发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的 部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特 征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况 进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并 不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有 技术方案。
Claims (9)
1.一种多模态输入的煤与瓦斯突出危险预测方法,其特征在于,包括:数据准备模块、地质指标特征提取模块、时间序列特征提取模块、特征连接模块和分类输出模块;
数据准备模块接收包括工作面地质指标和相应工作面瓦斯浓度序列数据的多模态原始数据,经预处理得到地质特征矩阵并对矩阵进行标准化处理,对时间序列数据进行解析同样通过标准化处理并转换成一个Numpy数组,两类数据经过处理之后分别生成训练样本集和测试样本集,所述的训练样本集和测试样本集之比优选为8:2;
将对应的训练样本集输入到地质指标特征提取模块中的全链接层神经网络对网络进行训练,对地质指标进行特征提取;
将对应的训练样本集输入到时间序列特征提取模块中的长短期记忆神经网络进行训练,对时间序列数据进行特征提取;
特征连接模块通过连接和融合将两类特征进行融合并共同传输至分类输出模块,分类输出模块采用全链接层利用sigmoid激活函数实现煤与瓦斯突出与否的结果输出,从而实现煤与瓦斯突出预测,经训练集数据训练之后,将该模型应用于测试集数据,获取测试集数据的预测分类标签,并与实际结果相比较,从而评估整个模型的准确率以及是否存在过拟合问题。
2.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法,其特征在于,所述的张量数据是指:一个n维的数组或列表,是矢量概念和矩阵概念的推广。
3.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法,其特征在于,所述的时间序列数据是指:是在不同时间上收集到的数据,用于所描述现象随时间变化的情况,这类数据反映了某一事物、现象等随时间的变化状态或程度。
5.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法,其特征在于,所述的全链接层神经网络是指:每个神经网络单元都和其他所有单元相连接,能够尝试映射任意两个输入特征的关系,最常用于张量数据,包括:接收张量数据的输入层、提取数据特征的隐藏层和用于输出分类结果的输出层,通常如果数据量比较大,隐藏层还可能不止一层。其中每一层网络都包含一定数量的神经元,各层通过优化器对权重进行更新,通过损失函数来确定模型是否满足精度要求,最后通过各层的线性堆叠来构成网络。
6.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法,其特征在于,所述的长短期记忆神经网络是指:针对数据的长短期依赖关系所提出的一个十分经典的循环神经网络结构,实质是一种重复神经网络模块的链式,相比较于传统的循环神经网络,它增加了一种携带信息跨越多个时间步的方法,具体方法是可以通过内部的门结构,包括遗忘门,更新门,输出门,来对之前的输入信息进行增加与遗忘。
7.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法,其特征在于,所述的特征连接是指:将全连接层神经网络输出和长短期记忆神经网络输出进行拼接操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011163596.9A CN112308306A (zh) | 2020-10-27 | 2020-10-27 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011163596.9A CN112308306A (zh) | 2020-10-27 | 2020-10-27 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308306A true CN112308306A (zh) | 2021-02-02 |
Family
ID=74330352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011163596.9A Pending CN112308306A (zh) | 2020-10-27 | 2020-10-27 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308306A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712895A (zh) * | 2021-02-04 | 2021-04-27 | 广州中医药大学第一附属医院 | 一种针对2型糖尿病并发症的多模态大数据的数据分析方法 |
CN113743486A (zh) * | 2021-08-23 | 2021-12-03 | 北京科技大学 | 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 |
CN114046179A (zh) * | 2021-09-15 | 2022-02-15 | 山东省计算中心(国家超级计算济南中心) | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
CN115565623A (zh) * | 2022-10-19 | 2023-01-03 | 中国矿业大学(北京) | 一种煤地质成分的分析方法、系统、电子设备及存储介质 |
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 |
CN116738226A (zh) * | 2023-05-26 | 2023-09-12 | 北京龙软科技股份有限公司 | 一种基于自可解释注意力网络的瓦斯涌出量预测方法 |
CN116975775A (zh) * | 2023-06-29 | 2023-10-31 | 中信重工开诚智能装备有限公司 | 基于多模态数据融合的煤矿瓦斯突出预测的深度学习方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850901A (zh) * | 2015-04-27 | 2015-08-19 | 辽宁工程技术大学 | 一种基于多模型预测瓦斯浓度的软测量方法及系统 |
CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108399435A (zh) * | 2018-03-21 | 2018-08-14 | 南京邮电大学 | 一种基于动静特征的视频分类方法 |
CN108460089A (zh) * | 2018-01-23 | 2018-08-28 | 哈尔滨理工大学 | 基于Attention神经网络的多元特征融合中文文本分类方法 |
CN108540338A (zh) * | 2018-03-08 | 2018-09-14 | 西安电子科技大学 | 基于深度循环神经网络的应用层通信协议识别的方法 |
CN109325470A (zh) * | 2018-10-24 | 2019-02-12 | 山西潞安环保能源开发股份有限公司 | 基于瓦斯浓度参数的井下工作面作业类型智能识别方法 |
CN110097225A (zh) * | 2019-05-05 | 2019-08-06 | 中国科学技术大学 | 基于动静态深度表征的协同预测方法 |
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
CN110163347A (zh) * | 2019-05-24 | 2019-08-23 | 刘斌 | 一种煤矿井下人体姿态监测方法 |
CN110659767A (zh) * | 2019-08-07 | 2020-01-07 | 浙江工业大学 | 一种基于lstm-cnn深度学习模型的股票趋势预测方法 |
CN111309909A (zh) * | 2020-02-13 | 2020-06-19 | 北京工业大学 | 一种基于混合模型的文本情感分类方法 |
-
2020
- 2020-10-27 CN CN202011163596.9A patent/CN112308306A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850901A (zh) * | 2015-04-27 | 2015-08-19 | 辽宁工程技术大学 | 一种基于多模型预测瓦斯浓度的软测量方法及系统 |
CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
CN108460089A (zh) * | 2018-01-23 | 2018-08-28 | 哈尔滨理工大学 | 基于Attention神经网络的多元特征融合中文文本分类方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108540338A (zh) * | 2018-03-08 | 2018-09-14 | 西安电子科技大学 | 基于深度循环神经网络的应用层通信协议识别的方法 |
CN108399435A (zh) * | 2018-03-21 | 2018-08-14 | 南京邮电大学 | 一种基于动静特征的视频分类方法 |
CN109325470A (zh) * | 2018-10-24 | 2019-02-12 | 山西潞安环保能源开发股份有限公司 | 基于瓦斯浓度参数的井下工作面作业类型智能识别方法 |
CN110097225A (zh) * | 2019-05-05 | 2019-08-06 | 中国科学技术大学 | 基于动静态深度表征的协同预测方法 |
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
CN110163347A (zh) * | 2019-05-24 | 2019-08-23 | 刘斌 | 一种煤矿井下人体姿态监测方法 |
CN110659767A (zh) * | 2019-08-07 | 2020-01-07 | 浙江工业大学 | 一种基于lstm-cnn深度学习模型的股票趋势预测方法 |
CN111309909A (zh) * | 2020-02-13 | 2020-06-19 | 北京工业大学 | 一种基于混合模型的文本情感分类方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712895A (zh) * | 2021-02-04 | 2021-04-27 | 广州中医药大学第一附属医院 | 一种针对2型糖尿病并发症的多模态大数据的数据分析方法 |
CN112712895B (zh) * | 2021-02-04 | 2024-01-26 | 广州中医药大学第一附属医院 | 针对2型糖尿病并发症的多模态大数据的数据分析方法 |
CN113743486A (zh) * | 2021-08-23 | 2021-12-03 | 北京科技大学 | 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 |
CN113743486B (zh) * | 2021-08-23 | 2023-09-29 | 北京科技大学 | 应用炮后瓦斯浓度预测掘进头煤与瓦斯突出危险的方法 |
CN114046179A (zh) * | 2021-09-15 | 2022-02-15 | 山东省计算中心(国家超级计算济南中心) | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
CN114046179B (zh) * | 2021-09-15 | 2023-09-22 | 山东省计算中心(国家超级计算济南中心) | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
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 |
CN115565623A (zh) * | 2022-10-19 | 2023-01-03 | 中国矿业大学(北京) | 一种煤地质成分的分析方法、系统、电子设备及存储介质 |
CN116738226A (zh) * | 2023-05-26 | 2023-09-12 | 北京龙软科技股份有限公司 | 一种基于自可解释注意力网络的瓦斯涌出量预测方法 |
CN116738226B (zh) * | 2023-05-26 | 2024-03-12 | 北京龙软科技股份有限公司 | 一种基于自可解释注意力网络的瓦斯涌出量预测方法 |
CN116975775A (zh) * | 2023-06-29 | 2023-10-31 | 中信重工开诚智能装备有限公司 | 基于多模态数据融合的煤矿瓦斯突出预测的深度学习方法 |
CN116975775B (zh) * | 2023-06-29 | 2024-01-30 | 中信重工开诚智能装备有限公司 | 基于多模态数据融合的煤矿瓦斯突出预测的深度学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308306A (zh) | 一种多模态输入的煤与瓦斯突出危险预测方法 | |
CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
CN113723595B (zh) | 基于微震事件定量预测的煤矿冲击地压智能预警方法 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
CN114492980B (zh) | 一种城镇燃气埋地管道腐蚀风险的智能预测方法 | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
CN115879654A (zh) | 一种地下巷道稳定性预测和可靠性评价方法 | |
CN115688251A (zh) | 基于深度学习的地震多发区隧道风险决策方法及系统 | |
CN114488311A (zh) | 基于ssa-elm算法的横波时差预测方法 | |
CN111462037B (zh) | 一种地质勘探钻孔质量检测方法 | |
CN112183901A (zh) | 一种基于深度学习的煤与瓦斯突出强度预测方法 | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN111273352A (zh) | 地质构造智能检测方法、装置与电子设备 | |
CN116427915A (zh) | 基于随机森林的常规测井曲线裂缝密度预测方法及系统 | |
CN111210147B (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
CN115310705A (zh) | 瓦斯涌出量的确定方法及其装置、计算机可读存储介质 | |
CN114896468A (zh) | 基于神经网络的文件类型匹配方法和数据智能录入方法 | |
CN114117654A (zh) | 一种基于机器学习的水平井射孔优化设计方法及装置 | |
CN112668749A (zh) | 一种基于类标加权极限学习机的煤矿瓦斯预警方法 | |
CN111274736A (zh) | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 | |
CN115511341B (zh) | 一种库岸边坡时变失效概率评估方法及装置 | |
CN116011234B (zh) | 一种融合地质力学和贝叶斯的压前套变风险等级判识方法 |
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: 20210202 |