-
公开(公告)号：CN117350544A
公开(公告)日：2024-01-05
申请号：CN202311339877.9
申请日：2023-10-17
Applicant: 太原理工大学
IPC: G06Q10/0635 , G06Q10/0637 , G06N3/04 , G06F17/16
Abstract: 一种基于机器学习模型的巷道瓦斯时空分布预测方法，属于矿井灾害智能防控技术领域，解决巷道内瓦斯浓度预测的准确性和实时性的技术问题，包括以下步骤：将控制方程在空间和时间上离散化，提取流场局部区域内的预测值作为约束块；将控制方程分解为约束矩阵和预测矩阵；最后，基于约束矩阵构造符合瓦斯对流扩散控制方程的超平面，并将预测矩阵投影到该超平面上，得到满足对流扩散方程约束的预测。本发明从物理模型预测和大数据预测两种角度对巷道瓦斯浓度进行建模，既能借助物理模型充分提取并利用潜在物理过程中的有效信息，又能结合循环神经网络善于提取时序数据特征、保留数据间的依赖关系、泛化能力相对好的优势。
-
公开(公告)号：CN117350544B
公开(公告)日：2025-02-07
申请号：CN202311339877.9
申请日：2023-10-17
Applicant: 太原理工大学
IPC: G06Q10/0635 , G06Q10/0637 , G06N3/04 , G06F17/16
Abstract: 一种基于机器学习模型的巷道瓦斯时空分布预测方法，属于矿井灾害智能防控技术领域，解决巷道内瓦斯浓度预测的准确性和实时性的技术问题，包括以下步骤：将控制方程在空间和时间上离散化，提取流场局部区域内的预测值作为约束块；将控制方程分解为约束矩阵和预测矩阵；最后，基于约束矩阵构造符合瓦斯对流扩散控制方程的超平面，并将预测矩阵投影到该超平面上，得到满足对流扩散方程约束的预测。本发明从物理模型预测和大数据预测两种角度对巷道瓦斯浓度进行建模，既能借助物理模型充分提取并利用潜在物理过程中的有效信息，又能结合循环神经网络善于提取时序数据特征、保留数据间的依赖关系、泛化能力相对好的优势。
-
公开(公告)号：CN119494430A
公开(公告)日：2025-02-21
申请号：CN202411421665.X
申请日：2024-10-12
Applicant: 太原理工大学
Abstract: 本发明提供一种基于数值模拟和深度学习的钻孔抽采参数双层优化方法，涉及瓦斯抽采参数优化技术领域，解决煤层瓦斯顺层抽采工艺参数调节精度不足的技术问题，包括以下步骤：根据具体问题建立考虑多效应的数值模型，输入压裂参数模拟产生瓦斯浓度预测数据集；对预测数据集进行硬约束映射，形成模拟数据集，结合经验数据集输入深度学习模型以反向优化该数值模型，校正裂缝形态；在上述数值模型基础上，采用EDFM模型，输入抽采工艺参数进行数值模拟得到瓦斯采量预测集，经硬约束映射获得新的模拟样本集，结合经验样本集输入深度学习模型训练，最终获得最优抽采工艺参数，提高整体模型的预测精度。
-
公开(公告)号：CN117371813A
公开(公告)日：2024-01-09
申请号：CN202311339914.6
申请日：2023-10-17
Applicant: 太原理工大学
IPC: G06Q10/0637 , G06F18/2135 , G06F18/213 , G06F17/15 , G06Q50/26
Abstract: 一种基于模型和大数据双驱动的巷道瓦斯浓度预测方法，属于矿井灾害智能防控技术领域，解决巷道内瓦斯浓度预测的准确性和实时性的技术问题，包括以下步骤：将煤矿巷道环境参数、瓦斯浓度历史特征数据集和物理方程特征数据集共同组成数据集，通过卷积神经网络RNN进行训练得到预测值；进而通过模型评价和优化，在标准RNN的损失函数中增加气体扩散准则约束，并采用标准的反向传播算法和Adam优化器对学习模型进行训练，直至损失函数结果最小化，最终实现巷道气体浓度的准确预测。本发明能够实现巷道瓦斯浓度的准确、快速预测，为煤矿安全决策提供可靠的数据支撑，有效保障煤矿安全高效开采。
-
-
-
Search Results
4
records
(took 0.014 seconds)
