文献类型：期刊文章

作　　者：张震[1] 朱权洁[1] 李青松[2] 刘衍[3] 张尔辉[1] 赵庆民[4] 秦续峰[4]

ZHANG Zhen;ZHU Quanjie;LI Qingsong;LIU Yan;ZHANG Erhui;ZHAO Qingmin;QIN Xufeng(School of Safety Engineering,North China Institute of Science and Technology,Sanhe065201,China;Guizhou Mine Safety Scientific Research Institute,Guiyang 550025,China;Shiyan Company of Hubei Tobacco Company,Shiyan 442000,China;Shandong Energy Zibo Mining Group Co.,Ltd.,Zibo 255000,China)

机构地区：[1]华北科技学院安全工程学院,河北三河065201 [2]贵州省矿山安全科学研究院,贵州贵阳550025 [3]湖北省烟草公司十堰市公司,湖北十堰442000 [4]山东能源淄博矿业集团有限责任公司,山东淄博255000

出　　处：《安全与环境工程》

基　　金：河北省高等学校科学研究计划项目(Z2020124);贵州省科技计划项目([2018]3003-1、[2018]3003-2);贵州省优秀青年科技人才培养计划项目([2019]5675)。

年　　份：2021

卷　　号：28

期　　号：1

起止页码：61-67

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、JST、ZGKJHX、核心刊

摘　　要：瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义。针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型。该模型首先对矿井瓦斯浓度时间序列进行标准化处理,并将处理后的时间序列划分为训练集与测试集;然后通过调用测试集数据进行模型训练,利用提出的基于LSTM网络建立的矿井瓦斯浓度多步预测模型,实现了对矿井瓦斯浓度发展趋势的预测,并利用损失函数计算预测误差大小,评估模型的预测精度;最后以贵州某煤矿掘进工作面为工程背景,利用基于LSTM网络建立的矿井瓦斯浓度多步预测模型,开展了矿井瓦斯浓度预测研究,并通过与ARMA模型、ARIMA模型的预测结果进行对比,验证该模型的预测效果。结果表明:该模型预测结果的均方根误差RMSE值最小仅为2%,且预测步长约为ARMA模型、ARIMA模型的5倍,说明该模型的预测效果好,可为煤矿井下合理规避瓦斯灾害事故提供科学依据。

关 键 词：瓦斯浓度预测  LSTM  神经网络 PYTHON 多步预测

分 类 号：X936[安全科学与工程类] TD712]