一个采矿水源预测模型基于LIF技术和BWO-ELM
Pengcheng Yan1,2,3, Guodong Li4, Wenchang Wang2
1State Key Laboratory of Mining Response and Disaster Prevention and Control in Deep Coal Mine, Anhui University of Science and Technology, Huainan, 232001, China.
Journal of fluorescence
|January 25, 2024
概括
激光诱导光 (LIF) 与贝卢加优化-极端学习机器 (BWO-ELM) 结合,可以准确地识别煤矿水源. 这种先进的方法克服了传统的局限性,提高了采矿操作的安全性和效率.
科学领域:
- 地质科学 地质科学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 传统的煤矿水源识别方法很慢,可能会造成样本污染.
- 激光诱导光 (LIF) 为水源识别提供高灵敏度和实时检测.
- 极端学习机器 (ELM) 模型面临随机权重和偏差选择的挑战.
研究的目的:
- 开发和评估一个优化的模型,以快速准确地识别煤矿水源.
- 通过集成先进的优化算法来解决传统方法和标准ELM的局限性.
- 通过防止水冲撞灾害,提高煤矿运营的安全性和效率.
主要方法:
- 激光诱导光 (LIF) 技术用于从混合水样中收集光谱数据.
- 数据预处理涉及多项式光滑 (SG) 和光谱多重散射校正 (MSC).
- 使用因子分析 (FA) 和线性差异分析 (LDA) 进行了尺寸缩小.
- 优化的ELM模型,包括白鱼优化ELM (BWO-ELM) 和粒子群优化ELM (PSO-ELM),被构建并与标准ELM和长短期记忆 (LSTM) 相比较.
主要成果:
- SG-LDA-BWO-ELM模型表现出卓越的性能,配合系数为0.99990.
- 这种优化模型实现了根平均平方误差为0.00041和平均绝对误差为0.00021.
- 在所有测试模型中,BWO-ELM模型表现出最佳的收率和最小的绝对误差.
结论:
- 集成的LIF和SG-LDA-BWO-ELM方法为识别煤矿水源提供了一个高度准确和高效的方法.
- 这项技术对于及时检测潜在的水冲入至关重要,大大提高了矿山的安全性.
- 这些发现支持先进的人工智能驱动的光谱分析的应用,用于采矿行业的积极预防灾害.
