构建和应用一种基于WGAN-CNN的新型预测方法,用于在地下煤矿工作面上的尘埃度
Banghao Zhou1,2, Botao Qin3,4, Qun Zhou1,2
1Key Laboratory of Gas and Fire Control for Coal Mines, China University of Mining and Technology, Ministry of Education, Xuzhou, 221116, Jiangsu, China.
概括
一个新的WGAN-CNN模型准确地预测了地下煤矿灰尘度,改进了预警系统. 这种方法通过提供可靠的实时尘埃监测和控制来提高安全性.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
- 环境监测 环境监测
背景情况:
- 地下煤矿面临着来自尘埃灾害的重大风险.
- 实时监控和预警系统对于减轻这些风险至关重要.
- 现有的方法可能缺乏有效控制灰尘所需的准确性和稳定性.
研究的目的:
- 开发一种新的预测方法,用于地下煤矿灰尘度.
- 增强实时监测和尘埃灾害早期预警能力.
- 提高尘埃度预测模型的准确性和通用性.
主要方法:
- 使用了新的瓦斯斯坦生成对抗网络 (WGAN) 与卷积神经网络 (CNN) 结合用于尘埃度预测.
- 收集的数据包括尘埃度,风速,温度和甲度,承认它们的非线性关系.
- 使用主要组件分析 (PCA) 来减少维度,以验证数据分布的一致性和使用R2,EVS,MSE,RMSE和MAE评估性能,与随机森林回归器,MLP回归器和线性SVR进行比较.
主要成果:
- 该WGAN-CNN模型显示出卓越的预测准确性,R2值超过98%和MSE值在0.0007到0.0106.
- 生成的数据分布与原始数据集分布密切匹配,显示波动性和分散性降低.
- 提出的方法在预测准确性和模型概括性方面表现优于随机森林回归器,MLP回归器和线性SVR.
结论:
- 基于WGAN-CNN的方法显著提高了地下煤矿灰尘灾害的实时监测和预警系统.
- 该模型的卓越准确性和强大的概括能力使得先进的防范和控制措施更容易防止与尘埃相关的危险.
- 该方法显示了广泛的应用潜力,可以提高地下采矿环境中的安全性和运营效率.
