在采矿影响下的先进液压支系统的空间态度预测的方法和实验验证

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
• 地质技术工程 地质技术工程

背景情况:

• 矿山道路面临复杂的干扰,导致岩石变形和潜在的安全危险.
• 精确预测先进的液压支态度对于管理变形和确保安全至关重要.
• 传统的长短期内存 (LSTM) 网络在参数选择方面存在局限性,影响预测准确性和实时性能.

研究的目的:

• 为先进的液压支组开发一个优化的空间态度预测方法.
• 提高智能采矿操作的态度预测模型的准确性和效率.
• 在参数优化方面解决传统LSTM网络的局限性.

主要方法:

• 建议使用鱼优化算法 (WOA) 和LSTM (WOA-LSTM) 组合的空间态度预测方法.
• 利用WOA算法优化关键的LSTM训练参数,包括隐藏层神经元的数量和学习速度.
• 使用实验平台进行实验监测和比较分析,以验证模型的性能.

主要成果:

• WOA-LSTM模型实现了0.18°的平均绝对误差 (MAE),0.23°的根平均平方误差 (RMSE) 和1.3%的平均绝对百分比误差 (MAPE) 在顶光束转角预测中.
• 与传统的LSTM模型相比,证明了0.2° (MAE),0.2° (RMSE) 和1.6% (MAPE) 的显著误差降低.
• 展示了高级支态度预测的增强精度和参数优化效率.

结论:

• WOA-LSTM模型提供了一种更准确,更有效的方法来预测先进液压支的空间态度.
• 这种方法为智能,安全和高效的采矿操作提供了强大的理论和技术支持.
• 通过WOA优化参数选择显著提高了采矿应用中基于LSTM的预测模型的性能.