清华大学学报(自然科学版)

作者：罗振敏, 张利冬, 宋泽阳

单位：1. 西安科技大学 安全科学与工程学院, 西安 710054;<br>2. 陕西省工业过程安全与应急救援工程技术研究中心, 西安 710054

关键词：煤自燃,CO体积分数预测,长短期记忆(LSTM)网络,深度学习

基金：国家自然科学基金项目(52174200)

煤自燃是煤矿的主要自然灾害之一。煤自燃的物理化学过程十分复杂,且影响因素众多,给煤自燃危险性的预测带来很大的挑战。利用深度学习理论与方法加强对煤自燃危险性预测技术的研究,有助于提升煤矿安全生产智能化管控水平。该研究运用循环神经网络(RNN)、长短期记忆(LSTM)网络和门控循环单元(GRU) 3 种算法,建立了采空区CO动态序列预测模型。对数据集进行特征变量分布检验以及数据归一化处理,降低了变量依赖性。在模型构建过程中,添加了全连接层和Dropout类以避免模型出现过拟合,通过均方误差确定模型的选代次数,引入了平均绝对误差、均方根误差和确定系数3个模型性能检验指标,分析优化了模型的参数,检验了模型性能。研究结果表明:RNN、LSTM和GRU模型均能实现对CO体积分数的动态预测,且误差小于1 %;在同一序列数据下,LSTM模型预测精度最高,其次是RNN模型和GRU模型。

来源：2024年第6期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2024年第6期