Research on intelligent design of coal mine roadway support scheme
-
摘要: 目前煤矿巷道支护方案设计仍以人工设计、工程类比、FLAC模型模拟为主，存在主观性强、普适性低、未充分利用煤矿支护大数据等问题，而基于专家系统的设计方法规则设定程序繁琐，工程量大，智能化程度较低。将案例推理（CBR）和深度学习技术引入巷道支护方案设计领域，基于煤矿支护规程、支护规范及煤矿巷道地质报告等文本大数据，提出了一种煤矿巷道支护方案智能设计方法。获取346份不同煤矿的巷道支护资料，抽取结构化数据并划分为输入、输出参数，通过常属性变量滤波和高相关性滤波方法对输入、输出参数进行优化。建立CBR模型，并将抽取的结构化数据导入CBR模型，形成支护方案比选案例库，计算新的巷道支护方案与历史方案的相似度，输出相似度最高的3条历史方案进行对比，实现相似案例比选。分别采用BP神经网络和基于长短期记忆（LSTM）网络建立煤矿巷道支护方案自动生成模型，通过对比预测指标，确定采用基于LSTM模型与CBR模型结合，建立煤矿巷道支护方案智能设计系统。将该系统用于不连沟煤矿掘进F6226工作面辅运巷支护方案设计，通过试验验证了系统生成方案下巷道两帮变形量和顶板最大位移均小于人工设计方案，巷道顶板及两帮完整性较好，围岩承载能力增强，支护效果明显。Abstract: Currently, the design of coal mine roadway support schemes is still mainly based on manual design, engineering analogy, and FLAC model simulation, which has problems such as strong subjectivity, low universality, and insufficient utilization of coal mine support big data. The design method based on expert systems has cumbersome rule setting procedures, large engineering quantities, and low intelligence. Case based reasoning (CBR) and deep learning techniques are introduced into the field of roadway support scheme design. Based on text big data such as coal mine support regulations, support standards, and coal mine roadway geological reports, an intelligent design method for coal mine roadway support scheme is proposed. The method obtains 346 sets of roadway support data from different coal mines, extracts structured data and divides it into input and output parameters, and optimizes the input and output parameters through constant attribute variable filtering and high correlation filtering methods. The method establishes a CBR model and imports the extracted structured data into the CBR model to form a case library of support scheme comparison and selection. The method calculates the similarity between the new roadway support scheme and the historical scheme, and outputs the three historical schemes with the highest similarity for comparison, achieving similar case comparison. BP neural network and long short term memory (LSTM) network are respectively used to establish automatic generation models for coal mine roadway support schemes. By comparing the prediction indicators, it is determined to use the combination of LSTM model and CBR model to establish an intelligent design system for coal mine roadway support scheme. The system is used for the design of auxiliary transportation roadway support scheme in the F6226 working face of Buliangou Coal Mine excavation. Through experiments, it is verified that the deformation of the two sides of the roadway and the maximum displacement of the roof under the system generated scheme are smaller than those under the manual design scheme. The integrity of the roadway roof and two sides is good, the bearing capacity of the surrounding rock is enhanced, and the support effect is significant.
-
0. 引言
煤矿综采设备长期在潮湿、煤尘环境下运行，且受到巨大冲击载荷和异常振动的影响，导致故障频发，从而直接影响生产[1-3]。通过采集到的设备状态信息实现故障诊断，是实现煤矿智能化、无人化目标的关键环节。目前，已有学者对综采设备故障诊断问题展开研究。李旭等[4]利用云平台等技术构建了综采设备群的远程故障诊断系统，提高了综采设备的维护效率，但故障诊断的实现依赖于专家经验。张旭辉等[5]基于深度迁移学习，结合采煤机运行过程中的振动信号，对采煤机摇臂部的滚动轴承进行故障诊断，一定程度上解决了故障诊断依赖专家经验的问题，但采煤机摇臂部滚动轴承的故障诊断仅为综采工作面的单一设备服务。现有研究都缺乏对综采设备历史故障数据的系统化管理及应用。
近年来，有学者开始研究系统管理中故障知识的结构化和可视化问题，将知识图谱引入电源系统故障诊断、电网故障处理等应用中[6-8]，取得了一定成效。知识图谱技术可以有效解决目前实际生产过程中综采设备故障诊断依赖专家经验且历史故障数据难以有效利用的问题。因此，本文将知识图谱应用到煤矿综采设备故障知识管理中，根据综采设备故障数据特点，采用双向长短期记忆（Bi-directional Long Short-Term Memory，BiLSTM）−条件随机场（Conditional Random Field，CRF）模型进行命名实体抽取，通过Neo4j图数据库对提取的故障知识进行存储，构建综采设备故障知识图谱。
1. 综采设备故障知识图谱构建
构建综采设备故障知识图谱的主要步骤：① 明确综采工作面设备故障知识构建需求，确定故障知识本体并对故障知识进行预处理。② 利用基于文本数据的BiLSTM−CRF模型对综采设备故障原始语料进行命名实体识别，并通过人工抽取实体关系，从而实现故障知识抽取。③利用Neo4j图数据库存储综采设备故障知识，构建综采设备故障知识图谱。
1.1 故障知识本体构建及预处理
故障知识能够快速有效地辅助工作人员分析故障原因并获取处理方法。综采设备故障知识主要以文本数据为主，通过检修日志、专家经验、技术文档、网络爬取等技术手段获取[9]。综采设备故障知识结构如图1所示。
![]()
图 1 综采设备故障知识结构Figure 1. Fault knowledge structure of fully mechanized mining equipment根据综采设备故障知识图谱的构建需求，采用自顶而下的方法对综采设备故障知识进行本体构建[10]。将综采设备故障知识归纳为故障位置、故障现象、故障原因、处理方法4类，并进行规范化命名。
1） 故障位置规范化命名。故障位置的规范化命名需要精确定位到某设备。通过整理故障相关资料，故障位置包括采煤机、液压支架、破碎机、转载机、液压泵、刮板输送机、带式输送机。
2） 故障现象规范化命名。选择多个关键词与相应的故障现象进行匹配，从而快速、准确地描述故障现象。例如转载机的传动链条磨损问题可规范化命名为“传动链条磨损”。常见故障现象包括转载机传动链条磨损，液压支架立柱和千斤顶不动作、管路系统故障，乳化液泵运转噪声大、压力过高，带式输送机跑偏、减速机漏油，采煤机只能单向牵引、液压牵引部存在声响，刮板输送机刮板链断链、飘链、跳链或掉链等[11]。
3） 故障原因规范化命名。故障现象和故障原因存在一对一或一对多的关系，可采用故障原因1、故障原因2等进行规范化命名。
4） 处理方法规范化命名。一种故障原因与一种解决方法相对应，在规范化命名时应尽可能简洁明了，如“更换密封圈”“清洁周围杂物”“更换液压管”。
实体是构建综采设备故障诊断知识图谱最基本元素，实体的完整性和准确性将直接对综采设备故障知识库的整体质量产生影响。知识抽取是指从多种来源、多种结构类型的数据中提取需要的故障知识，形成结构化数据，以便存储到对应的知识图谱中[12]。知识抽取主要包括命名实体识别及实体关系抽取。实体关系是通过人工抽取的，因此本文重点介绍命名实体识别。
在进行命名实体识别前，采用通用的命名实体标注方法BIOES对综采设备故障知识进行人工标注[13]。BIOES方法中，B为综采设备故障实体起始位置(Begin)，I为综采设备故障实体内部(Inside)，O为非综采设备故障实体(Outside)，E为综采设备故障实体尾部(End)，S为单独一个综采设备故障实体(Single)。
1.2 命名实体识别模型构建
命名实体识别是知识抽取过程中最重要的一步，一般方法是通过深度学习技术[14]，从不同数据源中自动或半自动地抽取实体。传统的实体抽取技术主要包括CRF和BiLSTM。BiLSTM采用梯度下降法进行权值和阈值更新，易使参数陷入局部最优[15]。CRF可对特征进行归一化，求得全局最优解[16]。因此，本文将BiLSTM和CRF相结合，采用基于文本数据的BiLSTM−CRF模型对已标注的综采设备故障知识进行实体识别，该模型由字嵌入层、BiLSTM层、CRF层3个部分构成。
1.2.1 字嵌入层
字嵌入层的主要作用是将综采设备故障相关资料转换成模型可识别并能够进行计算的形式。对已经完成人工标注的综采设备故障语料进行简单预训练。建立综采设备故障语料库的词汇特征表，将每个字映射为低维稠密向量。综采设备故障数据语料中的故障语句，在词汇表中均可查找到与其相对应的字向量，将对应的字向量纵向拼接，可形成综采设备故障矩阵，该矩阵为后续模型的输入。
1.2.2 BiLSTM层
长短期记忆（Long Short-Term Memory，LSTM）网络是一种时间循环神经网络，通过有选择性地记忆综采设备故障信息，可以充分利用综采设备故障样本数据记录的绝大部分信息，从而快速准确地进行综采设备故障诊断[17-18]。LSTM网络结构如图2所示。
上一时刻综采设备故障输出ht−1与当前t时刻综采设备故障样本输入xt同时决定细胞状态Ct−1中需要被保留的综采设备故障信息。
$$ {f_t} = \sigma ({W_{\rm{f}}} ({h_{t - 1}},{x_t}) + {b_{\rm{f}}}) $$ (1) 式中：ft为遗忘程度；
$ \sigma $ 为Sigmoid激活函数；Wf为遗忘门权重；bf为遗忘门偏置。细胞状态Ct−1的主要作用是存储前一时刻的综采设备故障记忆数据。
$$ {C_t} = {f_t} {C_{t - 1}} + {i_t} {\tilde C_t} $$ (2) $$ {i_t} = \sigma ({W_{\rm{i}}} ({h_{t - 1}},{x_t}) + {b_{\rm{c}}}) $$ (3) $$ {\tilde C_t} = \tanh (W_{\rm{c}} ({h_{t - 1}},{x_t}) + {b_{\rm{c}}}) $$ (4) 式中：Ct为当前细胞状态；it为输入门对综采设备故障新数据的更新程度；
$ {\tilde C_t} $ 为当前新状态数据的候选值；Wi为输入门权重；bc为故障数据提取过程中的偏置；Wc为故障数据提取过程中的权重；tanh为激活函数。式（2）中，ftCt−1为当前需要被遗忘的综采设备故障数据，
$ {i_t} {\tilde C_t} $ 为目前需要被存储的综采设备故障数据。通过上述处理之后，所有需要的综采设备故障信息将被存储在记忆模块中，而后通过输出门输出综采设备故障数据。$$ {o_t} = \sigma ({W_{\rm{O}}} ({h_{t - 1}},{x_t}) + {b_{\rm{O}}}) $$ (5) $$ {h_t} = {o_t} \tanh ({C_t}) $$ (6) 式中：ot为输出门的输出；WO为输出门权重；ht为隐藏层的输出； bO为输出门偏置。
LSTM神经网络只能学习到前向数据，而双向的LSTM结构有利于充分利用综采设备故障知识的上下文信息数据，即利用前向和后向2个LSTM网络对序列进行建模。在处理序列任务时，同时考虑前面和后面的信息，从而更好地捕捉序列中的长期依赖关系和上下文信息，对文本序列的时序特征进行有效学习。BiLSTM网络结构如图3所示，Zt为输出数据。
首先将综采设备故障资料经过输入层输入，通过连接LSTM前传层与后传层的BiLSTM网络层对综采设备故障样本数据信息进行正序和逆序特征提取，将得到的2个故障向量进行拼接，形成新的故障向量，传入故障矩阵输出层，最后输出综采设备故障信息。
1.2.3 CRF层
CRF层对BiLSTM层输出的综采设备故障融合特征数据进行解码，通过特征函数得到各序列的转移概率，用Viterbi算法计算分数最高的序列标签[19]。
假设数据输入包含5个单词w0−w4，w0，w1为故障位置，w3为故障现象，w2，w4为非实体信息。经过CRF层后，输出各单词对应的预测标签，如图4所示。对应w0—w4的输出分别为B-Local（1.3），I-Local（0.4），O（0.1），B-Phenomenon（0.4），O（0.8）。B-Local为综采设备故障位置实体起始位置，I-Local为综采设备故障位置实体内部，B-Phenomenon为综采设备故障现象实体起始位置，I-Phenomenon为综采设备故障现象实体内部。
1.3 故障知识存储与查询
综采设备故障知识库属于垂直知识图谱，主要应用于煤矿井下综采工作面设备故障诊断，整体数据量较大。因此，将综采设备故障知识存储在Neo4j图数据库中[20]，以便于后续分析。在Windows 10环境下建立综采设备故障知识库，通过人机交互界面操作，实现故障知识图谱与用户之间的交流，从而完成故障诊断。综采工作面设备故障语料中每个实体为1个节点，每种关系为1条边，用来连接头实体和尾实体。结合BiLSTM−CRF模型的实体识别结果和人工抽取的实体关系，使用Neo4j图数据库构建综采设备故障知识图谱。综采设备故障知识图谱中共计1 384个实体节点，2 327种关系类型。为清晰展示图谱内容，选取部分综采设备故障知识图谱进行可视化展示，如图5所示。蓝色节点为故障位置，黄色节点为该故障位置出现的故障现象，节点以现象为边相互连接。
根据综采设备故障知识图谱，可设计知识问答系统，如图6所示。在知识问答界面输入问题，可得到相应的解决方案。
2. 实验分析
为了评估BiLSTM−CRF模型的准确性和有效性，采用对比模型BiLSTM、添加注意力机制的BiLSTM−Attention[21]进行实验分析。由于目前在综采设备故障方面没有公开数据集，结合专家经验、技术文档，采用网络爬取、矿山实地调研等方式获取综采设备故障相关文献资料作为实验语料。考虑到不同类型文献的格式、书写内容、书写方式不同，随机从文献中抽取30 000个句子，按照7∶3划分训练集和测试集，并通过手动分词构建训练语料。采用精确率、召回率和F1值作为评价指标评判实体识别模型的性能。实验结果见表1。可看出BiLSTM模型和BiLSTM−Attention模型精确率分别为69%，62%，BiLSTM−CRF模型的精确率显著提高，为87%，F1值也有一定幅度上升，为69%。各模型在训练与验证过程中的精确率变化如图7所示。相较于BiLSTM和BiLSTM−Attention，BiLSTM−CRF的精确率显著提升，且整体波动幅度较小。
表 1 不同模型的实验结果对比Table 1. Comparison of experimental results of different models% 模型 精确率 召回率 F1 BiLSTM 69 67 68 BiLSTM−Attention 62 63 63 BiLSTM−CRF 87 69 69 ![]()
图 7 各模型训练、验证过程中精确率变化曲线Figure 7. Accuracy curves of each model in training and verification process3. 结语
针对大规模综采设备的故障语料，采用自顶而下的方法对故障原始资料进行分析归类，构建综采设备故障知识本体；综合利用BiLSTM和CRF的优势，构建基于文本数据的BiLSTM−CRF模型，对人工标注的命名实体进行识别；通过Neo4j图数据库对提取的故障知识进行存储，完成综采设备故障知识图谱构建。实验结果表明，相较于BiLSTM模型和BiLSTM−Attention模型，BiLSTM−CRF模型精确率显著提高，为87%，F1值也有一定幅度上升，为69%。综采设备故障知识图谱的构建可为大规模、多域综采设备故障数据的有效分析、管理及应用提供支持。
-
![]()
图 1 煤矿巷道支护方案智能设计研究框架
Figure 1. Research framework for intelligent design of coal mine roadway support scheme
![]()
图 3 煤矿巷道支护方案自动生成模型预测结果
Figure 3. Prediction results of automatic generation model of coal mine roadway support scheme
![]()
图 4 煤矿巷道支护方案智能设计系统运行流程
Figure 4. Operation process of intelligent design system of coal mine roadway support scheme
![]()
图 5 煤矿巷道支护方案智能设计系统界面
Figure 5. Interface of intelligent design system of coal mine roadway support scheme
表 1 输入和输出参数优化结果
Table 1 Optimization results of input and output parameters
模型端口 参数类型 参数名称 输入端 开采 埋藏深度，开采方法，煤柱宽度，服务年限，层间距，围岩强度 顶板 直接顶厚度，基本顶厚度，抗压强度，泊松比，内摩擦角，直接顶初次垮落步距，直接顶厚度与采高比值 煤层 煤层厚度，煤层倾角，抗压强度，泊松比，内摩擦角 底板 直接底厚度，基本底厚度，抗压强度，泊松比，内摩擦角 巷道 断面形状，断面宽度，断面高度 地下水 正常涌水量 地应力 水平应力，垂直应力 输出端 支护方式 锚杆，锚索，网片，钢带，喷浆，钢棚 锚杆 锚杆类型，锚杆直径，锚杆长度，锚杆间距，锚杆排距，药卷类型，药卷数量，药卷直径，锚杆设计锚固力，锚杆预紧力，锚杆托盘类型，托盘规格 锚索 锚索类型，锚索直径，锚索长度，锚索间距，锚索排距，药卷类型，药卷数量，药卷直径，锚索设计锚固力，锚索预紧力，锚索托盘类型，托盘规格 网片 网片类型，铁丝直径，网孔大小，网片大小 钢带 钢带类型，钢带长度，钢带宽度，钢带厚度 喷浆 喷浆材料，喷浆厚度，喷浆浆体强度 钢棚 钢棚型号，钢棚间距 
下载: 导出CSV
表 2 输入参数权重赋值结果
Table 2 Weight of input parameters
输入参数 权重/% 输入参数 权重/% 埋藏深度 6.832 煤层抗压强度 4.899 开采方法 4.399 煤层泊松比 1.865 煤柱宽度 5.039 煤层内摩擦角 4.516 服务年限 3.502 直接底厚度 1.563 层间距 6.016 基本底厚度 1.397 围岩强度 3.724 底板抗压强度 2.070 直接顶厚度 4.269 底板泊松比 1.217 基本顶厚度 3.698 底板内摩擦角 2.289 顶板抗压强度 4.832 断面形状 3.310 顶板泊松比 2.267 断面宽度 3.942 顶板内摩擦角 4.309 断面高度 1.768 直接顶初次垮落步距 4.090 地下水情况 1.732 直接顶厚度与采高比值 4.965 水平应力 2.668 煤层厚度 4.082 垂直应力 2.312 煤层倾角 2.428
下载: 导出CSV
表 3 LSTM模型结构
Table 3 LSTM model structure
层名称 输出大小 层类型 Input （30，1，1） 序列输入 Lstm_1 （200，1，1） LSTM dropout_1 （200，1，1） Dropout Lstm_2 （200，1，1） LSTM dropout_2 （200，1，1） Dropout fc_1 （50，1，1） 全连接 fc_2 （10，1，1） 全连接 Regression output （10，1，1） 回归输出
下载: 导出CSV
表 4 2种模型评价指标对比
Table 4 Evaluation indexes of the two models
模型 R2 MAE/% RMSE/% 基于BP神经网络 0.359 6 26.065 3 5.761 2 基于LSTM 0.869 4 1.565 4 2.638 9
下载: 导出CSV
表 5 F6226工作面辅运巷支护方案对比
Table 5 Comparison of support scheme for auxiliary transportation roadway in F6226 working face
支护体 参数名称 参数值 人工设计方案 相似案例1 相似案例2 相似案例3 系统生成方案 锚杆 锚杆类型 左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1左旋无纵筋螺纹
钢锚杆1锚杆直径/mm 18 18 18 18 18 锚杆长度/mm 2 400 2 400 2 400 2 400 2 400 锚杆间距/mm 1 000 1 000 1 000 850 1 000 锚杆排距/mm 1 000 1 100 1 100 900 1 100 药卷类型 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 药卷数量 2 2 2 2 2 药卷直径/mm 23 23 23 23 23 锚杆设计锚固力/kN 110 128 128 110 128 锚杆预紧力/（N·m） 200 250 200 200 200 锚杆托盘类型 蝶形 蝶形 蝶形 蝶形 蝶形 锚杆托盘规格/
（mm×mm×mm）150×150×10 150×150×10 150×150×10 150×150×10 150×150×10 锚索 锚索类型 钢绞线锚索 钢绞线锚索 钢绞线锚索 钢绞线锚索 钢绞线锚索 锚索直径/mm 17.8 17.8 17.8 21.8 17.8 锚索长度/mm 8 000 6 300 6 300 8 000 6 300 锚索间距/mm 1 000 2 000 1 800 1 700 1 800 锚索排距/mm 2 000 2 200 3 300 1 800 1 800 药杆类型 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 CK2350，K2350 药卷数量 3 3 3 3 3 药卷直径/mm 23 23 23 23 23 锚索设计锚固力/kN 582 355 355 582 355 锚索预紧力/（N·m） 200 200 200 200 200 锚索托盘类型 蝶形 蝶形 蝶形 蝶形 蝶形 锚索托盘规格/
（mm×mm×mm）300×300×16 300×300×14 300×300×14 300×300×16 300×300×14 网片 网片类型 钢筋网 钢筋网 钢筋网 钢筋网 钢筋网 铁丝直径/mm 6.5 6.5 6.5 6.5 6.5 网孔大小/（mm×mm） 100×100 100×100 100×100 100×100 100×100 网片大小/（mm×mm） 5 500×1 200 5 500×1 200 5 500×1 200 5 500×1 200 5 500×1 200
下载: 导出CSV
-
[1] 查文华,樊昊,刘新权,等. 新型拉力分散型锚杆支护参数优选数值模拟研究[J]. 煤矿安全,2023,54(9):105-111. ZHA Wenhua,FAN Hao,LIU Xinquan,et al. Numerical simulation study on optimization of supporting parameters of a new type of tension dispersed bolt[J]. Safety in Coal Mines,2023,54(9):105-111.
[2] 张夫净,王宏伟,王浩然,等. 煤矿巷道支护钢带锚孔智能识别与定位[J]. 工矿自动化,2022,48(10):76-81. ZHANG Fujing,WANG Hongwei,WANG Haoran,et al. Intelligent identification and positioning of steel belt anchor hole in coal mine roadway support[J]. Journal of Mine Automation,2022,48(10):76-81.
[3] 赵晓明. 基于5G网络的庞庞塔煤矿智能矿山建设[J]. 江西煤炭科技,2022(1):201-203. DOI: 10.3969/j.issn.1006-2572.2022.01.068 ZHAO Xiaoming. Intelligent mine construction of Pangpangta Coal Mine based on 5G network[J]. Jiangxi Coal Science & Technology,2022(1):201-203. DOI: 10.3969/j.issn.1006-2572.2022.01.068
[4] 史光亮,王瑞君,孔祥宇. 多网融合下的煤矿应急广播通信系统设计与应用[J]. 煤炭技术,2023,42(11):245-248. SHI Guangliang,WANG Ruijun,KONG Xiangyu. Design and application of coal mine emergency broadcast communication system under multi-network integration[J]. Coal Technology,2023,42(11):245-248.
[5] 赵振宇,张开加,董宇. 鑫岩煤矿井下煤矸分选与充填开采一体化系统设计[J]. 煤炭工程,2022,54(1):11-17. ZHAO Zhenyu,ZHANG Kaijia,DONG Yu. Integrated system design of coal and gangue separation and backfill mining in Xinyan Coal Mine[J]. Coal Engineering,2022,54(1):11-17.
[6] 程德强,寇旗旗,江鹤,等. 全矿井智能视频分析关键技术综述[J]. 工矿自动化,2023,49(11):1-21. CHENG Deqiang,KOU Qiqi,JIANG He,et al. Overview of key technologies for mine-wide intelligent video analysis[J]. Journal of Mine Automation,2023,49(11):1-21.
[7] XIA Tongqiang,LI Diao,LI Xiaolin,et al. A novel in-depth intelligent evaluation approach for the gas drainage effect from point monitoring to surface to volume[J]. Applied Energy,2024,353. DOI: 10.1016/J.APENERGY.2023.122147.
[8] 张力文,胡海峰. 基于Arduino的新型智能矿用搜救机器人设计[J]. 仪表技术,2022(3):19-22. ZHANG Liwen,HU Haifeng. A new intelligent mining search and rescue robot based on Arduino[J]. Instrumentation Technology,2022(3):19-22.
[9] WANG Yan,HU Hejuan,SUN Xiaoyan,et al. Unified operation optimization model of integrated coal mine energy systems and its solutions based on autonomous intelligence[J]. Applied Energy,2022,328. DOI: 10.1016/J.APENERGY.2022.120106.
[10] 张大明,孙贵洋,李刚. 双重采动影响下复采煤层巷道稳定性分析与维护方案设计[J]. 工程地质学报,2021,29(4):1028-1036. ZHANG Daming,SUN Guiyang,LI Gang. Support design of the stoping roadway in the re-mined coal seam under influence of dual mining[J]. Journal of Engineering Geology,2021,29(4):1028-1036.
[11] WANG Yajun,XU Tao,CHENG Tong. Deformation analysis of deep coal mining roadway and optimization design of bolt support scheme[J]. Fresenius Environmental Bulletin,2024,30(11):11894-11901.
[12] 吕彪,赵象卓,张铁松,等. 大变形巷道锚固系统让压装置设计与支护方案优化[J]. 采矿与岩层控制工程学报,2023,5(4):25-34. LYU Biao,ZHAO Xiangzhuo,ZHANG Tiesong,et al. Design of yielding device and optimization of support scheme of anchoring system in large deformation roadway[J]. Journal of Mining and Strata Control Engineering,2023,5(4):25-34.
[13] 杨仁树,马鑫民,李清,等. 煤矿巷道支护方案专家系统及应用研究[J]. 采矿与安全工程学报,2013,30(5):648-652. YANG Renshu,MA Xinmin,LI Qing,et al. Research on expert system of roadway supporting schemes for coal mine and its application[J]. Journal of Mining & Safety Engineering,2013,30(5):648-652.
[14] 赵军,高树国,何瑞东,等. 变压器油中乙炔门控循环单元网络多步预测超参数优化方法[J]. 高压电器,2024,60(7):163-172,190. ZHAO Jun,GAO Shuguo,HE Ruidong,et al. Hyper-parameters optimization method for multi-step prediction of acetylene in power transformer oil by gated cyclic unit network[J]. High Voltage Apparatus,2024,60(7):163-172,190.
[15] 王佳明. 煤矿巷道支护方案自动生成及智能比选研究[D]. 徐州:中国矿业大学,2023. WANG Jiaming. Research on automatic generation and intelligent comparison of coal mine roadway support scheme[D]. Xuzhou:China University of Mining and Technology,2023.
[16] 杜伟健,陈云霁,支天,等. QingLong:一种基于常变量异步拷贝的神经网络编程模型[J]. 计算机学报,2020,43(4):587-599. DOI: 10.11897/SP.J.1016.2020.00587 DU Weijian,CHEN Yunji,ZHI Tian,et al. QingLong:a neural network programming model based on asynchronous copy of constant and variable[J]. Chinese Journal of Computers,2020,43(4):587-599. DOI: 10.11897/SP.J.1016.2020.00587
[17] 郭亮,郭子雪,贾洪涛,等. 基于皮尔逊相关系数与SVM的居民窃电识别[J]. 河北大学学报(自然科学版),2023,43(4):357-363. DOI: 10.3969/j.issn.1000-1565.2023.04.003 GUO Liang,GUO Zixue,JIA Hongtao,et al. Residents electric larceny detection based on Pearson correlation coefficient and SVM[J]. Journal of Hebei University(Natural Science Edition),2023,43(4):357-363. DOI: 10.3969/j.issn.1000-1565.2023.04.003
[18] 丁国辉,刘宇琪,王言开,等. 基于翻转网络的低相关性序列数据预测研究[J]. 计算机工程,2024,50(2):78-90. DING Guohui,LIU Yuqi,WANG Yankai,et al. Research on low-correlation sequence data prediction based on flip network[J]. Computer Engineering,2024,50(2):78-90.
[19] 李全贵,李建波,胡千庭,等. 基于案例推理的煤与瓦斯突出预警模型研究[J]. 矿业安全与环保,2023,50(5):24-29,36. LI Quangui,LI Jianbo,HU Qianting,et al. Research on early warning model of coal and gas outburst based on case-based reasoning[J]. Mining Safety & Environmental Protection,2023,50(5):24-29,36.
[20] 杨艺,赵惊涛,付国强. 基于PSO−LSTM模型的地热储层温度预测研究[J]. 矿业科学学报,2024,9(4):538-548. YANG Yi,ZHAO Jingtao,FU Guoqiang. Predicting geothermal reservoir temperature based on the PSO-LSTM model[J]. Journal of Mining Science and Technology,2024,9(4):538-548.
[21] 周江平,周媛媛,周学军,等. 基于BP神经网络的测量设备无关协议参数预测[J]. 电子科技大学学报,2024,53(4):611-616. ZHOU Jiangping,ZHOU Yuanyuan,ZHOU Xuejun,et al. Measurement device independent protocol parameter prediction based on BP neural network[J]. Journal of University of Electronic Science and Technology of China,2024,53(4):611-616.
[22] 田辽西,覃华清. 基于多变量LSTM神经网络的地下水位预测方法研究[J]. 干旱区资源与环境,2024,38(9):138-146. TIAN Liaoxi,QIN Huaqing. Multivariable LSTM model-based groundwater level prediction[J]. Journal of Arid Land Resources and Environment,2024,38(9):138-146.
计量
- 文章访问数: 141
- HTML全文浏览量: 66
- PDF下载量: 24
