一、基于遗传算法和人工神经网络相结合的冲击地压预测的研究（论文文献综述）
田睿[1]（2020）在《基于机器学习的岩爆烈度等级预测模型研究与应用》文中进行了进一步梳理岩爆是大型地下岩土和深部资源开采工程面临的难题之一,准确预测岩爆烈度等级具有重要工程意义和学术价值。岩爆烈度等级预测是岩爆防控的重要科学依据,准确实用的预测模型可有效地指导岩爆防控。然而,传统预测模型受多种复杂因素影响,在指标权重确定和实际工程应用等方面,其有效性还有待提高。本文基于建立的岩爆烈度等级预测数据库,采用机器学习技术,针对岩爆预测数据的随机性、模糊性、有限性、非线性、离散性等特点,提出了3种岩爆烈度等级预测模型,并验证了预测模型的有效性,同时将预测模型应用于内蒙古赤峰某金矿深部开采岩爆工程实践。论文完成的主要内容:（1）建立了岩爆烈度等级预测数据库。通过分析4个岩爆工程实例,综合考虑岩爆的影响因素、特点以及内外因条件,选取洞壁围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度和岩石弹性能量指数作为岩爆预测评价指标;通过对比分析国内外现有的岩爆烈度等级方案,考虑岩爆发生的强弱程度和主要影响因素,将岩爆烈度分为4级:I级（无岩爆）、II级（轻微岩爆）、III级（中级岩爆）、IV级（强烈岩爆）;根据所确定的岩爆评价指标和岩爆烈度等级,建立了一个包含301组岩爆工程实例的数据库,作为岩爆烈度等级预测的样本数据。（2）提出了基于随机森林优化层次分析法-云模型（RF-AHP-CM）的岩爆烈度等级预测模型。考虑岩爆预测的时效性,采用层次分析法（AHP）计算岩爆评价指标权重;并采用能够有效处理数据特征模糊的随机森林（RF）算法,建立了基于随机森林的岩爆评价指标重要性分析模型;根据指标重要性量化分析结果,构造层次分析法中的分析矩阵,优化层次分析法,构建了RF-AHP指标权重计算方法;结合云模型（CM）,构建了RF-AHP-CM岩爆预测模型,其预测准确率可达85%。该预测模型可判断主要发生的岩爆烈度等级,并可同时判断可能发生的岩爆烈度等级,有效地解决了具有不确定性、随机性和模糊性的岩爆预测问题。（3）提出了基于改进萤火虫算法优化支持向量机（IGSO-SVM）的岩爆烈度等级预测模型。针对岩爆预测数据的有限性、非线性等特征,采用基于佳点集变步长策略的萤火虫算法（IGSO）,优化支持向量机（SVM）的惩罚参数C和径向基函数参数g,构建了IGSO-SVM岩爆预测模型,其预测准确率可达90%。该预测模型避免了指标权重确定问题,通过直接学习岩爆工程实例数据,有效地解决了有限样本条件下非线性的岩爆预测问题。（4）提出了基于Dropout和改进Adam算法优化深度神经网络（DADNN）的岩爆烈度等级预测模型。为适应更大规模的岩爆数据处理需求,采用深度神经网络（DNN）,针对岩爆预测数据的离散性、有限性等特征,采用Dropout对模型进行正则化以防止发生过拟合,同时,为了提高预测模型的时效性和效稳性,采用改进Adam算法优化参数,构建了DA-DNN岩爆预测模型,其预测准确率可达98.3%。该预测模型有效地解决了更大数据规模的岩爆预测问题。（5）不同岩爆烈度等级预测模型的对比分析与工程实例应用。对RF-AHPCM岩爆预测模型、IGSO-SVM岩爆预测模型和DA-DNN岩爆预测模型从预测准确率、时效性和适用范围3个方面进行了对比分析,3个岩爆预测模型各具优势,从不同角度有效地解决了岩爆预测问题。采用所构建的3个岩爆预测模型对内蒙古赤峰某金矿深部开采进行了岩爆预测,预测结果与现场实际情况具有较好的一致性,验证了所构建模型的准确性和实用性,最后根据岩爆预测结果和矿山生产实际,提出了8项相应的岩爆防治措施。
张航[2]（2020）在《基于深度学习的隧道微震信号处理及岩爆智能预警研究》文中认为中国“十三五”科技创新规划纲要提出了加强深部资源的开发和利用,包括矿物、能源资源勘探开发、城市地下空间利用及减灾防灾等,而深部资源的探索过程中往往面临各种风险和危害,特别是深部地下工程及隧道工程在建设过程中容易引发大量工程地质灾害,如岩爆、大变形等。微震监测技术作为一种新型岩体微破裂监测技术,已经快速发展并成为地下工程灾害监测预警的重要手段之一,且具有7×24小时全天候不间断监测特点,这导致了监测过程中数据的大量采集与积累,给数据的及时、快速和有效处理带来了巨大挑战。目前,大部分数据处理工作都是依靠具有较为丰富实践经验和较为扎实地震学功底的工作人员完成,处理时间较长,且效率和准确率得不到保证,严重影响了地质灾害预测和预警的时效性。同时,结合微震活动发育情况或震源参数演化规律进行灾害预警的人为主观因素较大,其有效的预警方法及稳定性需要进一步提升。基于此,本文以深埋隧道岩爆灾害为研究对象,结合微震监测技术、人工智能算法、深度学习和物联网技术,开展了基于深度学习的隧道微震信号处理及岩爆智能预警研究。基于充足的微震监测数据,建立围岩微震波形智能分类模型及降噪和拾取模型,优化和改善震源定位方法,结合岩爆灾害形成全过程微震信息演化趋势构建微震预测和岩爆预警模型,最终提出岩爆微震综合预警流程。在此基础上,研发和构建隧道微震自动化监测及岩爆智能预警平台,提高岩爆灾害动态预警的时效性和准确性。通过研究,本文获得如下主要成果和认识:（1）构建围岩微震信号智能分类模型。对现场监测信号进行时频分析能够初步区分和识别微破裂信号,其具有强度和频率相对较低、波形成分较为单一、衰减更快等特点。建立微破裂波形与噪音波形（爆破、机械和未知波形）的两类样本数据库,基于深度卷积神经网络构建了围岩微震波形智能分类模型,通过训练、验证、测试和方法对比分析,并结合相关指标证明了该方法的良好性能,且对于不同信噪比水平的微破裂信号同样能够较好检测。同时,该模型具有良好的泛化能力,对不同背景地质构造区域下的围岩微震波形分类也保持较高的精度,能够更好检测Mw≥0.5的微破裂事件。训练后的模型无需调整参数即可保证准确性,在实时监控、智能检测和分类方面具有良好的应用前景。（2）建立基于深度卷积编解码神经网络的微震波形降噪和拾取双任务模型。该模型集成了具有两个相似结构的卷积编解码网络,能够一次性解决围岩微破裂信号降噪和持续时间拾取问题。基于半合成数据训练好的模型,即使微破裂信号受到不同类型和强度的噪声污染（非高斯噪声）,甚至于噪声的频带与微破裂信号的频带重叠,信号和噪声成分也能正确的区分与分离。降噪后的微破裂信号泄漏极小,其形状和幅度特性得到了很好的保留,这些特点同样适用于通过含噪信号与降噪信号获得的预估的噪声（非高斯噪声和高斯噪声）。该模型在信号持续时间拾取上也表现出较高的拾取精度,包括了信号到时的拾取。虽然该模型的训练数据来自于半合成数据,但无论是降噪效果、波形恢复,还是持续时间拾取方面,其在实际采集围岩微震信号的应用效果同样保持良好。此外,该方法对于噪声污染而无法人为确定的微破裂信号持续时间也具有良好拾取能力,可以进一步改进和校正人为拾取结果。与高通滤波器降噪性能、STA/LTA方法到时拾取精度相比,该方法显着提高了信噪比,并引入了较少的波形失真,使真实波形得到更好的恢复,较高的命中率和较低的平均偏差证明了其在低信噪比下也具有良好的拾取精度,能够满足工程到时拾取精度要求。（3）优化和评估隧道微震阵列与震源定位算法。引入残差准则和双曲线密度评估和分析轴向扩展、横向扩展和双洞阵列三种隧道“非包围”式微震阵列的震源定位的准确性和有效性,并结合人工敲击实验和现场应用进行验证,结果显示双洞阵列定位效果相对最优。引入加权系数优化基于L1范数准则的微震定位目标函数,并结合隧道开挖爆破方式和初始震源位置判断构建隧道围岩传播速度模型,一定程度上提高了震源定位精度。引入混沌初始化策略、自适应学习因子、权重系数改进和提高种群多样性等措施优化粒子群算法并改善微震震源定位效果,最终通过不同定位方法对比论证了改进后的方法具有可靠性较强、稳定性较高的特点,能够很好地跳出局部最优,实现收敛精度的提升,找到比其他算法更好的解。（4）构建基于多变量、多目标的岩爆微震参数时间序列的智能预测模型。选取岩爆灾害形成全过程的能量释放、视体积、事件数及其累计值和能量指数等多变量微震参数构建岩爆微震指标库。基于此,建立基于卷积神经网络的多目标岩爆微震指标时间序列预测模型,结合各类评价指标对比分析不同神经网络模型的预测性能,提出了微震指标时间序列预测方法,实现了未来微震参数的准确预测,为后续岩爆灾害动态预警提供数据基础和支撑。（5）建立基于灾变前兆信息及其演化趋势推断的岩爆微震综合智能预警模型。基于累计视体积和能量指数变化趋势将岩爆灾害形成全过程划分为岩爆萌生阶段、岩爆灾变阶段和岩爆成灾阶段。结合滑动时窗方法建立不同岩爆阶段所对应的样本数据库,基于高分辨率卷积神经网络构建岩爆预警模型,结合各类评价指标和方法对比研究了模型的性能表现,论证了该模型对不同岩爆阶段预测的准确性和良好性能,并验证了模型对不同环境数据的鲁棒性,最终确定以岩爆灾变阶段作为岩爆预警的阈值之一。同时,探索和研究不同岩爆灾害形成全过程的岩爆危险度及其增长趋势,认为当岩爆危险度增长速率大于0的量值的拟合曲线连续出现了不少于6次数据点的持续性升高为岩爆风险的另一预警阈值。结合微震监测技术,基于岩爆微震预测模型推断多参数灾变前兆信息的演化趋势,最终建立岩爆微震综合预警流程。（6）基于微震监测技术、微震信号处理（围岩微震波形智能分类、降噪和拾取）、震源定位、参数计算、微震预测和岩爆预警等各类智能算法和模型,结合Java和Python编程语言,运用B/S构架体系,建立了隧道微震自动化监测及岩爆智能预警系统平台。该平台实现了整个微震监测工作流程的自动化、高效化和智能化,极大程度上改善了数据质量和处理速率,一定程度上保证了岩爆微震预警的及时性和准确性。同时,研发平台在实际工程中得到了良好应用。
刘辉[3]（2020）在《基于机器学习的煤矿冲击危险性综合预测方法研究》文中提出由于冲击地压的发生受矿井地质条件、开采方法等多种因素的耦合控制,使得冲击地压发生的机理变得复杂,造成难以监测和预测分析,目前还缺乏能够统筹考虑多种因素、推广能力强的冲击危险性综合预测方法。本文采用基于煤矿多源大数据的机器学习方法,利用山东某煤矿开采工作面的地质资料、监测数据、煤层开采数据和高能量矿震记录,对冲击地压发生的影响因素和特征规律进行总结分析,开展基于机器学习的冲击危险性综合预测方法研究,通过建立矿震强度、冲击危险性等级、冲击地压类型等相关预测问题的分析模型,为煤矿开采过程中冲击地压的科学监测、预测与防治提供新的方法和途径。论文的主要研究成果如下:1.针对冲击地压的突发性以及前兆信息监测分析困难等问题,利用微震监测、地音监测、煤粉监测、巷道应力监测、工作面支架阻力监测等数据,分析影响煤矿冲击地压发生的主要因素,并将这些因素划分为地质因素和生产因素,从开采地质条件和监测数据两个方面分析了与冲击地压的关系,确定预测判别的指标因子,并根据预测方法所依据指标因子的数据类型为离散或时间连续,将预测方法分为静态预测和动态预测。2.根据工作面的开采地质因素,建立了基于贝叶斯决策理论的冲击危险性等级预测模型。分别采用贝叶斯判别分析和贝叶斯网络推理两种算法对冲击危险性等级进行预测划分,实现静态预测,探讨不同影响因素的权重,为冲击地压预测研究提供新的量化方法和分析途径。3.实现对冲击地压发生时矿震强度的准确预测。将工作面煤粉监测、巷道应力监测、工作面支架阻力监测等与冲击地压相关的监测数据,作为预测的判别因子,矿震监测的震级作为实际结果,建立矿震震级预测模型。考虑影响因素和适用条件的不同,分别采用径向基神经网络和多层感知器神经网络对矿震震级进行预测划分,取得了较为准确的结果。4.利用微震监测信号时频分布特征,提出了门限单元循环神经网络深度学习模型（GRU-RNN）。该模型的输入为时间连续的多通道微震监测信号,在机制上可隐式提取微震信号的形态分布、幅值及频谱特征,实现对冲击诱因的判别分析。针对冲击危险性等级动态预测问题,建立了基于连续多通道微震监测信号和地音监测信号的深度受限玻尔兹曼机过程神经网络模型（DRBM-PNN）。两种深度学习模型可改善现有方法对不同类别信号综合特征的区分度,在机制上对动态预测问题具有良好的适用性。5.针对矿井地质、开采生产和安全监测中多源时序数据相融合的冲击危险性动态预测问题,建立了一种动态模糊推理神经网络。该模型将模糊逻辑推理和神经网络对信号特征的学习机制相结合,基于模糊集和隶属度函数表示领域知识,自适应建立基于多源过程信号样本集的推理逻辑和模糊判别规则,可有效融合多源过程信息及先验知识,并适用小样本集情况下的建模预测分析。在上述研究的基础上,在山东某煤矿1412开采工作面进行冲击危险性综合预测的实际应用,取得了较为准确的预测结果。
王润沛[4]（2020）在《基于机器学习的分布式光纤监测覆岩变形矿压预测研究》文中研究说明采场覆岩变形是矿山压力驱动下岩体变形、破裂与失稳过程,表现在覆岩大范围变形、离层发展、裂隙等方面,造成工作面强压等矿井灾害。因此,为了掌握矿山压力显现规律,针对岩石内部变形预测难的问题,采用分布式光纤监测岩石内部变形,引入光纤平均频移变化度作为判断周期来压指标,验证光纤表征覆岩变形机理,并将监测到的数据作为样本集,结合机器学习算法构建矿压预测模型。本文以大柳塔煤矿浅埋煤层地质条件实验的39组开挖数据,为实验样本。对其数据相空间重构,重构后的数据,取后11次开挖为测试集,共出现2次矿压显现。采用多种机器学习算法如:神经网络、支持向量机,集成算法:随机森林、GBDT、XGBoost算法,建立矿山压力显现规律时间序列预测模型。在训练样本和测试样本不变的前提下,BP神经网络类回归模型（BPNN）成功预测出1次周期来压、支持向量机类回归模型（SVR）预测出2次周期来压,相比于前两种算法,集成学习表现更好,其中以XGBoost回归算法（XGBR）为代表集成算法在预测矿压表现最优,不仅成功预测出两次周期来压,而且在计算速度和模型指标都是最优,明显高于其他模型。单一地质资料还不能说明XGBoost的预测性能,因此,以义马煤田巨厚砾岩为地质条件的三维模型监测数据的60组开挖数据为样本,取后12开挖为测试集共5次矿压显现,建立不同地质资料模型才能说明算法的普遍适用性。实施大型三维立体模型,获取光纤传感数据,根据其表征覆岩变形的频移值为数据集,建立机器学习模型。比较神经网络、支持向量机和XGBoost三种具有代表的机器学习方法来做预测模型。试验结果表明,集成类算法XGBoost效果好于其他两种算法,成功预测出5次矿压显现规律。在不同地质条件下结合光纤可以做很好的矿压预测,为矿压预测提供科学方法。通过本文研究,建立了光纤感知-自学习-矿压预测为一体的预测模型,揭示了其之间存在响应关系,可以很好的结合来解决矿压预测的问题,为智能化开采上覆岩层变形引起的矿压预测提供定量化科学依据。
崔宁[5]（2020）在《融合知识的多通道微震波形识别与定位方法研究》文中提出冲击地压是一种典型的煤矿动力灾害,严重威胁煤矿的高效生产和人员安全。因此,冲击地压灾害的预防与预警至关重要。微震监测技术作为一种间接、实时、无损的地球物理监测方法,在矿山冲击地压、水害防治和边坡变形等工程中得到广泛应用。目前,通过连续监测矿山微震,是实现冲击地压预警的较为有效手段。在微震监测中,波形识别是数据处理的基础,震源位置是监测中需要确定的最关键的参数之一。然而,矿山微震波形受背景噪音、机械振动等因素干扰,信号复杂,已有识别系统和定位方法效果有限。如何提高微震波形的识别效果和震源定位的精度,是目前亟需解决的问题。本文一方面结合领域知识和数据的非平衡特性,从算法层面研究微震波形的非平衡识别问题;另一方面,充分考虑参与定位的通道个数对定位精度的显着影响,深入研究震源的反演定位方法。本文的主要研究工作如下:（1）针对多通道微震波形数据识别问题,提出一种融合知识的微震波形SMOTE识别方法,实现对微震波形的分类。首先,对源于SOS微震监测系统的微震数据进行预处理,构建基于时窗能量知识的多通道微震信号数据集;其次,根据时间窗内微震检波探测器所采集的微震波形方差,确定波形之间的空间相关性,构建基于空间机理知识的非平衡微震波形数据集;再次,根据波形数据集的非平衡率,确定过采样倍率,实现基于SMOTE的少数类数据生成;最后,采用两层Stacking集成学习结构,实现融合知识的微震波形分类器学习。实验结果表明所提融合知识的识别方法要优于基于特征提取的识别方法。（2）针对微震波形数据的非平衡特性,提出了一种基于双层进化集成学习的非平衡数据分类方法。在内层集成模型中,通过扩展基分类器类型,增加基分类器之间的差异性,并采用网格搜索对基分类器参数进行优化。由于基分类器个数对模型分类精度和计算代价有显着影响,所以在外层集成模型中,设计了一种基于小生境策略的多模态遗传算法,从分类性能的角度寻找基分类器的所有最优组合,最终获得分类性能最佳且基分类器个数最少的集成结构。实验证明所提算法性能稳定,优于其他集成学习方法。（3）针对震源定位问题,提出一种基于多目标粒子群-模拟退火混合算法的多目标震源定位方法。在微震震源定位过程中,参与定位的通道个数对定位精度具有显着影响。当震动激发的检波探测器个数足够多时,继续增加通道个数并不能有效提高震源的定位精度。基于此,选取合适的震动波形参与定位,对提升定位精度至关重要。为解决该问题,在设定均勾介质的条件下,基于走时拟合法的震源定位模型,提出一种既考虑定位通道个数,又考虑模型定位精度的微震震源多目标定位模型。为求解该模型,给出一种基于多目标粒子群-模拟退火的混合定位方法。该方法利用多目标粒子群优化算法的全局探索性能,为实现局部搜索的模拟退火算法提供更优的初始解,从而有效避免寻优过程陷入局部极值。实验结果表明所提算法能够有效求解多目标震源定位模型,且具有较高的定位精度。该论文有图28幅,表20个,参考文献142篇。
胡凡[6]（2020）在《大红山铁矿微震监测波形类别识别方法研究》文中研究指明矿山井下微震监测信号包含着岩石破裂、爆破、人工活动等信息,在进行岩爆预测、采空区坍塌预测、岩石破裂定位时,岩石破裂信号类型识别是前提和基础,信号识别的准确性对判断精度具有重要影响。本文以大红山铁矿微震信号为研究对象,在理论研究与现场调研的基础上,通过理论分析、理论编程计算、工程测试等研究方法和手段,先对原始信号采用小波阈值变换法、集合经验模态分解法（EEMD）、希尔伯特-黄变换法（HHT）以及分形理论等多个理论方法对信号特征值进行提取,然后从时域、频域、能量分布特征及线性特征这几个方面对信号特征值分析后,建立了信号识别模型并成功的对岩石破裂和爆破事件信号进行了识别。上述研究为大红山铁矿及时、有效、准确的识别岩石破裂事件信号提供依据,也为类似矿山在微震信号类型识别提供一种参考方法。本论文的主要内容有以下几个方面:（1）对信号的时-频特征、能量分布特征、线性特征上进行分析,得出了信号在持续时间、振幅大小,主频、信号能量分布上、分形维数等多个方面的特征值规律。（2）基于两类信号持续时间、最大振幅、主频大小、能量分布特征、分形维数值等多个参数,建立了岩石破裂与爆破两类事件信号的BP神经网络预测模型。并对该模型的预测能力进行了验证。（3）信号的模式识别上,将得出的特征参数值与MATLAB编程相结合,利用BP神经网络模型对大红山现场采集的20次微震事件信号进行识别,结果表明该模型能够有效的对上述两类信号进行识别。
耿越[7]（2019）在《基于深度卷积模型的煤矿顶板危险性预测与评价研究》文中研究说明顶板事故在所有煤矿事故中发生最为频繁,造成的损失最大,对顶板危险性进行预测与评价的研究刻不容缓。传统顶板危险性预测与评价方法无法满足煤炭工业的实际需求,而深度学习模型与方法能够弥补此短板。但在煤矿安全领域,尤其是在顶板危险性预测与评价的课题中,基于深度学习的研究工作还是一项空白。因此,亟需将深度学习引入煤矿安全领域,根据井下煤矿的实际情况,对监测数据进行非线性与混沌分析,研究基于深度学习的改进模型与算法,对煤矿井下巷道顶板的局部点与局部区域进行危险性预测,对巷道顶板整体危险性进行动态评价。论文在充分的文献与资料调研基础上,首先研究了煤矿顶板多源动态监测数据的混沌分析解耦方法,为后续危险性预测奠定了基础;其次研究了基于深度时序卷积生成网络的顶板危险性预测模型,从多元时间序列回归预测角度对煤矿井下巷道顶板的局部监测点进行危险性预测;之后研究了类别不平衡监测数据问题,从多元时间序列分类预测角度对煤矿巷道顶板局部区域进行危险性预测;最后研究了基于深度卷积模型特征融合的顶板危险性评价方法,从多源信息时空融合角度将各类监测变量融合,用于煤矿井下巷道顶板整体区域的危险性动态评价。论文的主要研究内容如下:（1）煤矿顶板动态监测变量的时序特性与混沌分析从煤矿安全监测数据的非线性时间序列特性出发,在混沌理论的框架下,通过对顶板动态监测数据进行多变量混沌相空间重构来恢复原始系统的动态特性,提出了一种用于多变量相空间重构参数计算的最大独立互相关算法。最大独立互相关算法能够同步地计算多变量相空间重构参数,能够有效地解决煤矿顶板多监测变量的高度耦合问题,并为后续基于监测变量的危险性预测研究奠定基础。（2）基于深度时序卷积生成网络的顶板局部点危险性预测在对顶板多监测变量混沌数据分析的基础上,对井下巷道顶板的局部点传感器监测时间序列进行回归预测。针对回归预测中存在的长期历史依赖性问题,引入深度学习方法,并以深度循环网络和深度卷积网络两种模型框架为基础进行研究。提出了一种基于扩张因果时序卷积网络（DCTCNN）和一种基于长短期记忆时序卷积网络（CNN-LSTM）的混合生成模型,解决了顶板局部点危险性预测的长期相关历史信息的记忆问题。在煤矿顶板实测数据上对提出的两种生成模型进行实验验证,结果表明DCTCNN和CNN-LSTM能够有效地预测煤矿顶板局部监测点的危险性。（3）面向类别不平衡监测数据的顶板局部区域危险性预测从分类预测角度出发对煤矿井下顶板的局部区域危险性预测问题进行研究,并进一步将问题抽象为多元时间序列的不平衡分类。提出了一种自适应损失敏感学习算法,用于深度时序卷积网络的训练,使其能够有效地进行多元时间序列不平衡分类。利用提出的优化算法将时序卷积网络（CNN）、时序全卷积网络（FCN）、时序残差网络（Res-Net）以及时序长短期记忆全卷积网络（LSTM-FCN）改进为损失敏感模型。实验结果表明,自适应损失敏感学习算法能够有效地提升深度时序卷积模型性能并且适用于大规模时间序列不平衡分类任务,能够有效地预测煤矿顶板局部区域的危险性。（4）基于深度卷积模型特征融合的顶板整体危险性评价。在对煤矿顶板局部点与局部区域危险性预测的研究基础上,探索井下巷道顶板整体区域的危险性动态等级评价。提出了一种基于深度卷积网络的顶板危险性等级评价模型,对多源顶板动态监测数据进行特征级信息融合,并将各类监测数据的空间与时间关系考虑在内。对监测数据进行三种不同时间尺度划分,用于模拟各类监测数据中存在的时间序列邻近性、周期性与趋势性特征。另外,将煤矿井下巷道顶板的整体空间位置作为深度卷积评价模型训练数据的标签。在某矿2017年的历史监测数据上对深度卷积评价模型进行实验验证,表明深度卷积评价模型能够完成更为细致的动态危险性评价工作,并且可以实现从顶板监测数据到顶板整体区域位置与安全等级的端到端学习。
张雯[8]（2018）在《全尾砂胶结充填材料微宏观特性及协同支护机理研究》文中认为地下矿山大规模开采造成大面积空区和尾砂废弃物堆积,诱发地质灾害与环境破坏,严重制约我国矿产资源可持续开发利用及矿业健康发展。充填法将固体废弃物充填于地下,借以达到支撑围岩,防止地表沉陷的目的,起到保护环境和提高矿石利用率的双重作用。目前,开发低成本和高强度的充填胶凝材料,实现尾砂等固体废弃物胶结充填,解决大规模连续开采空区失稳破坏支护难题,是井下充填主攻方向,也是实现矿产资源绿色开采和可持续发展亟待研究的关键技术。本文综合采用理论分析、室内实验、数值模拟以及现场监测等手段与方法,研究全尾砂新型胶结充填材料微宏观特性,建立上向分层充填体强度模型,提出充填体、围岩与点柱协同支护理论,实现充填体与围岩、矿柱之间的相互匹配,为大规模充填开采空区安全稳定控制提供技术支持。主要研究工作和结论如下:（1）通过对不同灰砂配比、不同龄期全尾砂胶结充填材料微观结构特征和宏观力学特性进行测试,定量揭示出充填材料孔隙形态特征和不同条件下充填体强度随微观结构特征变化规律:灰砂配比降低,孔隙度增大、均一化程度降低、孔隙形状变得狭长、复杂程度增加、有序性及材料密实度减弱,充填体强度降低;龄期延长,孔隙度降低、平均孔隙面积减小、微孔隙比例增加、孔隙形状更加圆滑、复杂程度降低、定向性增强,充填体强度增大。（2）通过不同配比充填材料抗压强度实验,从宏观角度研究了全尾砂胶结充填体强度与料浆浓度、灰砂配比及龄期之间的关系,并对敏感性进行了分析:充填体强度与三因素存在一定的非线性函数关系,对三者的敏感性程度为:灰砂配比>龄期>料浆浓度;构建了关于多尺度影响因素（从微观到宏观）的优于BP神经网络及多项式回归的高精度GA-SVR充填体强度预测模型;将分层充填体分为胶结层和下部尾砂充填体两部分,分别建立了胶结层和矿体倾斜阶段内尾砂充填体力学模型,推导出胶结层及下部尾砂充填体强度计算公式,可根据空区内不同的充填强度要求优化充填配比。（3）基于复变函数法,推导出上向分层充填开采空区围岩应力计算公式,揭示出充填高度变化,工作面移动空区围岩变形破坏规律;提出回采空间移动理论,应用数值模拟技术系统地分析了充填高度不断上升,单一和三联跨采场围岩变形规律及其不同的破坏形式:单一采场底板底臌量、顶板下沉量及拉应力不断减小,两帮向内鼓起量逐渐增大,空区角部区域应力集中降低,稳定性提高;三联跨空区存在“群效应”,位移先增大后减小,变形最大时刻出现在充填回采前期,最危险部位则是回采区域的中间部位,需重点关注;并提出相应的围岩稳定性控制技术:顶板支护、矿柱减跨、充填体参数设计、两帮加固、卸压开采。（4）从围岩、充填体、点柱支护机理出发,建立大尺寸空区围岩-充填体-点柱协同支护系统,理论分析与数值模拟相结合,揭示出支护单元间的交互影响规律和协同支护机理,提出上向分层充填开采空区阶段性失稳判据。围岩-充填体-点柱支护系统各支护单元间并不是简单的叠加支护,合理的设计可使各单元取长补短,实现强度、刚度及材料互补协同,改善支护系统整体性能,达到协调围岩变形、保障大规模开采空区安全稳定的目的。（5）考虑水平矿柱顶底部均受到充填体的协同作用,建立充填体中不规则水平矿柱力学分析模型,基于接触单元应用FEM进行水平矿柱安全厚度求解,获得水平矿柱厚度与第一主应力、下沉挠度之间的函数关系:水平矿柱第一主应力与下沉挠度最大值均随矿柱厚度的增加遵循幂函数递减规律;基于最大拉应力准则,确定充填开采环境下水平矿柱的安全厚度,计算结果更贴合工程实际。（6）将创新优化后的点柱式充填采矿工艺与协同控制技术应用于矿山开采实例,采用GPS监测技术与FLAC3D数值模拟软件建立了充填开采地表移动监测体系及数值预测模型,开展了大规模充填开采地表移动变形规律研究:急倾斜矿体充填开采地表变形具有非对称性,损害位置集中、损坏范围不易扩展等非连续变形特点;基于层次分析法AHP,建立了大规模充填开采地表沉陷防控技术可靠性评价体系,获得矿山充填开采可靠性评分80.3534,较可靠;提出提高地表沉陷防控技术可靠性的合理化建议:优化充填工艺及充填配比,适当提高灰砂比和料浆浓度,做到随采随充,实时对充填各参数进行监测监控。
严超超[9]（2018）在《唐口煤矿坚硬顶板冲击危险多源信息预测预警研究》文中研究说明煤炭是我国经济建设的主体能源,随着多年来开采强度和开采规模不断提升,我国埋藏较浅的煤炭资源逐年减少,深部煤炭资源的开采是未来发展的趋势,然而,深部矿井开采在灾害防治方面具有严重挑战,矿井冲击地压动力灾害就是其中之一。本文以唐口煤矿坚硬顶板工作面诱发冲击及防治为研究背景,运用理论分析、数值模拟与现场监测数据分析等研究方法,分析了坚硬顶板诱发冲击危险机理,研究了坚硬顶板弯曲-破断-运动规律,建立了冲击地压监测预测预警模型,为唐口煤矿坚硬顶板工作面安全回采提供理论依据和指导,主要研究如下:（1）通过能量理论分析,得到唐口煤矿坚硬顶板工作面发生冲击地压所需能量临界密度值;分析坚硬顶板冲击失稳力学模型,计算出5305坚硬顶板工作面煤壁前方应力集中影响区及最大弯矩位置。（2）通过数值模拟建立坚硬顶板工作面仿真模型,研究坚硬顶板在开采过程中顶板的弯曲-破断-运动规律、工作面煤壁前方超前支承压力分布情况及变化规律、坚硬顶板岩层中弹性应变能积聚释放演化规律,为工作面安全回采提供理论指导。（3）通过对唐口煤矿5305工作面冲击地压监测数据的现场收集、数据挖掘分析,并基于小波神经网络理论,建立了冲击地压小波神经网络预测模型,基于聚类K-means算法原理,对微震能量、钻屑量、应力值进行聚类分类预测分析,通过建立的冲击地压监测数据预测和数据挖掘分析模型,有效的提高了矿井冲击地压监测数据合理充分利用。（4）基于模糊神经网络模型,通过对冲击地压监测数据多源信息特征提取分析,建立模糊神经网络冲击地压多源信息综合监测预警方模型,并将预警模型在5305工作面进行了实践应用。经过现场检验分析,模糊神经网络预警模型预警效果良好,预警准确率较高。
张琦[10]（2018）在《基于改进ELM的巷道围岩应力的建模与应用》文中研究表明巷道围岩安全等级划分是巷道工程的前提,对巷道施工的速度与质量有着非常重要的影响。巷道围岩中的应力是巷道划分的重要参考因素。巷道内部环境条件复杂、恶劣使得应力的机理模型难于建立,而且应力的直接测量由于种种原因而难以实际应用。巷道的应力与应变存在着密不可分的关系,巷道围岩的应变测量较为容易,可以利用巷道围岩的应变来实现对巷道应力的软测量。本文用FLAC3D建立一条仿真巷道,结合实际工程中的数据采集方式对仿真巷道进行监测,从数个截面上获取巷道围岩的应变与应力数值,获得的数据表明,FLAC3D计算出的数据与实际数据有高度的相似性。应力的建模以改进的ELM算法为核心。传统的ELM输入层权值和隐含层偏置是随机的,导致建立的模型并不稳定。本文提出了一种改进的ELM算法,该算法利用SVD、结合贪心算法、粒子群算法改进了 ELM算法。实验结果表明,在FLAC3D建立的仿真巷道数据集上,改进后的ELM能够较好的拟合应力的数据,在眼前山底下巷道数据中,改进后的ELM也能够准确地拟合应力的数据。由于应力与应变是巷道划分重要的参考,可以将应力模型应用到巷道围岩安全等级划分的工作中,应力模型可以通过巷道围岩的应变实现对应力的软测量,然后结合实际经验,探究巷道处于不同状态下巷道顶部的应力应变的变化规律。其次介绍了巷道围岩结构节理与地下水对巷道的影响。最后对围岩的结构节理和巷道顶部的应力应变进行评分,并结合地下水进行修正,根据评分结果对巷道的围岩进行安全划分,随后将划分方法运用到眼前山地下巷道部分截面中去。
二、基于遗传算法和人工神经网络相结合的冲击地压预测的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于遗传算法和人工神经网络相结合的冲击地压预测的研究（论文提纲范文）
（1）基于机器学习的岩爆烈度等级预测模型研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 岩爆机理研究现状 |
| 1.2.2 岩爆预测研究现状 |
| 1.2.3 岩爆防治研究现状 |
| 1.3 研究内容与方法、创新点、技术路线 |
| 1.3.1 研究内容与方法 |
| 1.3.2 创新点 |
| 1.3.3 技术路线 |
| 2 岩爆烈度等级预测数据库建立 |
| 2.1 岩爆评价指标选取 |
| 2.1.1 岩爆工程实例分析 |
| 2.1.2 岩爆评价指标确定 |
| 2.2 岩爆烈度等级确定 |
| 2.3 岩爆烈度等级预测数据库 |
| 2.4 本章小结 |
| 3 基于随机森林优化层次分析法-云模型的岩爆预测模型研究 |
| 3.1 随机森林优化层次分析法-云模型的理论依据 |
| 3.1.1 正向高斯云算法 |
| 3.1.2 随机森林算法 |
| 3.2 基于随机森林-层次分析法的指标权重计算方法 |
| 3.2.1 基本的层次分析法 |
| 3.2.2 基于随机森林的岩爆评价指标重要性分析 |
| 3.2.3 随机森林-层次分析法构建 |
| 3.3 基于随机森林优化层次分析法-云模型的岩爆预测模型 |
| 3.3.1 岩爆烈度等级预测模型构建 |
| 3.3.2 岩爆烈度等级标准确定 |
| 3.3.3 岩爆评价指标云模型生成 |
| 3.3.4 岩爆评价指标权重计算 |
| 3.3.5 岩爆综合确定度计算 |
| 3.4 模型有效性验证 |
| 3.5 本章小结 |
| 4 基于改进萤火虫算法优化支持向量机的岩爆预测模型研究 |
| 4.1 改进萤火虫算法优化支持向量机的理论依据 |
| 4.1.1 间隔与支持向量 |
| 4.1.2 支持向量机模型 |
| 4.1.3 核函数 |
| 4.2 基于改进萤火虫算法优化支持向量机的岩爆预测模型 |
| 4.2.1 基本的萤火虫算法 |
| 4.2.2 改进的萤火虫算法 |
| 4.2.3 岩爆烈度等级预测模型构建 |
| 4.2.4 岩爆样本数据准备 |
| 4.2.5 模型主要参数及实现 |
| 4.3 模型有效性验证 |
| 4.4 本章小结 |
| 5 基于Dropout和改进Adam算法优化深度神经网络的岩爆预测模型研究 |
| 5.1 Dropout和改进Adam算法优化深度神经网络的理论依据 |
| 5.1.1 深度学习技术 |
| 5.1.2 深度神经网络模型 |
| 5.1.3 Dropout正则化 |
| 5.1.4 参数优化算法 |
| 5.2 基于Dropout和改进Adam算法优化深度神经网络的岩爆预测模型 |
| 5.2.1 基本的Adam算法 |
| 5.2.2 改进的Adam算法 |
| 5.2.3 岩爆烈度等级预测模型构建 |
| 5.2.4 岩爆样本数据准备 |
| 5.2.5 深度神经网络结构设计 |
| 5.2.6 模型主要参数及实现 |
| 5.3 模型有效性验证 |
| 5.4 本章小结 |
| 6 不同岩爆预测模型的对比分析及工程实例应用 |
| 6.1 三种岩爆烈度等级预测模型的对比分析 |
| 6.1.1 预测准确率的对比分析 |
| 6.1.2 时效性的对比分析 |
| 6.1.3 适用范围的对比分析 |
| 6.1.4 对比分析小结 |
| 6.2 内蒙古赤峰某金矿的岩爆预测与防治 |
| 6.2.1 岩爆评价指标值确定 |
| 6.2.2 岩爆预测 |
| 6.2.3 岩爆防治 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录 岩爆烈度等级预测数据库 |
| 在学研究成果 |
| 致谢 |
（2）基于深度学习的隧道微震信号处理及岩爆智能预警研究（论文提纲范文）
| 摘要 |
| 研究成果的主要创新点 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微震波形识别与分类研究 |
| 1.2.2 微震波形降噪和到时拾取研究 |
| 1.2.3 微震定位方法研究 |
| 1.2.4 岩爆预测及预警研究 |
| 1.2.5 主要问题与不足 |
| 1.3 研究思路、研究内容与技术路线 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第2章 基于深度卷积神经网络的围岩微震波形分类研究 |
| 2.1 引言 |
| 2.2 项目概况及数据来源 |
| 2.2.1 项目概况 |
| 2.2.2 微震监测系统构建 |
| 2.2.3 数据来源及岩爆灾害 |
| 2.3 微震波形的特征识别 |
| 2.4 微震波形信号预处理 |
| 2.5 CNN-MCN微震波形分类模型构建 |
| 2.6 CNN-MCN微震波形分类性能分析 |
| 2.6.1 数据准备与训练 |
| 2.6.2 实验结果和分析 |
| 2.7 本章小结 |
| 第3章 基于深度编解码的围岩微震波形降噪和拾取研究 |
| 3.1 引言 |
| 3.2 自编码神经网络模型 |
| 3.2.1 自编码 |
| 3.2.2 卷积自编码 |
| 3.3 微震波形降噪与拾取双任务模型构建 |
| 3.4 微震波形降噪与拾取双任务模型性能分析 |
| 3.4.1 数据准备和训练 |
| 3.4.2 实验结果与分析 |
| 3.4.3 通用性与对比分析 |
| 3.5 本章小结 |
| 第4章 隧道围岩微震阵列优化及震源定位研究 |
| 4.1 引言 |
| 4.2 微震定位原理及目标函数构建 |
| 4.3 隧道微震阵列探讨与评估 |
| 4.3.1 “非包围”微震阵列不足 |
| 4.3.2 “非包围”微震阵列评估和优化 |
| 4.4 隧道震源定位方法优化与构建 |
| 4.4.1 隧道围岩速度模型优化 |
| 4.4.2 微震定位优化算法构建 |
| 4.5 微震优化阵列与改进定位方法的测试与应用 |
| 4.5.1 “非包围”微震阵列测试与应用 |
| 4.5.2 围岩波速模型测试 |
| 4.5.3 不同定位算法对比 |
| 4.5.4 微震定位优化方法应用 |
| 4.6 本章小结 |
| 第5章 基于卷积神经网络的微震预测及岩爆预警研究 |
| 5.1 引言 |
| 5.2 相关理论基础 |
| 5.2.1 时间序列预测原理 |
| 5.2.2 ARIMA经典时间序列预测方法 |
| 5.2.3 神经网络预测模型 |
| 5.3 岩爆微震指标库建立 |
| 5.3.1 微震评价指标 |
| 5.3.2 岩爆微震指标选取与构建 |
| 5.3.3 数据预处理 |
| 5.4 微震指标预测研究 |
| 5.4.1 实验环境与数据 |
| 5.4.2 评价指标 |
| 5.4.3 微震指标时间序列模型构建 |
| 5.4.4 实验结果分析 |
| 5.4.5 不同方法对比 |
| 5.5 岩爆微震预警研究 |
| 5.5.1 实验数据 |
| 5.5.2 岩爆微震预警模型 |
| 5.5.3 岩爆微震综合预警 |
| 5.6 本章小节 |
| 第6章 隧道微震自动化监测及岩爆智能预警平台研究 |
| 6.1 引言 |
| 6.2 系统分析与设计 |
| 6.2.1 设计原则 |
| 6.2.2 系统开发及代码管理平台 |
| 6.2.3 系统及框架设计 |
| 6.2.4 数据库设计 |
| 6.3 系统主要模块 |
| 6.3.1 微震听诊模块 |
| 6.3.2 微震预测模块 |
| 6.3.3 岩爆预警模块 |
| 6.3.4 用户与信息模块 |
| 6.3.5 系统运行流程 |
| 6.4 工程应用 |
| 6.4.1 工程概况 |
| 6.4.2 微震自动化监测 |
| 6.4.3 微震预测和岩爆预警分析 |
| 6.5 本章小结 |
| 结论与展望 |
| 1 结论 |
| 2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（3）基于机器学习的煤矿冲击危险性综合预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.4 论文主要内容和研究方法 |
| 2 基于人工神经网络的矿震监测与矿震强度预测方法研究 |
| 2.1 深井矿震分类和影响因素分析 |
| 2.2 “区域-局部”式矿震监测 |
| 2.3 矿震强度神经网络预测方法及算法 |
| 2.4 样本矿井概况 |
| 2.5 实际资料处理与分析 |
| 2.6 本章小结 |
| 3 基于贝叶斯网络推理的冲击危险性等级分析 |
| 3.1 冲击地压影响因素分析 |
| 3.2 冲击地压危险等级分类研究 |
| 3.3 基于贝叶斯网络的冲击危险性等级预测方法 |
| 3.4 实际资料处理与分析 |
| 3.5 本章小结 |
| 4 基于深度神经网络的冲击类型和冲击危险性等级判别 |
| 4.1 微震信号特征分析 |
| 4.2 深度循环神经网络预测模型 |
| 4.3 基于深度循环神经网络的冲击地压诱因分析 |
| 4.4 基于深度受限玻尔兹曼机过程神经网络的冲击等级预测分析 |
| 4.5 实际资料处理与分析 |
| 4.6 本章小结 |
| 5 基于动态模糊推理网络的冲击危险性预测 |
| 5.1 冲击地压煤矿开采地质影响因素综合分析 |
| 5.2 模糊信息处理与模糊神经网络 |
| 5.3 动态模糊推理神经网络预测模型 |
| 5.4 实际资料验证 |
| 5.5 本章小结 |
| 6 工作面冲击地压综合预测应用 |
| 6.1 1412工作面概况 |
| 6.2 冲击地压监测情况 |
| 6.3 1412工作面冲击危险性综合预测分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
| 学位论文数据集 |
（4）基于机器学习的分布式光纤监测覆岩变形矿压预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 覆岩变形及监测研究现状 |
| 1.2.2 分布式光纤传感技术及应用现状 |
| 1.2.3 机器学习应用现状 |
| 1.3 研究内容及方法、技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法及技术路线图 |
| 2.分布式光纤表征矿压数据预测原理 |
| 2.1 分布式光纤BOTDA传感原理 |
| 2.2 光纤频移变化度表征矿压原理 |
| 2.3 光纤频移变化度混沌时间序列分析 |
| 2.3.1 光纤频移变化度表征矿压混沌理论分析 |
| 2.3.2 光纤频移变化度相空间重构 |
| 2.4 机器学习在矿压时序预测中的应用 |
| 2.4.1 机器学习表示的问题 |
| 2.4.2 机器学习构建矿压预测时序模型 |
| 2.4.3 分布式光纤监测覆岩变形智能化预测系统 |
| 2.5 文章小结 |
| 3.浅埋煤层矿压数据处理分析 |
| 3.1 相似材料模型试验 |
| 3.1.1 地质条件 |
| 3.1.2 相似材料配比设计 |
| 3.1.3 模型设计及光纤布置 |
| 3.2 覆岩变形监测结果分析 |
| 3.2.1 模型开挖过程覆岩变形特征 |
| 3.2.2 分布式光纤监测结果分析 |
| 3.2.3 采场来压垂直光纤判别表征 |
| 3.3 光纤频移变化度数据处理 |
| 3.3.1 数据归一化及模型性能指标 |
| 3.3.2 延迟时间及嵌入维数确定 |
| 3.3.3 光纤频移变化度混沌性判别 |
| 3.4 本章小节 |
| 4.浅埋煤层矿压显现预测 |
| 4.1 传统算法预测矿压 |
| 4.1.1 BP神经网络预测矿压数据 |
| 4.1.2 遗传神经网络预测矿压数据 |
| 4.1.3 支持向量机预测矿压 |
| 4.2 集成学习预测矿压 |
| 4.2.1 随机森林预测矿压数据 |
| 4.2.2 GBDT预测矿压数据 |
| 4.2.3 XGBoost预测矿压数据 |
| 4.3 多模型分析对比 |
| 4.4 本章小结 |
| 5.深部巨厚砾岩覆岩变形矿压预测 |
| 5.1 工程概况 |
| 5.1.1 矿井地质 |
| 5.1.2 光纤监测矿压数据 |
| 5.2 XGBR预测矿山压力显现 |
| 5.3 本章小结 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）融合知识的多通道微震波形识别与定位方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文结构 |
| 2 相关工作 |
| 2.1 微震数据与非平衡学习 |
| 2.2 微震反演与到时不同震源定位模型 |
| 2.3 本章小结 |
| 3 融合知识的多通道微震波形识别方法 |
| 3.1 研究背景 |
| 3.2 基于时窗能量知识的数据标注策略 |
| 3.3 基于空间机理知识的微震数据集构建策略 |
| 3.4 融合知识的多通道微震波形识别框架描述 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 4 基于双层进化集成学习结构的微震波形识别方法 |
| 4.1 研究背景 |
| 4.2 基于网格搜索的内层集成模型 |
| 4.3 基于多模态遗传算法的外层集成模型 |
| 4.4 基于双层进化集成学习的非平衡数据分类方法描述 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 5 基于多目标粒子群-模拟退火混合算法的矿山微震震源定位方法 |
| 5.1 研究背景 |
| 5.2 单目标微震震源定位模型 |
| 5.3 多目标微震震源定位模型的构建 |
| 5.4 多目标粒子群-模拟退火混合定位方法 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 本文工作 |
| 6.2 进一步研究工作 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）大红山铁矿微震监测波形类别识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微震监测技术的发展 |
| 1.2.2 特征值提取研究现状 |
| 1.2.3 信号识别研究现状 |
| 1.3 存在的问题 |
| 1.4 主要研究内容及技术路线 |
| 1.5 本文创新点 |
| 1.6 论文结构 |
| 第二章 微震信号的预处理 |
| 2.1 微震信号数据预处理的意义 |
| 2.2 井下信号中噪声的特征与分类 |
| 2.3 几种常用的微震信号降噪方法 |
| 2.4 小波降噪原理和方法 |
| 2.4.1 降噪模型及原理 |
| 2.4.2 小波降噪效果的评价 |
| 2.4.3 常用的阈值算法 |
| 2.4.4 阈值函数选择 |
| 2.4.5 几种常用的小波基函数 |
| 2.5 地压监测信号降噪重构试验 |
| 2.5.0 阈值尺度的选择 |
| 2.5.1 地压监测最优阈值的选择 |
| 2.5.2 地压监测最优小波基函数及分解层数的选择 |
| 2.6 本章小结 |
| 第三章 微震波形信号特征值分析 |
| 3.1 微震波形信号特征值分析的意义 |
| 3.2 微震波形信号特征值分析方法 |
| 3.2.1 快速傅里叶变换 |
| 3.2.2 希尔伯特黄变换原理 |
| 3.3 微震波形信号的时频特征分析 |
| 3.3.1 微震信号的时域分析 |
| 3.3.2 微震信号的频域分析 |
| 3.4 微震波形信号的能量特征分析 |
| 3.4.1 IMF频带能量算法 |
| 3.4.2 IMF各频带时频特征提取 |
| 3.4.3 两类信号IMF各频带能量分布对比 |
| 3.5 微震波形信号的分形特征分析 |
| 3.5.1 分形盒维数的算法 |
| 3.5.2 无标度区间的确定 |
| 3.5.3 岩石破裂信号与岩石爆破信号的分形特征 |
| 3.6 本章小结 |
| 第四章 微震波形信号的识别 |
| 4.1 BP神经网络介绍 |
| 4.1.1 神经网络简介 |
| 4.1.2 BP神经网络的概述 |
| 4.1.3 BP神经网络的学习算法 |
| 4.1.4 BP神经网络的基本步骤 |
| 4.2 岩石破裂与岩石爆破信号识别模型 |
| 4.2.1 网络训练学习样本的构造 |
| 4.2.2 识别模型的建立 |
| 4.3 模型检验 |
| 4.4 模型识别结果分析 |
| 4.5 本章小结 |
| 第五章 工程应用 |
| 5.1 工程背景 |
| 5.2 地压监测系统的组成 |
| 5.2.1 地压监测系统的硬件组成 |
| 5.2.2 地压监测系统的软件组成 |
| 5.3 井下地压监测系统 |
| 5.4 岩石破裂与爆破信号BP神经网络模型应用 |
| 5.4.1 井下微震事件 |
| 5.4.2 微震事件特征值提取 |
| 5.4.3 微震事件的识别 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读硕士期间发表论文及参与科研项目情况) |
（7）基于深度卷积模型的煤矿顶板危险性预测与评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 顶板危险性预测与评价的国内外研究现状 |
| 1.2.2 深度学习的国内外研究现状 |
| 1.2.3 存在的问题 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 深度卷积模型及其相关技术研究 |
| 2.1 混沌相空间重构 |
| 2.1.1 混沌的定义 |
| 2.1.2 混沌判别 |
| 2.1.3 混沌相空间重构参数计算 |
| 2.2 深度卷积神经网络 |
| 2.2.1 深度卷积网络的结构 |
| 2.2.2 深度卷积网络的训练 |
| 2.2.3 时序深度卷积模型 |
| 2.3 数据不平衡分类 |
| 2.3.1 数据采样法 |
| 2.3.2 损失敏感法 |
| 2.3.3 评价标准 |
| 2.4 本章小结 |
| 3 煤矿顶板动态监测变量的时序特性与混沌分析 |
| 3.1 引言 |
| 3.2 多变量混沌相空间重构 |
| 3.3 基于最大独立原则的非线性多变量互相关时滞计算 |
| 3.4 相空间重构参数选择的评价方法 |
| 3.5 实验与分析 |
| 3.6 本章小结 |
| 4 基于深度时序卷积生成网络的顶板局部点危险性预测 |
| 4.1 引言 |
| 4.2 时间序列的回归预测 |
| 4.3 深度时序卷积生成网络 |
| 4.3.1 基于扩张因果时序卷积网络的生成模型 |
| 4.3.2 基于长短期记忆时序卷积网络的混合生成模型 |
| 4.4 实验与分析 |
| 4.4.1 混沌判别 |
| 4.4.2 顶板局部点危险性预测结果与分析 |
| 4.5 本章小结 |
| 5 面向类别不平衡数据的顶板局部区域危险性预测 |
| 5.1 引言 |
| 5.2 时间序列不平衡分类 |
| 5.2.1 类别不平衡的数据层面方法 |
| 5.2.2 类别不平衡的算法层面方法 |
| 5.2.3 基于深度卷积网络的时间序列分类 |
| 5.3 自适应损失敏感学习策略 |
| 5.4 用于时间序列分类的深度卷积模型 |
| 5.5 实验与分析 |
| 5.5.1 数据集与评价标准 |
| 5.5.2 实验设置 |
| 5.5.3 基于公开数据的实验对比 |
| 5.5.4 基于煤矿顶板实测数据的实验对比 |
| 5.6 讨论 |
| 5.6.1 用于时间序列分类的深度学习 |
| 5.6.2 数据采样与不平衡时间序列分类 |
| 5.6.3 损失敏感策略 |
| 5.7 本章小结 |
| 6 基于深度卷积模型特征融合的顶板整体危险性评价 |
| 6.1 引言 |
| 6.2 数据驱动的顶板危险性评价 |
| 6.3 煤矿顶板动态监测数据 |
| 6.3.1 煤矿地质条件 |
| 6.3.2 微震监测系统 |
| 6.3.3 电磁辐射监测系统 |
| 6.3.4 应力监测系统 |
| 6.4 基于深度卷积模型的顶板动态危险等级评价 |
| 6.4.1 顶板动态监测数据的时间与空间关系处理 |
| 6.4.2 模型搭建 |
| 6.5 数据预处理与实验设置 |
| 6.6 实验结果与分析 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在学期间发表的学术论文 |
（8）全尾砂胶结充填材料微宏观特性及协同支护机理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 充填采矿技术发展趋势 |
| 1.2.2 胶结充填材料研究现状 |
| 1.2.3 充填体力学特性研究进展 |
| 1.2.4 充填体力学作用机理研究 |
| 1.2.5 采空区稳定性分析及支护技术发展概况 |
| 1.2.6 充填开采地表沉陷规律及预测 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究方法与技术路线 |
| 2 全尾砂胶结充填材料微观结构与宏观力学特性测试与分析 |
| 2.1 引言 |
| 2.2 实验材料、仪器设备及试块制备 |
| 2.2.1 尾砂 |
| 2.2.2 胶固粉 |
| 2.2.3 仪器设备 |
| 2.2.4 试块制备 |
| 2.3 胶固粉尾砂胶结充填体性能测试与对比分析 |
| 2.3.1 尾砂胶结充填体强度对比实验 |
| 2.3.2 实验结果与分析 |
| 2.3.3 充填成本对比分析 |
| 2.4 胶固粉尾砂胶结充填体胶结效果对比 |
| 2.4.1 不同粒度尾砂胶固粉充填体强度实验 |
| 2.4.2 实验结果与分析 |
| 2.5 全尾砂胶结充填材料微宏观特性测试与分析 |
| 2.5.1 全尾砂胶结充填体力学实验 |
| 2.5.2 全尾砂胶结充填材料微观实验 |
| 2.5.3 定量分析系统 |
| 2.5.4 实验结果与分析 |
| 2.6 本章小结 |
| 3 全尾砂胶结充填体强度预测模型及配比优化设计 |
| 3.1 引言 |
| 3.2 全尾砂胶结充填体强度实验与分析 |
| 3.2.1 不同配比全尾砂胶结充填体强度测试 |
| 3.2.2 全尾砂胶结充填体强度影响因素分析 |
| 3.2.3 强度影响因素显着性与敏感性分析 |
| 3.3 基于GA-SVR的充填体强度预测模型 |
| 3.3.1 支持向量回归机(SVR) |
| 3.3.2 遗传算法(GA) |
| 3.3.3 遗传算法应用于SVR参数优化 |
| 3.3.4 基于遗传算法的SVR参数优化模型构建 |
| 3.3.5 预测结果与对比分析 |
| 3.4 分层充填充填体强度设计 |
| 3.4.1 充填体强度设计概述 |
| 3.4.2 胶结层充填体强度设计 |
| 3.4.3 阶段内分层充填体强度设计 |
| 3.5 全尾砂胶结充填配比优化 |
| 3.5.1 实验采场工程概况 |
| 3.5.2 胶结层强度设计 |
| 3.5.3 下部尾砂充填体强度设计 |
| 3.5.4 全尾砂胶结充填体配比优化 |
| 3.6 本章小结 |
| 4 分层充填开采围岩-充填体协调变形破坏规律 |
| 4.1 引言 |
| 4.2 矩形空区围岩应力分析 |
| 4.2.1 矩形空区力学模型 |
| 4.2.2 矩形空区围岩应力的弹性解 |
| 4.3 分层充填开采围岩力学解析 |
| 4.4 围岩-充填体协调变形规律数值模拟 |
| 4.4.1 单采场充填开采围岩变形规律分析 |
| 4.4.2 多采场充填开采围岩变形规律分析 |
| 4.5 分层充填开采围岩稳定性控制 |
| 4.5.1 围岩稳定性影响因素 |
| 4.5.2 围岩稳定性控制技术 |
| 4.6 本章小结 |
| 5 围岩-充填体-点柱协同支护理论体系 |
| 5.1 引言 |
| 5.2 支护单元作用机理 |
| 5.2.1 围岩 |
| 5.2.2 点柱 |
| 5.2.3 充填体 |
| 5.3 围岩-充填体-点柱协同支护理论 |
| 5.3.1 协同支护理论的提出 |
| 5.3.2 协同支护基本原理 |
| 5.4 点柱式上向分层充填法协同支护系统稳定机制 |
| 5.4.1 点柱式充填法协同支护系统 |
| 5.4.2 围岩-点柱协同支护系统稳定机制 |
| 5.4.3 围岩-充填体-点柱协同支护系统稳定机制 |
| 5.5 围岩-充填体-点柱协同支护机理数值模拟分析 |
| 5.5.1 围岩-点柱协同支护 |
| 5.5.2 围岩-充填体-点柱协同支护 |
| 5.5.3 围岩-充填体-点柱三者协同支护机理 |
| 5.6 本章小结 |
| 6 上下充填体协同作用下水平矿柱安全厚度优化 |
| 6.1 引言 |
| 6.2 充填体协同作用下水平矿柱有限元分析 |
| 6.2.1 充填体协同作用下水平矿柱力学模型 |
| 6.2.2 水平矿柱及充填体分析单元的选择 |
| 6.2.3 基于Mindlin中厚板理论的有限元分析 |
| 6.3 工程背景概述 |
| 6.3.1 工程地质概况 |
| 6.3.2 水文地质概况 |
| 6.3.3 原岩应力 |
| 6.4 水平矿柱安全厚度优化 |
| 6.4.1 矿山水平矿柱留设形态调查 |
| 6.4.2 上中段充填体荷载计算 |
| 6.4.3 有限元模拟结果分析 |
| 6.4.4 水平矿柱安全厚度确定 |
| 6.5 充填体中水平矿柱稳定性分析 |
| 6.5.1 水平矿柱安全厚度校验 |
| 6.5.2 水平矿柱FLAC~(3D)计算模型 |
| 6.5.3 水平矿柱稳定性分析 |
| 6.6 本章小结 |
| 7 大规模全尾砂胶结充填开采工程应用与评价 |
| 7.1 引言 |
| 7.2 大规模充填开采地表沉陷防控技术 |
| 7.3 充填开采地表沉陷GPS监测 |
| 7.3.1 GPS监测系统 |
| 7.3.2 地表沉陷监测 |
| 7.3.3 监测数据处理及分析 |
| 7.4 充填开采地表沉陷预测与分析 |
| 7.4.1 充填开采地表沉陷模拟预测方案 |
| 7.4.2 充填开采地表沉陷模拟预测分析 |
| 7.4.3 充填开采地表沉陷实测与预测对比 |
| 7.5 充填开采地表沉陷防控技术可靠性评价 |
| 7.5.1 可靠性影响因素分析 |
| 7.5.2 可靠性评价体系 |
| 7.5.3 评价标准的确定 |
| 7.5.4 评价指标体系权重 |
| 7.5.5 综合评定标准 |
| 7.5.6 充填开采可靠性评价结果 |
| 7.6 本章小结 |
| 8 结论及展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的学术论文和参加的科研项目 |
| 1、攻读博士期间发表的学术论文 |
| 2、攻读博士期间参加的主要科研项目 |
| 3、攻读博士期间取得的其他成果 |
（9）唐口煤矿坚硬顶板冲击危险多源信息预测预警研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究矿井概况 |
| 1.3 国内外研究现状 |
| 1.4 主要研究内容及技术路线 |
| 2 坚硬顶板诱发冲击危险理论研究 |
| 2.1 引言 |
| 2.2 冲击地压演化过程能量转化规律 |
| 2.3 坚硬顶板冲击失稳力学模型分析 |
| 2.4 本章小结 |
| 3 坚硬顶板环境冲击危险演化规律数值模拟分析 |
| 3.1 引言 |
| 3.2 数值模型的建立 |
| 3.3 模拟结果分析 |
| 3.4 本章总结 |
| 4 坚硬顶板冲击地压多源信息预测研究 |
| 4.1 引言 |
| 4.2 冲击地压监测预警方法 |
| 4.3 小波神经网络预测 |
| 4.4 聚类算法分类预测 |
| 4.5 本章小结 |
| 5 坚硬顶板冲击地压多源信息综合监测预警及应用 |
| 5.1 引言 |
| 5.2 模糊神经网络理论基础 |
| 5.3 冲击地压模糊神经网络预警模型 |
| 5.4 冲击地压危险多源信息预警模型应用 |
| 5.5 本章小结 |
| 6 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间主要研究成果 |
（10）基于改进ELM的巷道围岩应力的建模与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 工程背景与意义 |
| 1.2 巷道围岩划分 |
| 1.2.1 巷道围岩的划分的分析 |
| 1.2.2 巷道围岩应力的分析 |
| 1.3 国内外的相关研究发展历程与现状 |
| 1.3.1 巷道围岩国内外相关研究 |
| 1.3.2 神经网络在巷道工程中运用的国内外现状 |
| 1.4 本论文研究内容 |
| 第2章 基于FLAC3D的巷道建模 |
| 2.1 快速拉格朗日算法的介绍 |
| 2.1.1 空间微分的有限差分逼近 |
| 2.1.2 节点的运动方程 |
| 2.1.3 节点坐标的位移计算 |
| 2.2 本构模型 |
| 2.3 岩体力学参数确定 |
| 2.4 数值模型建立 |
| 2.5 FLAC3D数据的采集 |
| 2.6 本章小结 |
| 第3章 ELM的介绍以及改进方法研究 |
| 3.1 ELM算法 |
| 3.1.1 ELM算法的原理 |
| 3.1.2 ELM模型的设计 |
| 3.2 ELM的改进思路 |
| 3.2.1 SVD法确定输入层矩阵和隐藏层偏差 |
| 3.2.2 贪心算法的介绍 |
| 3.2.3 粒子群算法的介绍 |
| 3.3 ELM改进的具体步骤 |
| 3.4 本章小结 |
| 第4章 基于改进ELM的巷道围岩应力建模 |
| 4.1 基于仿真数据的应力建模 |
| 4.1.1 数据的获取和训练测试样本的制作 |
| 4.1.2 FLAC3D数据的应力建模 |
| 4.2 基于眼前山铁矿数据的应力建模 |
| 4.2.1 应变应力数据的采集 |
| 4.2.2 实测数据数据的建模 |
| 4.3 本章小结 |
| 第5章 围岩应力模型在巷道安全等级划分中的应用 |
| 5.1 围岩应力应变在巷道围岩划分中的影响 |
| 5.2 围岩节理对巷道安全等级划分的影响 |
| 5.2.1 节理的介绍 |
| 5.2.2 依据节理的安全等级划分 |
| 5.3 巷道内的地下水对巷道安全等级划分的影响 |
| 5.3.1 地下水的影响原理 |
| 5.3.2 依据地下水的安全等级划分 |
| 5.4 巷道围岩安全等级综合划分 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 硕士期间所做的工作和科研成果 |
四、基于遗传算法和人工神经网络相结合的冲击地压预测的研究（论文参考文献）
- [1]基于机器学习的岩爆烈度等级预测模型研究与应用[D]. 田睿. 内蒙古科技大学, 2020(05)
- [2]基于深度学习的隧道微震信号处理及岩爆智能预警研究[D]. 张航. 成都理工大学, 2020(04)
- [3]基于机器学习的煤矿冲击危险性综合预测方法研究[D]. 刘辉. 山东科技大学, 2020(04)
- [4]基于机器学习的分布式光纤监测覆岩变形矿压预测研究[D]. 王润沛. 西安科技大学, 2020(01)
- [5]融合知识的多通道微震波形识别与定位方法研究[D]. 崔宁. 中国矿业大学, 2020(01)
- [6]大红山铁矿微震监测波形类别识别方法研究[D]. 胡凡. 昆明理工大学, 2020(04)
- [7]基于深度卷积模型的煤矿顶板危险性预测与评价研究[D]. 耿越. 中国矿业大学(北京), 2019(09)
- [8]全尾砂胶结充填材料微宏观特性及协同支护机理研究[D]. 张雯. 西安建筑科技大学, 2018(06)
- [9]唐口煤矿坚硬顶板冲击危险多源信息预测预警研究[D]. 严超超. 山东科技大学, 2018
- [10]基于改进ELM的巷道围岩应力的建模与应用[D]. 张琦. 东北大学, 2018(02)