典型文献
基于CNN-GRU的瓦斯浓度预测模型及应用
文献摘要：
为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络(CNN)提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计(Adam)优化的控循环单元神经网络(GRU),在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果.研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15％,35.04％,研究结果可为矿井瓦斯灾害防治提供依据.
文献关键词：
煤矿安全;瓦斯治理;深度学习;瓦斯浓度预测
中图分类号：
作者姓名：
刘超;雷晨;李树刚;薛俊华;张超
作者机构：
西安科技大学 安全科学与工程学院,陕西 西安710054;西部矿井开采及灾害防治教育部重点实验室,陕西 西安710054
文献出处：
引用格式：
[1]刘超;雷晨;李树刚;薛俊华;张超-.基于CNN-GRU的瓦斯浓度预测模型及应用)[J].中国安全生产科学技术,2022(09):62-68
A类：
瓦斯浓度时间序列
B类：
GRU,瓦斯浓度预测,出运,局部关联特征,自适应矩估计,Adam,元神,特征基,时序性,组合方法,铜川,组合模型,机器学习模型,收敛速度,平均绝对误差,矿井,瓦斯灾害防治,煤矿安全,瓦斯治理
AB值：
0.260214
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
