长期短期记忆网络和贝叶斯优化预测盾的时间加权平均压力支持周期

文摘

特征参数的保护支持完全机械化开采,特别是时间加权平均压力(TWAP),分析和预测是至关重要的在长壁板屋顶权重。尽管地下数据收集和传输的跨越式发展,矿业和地区大规模的保护数据的相关分析仍然具有挑战性。在这项研究中,一种混合机器学习模型集成长期短期记忆(LSTM)网络和贝叶斯优化算法(BO)开发基于背景预测TWAP压力(SP),修改后的设置压力(负责),最终压力(FP)的收益率(纽约),TWAP过去支持周期(TWAP(去年)),并在每个周期加载速率。统计措施,包括平均平方误差和平均绝对误差被用来验证和比较BP模型的预测性能,LSTM模型和BO-LSTM模型。此外,敏感性进行了评价研究输入参数的重要性。结果表明,BO-LSTM模型在预测TWAP健壮。FP和TWAP(去年)中最重要的输入参数TWAP预测,其次是负责和纽约。此外,加载率的总重要性分数达到0.229,表明这些参数的必要性包括数据集。拟议中的BO-LSTM模型能够预测TWAP shield-roof状态智能感知。

1。介绍

能源需求的激增和开采强度,浅资源逐渐减少而深厚的资源利用(1]。高地应力引起的深部开采复杂矿山压力的行为,包括部分塌顶,肋骨剥落(2),盾牌粉碎,甚至岩爆(3]。矿山压力监测是一个重要的手段,以确保煤矿安全、高效生产。矿山压力数据在顶板控制区域组成的基本数据(roof-to-floor收敛、保护负载和腿闭包)和统计数据(裂缝发展、采空区步骤的数目等)(4]。近年来,微震的信号和电磁辐射信号已经包含在数据集(5]。事实上,时间加权平均压力(TWAP)的数据集,这属于盾支持反馈和屋顶权重判断依据之一,是重要的权重预测(6]。是电子技术和传感器理论进步,信息传播的速度和准确性取得了跨越式的发展由于盾构电液监测技术(7]。然而,深入分析非线性、非平稳的盾牌压力信号仍然是具有挑战性的,有一个缺乏相关分析信息进行不同的电台。机器学习是人工智能的一个分支(ML)在过去二十年经历了巨大的进展。因此,研究ML-based TWAP预测综采工作面盾牌的有意义的实现智能感知和耦合shield-roof改编的地位。

毫升已经广泛应用于采矿工程以惊人的速度主要矿山灾害监测的目的(例如,涌出的水,天然气,和我的压力8- - - - - -11])和巷道开挖技术(例如,煤岩界面识别和数字钻孔(12- - - - - -17])。对矿山压力监测、李et al。18)误差反向传播(BP)神经网络优化,利用粒子群优化(PSO)算法,建立了PSO-BP岩爆风险评估模型。谭et al。19)优化BP神经网络利用遗传算法(GA)和建立了GA-BP矿山压力预测模型预测权重区间和强度。太阳et al。20.)处理矿山压力监测数据通过混沌分析和建立了一个保护压力基于支持向量机的预测模型。上述研究都努力预测屋顶基于传统神经网络的权重。尽管一些研究人员使用PSO优化的神经网络算法,他们未能充分考虑矿山压力的时间序列数据。问题仍在智能优化算法和神经网络之间的适应性。此外,研究者很少建立了加权预测模型考虑到盾牌的承载信息(例如,TWAP),和盾支持周期的特征参数缺乏深入的探索。总之,加权预测模型仍然可以在很大程度上进行了优化。

尽管各种ML算法应用到屋顶加权预测,这些算法的适用性和灵活性是质疑,原因有两个。首先,我行为具有强烈的周期性压力由时间序列的变化反映了盾压力数据,因此有必要选择一个模型适合处理时间序列问题。第二,由于不当的选择输入变量,模型匹配当前工程背景很难调整自适应最佳性能的另一个工程背景。长期短期记忆(LSTM),首次提出[的Hochreiter和。施密德胡贝尔表示21),是一个很好的深入学习网络广泛采用在自然语言处理等领域和时间序列预测22- - - - - -24]。自成立以来,LSTM矿山压力预测模型展示了非凡的性能(25]。是绝对有必要选择一个合适的智能优化算法来调整其参数。常用的优化算法包括遗传算法、模拟退火(SA)算法,PSO算法和贝叶斯优化算法(BO)。在这些算法(26- - - - - -32),波算法的迭代很少能够快速找到最优值不浪费资源。这种特性使这种算法适用于煤矿领域。

几个研究的贡献总结如下:(1)加载率在每个时期首次应用于TWAP预测。(2)BO-LSTM混合模型提出了更好地预测TWAP价值在未来支持循环通过设置适当的输入参数,和这个值被认为是加权预测的标准。研究主要是针对高效和准确预测TWAP价值在未来保护支持循环BO-LSTM模型和shield-roof状态智能感知的服务。输入参数包括设置(SP)的压力,最终压力(FP),加载率在每个时期,和数量的收益率(纽约)33- - - - - -36]。考虑到模型开发和验证需要足够的保护数据,可用的22307综采工作面Bulianta煤矿作为研究区。采用皮尔逊相关系数分析输入参数和输出参数之间的相关性。与此同时,输入参数和输出参数之间的敏感性进行了分析。

2。数据集的准备

2.1。研究区域的描述

Bulianta煤矿,位于内蒙古(图1(一)),选择为研究区域。22307工作面的埋深88 - 245米,平均厚度、长度,和罢工的长度是7.25米,301米,4954.05米,分别。地质列展示图2。煤层上方的岩性地层厚度(85 - 230)由泥岩和砂岩,而宽松的层的厚度是8-23 m。

22307工作面配备150 ZY / 18000/32/70D盾牌的图1(b)。一个PM32电动液压控制器和一个压力传感器排列在每个盾牌(图1(c))。图中给出的数据采集和传输方法1(d) (37]。具体来说,压力传感器采集的数据通过CAN总线网络服务器和主机,然后盾牌的自动控制是通过主机的决定。盾牌和屋顶的自主研发状态智能感知(SSRI)系统,集成了数据挖掘和周期分析技术,能够有效地、准确地分析大量的监测数据和与主机配合明智地做出决定。详细的SSRI系统的体系结构和工作原理可以在文献中找到(38]。

借助SSRI系统,共有超过56000块的数据从巨大的压力中提取数据的22307工作面(图80盾3(一个))。在这项研究中,三个盾牌,即。,1#, 40#, and 80#, from the end to the middle of the working face are selected as the research object. The processed pressure data of the three shields are displayed in Figure3 (b)。压力每个盾包含的数据支持循环反射盾和围岩之间的关系。

2.2。数据收集

2.2.1。输出

输出变量是TWAP。盾支持周期指的是一个盾牌的压力变化过程,包括它的设置,装卸,向前移动。的周期可以获得压力数据图3 (b)。TWAP [39),一个特征量反映了罩内压力的变化周期,是判断周期的基础权重。它的值可以通过方程计算(1)根据保护压力的时间序列变化曲线在每个支持循环(图4)。 在哪里是TWAP (MPa);盾牌的压力(MPa);的总时间(分钟)。

在这项研究中,SSRI系统可以识别的数量在每个压力数据集和计算周期TWAP值在每个周期。压力数据的处理结果(图3(一个))表明,每个盾包含600支持周期。整个TWAP数据在1100 h图所示5。

2.2.2。输入变量

支持的输入变量是多维特征参数周期。可以观察到在图4,典型的盾支持周期可以简化成三个时期按照装卸特点:初期( ),相对稳定的时期( ),和减少影响和邻近的盾运动时期( )。基于支持周期不同阶段的受力特点,SSRI系统可以提取27特征参数采用朴素贝叶斯等多个算法,聚类、分类、和相关性。除了SP和FP,加载率和纽约也包含在TWAP预测这些参数作为输入变量。

TWAP 27个特征参数的因素进行灰色关联分析。其中,9参数相关性高的度,也就是说,SP,修改设置压力(负责),《外交政策》,纽约,加载率的初期(LRIP 5分钟和LRIP 10分钟),加载速率相对稳定时期(LRRSP),加载速率的减少影响和邻近的盾运动时期(LRCMP),和过去支持TWAP周期(TWAP最后),在本研究中被视为输入变量。

(1)SP和负责。SP,积极支持迫使盾提供的屋顶上,起着至关重要的作用在地面控制工作面(点图4)。盾后压力达到SP,它将第一次经历短期(1 - 3分钟)下降,然后缓慢上升或稳定。盾的腿压在这一刻是实际的SP盾提供的屋顶,它被定义为负责(B点图4)。

(2)《外交政策》。盾的FP (C点图4),这通常被认为是最大的支持负载在整个支持周期,达到降低周边盾牌时,先进。

(3)加载率。加载率指的是负载的变化 , ,和阶段在图4。它们反映了不同时期的屋顶活动的状态。在这三者之中, , ,和 。值得注意的是低速初始生产(5分钟)和LRIP(10分钟)是指电阻变化的比率在第一个5分钟和10分钟时间阶段,分别。

(4)纽约。当盾牌压力达到或超过额定保护能力,高压乳状液溢出保护盾腿条件下,工作面生产暂停了很长一段时间,或者屋顶活动强烈。收益率阀门开启和关闭的过程称为屈服周期。的数量产生周期是一个重要的指标反映了屋顶活动的强度。

9的数据特征参数在本研究初步分析表1。

3所示。方法

3.1。LSTM基础理论和美国银行

3.1.1。长期短期记忆网络(LSTM)

LSTM神经网络尤其适用于处理高时间问题。屋顶权重具有明显的周期性特征,压力波形是一个强大的时间序列的前后输入是显著相关的。因此,LSTM神经网络应用于预测TWAP盾牌。

LSTM神经单元进行优化的基础上,递归神经网络(RNN)通过添加控制盖茨在单位。添加一个新的细胞状态输入使LSTM记住并留住历史信息。整个神经单元由输入控制门,忘记门,门的输出。

LSTM神经单元的内部结构如图连续三次6在哪里是神经单元的输入向量在当前时间;神经单元的输出向量;是细胞状态;和都是激活函数; , ,和忘记门,输入,输出门,分别;和和分别是重量和偏差矩阵。

方程(2)- (7其次是神经单元的内部操作显示:

3.1.2。贝叶斯优化算法(BO)

波算法是一种概率分布优化算法用于毫升hyperparameters的自动调谐。算法的核心思想是给一个优化目标函数和更新后的分布不断增加采样点的目标函数,主要是面向解决复杂的多峰性黑盒问题,nonconvexity,高维度和评价成本高。建立了基于高斯过程,它认为前面的参数信息,不断更新之前。它不仅大大节省了成本优化由于小数量和快速迭代的速度,但它也拥有良好的性能对凸和非凸优化问题。波算法的基本流程是列在图7。

3.2。造型方法

保护数据,一种强烈的时间序列数据,功能不稳定、非线性、和周期的不确定性。在这项研究中,一条关于保护压力预测模型数据建立基于LSTM网络。因为各种盾不同步的数据显著差异,BO算法结合LSTM模型以便hyperparameters匹配数据的特点,每个盾牌。

图中列出的BO-LSTM模型的框架8。众所周知,两个人工神经网络的结构和模型参数施加影响的性能模型,所以单位LSTM层的数量,辍学的参数层,批量大小,优化器选择学习速率作为优化对象的贝叶斯优化器。模型是由一个输入层,两层LSTM,辍学层和一个输出层。损失函数采用均方误差(MSE)和模型训练过程是通过亚当优化的算法。hyperparameters设置的优化值范围如下:单位数量LSTM层(80),批量大小(80),优化学习速率(0.0001,0.01),和参数的辍学层(0.1,0.6)。

BP模型和LSTM模型作为对比模型在这个研究。BP模型是由一个输入层,两个隐藏层(20单位),辍学层(0.2参数),和一个输出层。LSTM模型由一个输入层、一个LSTM层(20单位),辍学层(0.2参数),和一个输出层。亚当的学习速率优化器是0.01。

BO-LSTM的流动模型如下:

步骤1。将实验数据分为训练集和测试集。

步骤2。初始化波算法通过批量大小,优化学习速率和辍学层LSTM网络模型中的参数为优化对象。

步骤3。根据随机计算当前函数分布公式。

步骤4。调整当前函数的分布函数根据选择的战略选择。

第5步。判断是否满足终止条件。如果遇到,最优hyperparameter返回值;否则,一步4返回。

步骤6。构建最优hyperparameters LSTM网络模型。

步骤7。进行训练和测试。

3.3。统计评估

这项研究进行了评估的使用MSE和平均绝对误差(MAE) [40毫升),最常见的指标模型验证和比较。方程的两个指标如下: 在哪里实例的数量;是价值预测的模型;是真正的价值。这两个指标既能代表之间的误差和 。小值的指数表明预测值的偏差较小的真正价值和更好的性能模型。

4所示。结果与讨论

4.1。输入和输出之间的相关性

的9个输入变量和输出变量之间的关系进行了调查的基础上,皮尔森相关系数(41]。图9是一个变量之间的相关系数的分配图。低速初始生产结果表明,SP,《外交政策》,纽约,与TWAP和负责都呈正相关,加载率在三个阶段( , ,和 )将影响TWAP值的变化。纽约将导致恒盾支持压力的波动。当收益率阀门开启过于频繁,TWAP值将随之波动。

4.2。模型的预测能力

4.2.1。准备TWAP预测1 #盾

TWAP值预测的三个模型在测试集和实际TWAP值1 #盾比较图10。297块的1 #盾构数据(2014年9月27日- 10月。17日,2014),70%是作为训练集,30%是用作测试集。

图10(一个)显示结果预测的BP模型,均方误差值和梅价值是0.0117和0.0816,分别。图10(b)展品LSTM模型预测的结果,均方误差值和梅价值是0.0106和0.0689,分别。图10(c)给BO-LSTM模型预测的结果。被波算法调整后,hyperparameters BO-LSTM模型如下:单位的数量LSTM层是42岁,52批大小,优化器学习速率为0.0094,0.58和辍学层参数。在这种情况下,MSE价值和梅价值是0.0095和0.0656,分别。

4.2.2。TWAP预测40 #盾

TWAP值预测的三个模型在测试集和实际TWAP值40 #盾比较图11。40 # 662件中保护数据(2014年9月27日- 11月。11日,2014),70%是作为训练集,30%是用作测试集。

图11(一个)显示结果预测的BP模型,均方误差值和梅价值是0.0194和0.1058,分别。图11(b)展品LSTM模型预测的结果,均方误差值和梅价值是0.0165和0.0924,分别。图11(c)给BO-LSTM模型预测的结果。被波算法调整后,hyperparameters BO-LSTM模型如下:单位LSTM层的数量是77,批量大小是65,优化器学习速率为0.0061,0.24和辍学层参数。在这种情况下,MSE价值和梅价值是0.0155和0.0886,分别。

4.2.3。TWAP预测为80 #的盾牌

TWAP值预测的三个模型在测试集和实际TWAP值为80 #盾比较图12。在645件80 #盾构数据(2014年9月27日- 11月。11日,2014),70%是作为训练集,30%是用作测试集。

图12(一个)显示结果预测的BP模型,均方误差值和梅价值是0.0334和0.1442,分别。图12(b)展品LSTM模型预测的结果,均方误差值和梅价值是0.0331和0.1436,分别。图12(c)给BO-LSTM模型预测的结果。被波算法调整后,hyperparameters BO-LSTM模型如下:单位LSTM层的数量是69,批处理大小是28日,优化器学习速率为0.0041,0.42和辍学层参数。在这种情况下,MSE价值和梅价值是0.0315和0.1362,分别。

4.2.4。分析预测结果

BP预测结果的错误,LSTM和BO-LSTM模型图所示13根据BO-LSTM模型达到最佳的预测性能。与BP模型相比,LSTM模型成功地减少了错误时用来预测TWAP数据的盾牌。这个结果表明LSTM模型更适合处理TWAP数据有一个明显的比BP模型的时间序列。此外,BO-LSTM模型的hyperparameters自动调谐的BO算法有一个改进的性能相比LSTM模型没有得到波优化,错误的三个盾牌BO-LSTM模型都被LSTM小于模型和BP模型。结果证实BO的可行性算法在改善LSTM模型的性能。

BP模型给出了最大的错误,因为它TWAP预测是基于前一时刻的数据。它缺乏数据特征在过去的记忆。LSTM模型演示了一个更好的预测性能,因为它记下数据特征在过去。然而,它不能很好地兼容的不同数据特点,每个盾牌,因为盾权重在22307工作面不同步而LSTM模型采用相同的hyperparameters训练数据集的盾牌。相比之下,BO-LSTM模型拥有最小的预测错误,因为它不仅具有的优点LSTM模型也发现hyperparameters最适合当前盾牌的数据按照不同的特征。

关于空间演化,均方误差值和梅值从1 #盾增加到80 #盾,证明盾(80 #)的预测误差大于中间的盾牌(1 #)。原因是与1 #盾相比,80 #盾对应于一个较小的权重区间和经历更多的起伏的支持压力(42]。

简而言之,BO-LSTM模型提出了研究可以迅速和有效地预测TWAP盾牌的值在不同的位置。其性能可以改善由于不同的煤层赋存条件。类似BO-LSTM模型的混合ML模式的一个优点是,他们可以处理大而复杂的数据。因此,这种模式适合TWAP盾牌的预测完全机械化开采的脸。

4.3。输入变量的敏感性研究

更好地掌握每个输入变量的影响预测TWAP值,输入参数的敏感性分析部分依赖情节(PDP),输入参数的重要性进行了分析,该算法XGBoost [43,44]。

PDP是一个流行的工具来确定输出变量的敏感性在各个输入变量45]。水平轴代表所有可能的输入变量的值,和纵轴代表预测输出值的平均值。数据(14日)- - - - - -14 (h)展示的部分依赖输入变量(不含LRIP(10分钟)和输出变量。研究结果表明,加载率在不同的阶段,FP, TWAP(去年)与TWAP值呈正相关。SP和负责与TWAP值之前27 MPa呈正相关,而他们后呈低度负相关,这种压力,表明27 MPa是最好的SP。TWAP值变化与FP和TWAP的变化更强烈(去年),与纽约相比,SP,负责,加载率在不同的阶段。

为了说明输入变量的重要性,更清楚,所有输入变量的重要性得分(是)推导出通过求和(图正常化15)。结果清单,FP(是:0.277)产生最大的影响TWAP预测,其次是TWAP(去年)(是:0.241),负责(是:0.109)、纽约(是:0.077),SP(是:0.067),加载率在不同阶段(主要是:约0.06)。是,可以看出FP和TWAP(去年)是主要的变量影响TWAP预测性能。两个参数也从屋顶的基础权重在传统采矿,这解释了为什么TWAP价值变化与FP和TWAP的变化更强烈(去年)在图14。

实际上,传统的特征参数(例如,FP和TWAP(去年))显著影响TWAP价值在未来支持周期,这已经证明了。不过,总LRIP, LRRSP,和LRCMP达到0.229,所以可以得出结论,加载率在不同阶段也不可或缺的TWAP预测。

支持循环,在时间的特征参数TWAP预测中发挥更重要的作用。例如,比LRIP LRCMP更重要,FP比SP和负责更重要。与此同时,盾支持与加载速率高的特点在TWAP预测中发挥更大的作用。

此外,纽约对TWAP预测也产生一定影响。负责在TWAP预测的重要性大于SP,可能是因为盾最初设置时,它并没有充分联系了屋顶和SP显然不能反映顶板条件。这种现象普遍存在于盾支持周期。例如,在22304工作面Buertai煤矿在中国和翡翠的LW23工作面煤矿在美国,48.5%和71.9%的盾支持周期荷载衰减进行了超过1 MPa盾最初设置后,和负载的保护支持周期内衰减持续时间短于1分钟占70.3%和96%,分别。

一般而言,上述研究结果验证彻底研究了输入变量的重要性在某种程度上。相信进一步研究基于这个观点的进一步发展将有深远意义TWAP预测。

5。结论

在这项研究中,BO-LSTM模型,混合毫升模型集成LSTM模型和波算法的优点,提出了预测盾TWAP值shield-roof状态智能感知的目的。总共56000多块区域相关保护压力从Bulianta煤矿收集的数据,和SSRI系统协助识别支持周期和提取特征参数。9个参数共享大型灰色相关性度与输出变量(TWAP),也就是说,SP,负责,《外交政策》,纽约,加载率,和TWAP(去年),被选作为输入变量。统计措施,包括MSE和梅被用来验证和比较BP模型的预测性能,LSTM模型和BO-LSTM模型。此外,PDP,被用来评估模型中输入参数研究的重要性。主要结论如下。(1)三毫升模型,BO-LSTM模型达到最佳性能的MSE和梅,其次是LSTM模型和BP模型。与BP模型相比,LSTM模型更适用于处理数据显著的时间序列。此外,薄熙来算法可以找到hyperparameters最适合当前盾牌的数据按照不同的特点,从而进一步提高预测精度(2)的评估标准增加盾(1 #)结束盾(80 #)在中间,因为前者经历变动TWAP低于后者(3)输入变量提取的SSRI TWAP预测系统是有效的。PDP,结果表明,FP和TWAP(去年)是最重要的参数在TWAP预测,其次是负责和纽约。除此之外,有必要修改SP。加载率在不同阶段的总重要性分数达到0.229,表明加载TWAP预测利率也是不可或缺的。与此同时,盾支持与加载速率高的特点在TWAP预测中发挥更大的作用。支持循环特征参数,在以后的时间中发挥更重要的作用TWAP预测比早些时候的时间。例如,FP比负责更重要,比LRIP LRCMP更重要

缩写

TWAP:	时间加权平均压力
SP:	设置压力
负责:	修改后的设置压力
外交政策:	最终压力
纽约:	数量的收益率
低速初始生产:	加载率在最初的时期
LRRSP:	加载速率的相对稳定时期
LRCMP:	加载速率的减少影响和邻近盾运动时期
ML:	机器学习
LSTM:	长期短期记忆网络
波:	贝叶斯优化
英国石油公司:	反向传播神经网络
算法:	粒子群优化
山:	模拟退火
遗传算法:	遗传算法
SSRI:	盾牌和屋顶的状态智能感知系统
均方误差:	的均方误差
梅:	平均绝对误差。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Wanzi燕和王Junhui贡献了同样的工作。

确认

作者感谢辛迪·s·彭教授从西弗吉尼亚大学的矿业工程系在这项研究中对他的支持和贡献。这项工作得到了中央大学基础研究基金(2018 qna24),以及矿山机械工程的山东省重点实验室(2019 klmm205)。

引用

1. m . Cai和e·t·布朗”挑战深部矿产资源的开采和利用,“工程,3卷,不。4、432 - 433年,2017页。视图:出版商的网站|谷歌学术搜索
2. z s . Liu Wan, y, s . Lu x助教,和z . Wu”评价和控制技术研究煤柱稳定性基于断裂数字化方法,”测量,第158卷,第107713页,2020年。视图:出版商的网站|谷歌学术搜索
3. s . s .彭长壁开采博卡拉顿,CRC出版社,2019。
4. 施p . m .钱,j .徐矿山压力与岩层控制、中国矿业大学和科技出版社,徐州,中国,2010。
5. l . m .窦x问:他和e . y . Wang“电磁发射技术监测岩爆及其应用”中国煤炭学会杂志》上卷,29号4、396 - 399年,2004页。视图:谷歌学术搜索
6. s . s .彭煤矿地面控制瑞斯出版,剑桥,第三版版,2008年版。
7. w·s·s . b . Li Wei, j . f .妞妞”声明的电气和液压控制液压动力支持和矿业面临自动化技术”煤科学与技术,35卷,不。11日,1 - 5,2007页。视图:谷歌学术搜索
8. j.y.肖,m . m .通问:风扇,和c j .朱“模糊神经网络模型应用于矿井突水预测”国际会议在工业工程图像处理与模式识别,西安,中国,2010。视图:出版商的网站|谷歌学术搜索
9. 问:孟,m . a, y周,“我的预测与改进的粒子群支持向量机,气体排放”矿业安全与环境保护,42卷,不。2、1 - 5,2015页。视图:谷歌学术搜索
10. x, x鲁伊,y的粉丝,和y榉,t . Yu”预测煤层气日产量T-LSTM神经网络基础上,“对称,12卷,不。5,861年,页2020。视图:谷歌学术搜索
11. j .林t . Ren, j . Nemcik y Cheng和g .王”循环氮气注入增强煤层气体恢复:实验室的一项研究中,“能源,第188卷,第116115页,2019年。视图:出版商的网站|谷歌学术搜索
12. w·侯”,识别煤和煤矸石的前馈神经网络数据分析的基础上,“国际期刊的选煤和利用率,39卷,不。1,33-43,2017页。视图:谷歌学术搜索
13. h . Chiranth和g·肯,”耦合的机器学习模型评价钻井优化”天然气科学与工程》杂志上,56个卷,第407 - 397页,2018年。视图:谷歌学术搜索
14. 李x, y杨,h·李·d·李,和r .元,“深综放Q-Network最佳决定,”能量,13卷,不。7,1618年,页2020。视图:谷歌学术搜索
15. c .气问:陈,a . Fourie,张问:“一个智能建模框架力学性能的水泥粘贴回填,”矿业工程卷。123年,16-27,2018页。视图:出版商的网站|谷歌学术搜索
16. 气,A . Fourie问:陈,张问:“一个强度预测模型使用人工智能回收废物尾矿作为巩固了粘贴回填,”《清洁生产卷,183年,第578 - 566页,2018年。视图:出版商的网站|谷歌学术搜索
17. c .气,x, x,问:陈,a . Fourie和e·刘”向智能挖掘回填:遗传programming-based强度预测方法巩固了粘贴回填,”矿业工程卷,133年,第79 - 69页,2019年。视图:出版商的网站|谷歌学术搜索
18. z h . Li Li r .他和y(音)“岩爆风险评估基于粒子群优化和BP神经网络,”《采矿与安全工程没有,卷。31日。2、203 - 231年,2014页。视图:谷歌学术搜索
19. t . Tan z杨、f . Chang和k .赵”的第一权重预测工作面顶板在煤矿GA-BP神经网络基础上,“应用科学,9卷,不。19日,第4159页,2019年。视图:谷歌学术搜索
20. g .太阳,惠普周,k . l .太阳”预测我的监控数据基于支持向量机的压力,”阜阳师范学院杂志》上,30卷,不。3,46-49,2013页。视图:谷歌学术搜索
21. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
22. c熊和m . Su IARNN-based semantic-containing双层嵌入Bi-LSTM问答匹配,”计算智能和神经科学卷。2019年,10页,2019。视图:出版商的网站|谷歌学术搜索
23. m·易卜拉欣a . Alsheikh Al-Hindawi, s . Al-Dahidi和h . ElMoaqet“短期风速预测使用基于人工学习算法”,计算智能和神经科学卷。2020年,15页,2020年。视图:谷歌学术搜索
24. j.y.崔和b·李”结合LSTM网络通过自适应加权改进时间序列预测合奏,”数学问题在工程卷。2018年,8页,2018。视图:谷歌学术搜索
25. 赵y . x, z l .杨b·j·马·h·h·歌,和d·h·杨,“深度学习的地面压力预测和模型泛化深了大采高长壁的脸,“中国煤炭学会杂志》上,45卷,不。1,54 - 65年,2012页。视图:谷歌学术搜索
26. y OZgur”,罚函数约束优化方法和遗传算法,”数学和计算机应用程序,10卷,不。1,45-56,2005页。视图:谷歌学术搜索
27. f . Stochino f . l . Gayarre,“钢筋混凝土板与模拟退火优化,“应用科学,9卷,不。15日,2019年。视图:谷歌学术搜索
28. x t . Wu Shi, l .廖c .周h .周和y苏,“容量配置控制策略,以缓解电力波动的混合储能系统基于改进粒子群优化,“能量,12卷,不。4、2019。视图:谷歌学术搜索
29. j .杖鱼h . Larochelle, r·p·亚当斯”实用机器学习贝叶斯优化算法,先进的神经信息处理系统,4卷,2012年。视图:谷歌学术搜索
30. 周j . y .秋朱,d . j . Armaghani m .口和e·t·穆罕默德,估计的TBM掘进速度在坚硬的岩石条件下使用XGBoost和贝叶斯优化,2020年地下空间。视图:出版商的网站
31. 李j .周x, x,“岩爆的长期预测模型在地下使用启发式算法和支持向量机开口,“安全科学,50卷,不。4、629 - 644年,2012页。视图:出版商的网站|谷歌学术搜索
32. 朱周j . y . g .秋s . l . et al .,“优化支持向量机通过使用metaheuristic算法预测TBM掘进速度,”人工智能技术的工程应用,第97卷,第104015页,2021年。视图:出版商的网站|谷歌学术搜索
33. z . j . Cheng Wan, s . s .彭s . Liu, y霁:“保护电阻的变化能告诉我们在希勒的切割和邻近的盾牌进步?”国际矿业科技杂志》上,25卷,不。3、361 - 367年,2015页。视图:谷歌学术搜索
34. 梁c, c . Jing-Yi z Yi-Dong j .明g, g . Lin-Sheng,“加载和运行特性的研究液压支架在胶结充填采矿的脸上,“采矿科学档案,卷62,不。1,2017。视图:谷歌学术搜索
35. z . j . Cheng Wan, y,“Shield-roof交互在长壁板:见解从现场数据和他们的应用程序到地面控制,”土木工程的发展卷。2018年,18页,2018年。视图:谷歌学术搜索
36. 彭,”盾腿压力能告诉我们什么?”煤炭时代卷。103年,54-57,1998页。视图:谷歌学术搜索
37. g . g . Wang赵,h . Ren,“智能煤矿和智能的关键技术分析采矿、”中国煤炭学会杂志》上,44卷,不。1、41、2019页。视图:谷歌学术搜索
38. j . y, z . j . Wan s . s .彭et al .,“长壁盾智能传感技术支持现状和基于大规模盾顶板岩层的压力监测数据,”中国煤炭学会杂志》上,45卷,不。6,2090 - 2103年,2020页。视图:谷歌学术搜索
39. d .公园和d . Deb,“长壁层控制和维护系统为长壁开采听诊器,”矿业工作站纽约然后科罗拉多州利特尔顿-,51卷,不。10日,调查1999页。视图:谷歌学术搜索
40. f·m·曾h . c . Yu, g . h . Tzeng”应用混合季节性时间序列预测的灰色模型,”技术预测和社会变革,卷67,不。2 - 3、291 - 302年,2001页。视图:出版商的网站|谷歌学术搜索
41. 朊病毒和k . a . Haerling”理解和测量方法:皮尔森积差相关系数”模拟临床护理,10卷,不。11日,第588 - 587页,2014年。视图:谷歌学术搜索
42. f·杜,r .元,j .郑,g .歌”机制的异常地层压力开采煤柱下近距离浅煤层,”Meitan学报、中国煤炭学会杂志》上,42卷,24-29,2017页。视图:谷歌学术搜索
43. h .郑j .元,l .陈”与Xgboost使用EMD-LSTM神经网络短期负荷预测算法功能重要性评价,“能量,10卷,不。8,1168年,页2017。视图:谷歌学术搜索
44. 周j . y . g .秋d . j . Armaghani et al .,“预测TBM在坚硬的岩石渗透率条件:比较研究在六XGB-based metaheuristic技术,”地球科学前沿,12卷,不。3,p。101091年,2021年。视图:出版商的网站|谷歌学术搜索
45. 气,a Fourie问:陈,“神经网络和粒子群优化预测巩固了粘贴回填土的无侧限抗压强度,”建筑和建筑材料卷,159年,第478 - 473页,2018年。视图:谷歌学术搜索

版权

版权©2021 Wanzi燕等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。