基于深度學(xué)習(xí)的采空區(qū)卸壓瓦斯抽采智能評(píng)價(jià)方法研究
【文章頁數(shù)】:150 頁
【學(xué)位級(jí)別】:博士
【部分圖文】:
圖1.7ST-PSO-SVR算法整體模型圖
1緒論對(duì)煤與瓦斯突出的危險(xiǎn)性進(jìn)行了預(yù)測評(píng)價(jià)。選取瓦斯放散初速度、開采深度、瓦斯壓力、煤的堅(jiān)固性系數(shù)等關(guān)鍵預(yù)測指標(biāo)作為評(píng)價(jià)煤與瓦斯突出的關(guān)鍵指標(biāo),建立了煤與瓦斯突出預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。付華[148-150]提出經(jīng)改進(jìn)的粒子群算法(MPSO)優(yōu)化的加權(quán)最小二乘支持向量機(jī)(WLS-S....
圖1.8鄰接點(diǎn)和時(shí)間維度預(yù)測精度對(duì)比
1緒論對(duì)煤與瓦斯突出的危險(xiǎn)性進(jìn)行了預(yù)測評(píng)價(jià)。選取瓦斯放散初速度、開采深度、瓦斯壓力、煤的堅(jiān)固性系數(shù)等關(guān)鍵預(yù)測指標(biāo)作為評(píng)價(jià)煤與瓦斯突出的關(guān)鍵指標(biāo),建立了煤與瓦斯突出預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。付華[148-150]提出經(jīng)改進(jìn)的粒子群算法(MPSO)優(yōu)化的加權(quán)最小二乘支持向量機(jī)(WLS-S....
圖3.11batch為512時(shí)Loss與Acc變化圖像
2'1111nniiiiiMAEEYYnn平均絕對(duì)誤差,iE為第i個(gè)實(shí)際值與預(yù)測值得絕對(duì)誤個(gè)預(yù)測值。由于預(yù)測誤差有正有負(fù),為避免正負(fù)相抵,其平均值。調(diào)優(yōu)時(shí)間步長)代表了LSTM能夠利用的序列長度,是數(shù)量較大時(shí)可適當(dāng)減小batchsize....
圖3.12batch為256時(shí)Loss變化圖像
ze為128、256、512的性能。使用建立的LSTM模次batch大小為512,損失函數(shù)為MSE。訓(xùn)練的損STM模型,設(shè)置的訓(xùn)練輪數(shù)epochs為64,批次b練的損失值與準(zhǔn)確率如圖3.12所示。
本文編號(hào):3893390
本文鏈接:http://www.sikaile.net/kejilunwen/anquangongcheng/3893390.html