致谢 | 第4-5页 |
摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第12-28页 |
1.1 本文选题的研究背景 | 第12页 |
1.2 煤与瓦斯突出机理及预测综述 | 第12-26页 |
1.2.1 煤与瓦斯突出机理研究综述 | 第13-14页 |
1.2.2 煤与瓦斯突出的预测研究综述 | 第14-26页 |
1.3 本文的主要研究内容和技术路线 | 第26-28页 |
1.3.1 本文的主要研究内容 | 第26-27页 |
1.3.2 本文的技术路线 | 第27-28页 |
2 煤与瓦斯突出非线性动态预测指标的确定 | 第28-51页 |
2.1 地应力对煤与瓦斯突出区域分布的影响 | 第28-31页 |
2.2 煤的物理力学性质对煤与瓦斯突出的影响 | 第31-37页 |
2.2.1 煤体的构造影响 | 第31-32页 |
2.2.2 煤的强度特性影响 | 第32-34页 |
2.2.3 煤层厚度的影响 | 第34-35页 |
2.2.4 煤层顶底板岩石透气性的影响 | 第35页 |
2.2.5 开采深度的影响 | 第35-36页 |
2.2.6 煤层倾角的影响 | 第36页 |
2.2.7 煤层渗透率的影响 | 第36-37页 |
2.3 煤层瓦斯参数对煤与瓦斯突出的影响 | 第37-41页 |
2.3.1 煤层瓦斯含量的影响 | 第37-40页 |
2.3.2 煤层瓦斯压力的影响 | 第40页 |
2.3.3 煤层瓦斯涌出速度的影响 | 第40-41页 |
2.3.4 煤层瓦斯放散初速度的影响 | 第41页 |
2.4 非线性动态预测指标的确定 | 第41-50页 |
2.4.1 煤与瓦斯突出非线性动态预测指标体系构建的原则 | 第41-42页 |
2.4.2 基于层次分析法的非线性动态预测指标权重分析 | 第42-48页 |
2.4.3 煤与瓦斯突出非线性动态预测指标的确定 | 第48-50页 |
2.5 本章小结 | 第50-51页 |
3 掘进工作面瓦斯浓度的混沌特征研究 | 第51-74页 |
3.1 动力系统与混沌概述 | 第51-53页 |
3.1.1 动力系统 | 第51页 |
3.1.2 混沌的定义与性质 | 第51-53页 |
3.2 掘进工作面瓦斯浓度数据的预处理 | 第53-63页 |
3.2.1 基于λ-岭回归估计的异常数据的处理 | 第54-58页 |
3.2.2 基于三次指数平滑数据缺失的处理 | 第58-59页 |
3.2.3 基于改进阈值函数的小波去燥处理 | 第59-60页 |
3.2.4 实例研究 | 第60-63页 |
3.3 瓦斯浓度时间序列的相空间重构 | 第63-64页 |
3.4 瓦斯浓度时间序列的时滞参数的选取 | 第64-65页 |
3.5 掘进工作面瓦斯浓度时间序列混沌特征的识别 | 第65-73页 |
3.5.1 关联维 | 第66-67页 |
3.5.2 二阶Renyi熵K_2 | 第67页 |
3.5.3 基于改进的小数据量算法的最大Lyapunov指数 | 第67-70页 |
3.5.4 掘进工作面瓦斯浓度混沌特征实例判定 | 第70-73页 |
3.6 本章小结 | 第73-74页 |
4 掘进工作面瓦斯浓度的分形特征研究 | 第74-89页 |
4.1 分形理论概述 | 第74-79页 |
4.1.1 分形及分形几何 | 第74-76页 |
4.1.2 分形维数的计算方法 | 第76-79页 |
4.2 掘进工作面瓦斯浓度时间序列分形特征的判定 | 第79-82页 |
4.2.1 Hurst指数的估算 | 第79-80页 |
4.2.2 实例判定 | 第80-82页 |
4.3 掘进工作面瓦斯浓度的多重分形特征 | 第82-88页 |
4.3.1 多重分形维理论 | 第82-83页 |
4.3.2 求取瓦斯浓度时间序列的广义维数D_q | 第83-84页 |
4.3.3 时间序列的广义Hurst指数估计 | 第84-86页 |
4.3.4 瓦斯浓度时间序列的多重分形谱分析 | 第86页 |
4.3.5 掘进工作面瓦斯浓度多重分形特征的判定 | 第86-88页 |
4.4 本章小结 | 第88-89页 |
5 掘进工作面煤与瓦斯突出多因素非线性动态预测 | 第89-127页 |
5.1 支持向量机理论基础 | 第89-99页 |
5.1.1 VC维理论和结构风险最小化 | 第89-90页 |
5.1.2 SVM理论 | 第90-96页 |
5.1.3 构造核函数 | 第96-97页 |
5.1.4 LS-SVM | 第97-99页 |
5.2 基于ASGSO算法的LS-SVM识别模型 | 第99-107页 |
5.2.1 基本GSO算法 | 第99-102页 |
5.2.2 自适应优化GSO算法 | 第102-105页 |
5.2.3 惩罚因子及核参数σ对LS-SVM的影响 | 第105-106页 |
5.2.4 ASGSO-LS-SVM模型的建立 | 第106-107页 |
5.3 基于ASGSO-LS-SVM的煤与瓦斯突出预测 | 第107-120页 |
5.3.1 获取数据 | 第108页 |
5.3.2 数据的预处理过程 | 第108-109页 |
5.3.3 特征的选择与提取 | 第109-111页 |
5.3.4 模式识别系统的训练与预测 | 第111-112页 |
5.3.5 基于ASGSO-LS-SVM的煤与瓦斯突出静态预测 | 第112-116页 |
5.3.6 基于ASGSO-LS-SVM的煤与瓦斯突出动态预测与验证 | 第116-120页 |
5.4 煤与瓦斯突出非线性动态预测管理系统开发 | 第120-126页 |
5.4.1 煤与瓦斯突出动态预测管理系统的功能设计 | 第121-122页 |
5.4.2 煤与瓦斯突出预测管理系统的硬件设计 | 第122-123页 |
5.4.3 煤与瓦斯突出预测管理系统的软件设计 | 第123-126页 |
5.5 本章小结 | 第126-127页 |
6 结论与展望 | 第127-129页 |
6.1 结论 | 第127-128页 |
6.2 创新点 | 第128页 |
6.3 展望 | 第128-129页 |
参考文献 | 第129-135页 |
作者简历 | 第135-138页 |
学位论文数据集 | 第138-139页 |
附件 | 第139-140页 |