基于LSTM的煤矿底板突水预警模型研究与应用
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状与分析 | 第9-12页 |
| 1.2.1 预警模型研究现状 | 第9-11页 |
| 1.2.2 突水预测技术研究现状 | 第11页 |
| 1.2.3 RNN/LSTM应用现状 | 第11-12页 |
| 1.3 论文的研究内容及组织结构 | 第12-15页 |
| 1.4 本章小结 | 第15-16页 |
| 2 矿井突水机理及影响因素分析 | 第16-30页 |
| 2.1 矿井突水机理 | 第16-19页 |
| 2.2 影响矿井突水因素分析 | 第19-22页 |
| 2.3 突水因素的预处理方法 | 第22-28页 |
| 2.3.1 数据采集 | 第22-24页 |
| 2.3.2 数据分布特征及描述 | 第24-27页 |
| 2.3.3.特征选择方法 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 长短时记忆网络模型 | 第30-42页 |
| 3.1 循环神经网络 | 第30-34页 |
| 3.1.1 RNN模型 | 第30-32页 |
| 3.1.2 RNN模型的训练 | 第32-33页 |
| 3.1.3 RNN模型的优势及问题 | 第33-34页 |
| 3.2 长短时记忆模型 | 第34-38页 |
| 3.2.1 LSTM的拓扑结构 | 第35页 |
| 3.2.2 LSTM的前向计算 | 第35-38页 |
| 3.3 相关技术及原理 | 第38-41页 |
| 3.3.1 Dropout策略 | 第38-39页 |
| 3.3.2 ReLU激活函数 | 第39-40页 |
| 3.3.3 权重初始化 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 长短时记忆循环网络在煤矿突水预测中的应用 | 第42-54页 |
| 4.1 数据预处理 | 第42-44页 |
| 4.1.1 特征选择实验 | 第42-44页 |
| 4.1.2 数据归一化 | 第44页 |
| 4.2 基于长短时记忆神经网络的突水预测模型 | 第44-47页 |
| 4.2.1 模型整体框架 | 第44-46页 |
| 4.2.2 模型分析 | 第46-47页 |
| 4.3 煤矿底板突水预测模型实验设计与分析 | 第47-53页 |
| 4.3.1 实验设计 | 第47-52页 |
| 4.3.2 实验结果分析 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 矿井突水范围预测 | 第54-64页 |
| 5.1 煤矿巷道空间网络 | 第54页 |
| 5.2 巷道容水量及突水量分析 | 第54-56页 |
| 5.2.1 巷道容水量分析 | 第54-56页 |
| 5.2.2 突水量分析 | 第56页 |
| 5.3 巷道突水蔓延路径分析 | 第56-60页 |
| 5.3.1 水流下向蔓延路径分析 | 第57-58页 |
| 5.3.2 水流上向升涨路径分析 | 第58-60页 |
| 5.4 煤矿突水范围预测实例分析 | 第60-63页 |
| 5.5 本章小结 | 第63-64页 |
| 6 结论与展望 | 第64-66页 |
| 6.1 工作总结 | 第64页 |
| 6.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |
