改进多变量时序模型的露天涌水量预测

露天矿坑涌水量变化影响着边坡的稳定性、工程进度和设备使用寿命,在矿山汛期,涌水量的突增给矿山带来巨大的安全隐患。为了做好涌水量突增安全防范,对于汛期涌水量的精准预测成为矿山安全生产的一大难题。针对这一问题,提出了一种基于改进蜣螂优化算法(Sparrow Initialization Dung Beetle Optimizer,SIDBO)优化变分模态分解(Variational Mode Decomposition,VMD)-双向长短周期神经网络(Bi-directional Long Short-Term Memory,BiLSTM)时序模型预测露天矿坑涌水量的方法。对于难以确定VMD参数的问题,利用改进蜣螂优化算法寻找最优VMD核心参数组合。SIDBO算法首先基于t分布的差分策略优化勘探阶段,使用最优解和第二解中位搜寻策略增强全局最优解搜索能力,最后采用麻雀优化算法优化开发阶段。结果表明,与VMD-SIDBO-LSTM等模型相比较,SIDBO-VMD-SIDBO-BiLSTM模型预测精度更高,均方根误差(R_(MSE))、平均绝对误差(M_(AE))、平均绝对百分比误差(M_(APE))、R^(2)分别为5.96、4.96、0.41%、0.98,并将该模型与传统地质方法——水均衡法在实际工程实例中进行对比,该时序模型相对于水均衡法对于矿坑汛期涌水量预测精度提升了3.8%,为露天矿汛期涌水量预测提供了新的技术方法与思路。

矿井巷道风速智能感知技术研究进展

矿井通风系统智能化是推进智能矿山建设、保障矿井安全生产的关键环节,通风参数作为基础数据来源,是矿井通风系统智能化建设的重要保障。而矿井巷道风速智能感知技术发展过程中存在传感器精度及可靠性优化、传感器测风误差修正、平均风速智能快速预测、传感器布设优化等关键科学技术问题有待改善。综述了传感器技术、高精度智能风速预测等研究成果,总结了各项技术的优劣及适用范围,提出了基于PSO−GRU神经网络构建的巷道断面平均风速智能预测模型,该模型能够有效提高矿井巷道平均风速测算的精度,可为通风参数智能感知技术的发展提供理论参考。