基于多源数据融合的煤矿工作面瓦斯浓度预测*

为了解决瓦斯浓度预测使用的单一数据在预测中影响还不够深入的问题,提出基于LSTM神经网络的多源数据融合瓦斯浓度预测模型。模型将上隅角瓦斯浓度、采煤机速度、工作面吨煤瓦斯涌出量等不同数据融合作为输入层参数,使用Adam优化算法更新LSTM网络层参数,利用Attention机制突出关键影响瓦斯浓度的因素,开展多源数据融合的瓦斯浓度预测,结合某矿1008工作面的实际数据,分析不同数据在瓦斯浓度预测中的作用。研究结果表明:单变量下的Attention-aLSTM预测效果相比LSTM提升14.2%;多源数据融合下的Attention-aLSTM相比自身提升了5%。     

基于深度学习的工程结构损伤识别研究进展

为避免或减轻工程结构在建造和运营期间因结构振动产生不同程度损伤,造成安全隐患危及人们生命财产安全,针对结构振动损伤识别技术展开研究,探讨不同深度学习方法发展情况及其利弊,寻找更具可行性的损伤识别方法,并对其最新研究及应用现状进行全面综述。研究结果表明:应用深度学习开发新的结构损伤识别技术,无需冗余的数据预处理以及手工提取损伤特征,实现以较高精度实现损伤识别任务;一维卷积神经网络（1D-CNN）以其独特的应用优势,在数据样本有限条件下较二维卷积神经网络（2D-CNN）表现更为出色。研究结果可为数据驱动的结构损伤识别问题提供新思路,进一步完善土木结构健康监测研究体系。     

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

煤层底板采动导水破坏深度计算的神经网络方法

在综合分析影响煤层底板采动导水破坏深度因素的基础上 ,应用人工神经网络方法 ,建立了底板破坏深度的计算模型。该模型利用现场观测资料作为学习训练样本和测试样本 ,对模型的测算结果、理论计算值和实测值进行了对比分析。结果表明 :用神经网络方法计算底板破坏深度考虑的因素更加全面 ,结果更接近于实际。笔者研究的计算模型和测算方法 ,为承压水上安全采煤决策提供了科学依据。     

钢筋混凝土框架电算结果的人工调整

根据钢筋混凝土多层框架的设计经验和设计规范，对如何调整电算结果中的梁，柱截面尺寸，配筋率，裂缝宽度和梁，柱配筋等问题进行探讨，并提出相应的建议。     

条带开采下沉系数计算与优化设计的神经网络模型

在综合分析条带开采地表下沉系数影响因素的基础上,采用神经网络方法建立了条带开采地表下沉系数的计算模型。模型以国内外成功的条带开采实例为学习训练样本和测试样本,对模型的计算结果与实测值进行了对比分析,分析结果表明,该模型的计算值更接近于实测值。在上述研究的基础上,在给定条带开采采出率的条件下,以条带开采的地表下沉系数最小为原则,运用该模型实现了对条带开采尺寸的优化设计。该研究的成果,为条带开采地表下沉系数的理论计算及条带开采尺寸的优化设计探索出了一种新的方法。     

BP神经网络技术在交通工具火灾预警中的应用

通过对交通工具火灾成因机理以及现有典型交通工具火灾实例的分析研究,建立了预警评价指标体系。根据非线性理论和模式识别原理以及交通工具火灾的特点,采用基于BP神经网络的智能灾害诊断方法,对交通工具火灾发生的可能性和危险性进行评估和预测。研究表明:BP神经网络方法是解决非线性系统问题的一种有效方法,与传统的预警方法相比,该方法具有速度快、效率高、可信度好、自学能力强等特点。采用BP网络进行交通工具火灾预警时,只需输入影响交通工具火灾发生的相关指标因素,网络便可在较短的时间内得出可靠的预警结果。     

基于神经网络和遗传算法的城市火灾风险评价模型

以消防安全工程学与系统安全工程理论为基础,结合我国城市发展特征及消防安全管理状况,建立了城市区域火灾风险评价指标体系;针对神经网络易陷入局部极小而引起评价指标权值分布不合理的缺陷,提出了基于神经网络和遗传算法的城市火灾风险评价模型,该模型以火灾发生的可能性以及灾后的严重程度为输入单元,火灾风险等级为输出单元,采用误差反算法训练BP网络,最终得出火灾风险等级范围,有效地解决了城市火灾的动态性和非线性特征;研究实例证明了该模型的有效性,可为城市的消防安全管理提供确实可行的参考依据。     

特大火灾定量与定性风险管理技术应用探讨

定量化风险管理技术有其无可比拟的优势，但无法对风险因素中的人为因素进行管理。本文通过分析量化管理的缺陷和定性化管理的优势，提出应根据具体情况，采用定量化与定性化管理相结合的管理方式，并提出定性化管理的具体方法。     

基于模糊评判人工神经网络的重大危险源辨识研究

国家已经制定了重大危险源辨识标准,辨识依据是危险物质的数量,主要适用于化工行业.本文对于国家重大危险源辨识标准不适合的行业,结合各行业发生事故的特点和工艺特征,综合利用模糊评判法和人工神经网络,辨识企业内存在的重大危险源.在某化工厂进行了检验,实践证明了方法的科学性和合理性.