Prediction of gas emission in mining face based on random forest regression algorithm
-
摘要:
回采工作面是矿井瓦斯涌出的主要场所，精准预测回采工作面的瓦斯涌出量，进而有针对性地提出防治措施，对保证矿井安全生产具有重要意义。提出了基于随机森林回归算法的回采工作面瓦斯涌出量预测方法。以工作面实测瓦斯涌出量数据为原始样本，利用Bootstrap抽样方法进行随机抽样，以袋外数据（OOB）评估分数oob_score作为随机森林回归模型调参、特征变量重要性的评判指标，计算得出模型的最佳参数、特征变量重要性占比。对各特征变量的重要性占比进行排序，并按排序进行随机森林回归模型性能分析，结果表明：随着特征变量数的增加，模型性能不会呈现规律性的变化；当特征变量数较少时，可能存在过拟合的情况。测试结果表明，所创建的随机森林回归模型预测值与实测值的平均绝对误差、平均相对误差随着特征变量数的增加呈下降趋势，特征变量数的增加可在一定程度上提高模型的预测效果。针对同一组数据，与主成分回归分析法相比，随机森林回归模型平均相对误差降低了14.29%，预测效果更好，且原理更简单、调参更容易、计算速度更快，能够为矿井回采工作面瓦斯涌出量预测提供有力的理论支撑。
Abstract:The mining face is the main place for gas emission in mines. Accurately predicting the amount of gas emission from the mining face and proposing targeted prevention and control measures are of great significance for ensuring mine safety production. A prediction method for gas emission in mining face based on random forest regression algorithm has been proposed. Using the measured gas emission data from the working face as the original sample, the Bootstrap sampling method is used for random sampling. The out-of-bag (OOB) data assessment score oob_score is used as an evaluation indicator for the random forest regression model tuning parameter and importance of feature variables. The optimal parameters of the model and the percentage of importance of feature variables are calculated. The method ranks the importance proportion of each feature variable and conducts performance analysis of the random forest regression model according to the ranking. The results show that as the number of feature variables increases, the model performance does not show a regular change. When the number of feature variables is small, there may be overfitting. The test results show that the average absolute error and relative error between the predicted and measured values of the created random forest regression model decrease with the increase of the number of feature variables. The increase of the number of feature variables can improve the predictive performance of the model to a certain extent. Compared with the principal component regression analysis method, the random forest regression model reduces the average relative error by 14.29% for the same set of data, resulting in better prediction performance. The principle is simpler, parameter adjustment is easier, and the calculation speed is faster. The results can provide strong theoretical support for predicting gas emission in mining face.
-
0. 引言
《“十三五”资源领域科技创新专项规划》中提出，要充分利用现代通信、传感、信息技术，实现矿山生产过程的自动检测、智能监测、智能控制与智慧调度。矿山行业积极贯彻响应转型发展要求，全面推进智能化、数字化矿山建设[1-3]。面对全球数字化发展浪潮的新需求和新机遇，矿山数字化成为矿山行业进一步破解转型升级难题的关键途径[4-6]。
建设数字化矿山的首要问题之一是构建一张低时延、大带宽、高可靠的高品质信息网络。WiFi、4G等传统无线通信技术已无法满足矿山数字化转型的新需求[7-8]。5G网络作为国家重要的新型信息基础设施，是数字化转型的基本载体，国内三大运营商已广泛部署建设5G网络。然而，由于矿山环境特殊，尤其是井下矿山环境恶劣，5G网络的应用仍面临挑战。本文结合井下矿山的环境特点和数字化转型需求，分析了井下矿山应用5G技术面临的挑战，提出了基于5G集中式无线接入网（Centralized-Radio Access Network，C−RAN）技术的数字化矿山全光网方案。
1. 井下5G网络部署面临的挑战
5G可实现峰值速率、传输时延、连接能力等网络核心指标的大幅提升。5G无线接入网的部署方式主要包括分布式无线接入网（Distributed-Radio Access Network，D−RAN）和C−RAN两种。其中，D−RAN是将射频拉远单元（Remote Radio Unit，RRU） 和基带处理单元（Base Band Unit，BBU）部署在同一个站点，RRU位于塔上，BBU位于塔下机房，距离很近，便于维护。C−RAN则是将不同基站的RRU对应的BBU集中部署在同一个接入层机房，BBU由塔下的基站机房拉远到接入层机房部署，可大幅减少基站机房数量。
对于井下矿山5G网络建设，D−RAN组网方案如图1所示。采用该方案时，需在部署有RRU的巷道内同步部署BBU和传输设备，设备可靠性面临井下湿度高、易燃气体爆炸风险大、气体腐蚀性强等环境挑战，设备安装维护难度大且需供电，难以满足应用需求。
![]()
图 1 井下矿山传统D−RAN组网方案Figure 1. Traditional D-RAN networking scheme for underground mines重构井下矿山5G无线网络可借鉴运营商的5G宏站组网方案，采用C−RAN替代D−RAN架构[9]。将BBU由井下拉远至地面机房集中化部署，RRU仍部署在井下，BBU配套的传输设备也由井下部署改为地面与BBU同机房部署。C−RAN组网方案如图2所示。该方案下，BBU和传输设备不需要在井下部署，可显著降低5G网络在井下的供电、安装、维护等部署要求和难度，同时BBU集中化部署有利于实现资源共享、协同处理。
虽然C−RAN组网方案有其优势，但也面临新的挑战。D−RAN模式下，RRU与BBU通过光纤直连，距离通常为数百米，故障定位相对简单。对于C−RAN架构，井下RRU与地面BBU间的光纤长度达10 km以上，光纤中断概率增大，光缆链路中潜在的故障点显著增加，而光纤直连方式无网络保护和故障监控能力，故障定位需人工下井逐一排查，网络中断时间不可控，不能满足工业控制要求。同时，每个RRU均通过光纤直接与BBU连接，考虑井下巷道中部署的RRU通常为数十个，井下光纤需求将达到上百芯，光纤资源消耗急剧提升。
因此，井下矿山5G网络采用C−RAN架构时，必须解决光纤资源消耗大、“哑资源”故障管理难两大难题。
2. 基于5G C−RAN技术的数字化矿山全光网系统架构
针对井下矿山5G C−RAN技术应用的两大挑战，提出基于5G C−RAN技术的数字化矿山全光网系统架构，如图3所示。该方案可分为C−RAN接入网、高速全光网、智能管控平台3个层面。
![]()
图 3 基于5G C−RAN技术的数字化矿山全光网系统架构Figure 3. Digital mine all-optical network system architecture based on 5G C-RAN technology1） C−RAN接入网层面：采用C−RAN架构，5G终端、5G RRU部署在井下，完成坑口至斜坡道的5G无线信号覆盖和接入，BBU由井下拉远至地面机房进行集中化部署，破解传统的D−RAN设备难以在井下部署的问题。
2） 高速全光网层面：采用新型半有源波分复用（Wavelength Division Multiplexing，WDM）架构，由支持调顶操作维护管理（Operation Administration and Maintenance，OAM）的RRU光模块、RRU侧无源WDM合分波设备、BBU侧有源WDM设备组成。采用WDM技术节省光纤资源，并基于半有源架构、调顶OAM技术实现对RRU至BBU间光纤网络的低成本管控和灵活部署，破解井下巷道光纤资源紧张和光纤网络管理难题。
3） 智能管控平台层面：采用开放式设计，实现网络管理功能和业务应用功能的集成，满足对5G网络的高效管控运维和在线性能监控需求，同时，采用本地部署移动边缘计算（Mobile Edge Computing，MEC）的方式实现矿区数据就地处理及基于数据的信号灯指挥、人员和车辆定位、车辆测速、语音通信等功能。
基于5G C−RAN技术的数字化矿山全光网系统依托半有源WDM全光网络实现数据的大带宽、高可靠传输。井下部署远端无源WDM合分波设备，为井下5G RRU设备提供数据接入与传输功能。地面部署有源WDM传输设备，用于连接地面集中化部署的5G BBU设备，并通过1根光纤连接井下无源WDM合分波设备。BBU随后连接MEC和5G核心网，将矿山5G网络与MEC有机结合，构建集成网络管理和业务处理的综合智能管控平台，实现对井下设备的智能监测、调度与管控，助力矿山企业向无人开采、无人运输、智能调度、泛在感知等方向发展。
3. 关键技术
基于5G C−RAN技术的数字化矿山全光网系统关键技术主要包括半有源光网络架构、低成本WDM高速传输、智能管控平台。
3.1 半有源光网络架构
传统的无源WDM、有源WDM传输方案难以满足C−RAN组网需求。无源WDM方案是在RRU、BBU侧分别采用无源WDM合分波设备，将多路业务信号进行WDM复用后送入光纤链路传输，大幅节省光纤资源，但是由于两端均为无源WDM器件，不具备OAM能力，WDM器件及支路、线路侧故障只能通过人工排除，难以实现在线管理运维。有源WDM方案需要在井下RRU侧、地面BBU侧均部署有源WDM设备，具备完善的网络OAM能力，但由于井下RRU侧需部署有源传输设备，不符合C−RAN组网要求，成本、供电、安装、运维等问题与D−RAN场景一致。
近年来，业界提出了半有源WDM方案，为基于5G C−RAN的井下矿山传输网络构建提供了新思路[10]。半有源传输架构突破了两端设备同为有源或同为无源的对称设计理念，在RRU侧仅采用无源WDM器件，在BBU侧部署有源传输设备，以RRU光模块为抓手，创新光模块与有源传输设备间的OAM信息交互机制，实现一端无源、一端有源的非对称传输系统设计。基于半有源架构，可在井下RRU侧仅部署无源WDM器件，具有部署灵活、易安装、无需供电的优点；在地面BBU侧部署有源WDM设备，对RRU光模块及RRU与BBU间的光纤网络进行OAM管理。半有源WDM传输网络如图4所示。
传统的OAM信息交互需要在业务信号中插入OAM信息并进行帧格式封装，该功能通常由设备板卡实现。RRU上的SFP28光模块受功耗、集成度等限制，难以完成业务信号的OAM电层封装。有研究者提出调顶OAM方案，对承载业务的光信号进行调制，将低速率的OAM信息叠加到光信号上，从而实现光模块与有源传输设备之间的OAM信息传递，具有低成本、低功耗的优点[11]。例如，采用调顶技术在25 Gibit/s的增强型通用公共无线接口（enhanced Common Public Radio Interface，eCPRI）信号上叠加速率为100 Kibit/s~100 Mibit/s的OAM信息。基于调顶技术实现OAM功能，光模块仅需调整微控制器单元（Micro-Controller Unit，MCU），通过MCU将OAM信息封装为OAM帧，产生OAM电信号并作为调制器的驱动信号。
调顶OAM方案对光模块的整体架构、芯片、器件改动较小，兼容现有产业链，且易于实现。因此，采用调顶OAM技术，可以低成本将井下RRU光模块信息、光纤链路信息发送至地面BBU侧的有源传输设备，通过对OAM信息的解调，实现对井下RRU至地面BBU间光纤网络的在线管控。
3.2 低成本WDM高速传输
WDM技术是解决光纤资源紧张问题的必然选择。现有WDM方案主要基于直检和相干两大技术类型：相干WDM主要面向单通道100 Gibit/s及以上速率的骨干网或数据中心间互联场景，提供超大带宽长距传输能力[12-14]；直检WDM主要面向单通道10~200 Gibit/s的城域网或数据中心内互联场景，满足低成本中短距高速互联需求[15-17]。5G网络规模应用要考虑组网成本问题，对于RRU光模块，25 Gibit/s速率即可满足需求，RRU至BBU间的传输距离通常为10 km左右，因此，采用直检WDM技术就可以低成本满足井下矿山传输网络的接口速率、传输距离等核心性能指标要求。
WDM技术主要包括粗波分复用（Coarse Wavelength-Division Multiplexing， CWDM），中等波分复用（Medium Wavelength-Division Multiplexing， MWDM），局域网−波分复用（Local area network Wavelength-Division Multiplexing，LWDM），密集波分复用（Dense Wavelength Division Multiplexing，DWDM） [18-21]。CWDM理论上支持18个波长通道，通道间隔为20 nm，目前25 Gibit/s CWDM产业链支持覆盖范围为1 271~1 371 nm的6个波长通道。MWDM和LWDM为位于O波段的WDM技术，均支持12个波长通道。MWDM采用非等间距间隔，相邻通道波长间隔为7 nm或13 nm。LWDM采用等间距间隔，相邻通道间隔为800 GHz。DWDM位于C波段，相邻通道间隔为50 GHz，支持40或80个波长通道，与其他WDM技术相比，支持的波长通道数最多，但是通常需要采用可调谐激光器，系统成本会有较大幅度增加。与DWDM相比，MWDM和LWDM成本优势明显，系统容量比CWDM提升1倍，且承载效率更高。
考虑井下巷道的典型场景，按深度分别敷设光纤到多个点位，从竖井至斜坡道进行分段覆盖，每段采用1套具有12个波长的MWDM或LWDM系统连接3台RRU，如图5所示。其中，每台RRU均采用160 MHz频谱，对应需要2个25 Gibit/s光模块，每个光模块上下行采用不同波长，即1台RRU需要使用4个波长，1套12个波长的WDM系统对应连接3台RRU。因此，可以将图2中光纤直连方案需要的12根G.652.D单芯光纤资源降低到1根，光纤使用数量减少了91.67%。
![]()
图 5 井下巷道光纤网络施工规划Figure 5. Construction planning of optical fiber network in underground roadway3.3 智能管控平台
基于高品质网络的数据采集和传输，进一步在管控层面进行数据的智能化分析和处理，以提升矿区网络管理和业务应用水平。
在网络管理方面，首先，采用软件定义网络（Software Defined Network，SDN）技术实现对光网络中不同供应商设备的端到端集中管理和控制。管控平台集中部署在矿区的核心机房，通过IP信号与BBU侧的多个有源WDM设备进行管理和控制信息的交互。传统的基于SDN的管理和控制模型只对有源WDM设备进行抽象和管理，不涉及远端的无源设备，不能满足半有源WDM系统的管理和控制要求。因此，本文将远端RRU光模块作为对象建立抽象模型，涵盖供应商信息、中心波长、序列号、偏置电压、温度、光功率等基本信息和性能参数。远端抽象模型与已有的局端有源设备抽象模型共同构成新的半有源信息模型。为进一步实现SDN集中管控，南向接口协议采用标准的NetConf协议。其次，采用调顶OAM信道实现有源WDM设备与RRU光模块之间的管理信息交互。由于RRU光模块无法单独实现与有源设备进行IP信令交互，传统的管控平台只能管理有源WDM设备，而不能直接管控RRU光模块。通过调顶OAM技术， RRU光模块的各类管理信息可以传输并汇聚到BBU侧的有源WDM设备。基于SDN和调顶OAM技术的协同，集中式管控平台支持对不同供应商的多台半有源WDM系统进行管理和控制，包括对局端有源WDM设备和远端RRU光模块的配置、查询和性能监控。基于半有源WDM全光网提供网络性能指标、光模块状态、光纤网络状态等OAM功能和性能信息，管控平台可实现对网络的在线监控和管理及故障定位。
在业务应用方面，结合部署MEC，实现地面边缘云和矿区私有云的融合处理和调度，矿区数据直接本地落地处理，井下设备的监测、调度与管控，具体功能如车辆调度、语音调度、车辆定位、人员定位、信号灯控制等，为实现智能化矿山高效可靠生产、运行、管理提供支持。
4. 实验分析
4.1 实验平台
为了验证基于5G C−RAN技术的数字化矿山全光网系统方案的可行性，依据矿区5G网络和光网络指标要求[22]，以C−RAN架构下 RRU与BBU间距离为10 km的典型场景为例，搭建了实验平台，如图6所示。通过测试仪表MTS−5800模拟RRU、BBU，采用1 260~1 380 nm的12个WDM波长通道，单通道速率为25 Gibit/s。WDM光模块安装在测试仪表上，以模拟在RRU、BBU上的使用场景。
4.2 WDM光模块性能验证
4.2.1 光信号测试
12个不同波长WDM光模块的发送光功率和接收灵敏度测试结果如图7所示。12个不同波长WDM光模块的发送光功率为3.5~5.2 dBm，接收灵敏度为−16.9~−19.0 dBm，链路预算能力（即发送光功率和接收灵敏度的差值）可达21 dB以上，满足行业标准中10 km传输链路预算能力大于15 dB的要求[22]。
![]()
图 7 12个不同波长WDM光模块的发送光功率和接收灵敏度Figure 7. Transmitting optical power and receiving sensitivity of 12 WDM optical modules with different wavelengths12个不同波长WDM光模块的消光比如图8所示。消光比4.7~5.1 dB，大于行业标准中要求的3.5 dB[22]，表明WDM光模块产生的光信号具有较好的性能。
![]()
图 8 12个不同波长WDM光模块的消光比Figure 8. Extinction ratio of 12 WDM optical modules with different wavelengths4.2.2 眼图测试
眼图是通过示波器在时域上对每一个码元扫描后将波形重叠得到的图形。眼图中“眼睛”张开的大小直接表示码间串扰的强弱。眼图裕量越大，“眼睛”张开越大，表示码间串扰越小，信号质量较高。对应波长1、波长2、波长11、波长12的眼图如图9所示，眼图裕量大于17.5%，表明了较高的信号质量。
4.2.3 高低温环境测试
考虑井下矿山环境对设备可靠性要求较高，进一步开展了高低温环境下的WDM光模块性能测试。室外部署的光模块应适应−40~85 ℃环境[22]，而室内部署的光模块则应适应0~70 ℃环境。因此，井下应用的RRU光模块应保证在−40~85 ℃下正常工作，位于地面机房的光模块应保证在0~70 ℃下正常工作。高低温环境下12个不同波长WDM光模块的性能测试结果如图10所示。在低温−40 ℃和高温85 ℃下，位于井下的6个光模块（对应波长序号为偶数）和位于地面机房的6个光模块（对应波长序号为奇数）的发送光功率、接收灵敏度均存在一定性能劣化，但发送光功率仍大于3.3 dBm，接收灵敏度仍小于−15.5 dBm，链路预算能力仍大于20 dB，可满足10 km传输需求。
![]()
图 10 高低温环境下12个不同波长WDM光模块的性能Figure 10. Performance of 12 WDM optical modules with different wavelengths in high and low temperature environment4.3 网络管控功能验证
基于半有源WDM全光网向管控平台提供光模块状态、光网络状态等OAM功能和性能信息，管控平台显示的部分结果如图11所示。其中，图11（a）显示了光模块的基本性能信息，包括温度、电压、偏置电流、发送光功率、接收光功率等数据，管控平台可判断光模块工作状态，并根据收发光功率情况实现光模块、支路侧、线路侧等网络级故障定位；图11（b）显示了收发OAM报文的帧数、错误帧数、帧速率等信息，为OAM层面提供管控抓手；图11（c）—图11（e）则给出了接收光功率过低、发送光功率过低、光模块工作温度过高3个告警提示用例。通过实时上报告警和界面化呈现，有力支撑了网络在线监控和管理能力，为后续数字孪生和人工智能分析奠定了基础。
5. 现场应用
以实验研究为基础，进一步在国内某井下矿山开展了现网试应用。8台BBU通过半有源WDM全光网连接48台RRU。在办公区机房集中部署BBU，经矿区主光缆交接箱后连接3处矿井，通过竖井铺设光缆到井下不同点位，最深达−1 000 m，平均光纤长度为7 km。现网测试结果显示，12个不同波长WDM光模块的发送光功率为3.7~5.6 dBm，接收灵敏度为−17.9 ~ −16.3 dBm，其中最差通道的链路预算能力仍在20.2 dB以上，满足应用要求[22]。加载业务在线测试结果如图12所示，可看出加载业务无误码、无丢包，验证了基于5G C−RAN技术的数字化矿山全光网系统良好的传输性能。
![]()
图 12 现网试应用中加载业务在线测试结果Figure 12. Load service online test results in the current network trial application6. 结论
1） 基于5G C−RAN技术的数字化矿山全光网系统采用直检WDM技术节省光纤资源，可将光纤使用数量减少91.67%，从而显著降低成本，具有较好的推广应用价值。同时，基于半有源架构、OAM技术实现对光纤网络的低成本管控和灵活部署，可为井下矿山网络建设和数字化转型提供大带宽、高可靠、低时延的全光网络底座。实验和现场应用结果验证了该系统具有良好的传输性能，能够满足应用要求。
2） 本文中采用的5G C−RAN组网方案和半有源WDM传输等关键技术已在国内运营商5G网络规模应用，将该技术作为井下矿山网络的基础，不仅可以满足矿山数字化转型对高品质信息传输网络的需求，还可以共享芯片、光模块、设备、测试仪表等5G产业链设备，降低矿山网络建设成本。在现场应用中，全光网方案已具备光网络性能数据的探测能力，可满足故障快速检测和定位需求，降低故障定位和业务恢复时间，但是目前阶段尚不支持故障的提前预测。
3） 伴随矿山数字化转型的不断深入，全光网要进一步向智能化自治网络演进，引入数字孪生技术对全光网进行全面数据探测和建模，并结合人工智能技术，基于网络状态特征和历史情况进行机器学习和训练，实现网络性能预测和故障根因分析，对光纤质量劣化、光模块激光器老化等慢变因素导致的故障提前进行告警提示，推动网络管理从人工化向智能化演进，加快矿山数字化转型进程。
-
![]()
图 2 随机森林回归模型参数关系热力图
Figure 2. Thermodynamic diagram of random forest regression model parameter relationship
![]()
图 3 n_estimators与obb_score的关系曲线
Figure 3. The relationship curves of n_estimators and obb_score
![]()
图 5 特征变量数与oob_score关系
Figure 5. The relationship between the number of characteristic variables and oob_score
![]()
图 6 特征变量数与误差平均值关系曲线
Figure 6. The relationship between the number of characteristic variables and mean value of error
表 1 回采工作面瓦斯涌出量特征样本数据
Table 1 Sample data of gas emission characteristics in the mining face
序号 X1/（m³·t−1） X2/m X3/m X4/（°） X5/m X6/m X7/m X8 X9/t X10 X11/（m³·t−1） X12/m X13/m X14 Y/（m³·min−1） 1 1.92 408 2.0 10 2.0 4.42 155 0.96 1825 1 2.02 1.5 20 5.03 3.34 2 2.15 411 2.0 8 2.0 4.16 140 0.95 1527 1 2.1 1.21 22 4.87 2.97 3 2.14 420 1.8 11 1.8 4.13 175 0.95 1751 1 2.64 1.62 19 4.75 3.56 4 2.58 432 2.3 10 2.3 4.67 145 0.95 2078 1 2.4 1.48 17 4.91 3.62 5 2.40 456 2.2 15 2.2 4.51 160 0.94 2104 1 2.55 1.75 20 4.63 4.17 6 3.22 516 2.8 13 2.8 3.45 180 0.93 2242 1 2.21 1.72 12 4.78 4.6 7 2.80 527 2.5 17 2.5 3.28 180 0.94 1979 1 2.81 1.81 11 4.51 4.92 8 3.35 531 2.9 9 2.9 3.68 165 0.93 2288 1 1.88 1.42 13 4.82 4.78 9 3.61 550 2.9 12 2.9 4.02 155 0.92 2352 1 2.12 1.6 14 4.83 5.23 10 3.68 563 3.0 11 3.0 3.53 175 0.94 2410 1 3.11 1.46 12 4.53 5.56 
下载: 导出CSV
表 2 随机森林回归模型主要待调参数
Table 2 The main parameters to be adjusted in the random forest regression model
序号 参数 参数说明 1 n_estimators 随机森林中决策树的数量 2 criterion 回归树衡量回归质量的指标 3 random_state 生成的森林模式 4 max_features 最佳分支时的特征个数 5 max_depth 决策树剪枝参数，防止模型过拟合。本次
原始样本数量较少，不进行剪枝Min_sample_leaf Min_sample_spit Min_impurity_decrease
下载: 导出CSV
表 3 随机森林回归模型调参结果
Table 3 Parameter adjustment results of random forest regression model
criterion n_estimators max_
featuresrandom_state 最大obb_score mse 23 11 165 0.91575566 mae 20 14 70 0.92116429 friedman_mse 34 14 34 0.91395423
下载: 导出CSV
表 4 随机森林回归模型预测误差
Table 4 Prediction error of random forest regression model
特征变量个数 平均绝对误差/（m³·min−1） 平均相对误差/% 3 0.228 5.030 4 0.174 3.72 5 0.109 3.21 6 0.091 2.36 7 0.090 2.32 8 0.147 3.38 9 0.124 3.05 10 0.083 2.15 11 0.053 1.72 12 0.109 2.73 13 0.026 1.28 14 0.005 0.77
下载: 导出CSV
表 5 不同预测模型预测结果对比
Table 5 Comparison of prediction results of different prediction models
实测值/
（m³·min−1）随机森林回归模型 主成分回归分析法 预测值/
（m³·min−1）绝对误差/
（m³·min−1）相对误差/% 预测值/
（m³·min−1）绝对误差/
（m³·min−1）相对误差/% 4.06 3.85 −0.21 5.17 4.01 −0.05 1.23 4.92 4.84 −0.08 1.63 5.30 0.38 7.72 8.04 7.56 −0.48 5.97 7.56 −0.48 5.97
下载: 导出CSV
-
[1] AQ 1018−2006矿井瓦斯涌出量预测方法[S AQ 1018-2006 Prediction method of mine gas emission rate[S
[2] 国家煤矿安全监察局. 防治煤与瓦斯突出细则[M]. 北京:煤炭工业出版社,2019. State Administration of Coal Mine Safety. Rules of coal and gas outburst prevention[M]. Beijing:China Coal Industry Publishing House,2019.
[3] 国家安全生产监督管理总局. 煤矿安全规程[M]. 北京:煤炭工业出版社,2022. State Administration of Work Safety. Coal mine safety regulations[M]. Beijing:China Coal Industry Publishing House,2022.
[4] 秦玉金,苏伟伟,姜文忠,等. 我国矿井瓦斯涌出量预测技术研究进展及发展方向[J]. 煤矿安全,2020,51(10):52-59. QIN Yujin,SU Weiwei,JIANG Wenzhong,et al. Research progress and development direction of mine gas emission forecast technology in China[J]. Safety in Coal Mines,2020,51(10):52-59.
[5] 余永强,李伟雄,邱贤德,等. 用灰色系统理论预测平顶山一矿戊_8煤层瓦斯涌出[J]. 煤炭科学技术,2002,30(3):53-55,46. YU Yongqiang,LI Weixiong,QIU Xiande,et al. Application of gray system theory to predict gas emission from Wu_8 seam in No.1 Mine of Pingdingshan[J]. Coal Science and Technology,2002,30(3):53-55,46.
[6] 伍爱友,田云丽,宋译,等. 灰色系统理论在矿井瓦斯涌出量预测中的应用[J]. 煤炭学报,2005,30(5):47-50. WU Aiyou,TIAN Yunli,SONG Yi,et al. Application of the grey system theory for predicting the amount of mine gas emission in coal mine[J]. Journal of China Coal Society,2005,30(5):47-50.
[7] 徐刚,王磊,金洪伟,等. 因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测[J]. 西安科技大学学报,2019,39(6):965-971. XU Gang,WANG Lei,JIN Hongwei,et al. Gas emission prediction in mining face by factor analysis and BP neural network coupling model[J]. Journal of Xi'an University of Science and Technology,2019,39(6):965-971.
[8] 徐威,何保,张振文. 基于灰色遗传神经网络法的矿井瓦斯涌出量预测[J]. 安全与环境学报,2011,11(2):176-178. XU Wei,HE Bao,ZHANG Zhenwen. Genetic neural network method based on gray mine gas emission prediction[J]. Journal of Safety and Environment,2011,11(2):176-178.
[9] 赵建会,孙榕鸿. 矿井回采工作面瓦斯涌出量预测新途径[J]. 西安科技大学学报,2011,31(6):708-710. ZHAO Jianhui,SUN Ronghong. New method of prediction for mine coalface gas emission[J]. Journal of Xi'an University of Science and Technology,2011,31(6):708-710.
[10] 熊祖强,王晓蕾. 矿井相对瓦斯涌出量动态无偏灰色马尔科夫预测[J]. 安全与环境学报,2015,15(3):15-18. XIONG Zuqiang,WANG Xiaolei. Application of the Markov bias-free dynamic grey model for the relative gas gush-out rate predict[J]. Journal of Safety and Environment,2015,15(3):15-18.
[11] 李树刚,马彦阳,林海飞,等. 基于因子分析法的瓦斯涌出量预测指标选取[J]. 西安科技大学学报,2017,37(4):461-466. LI Shugang,MA Yanyang,LIN Haifei,et al. Selection of gas emission prediction index based on factor analysis[J]. Journal of Xi'an University of Science and Technology,2017,37(4):461-466.
[12] 付华,谢森,徐耀松,等. 基于ACC−ENN算法的煤矿瓦斯涌出量动态预测模型研究[J]. 煤炭学报,2014,39(7):1296-1301. FU Hua,XIE Sen,XU Yaosong,et al. Gas emission dynamic prediction model of coal mine based on ACC-ENN algorithm[J]. Journal of China Coal Society,2014,39(7):1296-1301.
[13] 邓军,雷昌奎,曹凯,等. 采空区煤自燃预测的随机森林方法[J]. 煤炭学报,2018,43(10):2800-2808. DENG Jun,LEI Changkui,CAO Kai,et al. Random forest method for predicting coal spontaneous combustion in gob[J]. Journal of China Coal Society,2018,43(10):2800-2808.
[14] 汪明,王建军. 基于随机森林的回采工作面瓦斯涌出量预测模型[J]. 煤矿安全,2012,43(8):182-185. WANG Ming,WANG Jianjun. Gas emission prediction model of stope based on random forests[J]. Safety in Coal Mines,2012,43(8):182-185.
[15] 吴奉亮,霍源,高佳南. 基于随机森林回归的煤矿瓦斯涌出量预测方法[J]. 工矿自动化,2021,47(8):102-107. WU Fengliang,HUO Yuan,GAO Jianan. Coal mine gas emission prediction method based on random forest regression[J]. Industry and Mine Automation,2021,47(8):102-107.
[16] 成小雨,周爱桃,郭焱振,等. 基于随机森林与支持向量机的回采工作面瓦斯涌出量预测方法[J]. 煤矿安全,2022,53(10):205-211. CHENG Xiaoyu,ZHOU Aitao,GUO Yanzhen,et al. Prediction method of gas emission based on random forest and support vector machine[J]. Safety in Coal Mines,2022,53(10):205-211.
[17] BREIMAN L. Random forests[J]. Machine learning,2001,45(1):5-32. DOI: 10.1023/A:1010933404324
[18] 胡坤,王素珍,韩盛,等. 基于TLBO−LOIRE的回采工作面瓦斯涌出量预测[J]. 应用基础与工程科学学报,2017,25(5):1048-1056. HU Kun,WANG Suzhen,HAN Sheng,et al. Gas emission quantity prediction of working face based on TLBO-LOIRE method[J]. Journal of Basic Science and Engineering,2017,25(5):1048-1056.
[19] 姜杉杉. 基于LLE−WPA−BP算法的瓦斯涌出量预测研究[D]. 阜新:辽宁工程技术大学,2022. JIANG Shanshan. Study of gas emission prediction based on LLE-WPA-BP algorithm[D]. Fuxin:Liaoning Technical University,2022.
[20] 吕伏,梁冰,孙维吉,等. 基于主成分回归分析法的回采工作面瓦斯涌出量预测[J]. 煤炭学报,2012,37(1):113-116. LYU Fu,LIANG Bing,SUN Weiji,et al. Gas emission quantity prediction of working face based on principal component regression analysis method[J]. Journal of China Coal Society,2012,37(1):113-116.
-
期刊类型引用(3)
1. 赵巍，葛菁，蔡久评. 5G和数字孪生下的工业光纤通信网络路由优化. 激光杂志. 2024(08): 115-119 . 
百度学术
2. 杨倩，石财荣. 数字化电力通信光传输网络升级改造技术研究. 电气技术与经济. 2024(09): 17-20 . 百度学术
3. 丁慧霞，薛挺，贾慧贤，乔志鹏，贾恒，夏永兵. 基于攻击图的智能矿山通信立体化网络主动防御技术. 能源与环保. 2024(12): 222-227 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 1048
- HTML全文浏览量: 123
- PDF下载量: 41
- 被引次数: 3
