An intelligent prediction method of gas concentration in coal mines based onimproved TCN-TimeGAN
-
摘要:
瓦斯浓度预测对于保障矿井安全生产至关重要。瓦斯浓度数据具有样本量少、存在时间依赖性等特点，传统机器学习等方法通常效果不佳。提出一种时间卷积改进时序生成对抗网络(TCN-TimeGAN)，基于生成对抗网络特性改善瓦斯数据小样本过拟合的问题，利用TimeGAN网络捕捉瓦斯序列的时间特征，基于TCN网络扩大感受野以便读取长时间维度特征。在损失函数设计中，利用Wasserstein距离衡量瓦斯数据分布，并给鉴别网络损失函数添加自适应权重的梯度惩罚项，以解决数据不对性、梯度消失等问题，提高训练稳定性和预测准确度。在进行模型训练时，首先对瓦斯时间序列进行归一化、数据缺失值处理等操作，将处理结果作为模型的输入序列，输入到嵌入网络和恢复网络进行训练，以降低重构损失。随后，将输入序列输入监督网络中进行训练，以减小监督损失；最后进行联合训练，其总损失为生成网络损失和鉴别网络损失之和。实验表明，改进模型生成的数据能更全面地覆盖原始数据分布，利用改进模型生成的数据进行预测所得到预测结果的均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)等指标都远小于对比模型，在所有时间段都能保持稳定准确的预测。
Abstract:The prediction of gas concentration is of great importantance to ensure the safety of mine production. The gas concentration data has the characteristics of small sample size and time dependence, and traditional machine learning methods are not effective. A time convolution improved time series Generative adversarial network (TCN-TimeGAN) is proposed. Based on the characteristics of generative adversarial network (GAN), the problem of over-fitting of small samples of gas data is improved, and the receptive field is enlarged based on TCN network to read long-term dimension features. In the design of loss function, Wasserstein distance is used to measure the distribution of gas data, and the gradient penalty term of adaptive weight is added to the identification network loss function, so as to solve the problems of data irregularity and gradient disappearance, and improve training stability and prediction accuracy. When conducting model training, the first step is to normalize the gas time series and process missing data values. The processing results are used as input sequences of the embedding network and recovery network to reduce reconstruction loss. Subsequently, the input sequences are also input into the supervised network to reduce supervision loss. Finally, joint training is conducted, and the total loss is the sum of the generated network loss and the discriminative network loss. The experiment results show that the data generated by the proposed model can cover the original data distribution more comprehensively, and the mean square error (MSE), root mean square error (RMSE) and mean absolute error (MAE) of the results predicted from the generated data by the improved model are much smaller than those of the comparison model, and the prediction can be stable and accurate in all time periods.
-
0. 引 言
西部煤炭资源开采是保障国家能源安全的压舱石与稳定器，更是西部地区主要经济支柱产业。现阶段煤炭开采面临能源安全保供、生态环境保护、降碳减排等诸多压力，煤炭绿色低碳发展势在必行[1]。随着煤矸石、粉煤灰等煤基固废的排放及处理问题越来越严峻，煤基固废处置已成为制约煤炭绿色高效开采的关键环节[2]。煤基固废充填开采技术是实现矿山绿色低碳开采的必然选择，充填开采的宗旨主要为控制地压、稳定地层以及提高资源回收率，在地表沉陷控制、生态环境保护、矿山固废处置与利用、绿色低碳减排等方面具有显著的技术优势[3–5]。
近年来，围绕矿山生产实践及其对充填功能的需求，充填开采技术仍在不断发展。然而，伴随产业智能化升级、深部开采及煤基固废资源化利用等全新的机遇与挑战，深入开展煤基固废充填开采中的理论与技术研究迫在眉睫[5–8]。对于生产矿山，高成本问题一直是困扰充填采矿技术广泛应用的关键所在，国内外学者就煤矿系统减碳新模式提出了技术经济可行的功能性充填开采方法[8–10]，拓展了传统矿山充填功能，为生产矿山或废弃矿山转型升级提供了新路径。煤矿地下空间具备体积大、温度稳定、承压能力高等优点[11-12]，是储热的理想场所。煤矿采空区增强型储热充填技术有效减轻了煤基固废对环境的负面影响，同时解决了回采后及资源枯竭闭井后充填材料再利用的问题[13]。
笔者基于功能性充填理论，提出一种煤矿采空区响应式增强型储热充填系统(Cemented Backfill Material for Flexible Enhanced Thermal Energy Storage, CBM–FETES)，旨在充分开发利用矿山地下空间，形成矿山资源、可再生能源、地下空间储能协同开发体系，促进资源开发、生态保护和社会和谐关系的有序协调。通过阐述响应式增强型储热充填系统内涵，揭示增强型储热充填系统的科学问题和技术路径，进而服务充填开采绿色可持续发展。
1. 响应式增强型储热充填系统内涵
随着可变可再生能源(如风能和太阳能)的大规模部署，电力系统的需求从传统的基础负荷资源转向了更灵活的替代方案。本文基于功能性充填方法，提出一种基于响应式需求的煤矿采空区增强型储热(中高温150 ℃以上)充填体储热方法，如图1所示，在煤炭资源回采期间同步构筑采空区储热充填系统，工作面回采后进行储热储能。该方法以采空区充填体为储热载体，将可变能源(如太阳能)转换成热能储存于充填体中，根据需求采用灵活响应式运行方式储存和释放热能。
![]()
图 1 采空区响应式增强型储热充填体储热方法示意Figure 1. Schematic diagram of cemented backfill material for CBM–FETES当可变能源足以满足电力需求时，CBM–FETES系统会通过管道向充填体中注入流体，进而提升充填体温度。当这些能源的供应无法满足需求时，CBM–FETES系统则会通过管道从充填体中提取热量来发电或供热。这种灵活响应式不仅可以提高CBM–FETES的经济吸引力，还可以通过优化运行来提高系统的整体效率。
本文研究强调灵活操作CBM–FETES的重要性，可以提高其在电力系统中的部署潜力，该理念对于充填开采领域来说是一个重要突破，响应式增强型储热充填技术提高煤基固废资源利用率的同时，充分展示了充填体在支持可再生能源方面的巨大潜力，也为实现电力系统的完全脱碳提供了一种可行的解决方案。
增强型储热充填系统储–采热效率与充填体热物理特性密切相关，高导热系数、高比热容有利于热量的存储及释放，然而充填体循环储–采热将诱发围岩变形损伤继而产生宏观裂隙，加快了热量与围岩的热交换，这不仅造成储–采热效率降低，同时会影响储热系统的安全稳定运行。如图2所示，提高热量储–采效率、强化储热系统封闭性、确保围岩稳定性是实现增强型储热充填系统高效运转的关键，其核心是确保地质条件适宜性、储–采热技术可行性、传热传质高效性、运行周期安全稳定性“四性”条件，涉及采矿工程、地质工程、工程热物理、安全与环境等多学科交叉融合。地质条件适宜性需要着重考虑储热充填采场的水文地质条件及围岩封闭性与稳定性，储–采热技术可行性则需要在采场结构及地质条件基础上，选择适配的充填工艺及埋管工艺，传热传质高效性主要针对埋管–充填体–围岩3者间传热和传质效率进行优化调控，运行周期安全稳定性要求储热充填系统运行期间充填体与围岩强度的可承载性。
2. 响应式增强型储热充填系统科学问题
2.1 增强型储热充填体热能传热传质机理
热量从热源传递到热提取介质主要通过热传导方式，这一过程不可避免地存在热量损失，从而影响热能传递的效率。热能的传递距离及能量转换方式对热传导效率也有显著影响。因此，必须深入探讨充填体中热传递和物质传递机制 [14–16]。通过研究充填体内部的热量分布规律，深入剖析热源及热提取介质两者之间的热传导机制，进而揭示热源温度、传输距离、热能载体循环速度等因素对热能提取效率的控制作用。同时，研究增强型储热充填系统热能高效提取方法，探讨热能传输过程中的能量损耗规律，分析温度、输送距离等对热能传递效率的影响，对于开发高效热交换设计方法，研发储热系统热能高效运输技术与设备也至关重要，如图3所示。
![]()
图 3 增强型储热充填系统热能传热传质基本框架Figure 3. Basic framework diagram of heat and mass transfer in thermal energy for CBM–FETES2.2 增强型储热充填体–围岩能量传导与演化规律
增强型储热充填体储热期间，热量将逐渐传导至围岩，围岩因煤炭开采扰动衍生大量裂隙，导致其热传导特性各向异性显著，进而在围岩内部形成多个分散热源，热交换管(热埋管)–充填体–围岩间能量传导与演化规律相对复杂。在采热阶段，围岩不同区域会产生温差梯度，进而导致其内部温度不均匀分布[17]。因此，探明增强型储热充填体与围岩间的热量传递及演变规律对于热能的储存和开采至关重要。如图4所示，通过深入分析充填系统的能量传导及演化规律，并根据不同的储热和采热技术，探讨热源、储热充填体以及围岩之间的热传导机制，厘清储热充填系统的热量传递规律，阐明热源温度、充填材料热物理性质以及载热流体特性等对热能储/采效率的调控作用，并据此发展出一套计算充填体系统热能提取范围、效率、周期和恢复期等的方法[14]，指导储热系统高效储/采热能。
![]()
图 4 响应式增强型储热系统热埋管–充填体–围岩互馈关系Figure 4. Feedback relationship diagram of buried pipe-filling body-surrounding rock for CBM–FETES2.3 增强型储热充填体时效变形损伤机理
如图5所示，增强型储热系统运行本质上是温度–应力场循环耦合作用的过程，循环热应力对充填体粒度、尺寸以及微观结构影响巨大[18]，高温也会导致矿物发生脱水、分解等物理化学反应[19–22]，进而诱发充填体产生永久变形及破坏，充填体储热能力与稳定性能逐渐退化[23–30]。
![]()
图 5 多周期储–采热下增强型储热充填体疲劳损伤示意Figure 5. Schematic diagram of fatigue damage of cemented backfill material under multi cycle storage and extraction heat另一方面，受充填体非均质性影响，充填体内部温度场演变复杂，温度–应力循环耦合下充填体各向异性损伤愈发明显。如何揭示充填体时效变形损伤的微观机理与构建稳定性预测及评价体系是增强型储热系统生产运行的核心难题之一。开展温度–应力循环耦合下充填体长期力学行为研究，揭示充填体时效损伤机理，实现温度–应力循环耦合下充填体稳定性预测与评价，切实指导储热系统安全稳定运行，进而为煤矿采空区充填体储热提供基础理论与技术支撑。
3. 响应式增强型储热充填系统技术路径
如图6所示，以“增强型储热充填系统”为研究主线，围绕采前地质条件→采中充填体动态参数响应→埋管–充填体–围岩耦合作用→矿山地下空间–可变能源协调开发战略这一主线，通过现场数据收集、地质理论分析、岩体力学模拟、水文地质模拟、土壤性能监测、生态系统采样、室内实验测试、物理和数值分析、多参数综合监测以及对典型案例的输入分析等多种研究方法和技术[31–34]，融合风光互补构想，开展储热层位勘探与选址，实现储热充填系统超前规划，采中进行储热充填材料研制与热能存储空间构筑，采后实现充填空间热能循环储存与提取。通过地质结构的详细勘探、运行过程监控和控制机制的深入分析，建立一套响应式增强型储热充填体系统的地质保障理论与工程技术框架。
3.1 风光互补构想
目前，矿山蓄热功能性充填技术主要采用相变蓄热方式，蓄热温度较低(100 ℃以下)。中高温储热能量密度大，是保证太阳能持续开发利用的关键技术，能够在波动和间歇性可再生能源的管理中发挥着重要作用[35]。同时，我国富煤区与太阳能、风能、热能等新能源富集区高度吻合(图7)，从而为煤矿采空区充填体储热提供了有利的自然条件[12]。增强型储热系统根据用电需求采用灵活响应式运行方式的潜力，在太阳能等可变能源足以满足电力需求时，增强型储热系统通过管道向充填体输送热流体，以此增加充填体温度。反之，当可变能源不足以满足需求时，地表电厂将通过管道网络从储热系统中回收热能，用于发电或供热。这种灵活的调控机制为CBM–FETES技术在未来煤矿系统中的部署实施提供了实践方案，对推动煤炭行业向脱碳发展转型具有积极作用。
![]()
图 7 我国赋煤区与太阳能总辐射资源分布Figure 7. Distribution of coal-endowed areas and total solar radiation resources in China3.2 储热层位选择
煤系地层的沉积环境以及成煤条件在不同地理区域差异显著，致使充填系统围岩特性及结构相对复杂。在提升热能储/采效率方面，合理选择储热层位至关重要[36]。增强型储热充填系统的传热特性受到围岩埋藏环境以及空间分布特征双重影响：围岩埋藏环境直接关系其热物理性质以及充填体–围岩间的热传导特性，进而导控热能的储/采效率；围岩的空间分布形态界定了储热的有效范围，并在很大程度上控制着热能的耗散速率，主要表现在围岩热传导特性的差异上。围岩类型的变化对储热效果的影响如图8所示，以泥岩–砂岩组合为例，在充填体近侧为泥岩、远侧为砂岩的情况下(图8a)，泥岩由于导热系数低能够限制热量的传导，而砂岩具有较高的导热系数进而不利于热量的积聚及存储。相反，如图8b所示，在充填体近侧为砂岩、远侧为导热系数低的泥岩时，热能能够快速传递至周围砂岩层，泥岩层则充当盖层作用。因此，对于泥岩–砂岩组合而言，储热充填体近侧为砂岩、远侧为泥岩下的围岩构成适用于热能的存储。
相对而言，当充填体直接邻接具有高导热系数的砂岩，而远端为低导热性的泥岩时(图8b)，充填体中热量能够快速高效的传递至砂岩，进而加快了热埋管–充填体之间的热交换速率。另一方面，泥岩由于导热能力差充当了储热系统盖层的角色，有效抑制了充填体–砂岩中热能的耗散，增大了储热系统的储热能力。上述结果表明，围岩类型及其组合关系对研究储热系统储热效果至关重要，选择合适的储热层位是建立增强型储热系统的重要一环。
3.3 储热超前规划
目前，煤矿采空区难以建设储能系统的原因主要归结于其复杂的地质条件，以及后期治理所需费用高、难度大[37]。为了解决这一问题，研究建议在资源回采初期进行矿井储能的超前规划(图9)，重点关注以下几个方面：首先，储能区的选址至关重要。在规划储能区域时，应将地质环境治理与改善作为基础前提，储能设施的选址必须避免处于地质灾害易发区，包括水文地质条件发杂的矿井、易发生冲击地压的矿井、瓦斯矿井等；此外，还应远离软弱破碎围岩带、导水裂隙带、大型地质构造活动带(如断层)等区域。其次，储能区地质环境的治理也不可忽视。为了降低储能过程中可能出现的地质安全风险，首要任务是对储能区内的不良地质体进行超前治理：可以通过注浆、充填等工程技术手段，预防在储能期间可能发生的矿震、冲击地压、突水等地质灾害；在此基础上，实施严格的区域隔离措施，将经过超前治理的储能区与矿井的其他部分有效分开，从而进一步增强系统的安全稳定性。
![]()
图 9 增强型储热充填系统超前规划基本技术路径Figure 9. Basic technical path for advanced planning for CBM–FETES3.4 储热充填材料研制
当前，煤矿充填材料的主要功能是稳定地层，其配比设计的关键要素包括输运性能以及力学特性。对于增强型储热充填系统，充填体的热物理参数是系统运行的关键参数，特别是热导率和比热容，其微小变化会直接影响充填体的储热及释热性能[38-39]。因此，充填材料研制中需要综合考虑材料的三大性能：力学性能、输送性能以及储热性能。通过添加高导热特性物质并优化配比，研制出兼具输送、力学以及储热性能的增强型储热充填材料配比，为储能式充填开采技术提供重要支撑，同时为储热充填空间热能的高效储采建立稳固基础。目前，煤矿充填材料主要选用煤矸石或其制作的胶结料，但这些材料的导热性能与金属等材料相比稍显不足，因此不能完全满足储热需求。为实现热能的高效富集与传输，一些学者通过在煤基固废中添加不同类型储热材料来优化充填体的储热性能[40-41]。总的来说，采空区增强型储热充填体处于原位高温、高压环境，温度–应力循环耦合作用下充填体热传导特性演变机制亟待深入研究。
3.5 储热充填空间强化高效储/采热能
储热充填空间热能储采过程涵盖热埋管–充填体间对流换热及充填体–围岩间热传导两大科学问题，埋管–充填体–围岩间复杂传热过程受到载热流体特性、充填材料以及围岩热物理性能等的综合影响[36,42]。储热充填空间中热能储/采机制受多种因素影响，探讨不同因素作用下热能储/采规律对于增强型储热系统规划及高效储/采热控制体系设计至关重要。通过深入探究充填空间的热传导机制，阐明充填材料热物理特性、载热流体温度与流速以及热埋管布置方式等主控因素对热能储/采效果的控制作用，指导增强型储热充填系统运行参数规划设计，为充填空间储/采热运行控制及储/采热效率强化奠定基础，以实现增强型储热充填系统安全稳定高效运行。
4. 响应式增强型储热充填系统地质保障
增强型储热充填系统运行期间，温度–应力循环耦合下充填体宏–微观结构和力学特性逐渐劣化，充填体由局部变形损伤引发大范围破坏的风险相对较高，进而导致系统储热能力下降甚至诱发围岩灾变。因此，建立增强型储热系统地质保障系统尤为重要。如图10所示，“响应式增强型储热充填系统地质保障理论体系”以地质科学为基础，结合采矿学相关理论，构建以煤炭开采、地质工程技术、生态环境三位一体的储热系统地质保障体系，为煤矿采空区储热储能提供理论与技术支撑。“响应式增强型储热充填系统地质保障理论体系”的科学研究主要表现为6个方面。
![]()
图 10 响应式增强型储热充填系统地质保障实施路径Figure 10. Implementation roadmap of geological guarantee for CBM–FETES1)煤矿采空区静态基础地质条件分析与评价：系统分析煤层埋深、厚度、水文特征、地层类型及结构、煤岩接触关系、全区构造发育情况等储热区域地质概况，确定储热区域选址主要因素及其权重，进而构建储热靶区选址指标体系，为后续增强型储热系统构建提供重要依据。
2)储热充填效果监测反馈系统：通过监测分析热源温度、传输距离、热能载体循环速等参数对储热系统储/采热效率影响规律，指导增强型储热充填系统运行参数规划设计，实现增强型储热充填系统热能高效提取。
3)增强型储热充填体多源动态监测与分析：系统监测储/采热期间储热充填体物理力学及宏–微观结构特性，分析储热充填系统的热量传递规律，揭示温度–应力循环耦合作用下充填体多相场耦合损伤机制。
4)围岩地质体多尺度力学动态演化规律及时效损伤机制：通过实时监测分析围岩理化特性、力学特性、结构特性，探明围岩与充填体间的热量传递及演变规律，揭示温度–应力循环耦合下围岩宏–微观结构和力学特性劣化机理。
5)增强型储热系统地质风险模式及判识方法：基于埋管–充填体–围岩多源动态监测分析结果，构建增强型储热充填系统地质风险评估模型及方法，实现增强型储热充填系统全生命周期安全管理与运营。
6)增强型储热系统稳定性控制及韧性提升：基于上述5个方面综合评价结果，开展增强型储热系统韧性提升的布局优化设计，为增强型储热系统安全稳定运行提供重要理论与技术支撑。
响应式增强型储热充填系统地质保障理论体系体现了储热充填开发技术、环境地质约束、地质风险防控、地下空间储能协同开发等层面的要求，突出灵活式充填储热，强调循环储–采时空效应范畴的多相场耦合损伤机制，揭示循环储–采效应下储热充填系统地质风险模式，提出充填体稳定性提升策略方案，破解现阶段煤矿采空区储能利用难题，为发展赋煤区新能源，促进赋煤区升级转型提供关键理论与技术支撑。
5. 结 论
1)“双碳”背景下煤基固废处置已成为制约煤炭绿色高效开采的关键环节，煤基固废充填开采技术契合煤炭绿色智能开采与洁净高效低碳利用的主要攻关方向。响应式增强型储热充填技术不仅提高煤基固废资源的利用率，更保障了新能源的高效消纳与利用，为破解现阶段煤矿采空区储能利用难题，促进煤炭安全高效绿色低碳开发，延续赋煤区生命周期提供了新思路。
2)“四性”条件是确保响应式增强型储热充填系统安全稳定运行的核心，地质条件适宜性需着重考虑储热充填采场的水文地质条件及围岩封闭性、稳定性，储–采热技术可行性需在采场结构及地质条件基础上，选择适配的充填工艺及埋管工艺，传热传质高效性主要针对埋管–充填体–围岩3者间传热和传质效率进行优化调控，运行周期安全稳定性要求储热系统运行期间充填体与围岩强度的可承载性。
3)摸清储热系统热能传热传质机理、充填体–围岩能量传导与演化规律以及充填体时效变形损伤机理是响应式增强型储热充填系统热能高效输送的关键。通过对热源、充填体及围岩之间的能量交换机制进行深入分析，探讨在储热充填体中实现高效热能提取的工艺方法，揭示充填体时效损伤机理，进而实现温度–应力循环耦合下充填体稳定性预测与评价，切实为煤矿采空区充填体储热提供基础理论与技术支撑。
4)响应式增强型储热充填系统技术路径包括：风光互补构想、储热层位选择、储能超前规划、储热充填材料研制以及充填空间热能储存与提取规律探究。上述5个方面内容指导响应式增强型储热充填系统运行参数设计，确保充填空间热能储存与提取发挥最大能效。“响应式增强型储热充填系统地质保障理论体系”体现储热充填开发技术、环境地质约束、地质风险防控、地下空间储能协同开发等层面的要求，突出灵活式充填储热，强调循环储–采时空效应范畴的多相场耦合损伤机制，揭示循环储–采效应下储热充填系统地质风险模式，为发展赋煤区新能源，促进赋煤区升级转型提供关键理论与技术支撑。
致谢：感谢研究生郭凯、游茹和高馨蕊参与文中图表的编辑工作。
-
![]()
图 7 改进Wasserstein距离损失函数生成数据分布
Figure 7. Improving the Wasserstein distance loss function to generate data distribution
表 1 TCN训练时网络参数
Table 1 Network parameters during TCN training
参数名 参数值 卷积核尺寸 1×3 膨胀系数 2×i (i为隐藏层层数) 学习率 0.001 激活函数 PRELU 步长 1 隐藏层层数 3 
下载: 导出CSV
表 2 LSTM网络参数
Table 2 LSTM network parameters
参数名 参数值 LSTM单元神经元数量 64 LSTM层数 2 Batch Size 32 迭代次数 400 优化器 Adam 损失函数 MSE 激活函数 RELU
下载: 导出CSV
-
[1] 刘业娇,袁亮,薛俊华,等. 2007—2016年全国煤矿瓦斯灾害事故发生规律分析[J]. 矿业安全与环保,2018,45(3):124−128. doi: 10.3969/j.issn.1008-4495.2018.03.028 LIU Yejiao,YUAN Liang,XUE Junhua,et al. Analysis on the occurrence law of gas disaster accidents in coal mine from 2007 to 2016[J]. Mining Safety & Environmental Protection,2018,45(3):124−128. doi: 10.3969/j.issn.1008-4495.2018.03.028
[2] 李晓燕,李弢,马尽文. 高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测[J]. 信号处理,2021,37(11):2031−2040. LI Xiaoyan,LI Tao,MA Jinwen. Soft prediction of coal-mine gas concentration through the mixture of Gaussian processes under the noisy input prediction strategy[J]. Journal of Signal Processing,2021,37(11):2031−2040.
[3] 刘超,雷晨,李树刚,等. 基于CNN-GRU的瓦斯浓度预测模型及应用[J]. 中国安全生产科学技术,2022,18(9):62−68. LIU Chao,LEI Chen,LI Shugang,et al. Prediction model of gas concentration based on CNN-GRU and its application[J]. Journal of Safety Science and Technology,2022,18(9):62−68.
[4] 董丁稳,李树刚,常心坦,等. 瓦斯浓度区间预测的灰色聚类与高斯过程模型[J]. 中国安全科学学报,2011,21(5):40−45. doi: 10.3969/j.issn.1003-3033.2011.05.007 DONG Dingwen,LI Shugang,CHANG Xintan,et al. Grey clustering and Gaussian process model for gas concentration interval prediction[J]. China Safety Science Journal,2011,21(5):40−45. doi: 10.3969/j.issn.1003-3033.2011.05.007
[5] 戚昱. 基于信息融合和GA-BP的煤矿瓦斯浓度预测方法研究[J]. 煤炭技术,2022,41(6):159−161. QI Yu. Research on coal mine gas concentration prediction method based on information fusion and GA-BP[J]. Coal Technology,2022,41(6):159−161.
[6] 范京道,黄玉鑫,闫振国,等. ARIMA−SVM组合模型驱动下的瓦斯浓度预测研究[J]. 工矿自动化,2022,48(9):134−139. FAN Jingdao,HUANG Yuxin,YAN Zhenguo,et al. Research on gas concentration prediction driven by ARIMA-SVM combined model[J]. Industry and Mine Automation,2022,48(9):134−139.
[7] 李欢,贾佳,杨秀宇,等. 煤矿综采工作面瓦斯浓度预测模型[J]. 工矿自动化,2018,44(12):48−53. LI Huan,JIA Jia,YANG Xiuyu,et al. Gas concentration prediction model for fully mechanized coal mining face[J]. Industry and Mine Automation,2018,44(12):48−53.
[8] 郭风景,王斌,贾澎涛,等. 基于梯度提升决策树的瓦斯浓度在线预测[J]. 中国煤炭,2023,49(10):61−67. GUO Fengjing,WANG Bin,JIA Pengtao,et al. Online prediction of gas concentration based on gradient boosting decision tree[J]. China Coal,2023,49(10):61−67.
[9] 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.
[10] SONG S,CHEN J T,MA L,et al. Research on a working face gas concentration prediction model based on LASSO-RNN time series data[J]. Heliyon,2023,9(4):e14864. doi: 10.1016/j.heliyon.2023.e14864
[11] 付华,赵俊程,付昱,等. 基于量子粒子群与深度学习的煤矿瓦斯涌出量软测量[J]. 仪器仪表学报,2021,42(4):160−168. FU Hua,ZHAO Juncheng,FU Yu,et al. Soft measurement of coal mine gas emission based on quantum-behaved particle swarm optimization and deep learning[J]. Chinese Journal of Scientific Instrument,2021,42(4):160−168.
[12] 程子均,马六章,张翼翔. 基于LSTM-FC的瓦斯浓度时空分布预测[J]. 计算机工程与应用,2020,56(16):258−264. doi: 10.3778/j.issn.1002-8331.2005-0250 CHENG Zijun,MA Liuzhang,ZHANG Yixiang. Prediction of spatiotemporal distribution of gas concentration based on LSTM-FC model[J]. Computer Engineering and Applications,2020,56(16):258−264. doi: 10.3778/j.issn.1002-8331.2005-0250
[13] 梁俊杰,韦舰晶,蒋正锋. 生成对抗网络GAN综述[J]. 计算机科学与探索,2020,14(1):1−17. doi: 10.3778/j.issn.1673-9418.1910026 LIANG Junjie,WEI Jianjing,JIANG Zhengfeng. Generative adversarial networks GAN overview[J]. Journal of Frontiers of Computer Science and Technology,2020,14(1):1−17. doi: 10.3778/j.issn.1673-9418.1910026
[14] 王鹏,许辉群,彭真. 基于TCN的生成对抗网络半监督地震波阻抗反演方法[C]//2022年中国石油物探学术年会论文集(下册). 海口:石油地球物理勘探编辑部,2022:478−481. WANG Peng,XU Huiqun,PENG Zhen. Semi-supervised seismic wave impedance inversion method of generative adversarial network based on TCN:2022 China Petroleum Geophysical Annual Conference[C]//Proceedings of the 2022 China Petroleum Geophysical Exploration Academic Annual Conference (Volume 2). Haikou:Editorial Department of Petroleum Geophysical Exploration,2022:478−481.
[15] 赵凌云,刘友波,沈晓东,等. 基于CEEMDAN和改进时间卷积网络的短期风电功率预测模型[J]. 电力系统保护与控制,2022,50(1):42−50. ZHAO Lingyun,LIU Youbo,SHEN Xiaodong,et al. Short-term wind power prediction model based on CEEMDAN and an improved time convolutional network[J]. Power System Protection and Control,2022,50(1):42−50.
[16] GULRAJANI I,AHMED F,ARJOVSKY M,et al. Improved training of Wasserstein GANs[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. New York:ACM,2017:5769−5779.
[17] YOON J,JARRETT D,SCHAAR M V D. Time-series Generative Adversarial Networks[C]//Neural Information Processing Systems. Vancouver:NeurIPS,2019:1−11.
[18] 陈刚,王印,单锦宁,等. 生成对抗网络在风电功率预测中的应用[J]. 辽宁工程技术大学学报(自然科学版),2021,40(3):258−264. doi: 10.11956/j.issn.1008-0562.2021.03.010 CHEN Gang,WANG Yin,SHAN Jinning,et al. Application of generation countermeasure network in wind power forecasting[J]. Journal of Liaoning Technical University (Natural Science),2021,40(3):258−264. doi: 10.11956/j.issn.1008-0562.2021.03.010
[19] 熊亚军,谢林柏,彭力. 基于JS散度和潜在特征提取的多块PCA故障监测[J]. 仪表技术与传感器,2022(5):105−110,120. doi: 10.3969/j.issn.1002-1841.2022.05.021 XIONG Yajun,XIE Linbo,PENG Li. Multiblock PCA fault monitoring based on JS divergence and latent feature extraction[J]. Instrument Technique and Sensor,2022(5):105−110,120. doi: 10.3969/j.issn.1002-1841.2022.05.021
[20] 王路阳,孙一宸,于明鑫,等. 基于TimeGAN-LSTM的无人机GPS欺骗干扰检测模型[J]. 电子测量与仪器学报,2023,37(6):122−135. WANG Luyang,SUN Yichen,YU Mingxin,et al. UAV GPS spoofing detection model based on TimeGAN-LSTM[J]. Journal of Electronic Measurement and Instrumentation,2023,37(6):122−135.
[21] LI Q,ZHANG X Y,MA T J,et al. A Multi-step ahead photovoltaic power forecasting model based on TimeGAN,Soft DTW-based K-medoids clustering,and a CNN-GRU hybrid neural network[J]. Energy Reports,2022,8:10346−10362. doi: 10.1016/j.egyr.2022.08.180
计量
- 文章访问数: 19
- HTML全文浏览量: 11
- PDF下载量: 5
