文献

J-GLOBAL ID：202202260064221405   整理番号：22A1028153

深層学習モデルと統計モデルの指標に基づく石炭とガス突出予測のための早期警告法【JST・京大機械翻訳】

Early Warning Method for Coal and Gas Outburst Prediction Based on Indexes of Deep Learning Model and Statistical Model

著者 (9件)： Wang Chong (1College of Safety Science and Engineering, Liaoning Technical University, Liaoning Technical University, Fuxin, China) ,  Wang Chong (2Key Laboratory of Mine Thermodynamic Disasters and Control of Ministry of Education, Huludao, China) ,  Wang Chong (3Information Research Institute, Ministry of Emergency Management, Beijing, China) ,  Wei Like (3Information Research Institute, Ministry of Emergency Management, Beijing, China) ,  Wei Like (4College of Resource and Safety, Chongqing University, Chongqing, China) ,  Hu Haiyong (3Information Research Institute, Ministry of Emergency Management, Beijing, China) ,  Wang Jiren (1College of Safety Science and Engineering, Liaoning Technical University, Liaoning Technical University, Fuxin, China) ,  Wang Jiren (2Key Laboratory of Mine Thermodynamic Disasters and Control of Ministry of Education, Huludao, China) ,  Jiang Mengfeng (3Information Research Institute, Ministry of Emergency Management, Beijing, China)
資料名： Frontiers in Earth Science (Web)  (Frontiers in Earth Science (Web))
巻： 10  ページ： 811978  発行年： 2022年 
JST資料番号： U7066A  ISSN： 2296-6463  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 石炭とガスアウトバーストのための早期警戒モデルはますます重要になって,鉱山安全性をさらに改良する努力において,採掘産業においてより多くの注意を得た。しかし,警報プロセスでは,理論モデルは,実時間パラメータの遅れた捕捉により,タイムリーな方法で常に作動しない。ガス噴出の発生メカニズムに基づいて,そのデータが実時間で達成可能であり,全アウトバーストプロセスを明確に特徴付けるので,ガス放出が本研究における支配的要因と考えられる。アウトバーストと通常の採掘活動の間のガス放出の変化を特性化し,区別するために,合計4つの統計的方法を採用して,ガス放出の変化を定量化した:移動平均,偏差比,分散比,および変動比。また,根平均二乗誤差(RMSE)と平均絶対百分率誤差(MAPE)も含め,ガス放出の変化を予測する深層学習モデルの精度を実証した。これらの6つの指標から開発して,多因子ファジィ総合評価モデルは,指標の間の差異の組合せ指数を計算することによって,アウトバースト早期警報システムを形成した。早期警戒システムの精度を, Shigang炭鉱における「3.25」ガス突出ハザードの事例研究で調べた。結果は,アウトバーストを予測するとき,6つの特性指標から確立された総合評価モデルの利点を示した。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *警報 ,  *石炭 ,  炭鉱 ,  統計的方法 ,  鉱山 ,  採掘 ,  *モデル ,  *統計模型 ,  ガス噴出 ,  事例研究 ,  *指標 ,  警報システム
準シソーラス用語： 理論モデル ,  平均二乗誤差 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： ガス放出量 ,  石炭とガス突出 ,  深層学習 ,  Bi-LSTM ,  石炭

分類 (1件)： 岩はね,ガス突出,出水,落盤  (UA04040O)

引用文献 (27件)：

• CaiC. C., TaoY., ZhuT. Q., DengZ, X. (2021). Short-Term Load Forecasting Based on Deep Learning Bidirectional LSTM Neural Network. Appl. Sci. 11 (17), 9383. doi: 10.3390/app1120938310.3390/app11178129
• ChenJ., ZhuC., DuJ., PuY, PanP., BaiJ., QiQ. (2022). A quantitative pre-warning for coal burst hazard in a deep coal mine based on the spatio-temporal forecast of microseismic events. Process Safe. Environ. Protect. doi: 10.1016/j.psep.2022.01.082
• DuJ., ChenJ., PuY., JiangD., ChenL., ZhangY. (2021). Risk Assessment of Dynamic Disasters in Deep Coal Mines Based on Multi-Source, Multi-Parameter Indexes, and Engineering Application. Process Saf. Environ. Prot. 155, 575-586. doi: 10.1016/j.psep.2021.09.034
• HanY. L., LiS., HuH. Y., LuoM. K. (2019). Prediction Model of Coal and Gas Outburst Based on Optimized GA-ELM. Chin. J. Underground Space Eng. 15 (6), 1895-1902. doi: 10.1016/j.psep.2019.10.002
• HuQ. T., ZhouS. N., ZhouX. Q. (2008). Mechanical Mechanism of Coal and Gas Outburst Process. J. China Coal Soc. 33 (12), 1367-1372. doi: 10.13225/j.cnki.jccs.2008.12.018

タイトルに関連する用語 (9件)： 深層学習 ,  モデル ,  統計モデル ,  指標 ,  石炭 ,  ガス突出 ,  予測 ,  早期 ,  警告