基于小波分析的CNN-LSTM瓦斯浓度预测模型研究
涂新宁
余星辰
刘德权
汪洋
童波
华北科技学院 电子信息工程学院,北京 东燕郊 065201
摘要：高精度瓦斯浓度预测模型能够准确预测矿井内瓦斯浓度变化,有效预防瓦斯积聚引发的安全事故.由于现有预测模型精度较低,且难以应对噪声干扰.为此,选取中国某煤矿实际工作面作为实验场景,构建基于小波分析的CNN-LSTM神经网络模型,降低噪声干扰并实现瓦斯浓度精确预测.使用相同的瓦斯浓度数据集分别训练LSTM、CNN-LSTM神经网络模型以及基于小波分析的CNN-LSTM神经网络模型,引入损失函数评估各模型预测效果,以检验其实际性能.实验结果表明:基于小波分析的CNN-LSTM瓦斯浓度预测模型的均方根误差(RMSE)较未经过小波分析的LSTM、未经过小波分析的 CNN-LSTM 模型和基于小波分析的 LSTM 模型分别降低 3.02％,0.63％,0.6％;平均绝对误差(MAE)分别降低 2.62％,0.54％,0.56％.由此可见,基于小波分析的CNN-LSTM瓦斯浓度预测模型相较于传统预测模型,可有效应对瓦斯时序数据中的复杂波动和噪声干扰,具有更高的预测精度和鲁棒性,为预防瓦斯灾害提供可靠的技术支持.
关键词：煤矿安全瓦斯浓度预测小波分析CNNLSTM
分类号：X96(劳动卫生工程)
资助基金：国家重点研发计划(2024YFB2908805)中央高校基本科研业务费资助项目(3142023070)中央高校基本科研业务费资助项目(3142024036)中央高校基本科研业务费资助项目(3142024037)廊坊市科技支撑计划项目(2024011089)
论文发表日期：2025-06-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 21-30 )
英文信息