-
题名矿山灾害监测预警与应急处置技术研究与展望
- 1
-
-
作者
翟小伟
-
机构
西安科技大学榆林煤炭绿色安全高效开采与清洁利用研究院
西安科技大学煤火灾害防治研究所
-
出处
《西安科技大学学报》
CAS
北大核心
2021年第5期F0002-F0002,共1页
-
文摘
中国工业经过70年的发展,已经形成了完整的工业体系,并成为世界第一制造大国。但从资源型向绿色、安全转型,则成为中国实现健康发展的一个突出问题。长期以来,中国复杂地质条件下的多种灾害事故严重威胁着人民生命安全与企业管理风险。实践表明,灾害监测预警与应急处置技术是民生科技最为关键的领域之一 ,也是国家发展的重大战略需求之一。
-
关键词
监测预警
民生科技
人民生命安全
矿山灾害
灾害事故
战略需求
制造大国
研究与展望
-
分类号
TD76
[矿业工程—矿井通风与安全]
-
-
题名综采面区段煤柱宽度的PSO-SVM预测模型
被引量：24
- 2
-
-
作者
吴旋
来兴平
郭俊兵
崔峰
王泽阳
许慧聪
-
机构
西安科技大学能源学院
西安科技大学西部矿井开采及灾害防治教育部重点实验室
西安科技大学榆林煤炭绿色安全高效开采与清洁利用研究院
西山煤电股份有限公司马兰矿
-
出处
《西安科技大学学报》
CAS
北大核心
2020年第1期64-70,共7页
-
基金
国家自然科学基金(51874231,51504184)
国家重点基础研究计划(973计划)(2015CB251602)
-
文摘
为准确预测缓倾斜煤层区段煤柱宽度,分析了缓倾斜煤层综采工作面的主要影响因素,选取8个因子,建立了粒子群优化的支持向量机区段煤柱宽度预测模型(Particle Swarm Optimization Support Vector Machine,PSO-SVM),通过缓倾斜煤层的区段煤柱宽度情况统计分析,对粒子群优化的支持向量机模型(PSO-SVM)、网格搜索优化的支持向量机模型(GS-SVM)和遗传算法优化的支持向量机模型(GA-SVM)3种预测方法的精度进行了对比分析。结果表明:3种方法的预测平均相对误差PSO-SVM为1.81%,GS-SVM为8.36%,GA-SVM为3.78%.PSO-SVM模型有较高的预测精度和较强的普适性,能够相对精确、高效地预测缓倾斜煤层区段煤柱宽度,对缓倾斜煤层综采面区段煤柱宽度选取具有一定指导意义。
-
关键词
支持向量机
区段煤柱宽度
粒子群优化算法
预测
-
Keywords
support vector machines
width of sectional coal pillar
particle swarm optimization
prediction
-
分类号
TD313
[矿业工程—矿井建设]
-
