1 安徽理工大学, 深部煤矿采动响应与灾害防控国家重点实验室, 安徽 淮南 232001
2 安徽理工大学电气与信息工程学院, 安徽 淮南 232001
矿井水害对煤矿安全生产存在巨大威胁, 所以快速识别矿井突水水源, 对煤矿水灾预警及灾后救援工作开展都有重大意义。 激光诱导荧光(LIF)技术具有快速、 高效、 灵敏度高等特点, 克服了传统水化学方法识别时间长的缺点。 循环神经网络(RNN)在解决长序列训练过程中产生的梯度消失、 梯度爆炸等问题上存在明显不足, 而特殊变体RNN即长短期记忆(LSTM)神经网络很好地弥补了RNN的短板及缺陷。 提出了将LIF技术与LSTM算法相结合, 应用在矿井突水水源快速识别中。 实验样本采自淮南矿区, 以砂岩水和老空水为原始样本, 并将砂岩水和老空水按照不同比例混合配置成5种混合水样, 共7种待测水样进行实验。 首先采用最大最小值归一化(MinMaxScaler)、 平滑滤波(SG)以及标准正态变量变换(SNV)三种预处理方法对原始光谱数据进行预处理, 减少原始光谱数据存在的噪声和干扰信息。 之后为防止数据量过大, 维度过高, 将包括原始光谱数据在内的四组数据再进行LDA降维至3维。 最后分别搭建LSTM识别模型, 从测试集预测准确率、 训练集准确率变化趋势以及训练集损失函数变化趋势三个方面进行比较, 选择最优模型。 其中SG+LDA+LSTM和Original+LDA+LSTM在测试集预测准确率上都能达到100%, MinMaxScaler+LDA+LSTM测试集预测准确率在98.57%, SNV+LDA+LSTM准确率最低, 只有87.14%; 在训练集准确率变化趋势表现上, SG+LDA+LSTM能够保持良好的学习, 很快达到100%, Original+LDA+LSTM和MinMaxScaler+LDA+LSTM也能达到100%的准确率, 但在前几次训练过程中会有准确率下降的情况出现, SNV+LDA+LSTM训练集准确率在训练次数内并未达到100%; SG+LDA+LSTM损失函数变化趋势也具有很好的收敛性和稳定性, Original+LDA+LSTM, MinMaxScaler+LDA+LSTM以及SNV+LDA+LSTM在损失函数变化趋势上表现并不出色。 结果表明, 4组模型中, SG+LDA+LSTM模型是最适合应用于矿井突水识别, 该方法补充了矿井突水水源识别工作的内容, 为矿井突水识别提供了新的思路。
水源识别 激光诱导荧光光谱 预处理 Water source identification Laser-induced fluorescence spectroscopy Pretreatment LDA LSTM LDA LSTM 光谱学与光谱分析
2022, 42(10): 3091
1 安徽理工大学, 深部煤矿采动响应与灾害防控国家重点实验室, 安徽 淮南 232001
2 安徽理工大学电气与信息工程学院, 安徽 淮南 232001
快速准确的识别煤矿含水层水源对于煤矿突水预警及灾后救援意义重大, 针对传统水源识别耗时较长, 不适宜构建在线式预警系统, 提出使用激光诱导荧光技术用于煤矿水源类型识别的方法。 利用激光激发待测水样, 获取其荧光光谱, 结合模式识别对水源进行快速辨识。 实验采集了淮南矿区谢桥煤矿的两种纯水样本-老空水与砂岩水, 并根据不同混合比配成5种混合水样进行实验。 首先针对获取的水源荧光光谱中可能会存在的各种噪声及干扰信息, 采用SG、 Normalize、 Gapsegment求导、 Detrend和MSC 5种常用的光谱预处理算法对光谱数据进行处理。 其次针对荧光光谱数据量过大, 对数据进行PCA降维, 作为对比6种预处理方式(含原始光谱)主成分数皆取3, 结果显示SG预处理累计贡献度最大, 为97.26%； 其次是原始光谱, 为92.38%, Normalize与Detrend累计贡献度相差不大, 分别为88.04%和87.59%, MSC为66.41%, Gapsegment最差, 为22.65%。 最后分别对PCA降维后的数据使用线性LDA以及非线性RBF-SVM模型进行识别对比。 使用LDA进行建模, SG-PCA-LDA正确率最高, 达到了98.86%, 依据建立的LDA模型, 对验证集数据进行识别, SG-PCA-LDA的正确率依然最高, 为100%。 使用RBF-SVM进行建模, Original-PCA-RBF-SVM, SG-PCA-RBF-SVM, Normalize-PCA-RBF-SVM正确率最高, 皆为97.14%, 依据建立的RBF-SVM模型, 对验证集数据进行识别, Original-PCA-RBF-SVM和SG-PCA-RBF-SVM正确率依然最高, 为97.14%。 对比两类模型可以发现, LDA验证集正确率较建模集有一定的提升, 而RBF-SVM验证集正确率较建模集有小幅度降低, 说明LDA模型对于此煤矿水源荧光光谱数据的泛化能力较好, 且成功率较高。 结果表明, SG-PCA-LDA模型结合激光诱导荧光技术是一种较佳的应用于本地煤矿水源识别的方法, 且验证了对老空水、 砂岩水的纯水样和混合水样识别的可能性, 可以推广到煤矿其他混合水源的识别中。
激光诱导荧光技术 水源识别 煤矿含水层 laser induced fluorescence technology Water source identification Coal mine aquifer LDA LDA RBF-SVM RBF-SVM 光谱学与光谱分析
2020, 40(7): 2176
安徽理工大学电气与信息工程学院， 安徽 淮南 232001
快速识别煤矿突水水源类型对于矿井水害防治意义非凡。 鉴于传统水化学方法水源识别耗时较长等诸多不足， 提出了将模糊C均值聚类（FCM）算法和多维标度分析（MDS）用于激光诱导荧光光谱识别煤矿突水水源这一新思路。 由于FCM算法在光谱分析和模式识别等方面都有着成功的应用， 况且激光光谱具有时间响应快、 灵敏度高、 干扰小等优点， 通过实时采集水样的荧光光谱数据， 利用FCM和MDS对光谱数据分析后就可以辨别水样类型。 以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种（每种水样各20个样本）为实验材料， 利用405 nm激光打入被测水体， 一共采集了140组荧光光谱数据， 随后选择合适的波长区间进行分析。 取每种水样各15组共105组光谱数据用作训练集， 其余35组光谱数据用作测试集。 使用MDS建立七种不同水样的模型， 再利用FCM算法进行聚类分析得到七种水样的簇中心， 最后使用得到的簇中心对测试集进行验证。 实验结果表明， 不同水样的光谱图有着较大差异， 选取合适的波长区间下的光谱数据， 在MDS下选择维度为2， 利用FCM算法对水样进行分类， 全部140组样本的准确率是100%。
模糊C均值聚类 多维标度分析 激光诱导荧光光谱 煤矿突水 水源识别 Fuzzy C means clustering Multidimensional scaling analysis Laser-induced fluorescence spectroscopy Coal mine water inrush Water source identification 光谱学与光谱分析
2018, 38(5): 1572
安徽理工大学电气与信息工程学院, 安徽 淮南 232001
矿井突水的迅速识别与分类对于井下水灾防治工作有着重要的意义。 提出一种KNN结合PCA运用在激光诱导荧光光谱快速识别矿井突水水源中的新方法。 利用激光器发射激光通过可浸入式探头射入水样, 得到四种突水水样共80组荧光光谱数据, 再分别对每组数据进行预处理, 处理后的数据中每种水样取15组数据作为训练集, 共60组, 其余20组作为预测集。 利用主成分分析(PCA)对数据进行处理, 之后在主成分分析的基础上利用KNN算法进行分类识别。 实验过程中, 各预处理方法在主成分个数为2的情况下, 进行KNN算法分类的正确率都达到100%。
KNN算法 激光诱导荧光 矿井突水 水源识别 KNN algorithm PCA PCA Laser induced fluorescence Mine water inrush Water source identification 光谱学与光谱分析
2016, 36(7): 2234
1 安徽理工大学电气与信息工程学院, 安徽 淮南 232001
2 矿山地质灾害防治与环境保护安徽省重点实验室, 安徽 淮南 232001
3 安徽理工大学地球与环境学院, 安徽 淮南 232001
煤矿突水水源类型的快速识别对于煤矿水害预警防治意义重大。 针对传统水化学方法水源识别耗时较长的问题, 提出一种基于激光诱导荧光光谱(LIF)技术与簇类的独立软模式(SIMCA)算法的煤矿突水水源快速识别方法。 激光诱导荧光光谱技术具有分析速度快、 灵敏度高等特点, 在激光器的辅助下, 荧光光谱仪实时采集荧光光谱, 根据水样的荧光光谱即可进行水源类型识别, 在数据库完备的情况下, 只需几秒即可进行煤矿水源判断, 对于煤矿的水害预警以及灾后救援来说意义重大。 实验利用405 nm激光器发射激光, 打入被测水体, 得到五种常见突水水样的共100组荧光光谱, 对各水样的荧光光谱进行光谱预处理。 每种水样使用15组共75组荧光光谱作为预测集, 剩余的25组水样的荧光光谱作为测试集。 利用主成分分析(PCA)分别对五种水样进行建模, 而后依据所建模型进行SIMCA分类。 实验发现不同水样的荧光光谱差异明显, 经过Gaussian-Filter预处理后的荧光光谱, 在主成分数为2, 显著性程度α＝5%的情况下, 利用SIMCA算法进行水样分类, 预测集和测试集的正确率皆为100%。
煤矿突水 水源识别 激光诱导荧光光谱 簇类的独立软模式 主成分分析 Mine water inrush Source identification Laser induced fluorescence Soft independent modeling of class analogy Principal component analysis
