綜采工作面瓦斯爆炸風(fēng)險(xiǎn)評(píng)估

李紅霞　吳雪菲　謝謙

摘要：針對(duì)瓦斯涌出預(yù)測(cè)及風(fēng)險(xiǎn)評(píng)估過程時(shí)使用方法單一的問題，文章提出一種基于LSTM的綜采工作面瓦斯涌出預(yù)測(cè)及風(fēng)險(xiǎn)評(píng)估方法。首先采用拉依達(dá)準(zhǔn)則和拉格朗日插值法對(duì)原始的瓦斯?jié)舛葦?shù)據(jù)進(jìn)行異常值和缺失值處理，其次選取均方誤差作為模型的評(píng)價(jià)指標(biāo)，利用適應(yīng)性矩估計(jì)優(yōu)化算法通過一階偏差、二階偏差校正對(duì)模型中的參數(shù)進(jìn)行優(yōu)化，最終通過訓(xùn)練建立LSTM的煤礦工作面瓦斯?jié)舛阮A(yù)測(cè)模型。結(jié)果表明：以某礦綜采工作面監(jiān)測(cè)數(shù)據(jù)為例，利用“3σ”準(zhǔn)則實(shí)現(xiàn)瓦斯爆炸風(fēng)險(xiǎn)等級(jí)劃分，分別采用SVM支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)對(duì)瓦斯爆炸風(fēng)險(xiǎn)等級(jí)進(jìn)行評(píng)估，通過對(duì)比3種模型的訓(xùn)練誤差和預(yù)測(cè)值發(fā)現(xiàn)LSTM神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)評(píng)估誤差較小，預(yù)測(cè)值準(zhǔn)確度更高，具有更好的實(shí)用價(jià)值。

關(guān)鍵詞：瓦斯?jié)舛?綜采工作面;LSTM神經(jīng)網(wǎng)絡(luò);風(fēng)險(xiǎn)評(píng)估;優(yōu)化算法

中圖分類號(hào)：X 936文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-9315（2022）02-0245-06

DOI：10.13800/j.cnki.xakjdxxb.2022.0207開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Gas risk assessment of fully-mechanized mining face

LI Hongxia WU Xuefei XIE Qian

（1.College of Energy Science and Engineering，Xian University of Science and Technology，Xian 710054，China;

2.Xian Research Institute Co.，Ltd.，China Coal Technology and Engineering Group Corp，Xian 710077，China）Abstract：In view of the single method used in the process of gas emission prediction and risk assessment，a gas risk assessment of fully mechanized mining face based on LSTM is proposed.Firstly，the original gas concentration data are processed with abnormal and missing values by using Pauta criterion and Lagrange interpolation method.Secondly，the mean square error is selected as the evaluation index of the model，and the parameters in the model are optimized by using the adaptive moment estimation optimization algorithm through the correction of first-order deviation and second-order deviation.Finally，the gas concentration prediction model of coal mine face based on LSTM is established through training.The results show that：Taking the monitoring data of a fully-mechanized mining face of a mine as an example，the gas risk grade is divided by using “3σ” criterion，and the gas risk grade is evaluated by SVM support vector machine，BP neural network and LSTM neural network respectively.A comparison of the training errors and prediction values of the three models indicates that the risk evaluation error of LSTM neural network is smaller and the accuracy of prediction value is higher，which is of greater value in practice.

Key words：gas concentration;fully-mechanized face;lSTM neural network;risk assessment;optimization algorithm

0引言

我國煤礦賦存環(huán)境復(fù)雜，煤層變質(zhì)程度及孔隙結(jié)構(gòu)差異性較大，即使在現(xiàn)階段的智能化生產(chǎn)過程中，各系統(tǒng)、各環(huán)節(jié)仍存在多種安全生產(chǎn)風(fēng)險(xiǎn)。因此，對(duì)這些潛在的風(fēng)險(xiǎn)因素及危險(xiǎn)進(jìn)行辨識(shí)，明確瓦斯事故的發(fā)生特征，科學(xué)有效地識(shí)別并評(píng)估瓦斯爆炸風(fēng)險(xiǎn)等級(jí)并進(jìn)行分級(jí)管控，是有效預(yù)防瓦斯事故的先決條件[1]。

國內(nèi)外學(xué)者在風(fēng)險(xiǎn)評(píng)估方面，對(duì)煤礦生產(chǎn)事故發(fā)生幾率以及事故發(fā)生后產(chǎn)生的危害程度權(quán)衡方面進(jìn)行了深入分析，針對(duì)瓦斯災(zāi)害風(fēng)險(xiǎn)預(yù)測(cè)方面，先后采用了層次分析法[2]、FDA法[3]、物元可拓理論[4]等方法，主要思路是通過建立瓦斯災(zāi)害相關(guān)的評(píng)價(jià)指標(biāo)體系后，按照不同的評(píng)價(jià)方法和步驟對(duì)指標(biāo)進(jìn)行定性或者定量的額評(píng)價(jià)，通過更多的樣本和評(píng)價(jià)結(jié)果驗(yàn)證評(píng)價(jià)方法的可靠性和有效性，結(jié)合具體的場(chǎng)景選擇準(zhǔn)確率較高的分析評(píng)價(jià)方法應(yīng)用于對(duì)應(yīng)類型的礦井和場(chǎng)景，在相似的場(chǎng)景和時(shí)間區(qū)間內(nèi)，都取得了一定的成果。在瓦斯涌出預(yù)測(cè)和評(píng)估方面，主要分為物理參數(shù)預(yù)測(cè)方法和基于瓦斯?jié)舛然蛘哂砍隽繒r(shí)間序列分析的方法2大類，其中物理參數(shù)方法中的打孔鉆粉法[5]和微震檢測(cè)法[6-7]已應(yīng)用至實(shí)際生產(chǎn)中。但煤礦種類多，水文地質(zhì)環(huán)境復(fù)雜，煤的孔隙結(jié)構(gòu)和吸附特性均受煤炭類型影響，故應(yīng)用打孔鉆粉法和微震檢測(cè)法預(yù)測(cè)煤礦瓦斯的預(yù)見性不夠強(qiáng)的問題。基于時(shí)間序列分析的方法是通過模型來預(yù)測(cè)瓦斯含量，主要包括BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型，張寶等針對(duì)小斷層構(gòu)造區(qū)域進(jìn)行研究，通過參數(shù)測(cè)定分析后建立指標(biāo)體系，利用BP神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了小斷層的瓦斯涌出含量預(yù)測(cè)，并測(cè)得誤差小于5%，在潞安礦區(qū)進(jìn)行了實(shí)際應(yīng)用[8]。趙天華首先基于SVM支持向量機(jī)方法搭建了瓦斯預(yù)測(cè)流程框架，通過PSO和GA算法篩選樣本組合參數(shù)后構(gòu)建了瓦斯預(yù)測(cè)模型，進(jìn)行礦井瓦斯?jié)舛阮A(yù)測(cè)[9]。預(yù)測(cè)結(jié)果于實(shí)測(cè)數(shù)據(jù)對(duì)比誤差較小，驗(yàn)證了該瓦斯預(yù)測(cè)模型的實(shí)用性和有效性，綜上都存在針對(duì)時(shí)序數(shù)據(jù)的信息匱乏問題。因此，一些學(xué)者使用深度學(xué)習(xí)中的循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建瓦斯?jié)舛阮A(yù)測(cè)模型。張新建等將數(shù)據(jù)通過小波降噪處理后使用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，對(duì)瓦斯?jié)舛冗M(jìn)行了預(yù)測(cè)[10]。程子均等使用LSTM構(gòu)建瓦斯預(yù)測(cè)模型，解決了循環(huán)神經(jīng)網(wǎng)絡(luò)存在的梯度消失問題[11]。為了構(gòu)建更加精確的瓦斯預(yù)測(cè)模型，本文使用Adam算法優(yōu)化LSTM網(wǎng)絡(luò)層參數(shù)的方法構(gòu)建瓦斯?jié)舛阮A(yù)測(cè)模型。

模型的精確性是風(fēng)險(xiǎn)評(píng)估的基石，建立好模型后根據(jù)模型的預(yù)測(cè)效果劃分風(fēng)險(xiǎn)等級(jí)。本文使用“3σ”準(zhǔn)則作為瓦斯災(zāi)害的風(fēng)險(xiǎn)劃分方法，根據(jù)輸入的樣本數(shù)據(jù)通過訓(xùn)練與給定的預(yù)期輸出作為判別依據(jù)將風(fēng)險(xiǎn)劃為無風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)4個(gè)等級(jí)。使用某礦瓦斯?jié)舛葦?shù)據(jù)驗(yàn)證本文提出的Adam優(yōu)化LSTM瓦斯?jié)舛阮A(yù)測(cè)模型的精度，將上述算法的預(yù)測(cè)結(jié)果輸入至“3σ”準(zhǔn)則，按照劃分的風(fēng)險(xiǎn)等級(jí)輸出預(yù)測(cè)結(jié)果的風(fēng)險(xiǎn)等級(jí)結(jié)果，經(jīng)驗(yàn)證后研究可較好的為瓦斯災(zāi)害風(fēng)險(xiǎn)做出有效的評(píng)估。

1相關(guān)理論及方法

1.13σ準(zhǔn)則

“3σ”準(zhǔn)則首先將瓦斯?jié)舛葦?shù)據(jù)標(biāo)準(zhǔn)化后作為輸入數(shù)據(jù)，以風(fēng)險(xiǎn)水平作為神經(jīng)網(wǎng)絡(luò)的預(yù)期輸出，然后對(duì)神經(jīng)網(wǎng)絡(luò)工作（訓(xùn)練樣本、測(cè)試樣本）進(jìn)行訓(xùn)練，將實(shí)際產(chǎn)出值與預(yù)期產(chǎn)出值進(jìn)行比較，判斷神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確性[12]。

1.2LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)由HOCHREITER & SCHMID-HUBER于1997年提出[13-15]，并由Graves在遞歸神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的基礎(chǔ)上改進(jìn)的一種人工智能方法，LSTM使用存儲(chǔ)單元來存儲(chǔ)和輸出信息，目的是為了解決RNN中易出現(xiàn)的“梯度消失”問題[16]。LSTM的單元結(jié)構(gòu)如圖1所示。

LSTM的細(xì)胞單元具有3個(gè)門，分別為遺忘門（Forget Gate）、輸入門（Input Gate）、輸出門（Output Gate）[17]。σ為sigmoid激活函數(shù)，LSTM細(xì)胞單元參數(shù)更新如公式所示。

2基于LSTM的風(fēng)險(xiǎn)預(yù)警模型

2.1數(shù)據(jù)預(yù)處理

由于數(shù)據(jù)采集過程中受設(shè)備故障、人為干擾等不穩(wěn)定因素的影響，采集的數(shù)據(jù)集中通常存在異常數(shù)據(jù)。異常數(shù)據(jù)的存在將極大影響預(yù)測(cè)的準(zhǔn)確率。因此，在輸入訓(xùn)練數(shù)據(jù)前需要對(duì)樣本中的異常數(shù)據(jù)進(jìn)行識(shí)別和處理。

步驟一：使用拉伊達(dá)準(zhǔn)則[18]進(jìn)行異常值閾值確定。

步驟二：將異常值剔除，會(huì)導(dǎo)致時(shí)序數(shù)據(jù)部分缺失，為了保證預(yù)測(cè)效果，需要對(duì)缺失數(shù)據(jù)進(jìn)行填補(bǔ)。本文使用Lagrange插值法[19-20]對(duì)空缺數(shù)據(jù)進(jìn)行填補(bǔ)。

步驟三：對(duì)步驟一、步驟二處理好后的數(shù)據(jù)進(jìn)行歸一化處理

式中x′為歸一化后的輸入變量;max（x）原始數(shù)據(jù)最大值;min（x）為原始數(shù)據(jù)最小值。

2.2基于LSTM的綜采工作面瓦斯預(yù)測(cè)

基于LSTM神經(jīng)網(wǎng)絡(luò)的瓦斯爆炸風(fēng)險(xiǎn)預(yù)測(cè)模型，應(yīng)用于綜采工作面瓦斯爆炸風(fēng)險(xiǎn)的評(píng)估，LSTM模型以瓦斯?jié)舛茸鳛槟Ｐ偷妮斎脒M(jìn)行回歸模型的預(yù)測(cè)，相比于其他傳統(tǒng)的瓦斯爆炸風(fēng)險(xiǎn)評(píng)估，提高了瓦斯爆炸風(fēng)險(xiǎn)評(píng)估的精準(zhǔn)度，保障了綜采工作面的安全生產(chǎn)。LSTM神經(jīng)網(wǎng)絡(luò)的瓦斯爆炸風(fēng)險(xiǎn)預(yù)測(cè)模型如圖2所示。

具體流程如下所示。

步驟一：將訓(xùn)練集的輸入數(shù)據(jù)輸入到LSTM中，得到預(yù)測(cè)值。

步驟二：根據(jù)預(yù)測(cè)值與真實(shí)值計(jì)算損失函數(shù)。

步驟三：利用Adam對(duì)LSTM的權(quán)重進(jìn)行更新，實(shí)現(xiàn)LSTM的監(jiān)督學(xué)習(xí)。

步驟四：利用訓(xùn)練好的LSTM神經(jīng)網(wǎng)絡(luò)，輸入測(cè)試集數(shù)據(jù)，對(duì)未來的瓦斯?jié)舛葦?shù)據(jù)進(jìn)行預(yù)測(cè)。

3風(fēng)險(xiǎn)評(píng)估實(shí)例

3.1數(shù)據(jù)來源與樣本選擇

實(shí)驗(yàn)數(shù)據(jù)集選取某礦瓦斯?jié)舛葦?shù)據(jù)，該數(shù)據(jù)集每5分鐘采集1次。本文實(shí)驗(yàn)采用其中5 000條數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集。選取4 880條數(shù)據(jù)作為模型的訓(xùn)練集，對(duì)未來120條數(shù)據(jù)進(jìn)行預(yù)測(cè)。

3.2模型參數(shù)選擇

在實(shí)驗(yàn)過程中，為了保證研究結(jié)果的準(zhǔn)確性和可靠性，對(duì)3種預(yù)測(cè)模型的參數(shù)進(jìn)行合理選擇，在以往依據(jù)經(jīng)驗(yàn)選取參數(shù)建立模型中，模型差距主要是選擇對(duì)象的認(rèn)知差距，為了將這種誤差降至最小，3種模型學(xué)習(xí)率統(tǒng)一設(shè)置為0.001，并將2種神經(jīng)網(wǎng)絡(luò)的定為不同函數(shù)，LSTM的優(yōu)化選用Adam算法，最終選用參數(shù)確定見表1。

3.33σ等級(jí)劃分

采用“3σ”規(guī)則，可以量化信用風(fēng)險(xiǎn)的分級(jí)評(píng)級(jí)，從而對(duì)瓦斯超限風(fēng)險(xiǎn)進(jìn)行更加直觀的分析和評(píng)價(jià)。數(shù)據(jù)樣本標(biāo)準(zhǔn)化后，均值μ=0.168 2，標(biāo)準(zhǔn)差為σ=0.080 1，風(fēng)險(xiǎn)臨界點(diǎn)為μ±σ和μ±3σ。風(fēng)險(xiǎn)劃分見表2。

3.4評(píng)價(jià)指標(biāo)

3.5實(shí)驗(yàn)結(jié)果

按照表1中選取參數(shù)對(duì)各模型進(jìn)行網(wǎng)絡(luò)調(diào)整，以某礦采集的5 000條瓦斯?jié)舛葦?shù)據(jù)作為實(shí)驗(yàn)對(duì)象，訓(xùn)練模型將瓦斯?jié)舛茸鳛檩斎胍蛩?，按照?σ”準(zhǔn)則進(jìn)行等級(jí)劃分標(biāo)準(zhǔn)將瓦斯預(yù)測(cè)值進(jìn)行更加直觀表示，瓦斯爆炸風(fēng)險(xiǎn)等級(jí)作為模型輸出，實(shí)現(xiàn)瓦斯?jié)舛蕊L(fēng)險(xiǎn)狀況的準(zhǔn)確評(píng)定，進(jìn)而較早預(yù)警，避免不安全事故的發(fā)生。

綜采工作面瓦斯?jié)舛日鎸?shí)值及3種模型預(yù)測(cè)值如圖3所示;3種模型誤差如圖4所示。在評(píng)估結(jié)果基礎(chǔ)上按照模型概況對(duì)預(yù)測(cè)結(jié)果進(jìn)行分類統(tǒng)計(jì)分別如表3算法誤差對(duì)比和表4瓦斯爆炸風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果比對(duì)。

由圖3和圖4可以看出：LSTM的預(yù)測(cè)精度要優(yōu)于其他模型的預(yù)測(cè)精度。

由表3可以看出：LSTM對(duì)比其他2種模型的平均絕對(duì)百分比誤差（MAPE）提高了57.4%和23.9%;均方根誤差（RMSE）提高了46.6%和26.3%。在誤差比對(duì)基礎(chǔ)上按照表2中風(fēng)險(xiǎn)評(píng)估分級(jí)標(biāo)準(zhǔn)對(duì)3種模型的預(yù)測(cè)值與真實(shí)值評(píng)估結(jié)果進(jìn)行統(tǒng)計(jì)并表示。分析表4統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的準(zhǔn)確性高于支持向量機(jī)（SVM），LSTM網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。從誤差和預(yù)測(cè)結(jié)果的準(zhǔn)確度對(duì)比發(fā)現(xiàn)，LSTM具有更好的實(shí)用性。

統(tǒng)計(jì)預(yù)測(cè)結(jié)果中，不同模型預(yù)測(cè)精度不超過±5%的個(gè)數(shù)占比如圖5所示。

4結(jié)論

1）通過與SVM、BP神經(jīng)網(wǎng)絡(luò)方法相比較，選擇了LSTM神經(jīng)網(wǎng)絡(luò)分析方法，其特點(diǎn)是對(duì)于長(zhǎng)時(shí)間跨度的非線性時(shí)間序列具有極強(qiáng)的學(xué)習(xí)能力。

2）對(duì)比3種模型對(duì)綜采工作面的瓦斯爆炸風(fēng)險(xiǎn)等級(jí)評(píng)定發(fā)現(xiàn)基于LSTM的模型具有更高的預(yù)測(cè)精度和較好的擬合效果。

3）使用“3σ”準(zhǔn)則進(jìn)行瓦斯爆炸風(fēng)險(xiǎn)等級(jí)劃分，可為煤礦安全等級(jí)劃分提供一條新的思路。

參考文獻(xiàn)（References）：

[1]肖鵬，謝行俊，雙海清，等.小波-極限學(xué)習(xí)機(jī)在瓦斯涌出量時(shí)變序列預(yù)測(cè)中的應(yīng)用[J].西安科技大學(xué)學(xué)報(bào)，2020，40（5）：839-845.XIAO Peng，XIE Xingjun，SHUANG Haiqing，et al.Application of wavelet-extreme learning machine in time-varying series prediction of gas emission quantity[J].Journal of Xian University of Science and Technology，2020，40（5）：839-845.

[2]HOSCAN O，CETINYOKUS S.Determination of emergency assembly point for industrial accidents with AHP analysis[J].Journal of Loss Prevention in the Process Industries，2021，69：104386.

[3]熊建明，陳沅江，劉波，等.瓦斯隧道施工期風(fēng)險(xiǎn)等級(jí)的FDA法評(píng)價(jià)[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，36（2）：17-23.XIONG Jianming，CHEN Yuanjiang，LIU Bo，et al.FDA method used in risk assessment of gas-bearing tunnel during construction[J].Journal of Chongqing Jiaotong University（Natural Science），2017，36（2）：17-23.

[4]黃仁東，張小軍.基于熵權(quán)物元可拓模型的隧道瓦斯等級(jí)評(píng)價(jià)[J].中國安全科學(xué)學(xué)報(bào)，2012，22（4）：77-82.HUANG Rendong，ZHANG Xiaojun.Evaluation of tunnel gas level based on entropy-weight and matter-element model[J].China Safety Science Journal，2012，22（4）：77-82.

[5]劉永茜.鉆屑法測(cè)定瓦斯含量存在問題分析及改進(jìn)[J].煤炭科學(xué)技術(shù)，2014，42（6）：136-139.LIU Yongxi.Analysis and improvement of problems in determination of gas content by drilling cuttings method[J].Coal Science and Technology，2014，42（6）：136-139.

[6]張子敏.瓦斯地質(zhì)學(xué)[M].徐州：中國礦業(yè)大學(xué)出版社，2009.

[7]TRIFU C I，URBANCIC T I.用采礦誘發(fā)微震法判別巖體性態(tài)特性[J].世界采礦快報(bào)，1998，14（2）：34-36.TRIFU C I，URBANCIC T I.Discrimination of rock mass behavior by mining-induced microseismic method[J].World Mining Bulletin，1998，14（2）：34-36.

[8]張寶，何健.基于BP神經(jīng)網(wǎng)絡(luò)的小斷層構(gòu)造區(qū)域瓦斯涌出預(yù)測(cè)方法研究[J].煤炭工程，2020，52（9）：106-110.ZHANG Bao，HE Jian.Prediction method of gas emission in small fault structure area based on BP neural network[J].Coal Engineering，2020，52（9）：106-110.

[9]趙華天.基于支持向量機(jī)的礦井瓦斯?jié)舛阮A(yù)測(cè)應(yīng)用研究[J].煤炭科技，2018（4）：41-44.ZHAO Huatian.Application research of mine gas concentration prediction based on support vector machine[J].Coal Science and Technology Magazine，2018（4）：41-44.

[10]張新建，劉鋒，李賢功.基于小波降噪和循環(huán)神經(jīng)網(wǎng)絡(luò)的煤礦瓦斯?jié)舛阮A(yù)測(cè)[J].煤炭技術(shù)，2020，39（9）：145-148.ZHANG Xinjian，LIU Feng，LI Xiangong.Coal mine gas concentration prediction based on wavelet denoising and recurrent neural network[J].Coal Technology，2020，39（9）：145-148.

[11]程子均，馬六章，張翼翔.基于LSTM-FC的瓦斯?jié)舛葧r(shí)空分布預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（16）：258-264.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.

[12]DU G S，LIU Z X，LU H F.Application of innovative risk early warning mode under big data technology in Internet credit financial risk assessment[J].Journal of Computational and Applied Mathematics，2021，386：113260.

[13]HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[14]SAK H，SENIOR A，BEAUFAYS F.Long short-term memory based recurrent neural network architectures for large vocabulary speech recognition[J].Computer Science，2014，13：338-342.

[15]SUNDERMEYER M，SCHLUTER R，NEY H.LSTM neural networks for language modeling[J].Interspeech，2012，31（43）：601-608.

[16]楊麗，吳雨茜，王俊麗，等.循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2018，38（S2）：1-6，26.YANG Li，WU Yuxi，WANG Junli，et al.Review of recurrent neural networks[J].Computer Applications，2018，38（S2）：1-6，26.

[17]馬莉，潘少波，代新冠，等.基于PSO-Adam-GRU的煤礦瓦斯?jié)舛阮A(yù)測(cè)模型[J].西安科技大學(xué)學(xué)報(bào)，2020，40（2）：363-368.MA Li，PAN Shaobo，DAI Xinguan，et al.Gas concentration prediction model of working face based on PSO-Adam-GRU[J].Journal of Xian University of Science and Technology，2020，40（2）：363-368.

[18]任偉，徐子立，宋曉林，等.基于數(shù)據(jù)挖掘的配網(wǎng)數(shù)字化計(jì)量系統(tǒng)運(yùn)行特性監(jiān)測(cè)和評(píng)價(jià)方法研究[J].高壓電器，2020，56（8）：183-191.REN Wei，XU Zili，SONG Xiaolin，et al.Research on monitoring and evaluation method for operation characteristics of digital metering system of distribution network based on data mining[J].High Voltage Apparatus，2020，56（8）：183-191.

[19]王蘇健，賈澎濤，金聲堯.基于隨機(jī)森林回歸的圍巖應(yīng)力插值方法[J].西安科技大學(xué)學(xué)報(bào)，2021，41（2）：274-281.WANG Sujian，JIA Pengtao，JIN Shengyao.Interpolation method of surrounding rock stress based on random forest regression[J].Journal of Xian University of Science and Technology，2021，41（2）：274-281.

[20]李暢，王安麗，龔勝生，等.中國中部六省預(yù)期壽命時(shí)序加密估算研究[J].地理學(xué)報(bào)，2020，75（10）：2269-2280.LI Chang，WANG Anli，GONG Shengsheng，et al.Study on the time series of life expectancy in six provinces of central China[J].Acta Geographica Sinica，2020，75（10）：2269-2280.