亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于CiteSpace知識(shí)圖譜分析的露天礦粉塵濃度預(yù)測(cè)研究進(jìn)展與展望

        2023-08-09 08:55:01肖雙雙馬亞潔李衛(wèi)炎劉錦
        關(guān)鍵詞:計(jì)量分析預(yù)測(cè)模型知識(shí)圖譜

        肖雙雙 馬亞潔 李衛(wèi)炎 劉錦

        摘 要:粉塵濃度預(yù)測(cè)可為粉塵防治提供依據(jù)。為探明國(guó)內(nèi)外露天礦粉塵濃度預(yù)測(cè)研究進(jìn)展,針對(duì)中國(guó)知網(wǎng)和Web of Science收錄的粉塵濃度預(yù)測(cè)相關(guān)文獻(xiàn),采用CiteSpace、VOSviewer可視化圖譜分析軟件,從文獻(xiàn)計(jì)量學(xué)角度對(duì)關(guān)鍵詞進(jìn)行處理,提取高頻關(guān)鍵詞、研究熱點(diǎn),生成聚類圖譜和熱點(diǎn)時(shí)間軸。根據(jù)可視化分析結(jié)果,從露天礦粉塵濃度影響因素、指標(biāo)體系、預(yù)測(cè)方法3個(gè)方面進(jìn)行分析。結(jié)果表明:露天礦粉塵濃度的影響因素研究主要體現(xiàn)在生產(chǎn)強(qiáng)度和氣象因素方面,選取的粉塵濃度預(yù)測(cè)指標(biāo)通常有剝離量、采煤量、溫度、濕度、風(fēng)速、風(fēng)向等;粉塵濃度預(yù)測(cè)方法主要采用神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、線性回歸等以及結(jié)合粒子群、遺傳算法優(yōu)化的組合算法預(yù)測(cè)模型。未來(lái)露天礦粉塵濃度預(yù)測(cè)研究應(yīng)深入挖掘影響粉塵濃度的因素和科學(xué)建立預(yù)測(cè)指標(biāo)體系,加強(qiáng)機(jī)器學(xué)習(xí)和智能優(yōu)化算法的組合應(yīng)用。

        關(guān)鍵詞:露天礦;粉塵濃度;預(yù)測(cè)模型;知識(shí)圖譜;計(jì)量分析

        中圖分類號(hào):TD 804

        文獻(xiàn)標(biāo)志碼:A

        文章編號(hào):1672-9315(2023)04-0675-11

        DOI:10.13800/j.cnki.xakjdxxb.2023.0404

        Prediction of? dust concentration in open-pit mine

        based on CiteSpace knowledge graph analysis

        XIAO Shuangshuang1,MA Yajie1,LI Weiyan2,LIU Jin1

        (1.

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

        2.Zhejiang Communications Resources Investment Group Co.,Ltd.,Hangzhou? 310020,China)

        Abstract:Dust concentration prediction can provide evidence for dust prevention and control.In order to explore the research progress of dust concentration prediction in open-pit mines at home and abroad,CiteSpace and VOSviewer visual graph analysis software were used to process keywords from bibliometric perspective,extract high frequency keywords and research hotspots,and generate clustering mapping and hotspot timeline for the literature related to dust concentration prediction included in China Knowledge Network(CNKI)and Web of Science.Based on the visualization analysis results,a analysis was conducted from three aspects of open-pit mine dust concentration influence factors,index system and prediction methods.The results show that the influencing factors of open-pit mine dust concentration mainly reflected in the production intensity and meteorological factors,and the selected dust concentration prediction indicators usually include stripping volume,coal mining volume,temperature,humidity,wind speed,wind direction,etc.The dust concentration prediction methods mainly involve neural network,random forest,linear regression,etc.,and the combined algorithm prediction model

        coupled with particle swarm and genetic algorithm optimization.Future research on dust concentration prediction in open-pit mines should dig deeper into the factors affecting dust concentration with the prediction index system established,and strengthen the combination of machine learning and intelligent optimization algorithms.

        Key words:open-pit mine;dust concentration;prediction model;knowledge graph;quantitative analysis

        0 引 言

        露天礦產(chǎn)塵點(diǎn)多、粉塵量大、擴(kuò)散范圍廣,影響職工健康,加速設(shè)備磨損,影響生產(chǎn)效率和生產(chǎn)安全,污染周邊生態(tài)環(huán)境。露天礦粉塵職業(yè)危害已成為礦山領(lǐng)域最重要的職業(yè)健康問(wèn)題,并產(chǎn)生較大的社會(huì)影響。在國(guó)家加快推進(jìn)生態(tài)文明建設(shè)、大力推進(jìn)綠色礦山建設(shè)的背景下,露天礦粉塵防控已成為亟待解決的重大行業(yè)問(wèn)題[1]。為更精準(zhǔn)高效的開(kāi)展粉塵防治工作,需要對(duì)各產(chǎn)塵點(diǎn)的粉塵濃度進(jìn)行精準(zhǔn)預(yù)測(cè),粉塵濃度預(yù)測(cè)是實(shí)施粉塵污染防治的前提,是指導(dǎo)各類防治措施的實(shí)施準(zhǔn)則。如何從產(chǎn)塵環(huán)節(jié)中挖掘關(guān)鍵的特征因素,建立有效的粉塵濃度預(yù)測(cè)模型,近年來(lái)已經(jīng)成為國(guó)內(nèi)外的研究共識(shí)和熱點(diǎn)。

        國(guó)內(nèi)外學(xué)者通過(guò)理論分析、現(xiàn)場(chǎng)監(jiān)測(cè)等研究了溫度、濕度、風(fēng)速、風(fēng)力、風(fēng)向、剝離量、采煤量等因素對(duì)粉塵濃度的影響,選取風(fēng)速、風(fēng)向、溫度、濕度、產(chǎn)煤量、剝離量等指標(biāo)建立粉塵濃度預(yù)測(cè)指標(biāo)體系,采用時(shí)間序列、線性回歸、灰色理論、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、求和自回歸移動(dòng)平均-廣義神經(jīng)網(wǎng)絡(luò)回歸(ARIMA-GRNN)組合算法、灰色-廣義回歸神經(jīng)網(wǎng)絡(luò)(GM-GRNN)組合算法等構(gòu)建了多種粉塵濃度預(yù)測(cè)模型,能夠?qū)Ψ蹓m濃度的發(fā)展趨勢(shì)做出大致預(yù)測(cè)。為提高粉塵濃度預(yù)測(cè)的準(zhǔn)確率,一些學(xué)者在模型預(yù)測(cè)方法的研究中不局限于單一傳統(tǒng)的數(shù)學(xué)算法預(yù)測(cè),而是逐漸引入機(jī)器學(xué)習(xí),采用生物智能優(yōu)化算法結(jié)合機(jī)器學(xué)習(xí)建立粉塵濃度預(yù)測(cè)模型,如粒子群-BP神經(jīng)網(wǎng)絡(luò)(PSO-BP)組合預(yù)測(cè)模型[2]。但是隨著各種方法模型的不斷涌現(xiàn),在粉塵濃度預(yù)測(cè)模型的研究現(xiàn)狀與發(fā)展趨勢(shì)方面的評(píng)述較少,預(yù)測(cè)方法的現(xiàn)狀和演進(jìn)趨勢(shì)仍然不清楚。近年來(lái)文獻(xiàn)計(jì)量分析已在多個(gè)學(xué)科中應(yīng)用,發(fā)文量呈逐年遞增的趨勢(shì),基于文獻(xiàn)計(jì)量學(xué)分析露天礦粉塵濃度預(yù)測(cè)研究現(xiàn)狀與展望,檢索并梳理國(guó)內(nèi)外相關(guān)研究進(jìn)展,有利于充分了解露天礦粉塵濃度預(yù)測(cè)的研究現(xiàn)狀,分析粉塵濃度與各類影響因素之間的關(guān)系,正確、有效的開(kāi)展粉塵預(yù)測(cè)研究工作,幫助露天礦更好的制定粉塵防治策略。

        因此,基于CNKI和Web of Science收錄的526篇粉塵濃度預(yù)測(cè)相關(guān)文獻(xiàn),采用CiteSpace與VOSviewer知識(shí)圖譜可視化軟件進(jìn)行統(tǒng)計(jì)分析及數(shù)據(jù)挖掘,揭示粉塵濃度預(yù)測(cè)的研究熱點(diǎn)、研究方法和發(fā)展過(guò)程,系統(tǒng)歸納了露天礦粉塵濃度影響因素、指標(biāo)體系的研究現(xiàn)狀,梳理了粉塵濃度預(yù)測(cè)方法隨時(shí)間的演進(jìn)趨勢(shì),提煉出預(yù)測(cè)方法的4大類型,并分類展開(kāi)詳述,提出露天礦粉塵濃度預(yù)測(cè)研究展望,以期為露天礦粉塵濃度預(yù)測(cè)的深入研究提供參考。

        1 基于文獻(xiàn)檢索的研究脈絡(luò)分析

        1.1 研究方法與數(shù)據(jù)來(lái)源

        為對(duì)粉塵濃度預(yù)測(cè)的研究現(xiàn)狀和發(fā)展趨勢(shì)進(jìn)行詳細(xì)分析,通過(guò)對(duì)近40 a國(guó)內(nèi)外粉塵濃度預(yù)測(cè)相關(guān)的文獻(xiàn)進(jìn)行檢索,檢索方法如下。

        數(shù)據(jù)來(lái)源:中國(guó)知網(wǎng)(CNKI)、Web of Science(WOS)。

        檢索區(qū)間:1981年1月1日—2022年12月31日。

        檢索主題:SU=“粉塵濃度預(yù)測(cè)”+“PM2.5濃度預(yù)測(cè)”+“濃度預(yù)測(cè)模型”。

        研究方法:計(jì)量學(xué)、可視化分析。

        運(yùn)行環(huán)境:VOSviewer、CiteSpace。

        共檢索到文獻(xiàn)526篇(CNKI 389篇、WOS 137篇),研究“礦山粉塵預(yù)測(cè)”的相關(guān)文獻(xiàn)共220篇(CNKI 40篇、WOS 180篇),研究“露天礦粉塵預(yù)測(cè)”的相關(guān)文獻(xiàn)共48篇(CNKI 9篇、WOS 39篇),由于不同領(lǐng)域的粉塵濃度預(yù)測(cè)方法類似、指標(biāo)體系不同,為全面歸納粉塵濃度預(yù)測(cè)方法發(fā)展動(dòng)態(tài),基于526篇文獻(xiàn),運(yùn)用CiteSpace、VOSviewer軟件從文獻(xiàn)計(jì)量學(xué)的角度生成研究?jī)?nèi)容的高頻關(guān)鍵詞的聚類圖譜和演化趨勢(shì)圖譜,對(duì)1981年—2022年的粉塵濃度預(yù)測(cè)相關(guān)研究熱點(diǎn)進(jìn)行可視化分析。

        1.2 文獻(xiàn)數(shù)量動(dòng)態(tài)變化

        國(guó)內(nèi)外關(guān)于粉塵濃度預(yù)測(cè)的研究領(lǐng)域發(fā)表成果及發(fā)展趨勢(shì),如圖1所示,2013年以前該領(lǐng)域研究論文數(shù)量較少,PM 2.5、粉塵濃度預(yù)測(cè)論文發(fā)表數(shù)量每年基本保持在1~2篇,2014—2018年該領(lǐng)域發(fā)文量開(kāi)始增加,中英文文獻(xiàn)數(shù)量分別維持在每年25篇左右,總體上論文數(shù)量呈上升趨勢(shì),隨著計(jì)算機(jī)科學(xué)技術(shù)的迅速發(fā)展,人工智能、機(jī)器學(xué)習(xí)、大數(shù)據(jù)技術(shù)等的興起,與計(jì)算機(jī)技術(shù)進(jìn)行學(xué)科交叉的方法技術(shù)不斷應(yīng)用于各行業(yè)領(lǐng)域,自2019年起發(fā)文量顯著增加,文獻(xiàn)數(shù)量增長(zhǎng)主要體現(xiàn)在基于機(jī)器學(xué)習(xí)的智能預(yù)測(cè)方法。

        1.3 檢索文獻(xiàn)的計(jì)量分析

        1.3.1 高頻熱點(diǎn)關(guān)鍵詞

        關(guān)鍵詞代表著文獻(xiàn)研究主題,利用VOSviewer對(duì)關(guān)鍵詞進(jìn)行統(tǒng)計(jì)分析,如圖2、圖3所示。圖中不同顏色代表不同的研究主題,節(jié)點(diǎn)的大小代表該研究?jī)?nèi)容共現(xiàn)頻率的高低,線條的粗細(xì)代表研究?jī)?nèi)容的關(guān)聯(lián)強(qiáng)度。

        從圖2、圖3可以看出,在粉塵濃度預(yù)測(cè)方面,PM 2.5、預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、粒子群優(yōu)化、組合預(yù)測(cè)等關(guān)鍵詞出現(xiàn)頻率較高,這些關(guān)鍵詞體現(xiàn)了研究的熱點(diǎn)主題。

        1.3.2 聚類主體分析

        基于CiteSpace軟件的K值聚類分析,設(shè)定參數(shù)K=10,提取10個(gè)聚類團(tuán),生成粉塵濃度預(yù)測(cè)研究關(guān)鍵詞聚類圖譜,如圖4所示。

        粉塵濃度預(yù)測(cè)研究大致可分為:環(huán)境影響因素、預(yù)測(cè)模型(時(shí)間序列、神經(jīng)網(wǎng)絡(luò)、灰色模型),模型優(yōu)化(機(jī)器學(xué)習(xí))、預(yù)測(cè)控制、結(jié)果影響(塵肺?。?0大聚類團(tuán),基于機(jī)器學(xué)習(xí)的模型優(yōu)化預(yù)測(cè)是該領(lǐng)域研究的主流。

        1.3.3 關(guān)鍵詞聚類的時(shí)區(qū)演化

        運(yùn)用CiteSpace可視化分析軟件提取1~7個(gè)高頻關(guān)鍵詞,該時(shí)間軸主要針對(duì)該領(lǐng)域研究熱點(diǎn)與發(fā)展趨勢(shì)進(jìn)行分析,從時(shí)間軸可看出,早期的研究方法主要為壽命表法、灰色理論、線性預(yù)測(cè)等傳統(tǒng)方法。隨著大數(shù)據(jù)、人工智能的發(fā)展,自1995年后,運(yùn)用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)算法預(yù)測(cè)粉塵濃度逐漸成為新的研究熱點(diǎn),從2005年起,基于粒子群算法、遺傳算法、蟻群算法等優(yōu)化算法的組合預(yù)測(cè)模型逐漸取代BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等單一的預(yù)測(cè)模型,如圖5所示。

        2 露天礦粉塵濃度預(yù)測(cè)研究現(xiàn)狀

        粉塵濃度預(yù)測(cè)過(guò)程主要是通過(guò)對(duì)現(xiàn)場(chǎng)監(jiān)測(cè)到的數(shù)據(jù)進(jìn)行收集和預(yù)處理,根據(jù)數(shù)據(jù)特征采用合適的預(yù)測(cè)算法建立粉塵濃度預(yù)測(cè)模型,確定其模型參數(shù),分析影響粉塵濃度的關(guān)鍵因素,通過(guò)優(yōu)化算法調(diào)整優(yōu)化其參數(shù),對(duì)結(jié)果進(jìn)行修正,提高預(yù)測(cè)結(jié)果的準(zhǔn)確率,如圖6所示。粉塵濃度預(yù)測(cè)的核心包括選取粉塵濃度影響因素,構(gòu)建粉塵濃度預(yù)測(cè)指標(biāo)體系,建立粉塵濃度預(yù)測(cè)模型[2]。

        2.1 粉塵濃度影響因素和預(yù)測(cè)指標(biāo)體系

        露天礦作業(yè)的每個(gè)環(huán)節(jié)都伴隨著粉塵的產(chǎn)生,露天礦作業(yè)環(huán)境敞露于地表,鉆孔、爆破、采裝、運(yùn)輸、排卸各環(huán)節(jié)都會(huì)產(chǎn)生大量粉塵,由此帶來(lái)的粉塵污染更為嚴(yán)重。產(chǎn)塵量與所用機(jī)械設(shè)備類型、生產(chǎn)強(qiáng)度、巖石性質(zhì)、開(kāi)采方法以及自然條件等眾多因素有關(guān)。目前,國(guó)內(nèi)外學(xué)者通過(guò)理論分析、現(xiàn)場(chǎng)監(jiān)測(cè)等研究了溫度、濕度、風(fēng)速、風(fēng)力、風(fēng)向、剝離量、采煤量等因素對(duì)粉塵濃度的影響。如WANG等對(duì)西北哈爾烏素露天煤礦的粉塵污染進(jìn)行了分析,得出影響粉塵濃度的因素順序?yàn)椋寒a(chǎn)煤量>邊界層高度>風(fēng)速>溫差>溫度>濕度[3]。QI等在對(duì)影響PM濃度的重要性分析時(shí),除當(dāng)前PM濃度受前5 min PM濃度的影響外,其他影響因素順序?yàn)椋簼穸?溫度>噪聲級(jí)>風(fēng)速>風(fēng)向[1]。LI等對(duì)TSP濃度預(yù)測(cè)時(shí)根據(jù)影響因素的重要程度分配權(quán)重,結(jié)果顯示TSP在08∶00~09∶00期間最高,在15∶00~16∶00期間最低。分析其原因主要影響因素為:氣象參數(shù)、正常作業(yè)以及逆溫層[4]?;粑牡确治鎏卣髯兞恐匾裕J(rèn)為環(huán)境影響因素中,濕度對(duì)粉塵濃度影響最大,其次是溫度、噪聲,風(fēng)速、風(fēng)力及風(fēng)向影響較小,如圖7所示[4]。 CHINTHALA等通過(guò)結(jié)合風(fēng)穿透效應(yīng),研究了風(fēng)侵角和擴(kuò)散系數(shù)對(duì)PM10濃度的影響,研究表明風(fēng)侵角隨露天礦深度的變化對(duì)PM 10截留有顯著影響[5]。

        露天礦的生產(chǎn)塵源主要來(lái)自鉆孔、爆破、采裝、運(yùn)輸、排卸等作業(yè)環(huán)節(jié)。在鉆孔作業(yè)下,粉塵顆粒由孔底高速噴出孔口而產(chǎn)生高濃度粉塵;爆破環(huán)節(jié)礦巖爆破瞬間會(huì)在爆區(qū)周?chē)a(chǎn)生濃度極高的粉塵顆粒,污染周邊環(huán)境。采裝、運(yùn)輸、排卸等環(huán)節(jié)因礦巖間摩擦碰撞和道路運(yùn)輸產(chǎn)生大量的揚(yáng)塵。一般認(rèn)為剝離量和采煤量越大,即生產(chǎn)強(qiáng)度越大,產(chǎn)塵量就越大。

        溫度對(duì)粉塵濃度的影響主要由逆溫現(xiàn)象導(dǎo)致空氣流動(dòng)性受阻,溫度較低時(shí),粉塵無(wú)法擴(kuò)散,造成嚴(yán)重的空氣污染。一般濕度越大空氣中水分子含量越多,空氣相對(duì)濕度對(duì)粉塵濃度預(yù)測(cè)結(jié)果有顯著影響。風(fēng)速、風(fēng)力是粉塵擴(kuò)散速度的直接影響因素,在露天礦采場(chǎng)內(nèi)部,較小的風(fēng)速也可能產(chǎn)生揚(yáng)塵,增加空氣中粉塵濃度。風(fēng)向影響粉塵擴(kuò)散方向,具有隨機(jī)性和不確定性。

        因此,生產(chǎn)強(qiáng)度大小決定了產(chǎn)塵量的多少,氣象因素決定粉塵的聚集與擴(kuò)散。根據(jù)影響因素選擇預(yù)測(cè)指標(biāo),建立粉塵濃度預(yù)測(cè)指標(biāo)體系是粉塵濃度精準(zhǔn)預(yù)測(cè)的關(guān)鍵。目前,該指標(biāo)體系主要分為氣象類指標(biāo)和生產(chǎn)類指標(biāo)2大類。氣象類指標(biāo)包括風(fēng)速、風(fēng)向、溫度、濕度等;生產(chǎn)類指標(biāo)包括產(chǎn)煤量、剝離量、生產(chǎn)噪聲等[7],如圖8所示。

        2.2 粉塵濃度預(yù)測(cè)方法

        計(jì)量學(xué)可視化分析得出粉塵濃度預(yù)測(cè)方法主要是沿著早期的壽命表、宏觀測(cè)算、經(jīng)驗(yàn)類比法等傳統(tǒng)方法發(fā)展為時(shí)間序列、線性回歸、灰色理論等方法,再延伸至近年的人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)以及生物智能算法優(yōu)化機(jī)器學(xué)習(xí)等組

        合方法的研究脈絡(luò)發(fā)展的?;诳梢暬治鼋Y(jié)果,將粉塵濃度預(yù)測(cè)相關(guān)方法進(jìn)行歸類,系統(tǒng)的分析對(duì)比各方法的特點(diǎn)和適用范圍,將應(yīng)用次數(shù)較高的預(yù)測(cè)方法和模型進(jìn)行匯總,見(jiàn)表1。

        目前的粉塵濃度預(yù)測(cè)方法分為定性和半定量預(yù)測(cè)、線性回歸預(yù)測(cè)、機(jī)器學(xué)習(xí)預(yù)測(cè)以及組合預(yù)測(cè)4大類。

        2.2.1 定性和半定量預(yù)測(cè)

        壽命表、宏觀測(cè)算、經(jīng)驗(yàn)類比法為傳統(tǒng)預(yù)測(cè)方法。傳統(tǒng)預(yù)測(cè)方法大致可分為定性預(yù)測(cè)和半定量預(yù)測(cè)2種,在定性預(yù)測(cè)方法的應(yīng)用中,王美霞等采用職業(yè)衛(wèi)生調(diào)查、類比法、經(jīng)驗(yàn)法預(yù)測(cè)了擬建項(xiàng)目的噪聲與粉塵職業(yè)病危害因素預(yù)期接觸水平,根據(jù)預(yù)測(cè)結(jié)果采取相應(yīng)防護(hù)控制措施[8]。韓磊等通過(guò)分析煤礦污染變化趨勢(shì)、煤工塵肺患者發(fā)病特征、暴露水平與發(fā)病的關(guān)系,掌握煤工塵肺病發(fā)病規(guī)律,對(duì)煤工塵肺未來(lái)發(fā)病情況做出預(yù)警預(yù)測(cè)[9]。

        在半定量預(yù)測(cè)方法的研究中,陳春生等在壽命表法的基礎(chǔ)上增加了肺內(nèi)石英粉塵負(fù)荷量估算法對(duì)鐵路隧道工現(xiàn)場(chǎng)粉塵容許濃度進(jìn)行了估算,并對(duì)該方法的數(shù)據(jù)處理部分稍加改進(jìn),將累積發(fā)病率取了逆正態(tài)分布函數(shù)后再建立的方程,使得結(jié)果更加符合實(shí)際應(yīng)用[10]。沈陽(yáng)等運(yùn)用貝葉斯決策分析技術(shù)評(píng)估某高速公路隧道掘進(jìn)工粉塵累計(jì)暴露情況,并估計(jì)決策分析最小樣本數(shù)。得出該高速隧道掘進(jìn)工暴露矽塵濃度超標(biāo)嚴(yán)重,基于粉塵測(cè)定的貝葉斯決策分析技術(shù)可實(shí)現(xiàn)累計(jì)暴露預(yù)測(cè)及最少檢測(cè)樣本估算[11]。GHOSE等針對(duì)粉塵排放源展開(kāi)研究,使用排放因子或預(yù)測(cè)方程對(duì)不同采礦活動(dòng)粉塵排放進(jìn)行量化,重點(diǎn)介紹了本研究在環(huán)境保護(hù)領(lǐng)域的重要性以及該研究可能產(chǎn)生的影響,得出結(jié)論:得以估計(jì)的產(chǎn)塵量可以適當(dāng)評(píng)估對(duì)空氣質(zhì)量的影響,并制定適當(dāng)?shù)目諝馕廴究刂撇呗裕?2]。BALAGA等提出并開(kāi)發(fā)一種基于冪函數(shù)的粉塵濃度預(yù)測(cè)算法功能模型,可針對(duì)不具經(jīng)驗(yàn)數(shù)據(jù)的粉塵分布狀態(tài)進(jìn)行預(yù)測(cè),建立PM10、PM4和PM2.5粉塵顆粒的分布特征,該模型適用范圍廣,不受粉塵粒徑大小以及粉塵源距離限制,為礦山工作者提供更安全高效的粉塵防治策略[13]。TRIPATHY等重點(diǎn)介紹礦井不同作業(yè)區(qū)域的粉塵水平監(jiān)測(cè)、不同來(lái)源收集的粉塵表征、粉塵的個(gè)人暴露情況,采用AERMOD軟件對(duì)礦井不同位置和附近區(qū)域的粉塵濃度進(jìn)行了預(yù)測(cè)[14]。傳統(tǒng)方法如粉塵健康風(fēng)險(xiǎn)評(píng)估大多基于定性或者半定量的方法,缺少粉塵暴露的連續(xù)性監(jiān)測(cè),不能在風(fēng)險(xiǎn)概率的基礎(chǔ)上進(jìn)行定量評(píng)估,使得粉塵長(zhǎng)期累積暴露評(píng)估客觀性下降。以上宏觀預(yù)測(cè)模型僅僅能夠反映出預(yù)測(cè)對(duì)象的主要變動(dòng)趨勢(shì),因此傳統(tǒng)的預(yù)測(cè)方法在需求數(shù)據(jù)波動(dòng)較大的復(fù)雜環(huán)境下逐漸被其他更好的方法取代。

        2.2.2 線性回歸預(yù)測(cè)模型

        粉塵預(yù)報(bào)早期常用理論方法,包括函數(shù)解算法和圖像查找法。隨后有學(xué)者開(kāi)始采用統(tǒng)計(jì)模型來(lái)預(yù)測(cè)預(yù)報(bào),如張志偉等采用灰色理論的預(yù)測(cè)方法,建立了降塵含量的GM生成函數(shù)預(yù)測(cè)模型,對(duì)邯鄲市工業(yè)居民混合區(qū)降塵含量歷年的變化規(guī)律進(jìn)行預(yù)測(cè)研究[15]。陳日輝等用粉塵濃度統(tǒng)計(jì)值建立GM模型,對(duì)原始數(shù)據(jù)進(jìn)行了滑動(dòng)平均處理,該模型預(yù)測(cè)結(jié)果相對(duì)誤差較?。?6]。曹玉珍等結(jié)合灰色預(yù)測(cè)模型以及模型的預(yù)測(cè)結(jié)果檢驗(yàn)評(píng)估,以MATLAB語(yǔ)言編寫(xiě)為開(kāi)源程序,對(duì)廣州市降塵量進(jìn)行預(yù)測(cè)分析,結(jié)果與實(shí)際情況相符,該程序可應(yīng)用于不同指標(biāo)或同一指標(biāo)不同時(shí)段的建模和模型檢驗(yàn)過(guò)程,為灰色模型在各個(gè)領(lǐng)域的廣泛應(yīng)用提供了幫助[27]。

        GM灰色理論、直線回歸等方法一般適用于線性趨勢(shì)預(yù)測(cè),因此,不適合對(duì)波動(dòng)較大的數(shù)據(jù)進(jìn)行預(yù)測(cè);對(duì)于非線性和不穩(wěn)定的數(shù)據(jù),還需要預(yù)測(cè)模型具有較強(qiáng)的非線性映射能力。如王月紅等以某礦粉塵濃度時(shí)間序列為基礎(chǔ),提出了差分自回歸移動(dòng)平均預(yù)測(cè)模型,建立ARIMA粉塵濃度預(yù)測(cè)模型,該模型適用于非平穩(wěn)數(shù)據(jù)的處理。得到初步模型后,根據(jù)貝葉斯信息準(zhǔn)則對(duì)比模型的優(yōu)劣,選擇最優(yōu)模型提高預(yù)測(cè)精度[18]。毛煒嶧等通過(guò)對(duì)常規(guī)的回歸分析方法加以改進(jìn),綜合滑動(dòng)相關(guān)理論以及集合回歸方法建立超級(jí)集合模型,利用反推法逐級(jí)尋找與沙塵日數(shù)序列有顯著統(tǒng)計(jì)關(guān)系的前期環(huán)流因子,得出它們之間的關(guān)系,為塔里木盆地多發(fā)季節(jié)沙塵日數(shù)的預(yù)測(cè)提供依據(jù)[19]。礦井產(chǎn)量與粉塵排放量之間的線性關(guān)系較弱,采用非線性方法建立模型可以提高結(jié)果的準(zhǔn)確率。

        2.2.3 機(jī)器學(xué)習(xí)預(yù)測(cè)模型

        在機(jī)器學(xué)習(xí)算法的應(yīng)用中,任屹罡等建立了BP神經(jīng)網(wǎng)絡(luò)模型對(duì)鄭州環(huán)境空氣中粉塵濃度PM10進(jìn)行預(yù)測(cè),以平均氣壓、平均氣溫、平均相對(duì)濕度和平均風(fēng)速這4類氣象因子來(lái)預(yù)測(cè),得到預(yù)測(cè)結(jié)果的準(zhǔn)確率可達(dá)86.85%[20]。王布川采用LMBP神經(jīng)網(wǎng)絡(luò)對(duì)煤巷綜掘工作面的粉塵濃度進(jìn)行了預(yù)測(cè),結(jié)果顯示預(yù)測(cè)值誤差在±10%以內(nèi),預(yù)測(cè)結(jié)果可靠[21]。李德根等通過(guò)分析各產(chǎn)塵因素對(duì)截割粉塵濃度的影響,建立基于熵權(quán)法的RBF神經(jīng)網(wǎng)絡(luò)模型,分析掘進(jìn)工作面截割粉塵濃度的變化規(guī)律。結(jié)果表明:熵權(quán)法RBF神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確預(yù)測(cè)掘進(jìn)工作面粉塵濃度[22]。李明等在對(duì)粉塵影響因素分析的基礎(chǔ)上,建立了粉塵SiO2含量、粉塵濃度、接塵時(shí)間與塵肺發(fā)病率之間的關(guān)系,運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)實(shí)現(xiàn)粉塵危害三因素與塵肺病發(fā)病率之間的劑量-反應(yīng)關(guān)系,對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),參數(shù)進(jìn)行選擇調(diào)整,建立了粉塵模擬和預(yù)測(cè)模型[23]。單純用線性模型或非線性模型會(huì)導(dǎo)致信息源不廣泛?jiǎn)栴},合適的組合模型可更好地發(fā)掘數(shù)據(jù)的潛在關(guān)系,提高模型的預(yù)測(cè)精度和穩(wěn)定性,如圖9所示。

        2.2.4 組合預(yù)測(cè)模型

        人工神經(jīng)網(wǎng)絡(luò)算法雖然能夠處理非線性、非平穩(wěn)數(shù)據(jù),但易陷入局部最優(yōu),且易導(dǎo)致過(guò)擬合現(xiàn)象。隨著數(shù)據(jù)增加,冗余性問(wèn)題也將制約預(yù)測(cè)精度和計(jì)算效率(圖10)。在多種方法綜合預(yù)測(cè)模型的研究中,王永斌等分別建立GM(灰色系統(tǒng))模型、BPNN(反向傳播網(wǎng)絡(luò))模型、GM-GRNN(灰色-廣義回歸神經(jīng)網(wǎng)絡(luò))組合模型對(duì)我國(guó)塵肺病發(fā)病人數(shù)進(jìn)行預(yù)測(cè),并根據(jù)誤差分析對(duì)比3種模型的預(yù)測(cè)效果,結(jié)果表明,GM(1,1)-GRNN組合模型的擬合及預(yù)測(cè)效果優(yōu)于GM(1,1)模型和BPNN模型[25],也是首次將多種智能算法相結(jié)合使用。

        卞子龍等基于求和自回歸移動(dòng)平均模型(ARIMA)與灰色模型GM(1,1)、廣義神經(jīng)回歸網(wǎng)絡(luò)模型(GRNN)的分別組合,構(gòu)建適合江蘇省塵肺病預(yù)測(cè)的組合模型。通過(guò)對(duì)比擬合分析ARIMA預(yù)測(cè)模型、ARIMA-GM組合模型、ARIMA-GRNN組合模型的誤差值得出,在江蘇省塵肺病新病例預(yù)測(cè)中ARIMA-GRNN模型誤差最小,擬合效果最好[26]。周旭等采用時(shí)間序列和神經(jīng)網(wǎng)絡(luò)相結(jié)合的外因輸入非線性自回歸模型(NARX模型)來(lái)預(yù)測(cè)粉塵濃度和時(shí)間的關(guān)系,該模型適用于時(shí)序型數(shù)據(jù),可以給不同時(shí)段的輸入之間建立聯(lián)系[27]。劉杰等提出了一種結(jié)合弱化緩沖算子優(yōu)化的分?jǐn)?shù)階累加灰色(FGM)預(yù)測(cè)模型,對(duì)廢氣中煙(粉)塵排放濃度的變化進(jìn)行預(yù)測(cè)和擬合,并對(duì)比分析GAWBO和AWBO以及WAWBO 3種弱化緩沖算子處理后得到的預(yù)測(cè)結(jié)果,發(fā)現(xiàn)運(yùn)用WAWBO算法優(yōu)化過(guò)的FGM模型預(yù)測(cè)的數(shù)據(jù)精度高、誤差低,結(jié)果與實(shí)際煙(粉)塵排放情況更符[28],如圖11所示。張易容通過(guò)建立傳統(tǒng)回歸、隨機(jī)森林、LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,選取時(shí)間因子、氣象因子及采裝強(qiáng)度作為輸入變量,預(yù)測(cè)哈爾烏素露天煤礦PM2.5濃度值,結(jié)果表明LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型效果較好[29]。王雅寧采用決策樹(shù)、馬爾科夫等算法知識(shí),構(gòu)建了屬于露天礦的隨機(jī)森林-馬爾科夫粉塵濃度預(yù)測(cè)模型,通過(guò)馬爾科夫修正后的預(yù)測(cè)結(jié)果精度較高[30]。

        3 露天礦粉塵濃度預(yù)測(cè)研究展望

        國(guó)內(nèi)外學(xué)者對(duì)露天礦粉塵預(yù)測(cè)進(jìn)行了大量的研究,取得了豐富的成果,為后續(xù)研究提供重要的參考。綜合考慮露天礦粉塵產(chǎn)塵機(jī)理、物化特征、影響因素等,構(gòu)建完善露天礦粉塵濃度預(yù)測(cè)研究體系,如圖12所示,尚有以下問(wèn)題需深入研究。

        1)礦山尤其是露天礦礦山產(chǎn)塵點(diǎn)多、產(chǎn)塵量大、粉塵濃度大、擴(kuò)散范圍廣,影響粉塵濃度的因素眾多,了解掌握影響粉塵濃度的主要因素是粉塵濃度精準(zhǔn)預(yù)測(cè)的關(guān)鍵。根據(jù)氣象理論、粉塵擴(kuò)散機(jī)理,運(yùn)用人工智能、大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)的方法對(duì)粉塵濃度影響因素進(jìn)行深入挖掘分析,揭示影響粉塵濃度的關(guān)鍵因素,構(gòu)建科學(xué)的粉塵濃度預(yù)測(cè)指標(biāo)體系。

        2)影響粉塵濃度的因素眾多,且數(shù)據(jù)波動(dòng)較大,粉塵環(huán)境具有不確定性、時(shí)變性、非線性,僅使用現(xiàn)行的、單一的模型對(duì)粉塵濃度進(jìn)行預(yù)測(cè),難以獲得最優(yōu)解。將多種智能預(yù)測(cè)算法與優(yōu)化算法相結(jié)合,構(gòu)建粉塵濃度預(yù)測(cè)智能模型,并根據(jù)預(yù)測(cè)場(chǎng)景、數(shù)據(jù)特征進(jìn)行參數(shù)優(yōu)化,提高預(yù)測(cè)精度。

        3)采用各種非線性的預(yù)測(cè)方法結(jié)合智能優(yōu)化算法對(duì)模型的參數(shù)進(jìn)行優(yōu)化調(diào)整,檢驗(yàn)?zāi)P皖A(yù)測(cè)效果,提高結(jié)果的可靠性,并增強(qiáng)模型的魯棒性,以期獲得更好的預(yù)測(cè)效果。

        4)推廣應(yīng)用各類粉塵預(yù)測(cè)模型并評(píng)估其預(yù)測(cè)精度、優(yōu)勢(shì)及不足,為預(yù)測(cè)模型優(yōu)化提供參考。

        4 結(jié) 論

        1)PM2.5、預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、粒子群優(yōu)化、組合預(yù)測(cè)為粉塵濃度預(yù)測(cè)方面的研究熱點(diǎn),基于機(jī)器學(xué)習(xí)的模型優(yōu)化預(yù)測(cè)是該領(lǐng)域研究的主流,基于優(yōu)化算法的組合預(yù)測(cè)模型逐漸取代單一預(yù)測(cè)模型。

        2)在粉塵濃度影響因素及預(yù)測(cè)指標(biāo)體系方面,生產(chǎn)強(qiáng)度大小決定了產(chǎn)塵量的多少,氣象因素決定粉塵的聚集與擴(kuò)散。粉塵濃度預(yù)測(cè)指標(biāo)主要包括氣象類指標(biāo)和生產(chǎn)類指標(biāo)2大類。氣象類指標(biāo)包括溫度、濕度、風(fēng)速、風(fēng)向等,生產(chǎn)類指標(biāo)包括剝離量、采煤量等。

        3)在粉塵濃度預(yù)測(cè)方法方面,基于可視化分析結(jié)果,將目前的粉塵濃度預(yù)測(cè)方法分為定性和半定量預(yù)測(cè)、線性回歸預(yù)測(cè)、機(jī)器學(xué)習(xí)預(yù)測(cè)以及組合預(yù)測(cè)4大類,系統(tǒng)分析對(duì)比了各類方法的特點(diǎn)和適用范圍。當(dāng)下主流的預(yù)測(cè)方法為基于機(jī)器學(xué)習(xí)、生物智能算法優(yōu)化的組合預(yù)測(cè)模型。

        4)國(guó)內(nèi)外在露天礦粉塵預(yù)測(cè)研究方面取得了豐碩的成果,相關(guān)理論方法不斷革新,但仍存在粉塵濃度影響因素缺乏深度挖掘、粉塵濃度預(yù)測(cè)指標(biāo)主觀選取、預(yù)測(cè)方法單一不變等問(wèn)題。應(yīng)積極引入大數(shù)據(jù)、人工智能等新方法新技術(shù),不斷提升粉塵濃度預(yù)測(cè)的科學(xué)性和準(zhǔn)確性。

        參考文獻(xiàn)(References):

        [1] 肖雙雙,馬亞潔,李衛(wèi)炎,等.我國(guó)露天礦粉塵防治理論技術(shù)近20 a研究進(jìn)展與展望[J/OL].金屬礦山.http://kns.cnki/net/kcms/detail/34.1055.TD.2023-0506.1715.004.html.XIAO Shuangshuang,MA Yajie,LI Weiyan,etal.Research progress and prospect on theory and technology for dust prevention and control in open pit mine of China in the past 20 years[J/OL].Metal Mine.http://kns.cnki/net/kcms/detail/34.1055.TD.20230506.1715.004.html.

        [2]QI C C,ZHOU W,LU X,et al.Particulate matter concentration from open-cut coal mines:A hybrid machine learning estimation[J].Environmental Pollution,2020,263:1-10.

        [3]WANG Z M,ZHOU W,JISKANI M I,et al.Dust pollution in cold region surface mines and its prevention and control-sciencedirect[J].Environmental Pollution,2022,292:118293.

        [4]LI L,ZHANG R X,SUN J D,et al.Monitoring and prediction of dust concentration in an open-pit mine using a deep-learning algorithm[J].Journal of Environmental Health Science and Engineering,2021,19(1):401-414.

        [5]SUMANTH C,KHARE M,SHUKLA K.Numerical modelling of PM10 dispersion in open-pit mines[J].Chemosphere,2020,259:127454.

        [6]霍文,欒博鈺,周偉,等.基于環(huán)境因素的露天煤礦粉塵質(zhì)量濃度預(yù)測(cè)[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,40(5):409-414.

        HUO Wen,LUAN Boyu,ZHOU Wei,et al.Prediction of dust mass concentration in open-pit coal mine based on environmental factors[J].Journal of Liaoning Technical University(Natural Science),2021,40(5):409-414.

        [7]LUO H,ZHOU W,JISKANI I M,et al.Analyzing cha-racteristics of particulate matter pollution in open-pit coal mines:Implications for green mining[J].Energies,2021,14(9):1-19.

        [8]王美霞,蘇世標(biāo),徐海娟.某2×1 000 MW燃煤發(fā)電機(jī)組項(xiàng)目噪聲與粉塵職業(yè)病危害因素分析及危害程度預(yù)測(cè)[J].中國(guó)衛(wèi)生工程學(xué),2016,15(3):225-228.

        WANG Meixia,SU Shibiao,XU Haijuan.Analysis of noise and dust occupational disease hazard factors and prediction of hazard degree of a 2×1 000 MW coal-fired generator set project[J].Chinese Journal of Public Health Engineering,2016,15(3):225-228.

        [9]韓磊.華東某煤礦粉塵污染變化趨勢(shì)、煤工塵肺發(fā)病特征及其預(yù)測(cè)研究[D].南京:南京醫(yī)科大學(xué),2016.

        HAN Lei.Trend of dust pollution,prevalence characteristics and prediction of coal workers pneumoconiosis in a mine in eastern China[D].Nanjing:Nanjing Medical University,2016.

        [10]陳春生,趙恩金,劉安生,等.鐵路隧道工現(xiàn)場(chǎng)粉塵容許濃度的估算及矽肺發(fā)生發(fā)展動(dòng)向預(yù)測(cè)的研究[J].鐵道勞動(dòng)安全衛(wèi)生與環(huán)保,2001,28(1):48-52.CHEN Chunsheng,ZHAO Enjin,LIU Ansheng,et al.

        Estimation of allowable dust concentration in railway tunnel project site and prediction of development trend of pneumosilicosis[J].

        Railway Occupational Safety Health & Environmental Protection,2001,28(1):48-52.

        [11]沈陽(yáng),王永偉,曹柳,等.高速公路隧道掘進(jìn)工粉塵累積暴露評(píng)估[J].現(xiàn)代預(yù)防醫(yī)學(xué),2018,45(10):1753-1758.

        SHEN Yang,WANG Yongwei,CAO Liu,et al.Assessing cumulative dust exposure for excavating workers in a high speed tunnel industry using the Bayesian decision analysis technique[J].Modern Preventive Medicine,2018,45(10):1753-1758.

        [12]GHOSE M K.Emission factors for the quantification of dust in Indian coal mines[J].Journal of Scientific & Industrial Research,2004,63(9):763-768.

        [13]BALAGA D,KALITA M,DOBRZANIECKI P,et al.Analysis and forecasting of PM2.5,PM4,and PM10 dust concentrations,based on insitutests in hard coal mines[J].Energies,2021,14(17):5527.

        [14]TRIPATHY D P,DASH T R,Badu A,et al.Assessment and modelling of dust concentration in an opencast coal mine in India[J].Global Nest Journal,2015,17(4):825-834.

        [15]張志偉,劉銳,楊寶芬.工業(yè)居民混合區(qū)降塵含量的灰色GM(1,1)預(yù)測(cè)[J].中國(guó)環(huán)境監(jiān)測(cè),1997,13(4):52-54.

        ZHANG Zhiwei,LIU Rui,YANG Baofen,et al.The grey GM(1,1)forecast for the dust reduction content in industrial residential quarters[J].Environmental Monitoring in China,1997,13(4):52-54.

        [16]陳日輝.礦井粉塵濃度的灰色預(yù)測(cè)法[J].工業(yè)安全與防塵,2000,22(12):5-7.

        CHEN Rihui.Gray prediction of underground dust concentration[J].Industrial Safety and Dust Control,2000,22(12):5-7.

        [17]曹玉珍,莫翠云,蔡明.基于MATLAB的灰色模型在廣州市降塵預(yù)測(cè)中的應(yīng)用[J].中國(guó)環(huán)境監(jiān)測(cè),2006,22(5):54-56.

        CAO Yuzhen,MO Cuiyun,CAI Ming.Gray model GM(1,1)based on MATLAB language and its application in the prediction of dust fall in Guangzhou city[J].Environmental Monitoring in China,2006,22(5):54-56.

        [18]王月紅,高萌,趙帥博.礦井粉塵濃度預(yù)測(cè)模型的建立及應(yīng)用研究[J].中國(guó)礦業(yè),2021,30(1):178-181.

        WANG Yuehong,GAO Meng,ZHAO Shuaibo.Establishment and application of mine dust concentration prediction model[J].China Mining Magazine,2021,30(1):178-181.

        [19]毛煒嶧,譚艷梅,李錫福.塔里木盆地沙塵多發(fā)季節(jié)沙塵日數(shù)與前一年大氣環(huán)流指數(shù)的關(guān)系研究[J].干旱區(qū)地理,2007,30(6):888-895.

        MAO Weiyi,TAN Yanmei,LI Xifu.Relations between sand-dust days and the former year atmospheric indexes in Tarim basin[J].Arid Land Geography,2007,30(6):888-895.

        [20]任屹罡,牛曉霞,丁奎杰,等.鄭州環(huán)境空氣中粉塵濃度的統(tǒng)計(jì)分析及預(yù)測(cè)[J].工業(yè)安全與環(huán)保,2012,38(8):25-27,66.

        REN Yigang,NIU Xiaoxia,DING Kuijie,et al.Statistical analysis and prediction for dust concentration of Zhengzhou environmental air[J].Industrial Safety and Environmental Protection,2012,38(8):25-27,66.

        [21]王布川.基于神經(jīng)網(wǎng)絡(luò)的煤巷綜掘工作面粉塵濃度預(yù)測(cè)研究[J].礦業(yè)研究與開(kāi)發(fā),2017,37(6):22-25.

        WANG Buchuan.Research on prediction of dust concentration of coal alley comprehensive excavation work face based on neural network[J].Mining Research and Development,2017,37(6):22-25.

        [22]李德根,劉曉亮,宋勝偉,等.熵權(quán)法徑向基神經(jīng)網(wǎng)絡(luò)的截割粉塵濃度模型與預(yù)測(cè)[J].煤炭技術(shù),2018,37(6):177-179.

        LI Degen,LIU Xiaoliang,SONG Shengwei,et al.Prediction and model of cutting dust concentration of radial basis neural network with entropy weight[J].Coal Technology,2018,37(6):177-179.

        [23]李明.計(jì)算機(jī)在粉塵擴(kuò)散及危害預(yù)測(cè)與環(huán)境經(jīng)濟(jì)分析中的應(yīng)用研究[D].長(zhǎng)沙:中南大學(xué),2005.

        LI Ming.Application of computer in dust prediction and environmental economic analysis[D].Changsha:Central South University,2005.

        [24]李祥銅,曹亮,李湘麗,等.基于XGBoost的水禽養(yǎng)殖粉塵預(yù)測(cè)研究[J].仲愷農(nóng)業(yè)工程學(xué)院學(xué)報(bào),2021,34(2):11-16.

        LI Xiangtong,CAO Liang,LI Xiangli,et al.XGBoost based dust prediction for waterfowl breeding[J].Journal of Zhongkai University of Agriculture and Engineering,2021,34(2):11-16.

        [25]王永斌,李向文,柴峰,等.采用灰色-廣義回歸神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)我國(guó)塵肺病發(fā)病人數(shù)的方法探討[J].環(huán)境與職業(yè)醫(yī)學(xué),2016,33(10):984-987,999.

        WANG Yongbin,LI Xiangwen,CHAI Feng,et al.Grey Model-Generalized regression neural network combination model was used to predict on incidence of pneumoconiosis in China[J].Environmental and Occupational Medicine,2016,33(10):984-987,999.

        [26]卞子龍,湯佳琪,倪春輝,等.應(yīng)用ARIMA-GRNN組合模型分析江蘇塵肺病發(fā)病情況[J].環(huán)境與職業(yè)醫(yī)學(xué),2019,36(8):755-760.

        BIAN Zilong,TANG Jiaqi,NI Chunhui,et al.Analysis on prevalence of pneumoconiosis in Jiangsu province using ARIMA-GRNN combined model[J].Journal of Environmental and Occupational Medicine,2019,36(8):755-760.

        [27]周旭,王藝博,朱毅,等.基于非線性自回歸模型的礦井粉塵濃度預(yù)測(cè)[J].華北理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,43(4):127-133.

        ZHOU Xu,WANG Yibo,ZHU Yi,et al.Mine dust concentration prediction based on nonlinear autoregressive model[J].Journal of North China University of Science and Technology(Natural Science Edition),2021,43(4):127-133.

        [28]劉杰,傅鈺,馬倩,等.弱化緩沖算子優(yōu)化的煙(粉)塵排放FGM模型預(yù)測(cè)研究[J].安全與環(huán)境學(xué)報(bào),2022,22(2):941-946.

        LIU Jie,F(xiàn)U Yu,MA Qian,et al.Study on FGM model prediction of smoke(powder)dust eission optimized by weakening buffer operator[J].Journal of Safety and Environment,2022,22(2):941-946.

        [29]張易容.基于循環(huán)神經(jīng)網(wǎng)絡(luò)的哈爾烏素露天煤礦粉塵濃度預(yù)測(cè)[D].徐州:中國(guó)礦業(yè)大學(xué),2020.

        ZHANG Yirong.Prediction of dust concentration in Haerwusu open-pit coal mine based on recurrent neural network[D].Xuzhou:China University of Mining and Technology,2020.

        [30]王雅寧.基于隨機(jī)森林-馬爾科夫模型的露天礦粉塵濃度預(yù)測(cè)研究[D].徐州:中國(guó)礦業(yè)大學(xué),2021.

        WANG Yaning.Research on dust concentration prediction of open-pit mine based on random Forest-Markov model[D].Xuzhou:China University of Mining and Technology,2021.

        (責(zé)任編輯:劉潔)

        猜你喜歡
        計(jì)量分析預(yù)測(cè)模型知識(shí)圖譜
        基于神經(jīng)網(wǎng)絡(luò)的北京市房?jī)r(jià)預(yù)測(cè)研究
        商情(2016年43期)2016-12-23 14:23:13
        能源詛咒視角下成都經(jīng)濟(jì)區(qū)綠色發(fā)展研究
        寶雞文理學(xué)院科研論文計(jì)量分析
        中國(guó)石化J分公司油氣開(kāi)發(fā)投資分析與預(yù)測(cè)模型研究
        近十五年我國(guó)小學(xué)英語(yǔ)教學(xué)研究的熱點(diǎn)、問(wèn)題及對(duì)策
        基于知識(shí)圖譜的產(chǎn)業(yè)集群創(chuàng)新績(jī)效可視化分析
        基于知識(shí)圖譜的智慧教育研究熱點(diǎn)與趨勢(shì)分析
        從《ET&S》與《電化教育研究》對(duì)比分析中管窺教育技術(shù)發(fā)展
        基于IOWHA法的物流需求組合改善與預(yù)測(cè)模型構(gòu)建
        基于中國(guó)知網(wǎng)的Reissner—Nordstrom空間研究文獻(xiàn)分析
        科技視界(2016年14期)2016-06-08 12:20:08
        美女扒开内裤让男生桶| 日本熟女人妻一区二区| 亚洲av无码成人精品国产| 国产成人a在线观看视频免费| 国产成人无码一区二区在线观看 | 国产果冻豆传媒麻婆精东| 色先锋av资源中文字幕| 久精品国产欧美亚洲色aⅴ大片| 熟女少妇av免费观看| 极品少妇高潮在线观看| 无码专区一ⅴa亚洲v天堂| 亚洲欧洲精品无码av| 亚洲欧洲国产日产国码无码| 亚洲双色视频在线观看| 久久亚洲网站中文字幕| 极品美女扒开粉嫩小泬图片| 久久无码专区国产精品s| 2021年国产精品每日更新| 亚洲二区三区在线播放| 日本成人午夜一区二区三区| 中文字幕人妻无码视频| 在线va免费看成| 亚洲AV无码一区二区三区精神| av人妻在线一区二区三区| 老鲁夜夜老鲁| 男女裸交无遮挡啪啪激情试看| 亚洲精品成AV无在线观看| 亚洲国产不卡免费视频| 国产91人妻一区二区三区| 久久99国产精一区二区三区| 综合久久给合久久狠狠狠97色| 激情文学人妻中文字幕| 在线观看在线观看一区二区三区| 亚洲色欲久久久综合网东京热| 被群cao的合不拢腿h纯肉视频| 国产精品国产自线拍免费 | 欧美成人精品a∨在线观看| 性欧美大战久久久久久久久| www久久久888| 国产视频激情视频在线观看| 女人高潮内射99精品|