Tạp chí
 
Năm 2025
 
Số 1 [02 - 2025], Năm thứ XXXIV

Nghiên cứu ứng dụng kỹ thuật học sâu với mô hình đơn biến bộ nhớ dài - ngắn hạn trong hệ thống quan trắc và dự báo nhiệt độ than tự cháy mỏ hầm lò

https://tapchi.hoimovietnam.vn/vi/archives?article=25018

  • Cơ quan:

    1 Viện nghiên cứu Điện tử, Tin học, Tự động hóa -156A, Quán Thánh, p. Quán Thánh, Q. Ba Đình, TP. Hà Nội
    2 Công ty TNHH MTV PTCN Điện tử, tự động hóa-156A Quán Thánh, p. Quán Thánh, Q. Ba Đình, TP. Hà Nội

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 22-10-2024
  • Sửa xong: 28-10-2024
  • Chấp nhận: 02-11-2024
  • Ngày đăng: 01-02-2025
Trang: 64 - 71
Lượt xem: 103
Xem onlineXem online
Lượt tải: 4
Tải về PDF
★★★★★Yêu thích: 5.0, Số lượt: 1
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Quan trắc trực tuyến và dự báo nhiệt độ vỉa có than tự cháy trong mỏ hàm lò là vấn đè cấp ữỉiét, hiện đang được quan tâm. Bài báo này đề xuất sử dụng phương pháp xây dựng mõ hình dự báo nhiệt độ than tự cháy từng giờ trong tám giờ ké tiếp bằng mô hình đơn biến bộ nhớ dài - ngắn hạn (LSTM). Các tham số của mô hình được điều chỉnh thông qua các kiểm thử phù họp với bài toán đặt ra. Hệ thống quan trắc kết hợp với phương pháp dự báo này góp phàn nâng cao hiệu quả sản xuất, an toàn lao động, bảo vệ môi trường, sử dụng hiệu quả tài nguyên than Việt Nam.

Trích dẫn
Nguyễn Thế Vinh, Nguyễn Lê Thùy Dương, Nguyễn Xuân Đồng, Nguyễn Hùng Kiên, Nguyễn Danh Dũng và Tran Hải Dương, 2025. Nghiên cứu ứng dụng kỹ thuật học sâu với mô hình đơn biến bộ nhớ dài - ngắn hạn trong hệ thống quan trắc và dự báo nhiệt độ than tự cháy mỏ hầm lò, Tạp chí Công nghiệp Mỏ, số XXXIV, kỳ 1, tr. 64-71.
Tài liệu tham khảo

[1]. Nguyễn Xuân Đồng và nnk (2024), Nghiên cứu thiết kế xây dựng hệ thống quan trắc trực tuyến và ứng dụng kỹ thuật lô-gic mờ trong cảnh báo hiện tượng than tự cháy mỏ hầm lò, Tạp chí Công nghiệp Mỏ; Số 6-24.

[2]. Viện Khoa học Công nghệ Mỏ (2014), Nghiên cứu đánh giá tính tự cháy của than và đề xuất các giải pháp kỹ thuật công nghệ phòng ngừa tự cháy ở các mỏ than hầm lò Việt Nam, Báo cáo tổng kết đề tài.

[3]. Automate Technology Co., Ltd. (2013), Cảm biến đo nhiệt độ đa điểm cho vỉa than, Xuzhou China Mining.

[4]. Ikram, B. A. O., Abdelhakim (2019), Deep Learning architecture for temperature forecasting in an IoT LoRa based system, In Proceedings of the 2nd International Conference on Networking, Information Systems & Security.

[5]. H.B. Sahu (2013), Forecasting Spontaneous Heating Susceptibility of Indian Coals Using Neuro Fuzzy System, https://link.springer.com/article/10.1007/s10706-013-9618-6.

[6]. Lim, B., & Zohren, S. (2020), Time Series Forecasting With Deep Learning: A Survey https://link.springer.com/chapter/10.1007/978-3-030-59338-4_19.

[7]. Manjula C. Belavagi, Girija Attigeri (2022), Profit Prediction Using ARIMA, SARIMA and LSTM Models in Time Series Forecasting: A Comparison, IEEE Access Volume 10.

[8]. Ran Vijay Kumar Singh (2019), Spontaneous Heating and Fire in Coal Mines, The 9th Asia-Oceania Symposium on Fire Science and Technology.

[9]. Yu Zheng (2019), Monitoring the spontaneous combustion of coal stack based on ZigBee and LabView, Journal of Physics Conference Series.

[10]. https://towardsai.net/p/machine-learning/machine-learning-standardization-z-score-normalizationwith- mathematics

Các bài báo khác