目录
第1章 绪论1
1.1 研究背景1
1.2 研究意义 5
1.3 国内外研究现状6
1.3.1 尾矿库安全风险研究现状6
1.3.2 尾矿库事故致因挖掘与分析研究现状8
1.3.3 尾矿坝安全监测研究现状11
1.3.4 尾矿坝变形预测研究现状13
1.3.5 人工智能在变形预测中的应用15
1.4 主要研究内容与方法18
1.4.1 主要研究内容18
1.4.2 研究方法21
第2章 尾矿库概述及事故统计分析23
2.1 尾矿库概述23
2.1.1 尾矿库分类23
2.1.2 尾矿库筑坝方法26
2.2 尾矿库安全事故类型28
2.3 尾矿库事故统计分析 29
2.3.1 事故发生年份统计分析30
2.3.2 矿石类型分析 31
2.3.3 坝高和筑坝方式分析32
2.4 本章小结33
第3章 基于文本挖掘的尾矿库事故致因辨识34
3.1 文本挖掘技术及流程34
3.2 数据获取35
3.3 文本预处理36
3.3.1 文本分词模式36
3.3.2 专用词词典构建37
3.3.3 停用词词典构建38
3.3.4 同义词词典构建39
3.4 事故致因挖掘及结果可视化41
3.4.1 特征项提取及结果可视化41
3.4.2 尾矿库事故致因归纳整理43
3.5 本章小结44
第4章 基于关联规则的尾矿库事故致因关联分析46
4.1 关联规则概述46
4.1.1 关联规则的相关概念46
4.1.2 关联规则筛选标准47
4.1.3 关联规则的分类48
4.1.4 Apriori关联规则挖掘算法49
4.2 基于 Apriori算法的事故致因关联分析 52
4.2.1 数据来源 52
4.2.2 尾矿库事故致因关联规则挖掘 53
4.2.3 高支持度关联规则54
4.2.4 高置信度关联规则56
4.3 关联规则可视化分析58
4.4 本章小结59
第5章 基于贝叶斯网络的尾矿库事故致因演化分析 60
5.1 贝叶斯网络概论60
5.2 贝叶斯网络模型构建62
5.3 尾矿库事故贝叶斯网络模型构建63
5.3.1 网络节点的确定63
5.3.2 贝叶斯网络构建64
5.3.3 贝叶斯网络参数学习66
5.4 贝叶斯网络推理分析68
5.4.1 敏感性分析68
5.4.2 致因演化分析70
5.5 案例分析73
5.6 本章小结75
第6章 尾矿坝变形监测数据特征分析 76
6.1 尾矿坝安全监测特征76
6.2 尾矿坝变形影响因素及作用机理78
6.3 尾矿坝变形预测指标体系81
6.4 变形监测数据相关性分析82
6.5 本章小结92
第7章 基于RFSSALSTM的尾矿坝变形预测模型93
7.1 数据处理模型94
7.1.1 数据预处理94
7.1.2 机器学习模型及优化算法95
7.2 基于ISTM模型构建98
7.2.1 基于LSTM模型结构框架99
7.2.2 基于LSTM模型训练过程 100
7.3 RF特征筛选100
7.3.1 特征选择 101
7.3.2 基于RFLSTM模型构建102
7.4 SSA参数优化 103
7.5 基于RFSSALSTM模型构建105
7.6 模型性能评估准则107
7.7 本章小结 108
第8章 基于RFSSALSTM预测模型的应用研究109
8.1 数据预处理结果 110
8.2 基于RFSSALSTM特征选择结果113
8.3 基于RFSSALSTM时间预测模型参数调优114
8.4 实验结果及分析 116
8.4.1 结果分析 116
8.4.2 模型对比实验117
8.5 模型效果对比122
8.6 本章小结 124
第9章 尾矿库灾害防控与应急机制125
9.1 防控对策 125
9.1.1 物的层面125
9.1.2 管理层面127
9.1.3 人员层面 128
9.1.4 环境层面 128
9.2 应急机制 129
9.2.1 应急准备 129
9.2.2 应急响应 133
9.2.3 善后恢复138
9.2.4 应急保障 142
9.2.5 常见尾矿库事故应急措施145
9.3 本章小结 147
第10章 结论与展望148
10.1 研究结论148
10.2 研究展望150
参考文献151
· · · · · · (
收起)
还没人写过短评呢