Resumen

El apoyo hidráulico desempeña un papel fundamental en el control del terreno de la minería de tajo largo. Los métodos de predicción inteligente de la carga de apoyo son importantes para lograr una minería inteligente. En este trabajo, los datos de la carga de apoyo hidráulico se descomponen en término de tendencia, término de ciclo y término residual, y se encuentra que los datos tienen claras características de tendencia y período, que pueden llamarse datos de serie temporal. Basándose en la teoría de la autoregresión y en el método de la media móvil ponderada, se construye el modelo de series temporales para analizar los datos de carga y predecir su tendencia de evolución, y se evalúa la precisión de la predicción del modelo de ventana deslizante, del modelo ARIMA (media móvil integrada autorregresiva) y del modelo SARIMA (media móvil integrada autorregresiva estacional) para la carga de apoyo hidráulico bajo diferentes parámetros, respectivamente. Los resultados de la prueba de predicción en un punto y en varios puntos con varios valores de ventana deslizante indican que el método de ventana deslizante no tiene ninguna ventaja en la predicción de la tendencia de la carga de apoyo. El modelo ARIMA muestra una mejor predicción de la tendencia a corto plazo que el modelo de ventana deslizante. Hasta cierto punto, el aumento de la longitud del término autorregresivo puede mejorar la precisión de la predicción a largo plazo del modelo, pero también aumenta la sensibilidad del modelo a la fluctuación de la carga de apoyo, y sigue siendo difícil predecir la tendencia de la carga en un ciclo de apoyo. El modelo SARIMA tiene mejores resultados de predicción que el modelo de ventana deslizante y el modelo ARIMA, que revela la tendencia de la evolución de la carga con precisión durante todo el ciclo de soporte. Sin embargo, hay muchos factores externos que afectan a la carga de sostenimiento, como las propiedades de la sobrecarga, la velocidad de movimiento del sostenimiento hidráulico y el funcionamiento de los trabajadores. El modelo más inteligente de SARIMA que considera estos factores debe ser desarrollado para ser más adecuado en la predicción de la carga de apoyo hidráulico.

• Materias:Algoritmos genéticos Geoquímica Análisis de suelos Agua Carbón
• Subjects:Genetic algorithms Geochemistry Soil testing Water Coal
• Palabras claves:carga de apoyo hidráulico, modelo windows, apoyo hidráulico, modelo arima, carga de apoyo, control de tajo largo, tendencias de evolución de la carga, mejores resultados de predicción, precisión de predicción de términos, predicción de tendencias de términos
• Keywords:hydraulic support load, windows model, hydraulic support, arima model, support load, control of longwall, load evolution trends, better prediction results, terms prediction accuracy, terms trends prediction