CN105260599A - 一种基于bp神经网络建模的冲击地压动态预测方法 - Google Patents
一种基于bp神经网络建模的冲击地压动态预测方法 Download PDFInfo
- Publication number
- CN105260599A CN105260599A CN201510638291.1A CN201510638291A CN105260599A CN 105260599 A CN105260599 A CN 105260599A CN 201510638291 A CN201510638291 A CN 201510638291A CN 105260599 A CN105260599 A CN 105260599A
- Authority
- CN
- China
- Prior art keywords
- rockburst
- rock burst
- neural network
- algorithm
- situation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于BP神经网络建模的冲击地压动态预测方法,其步骤:确定并采集冲击地压影响因素;对影响因素指标中定性描述部分进行定量化处理,获得初始种群;将采集到的八项影响因素分别进行BP神经网络训练;利用遗传算法对神经元个数、算法学习率及动量因子寻优,获得最优隐含层节点数目;利用训练得到BP神经网络算法模型对矿井的冲击地压进行预测,获得矿井冲击地压的危险级别。本发明可靠性较高,克服了目前冲击地压预测过程中并未与其影响因素相联系的缺陷,实现了冲击地压中短期动态预测,可以广泛在矿山冲击地压预测领域中应用。
Description
技术领域
本发明涉及一种矿山冲击地压预测方法,特别是关于一种基于BP神经网络建模的冲击地压动态预测方法。
背景技术
矿山的冲击地压作为矿山压力的一种特殊表现形式,是指当矿山开采达到一定深度时,由于采动应力、构造应力、地应力以及环境扰动共同作用而产生的一种地压灾害。在冲击地压发生的过程中,矿体常常被剧烈粉碎并抛入巷道中,从而对支架、巷道、工作面造成破坏,甚至造成人员伤亡。同时,周围岩体还伴有震动等灾害。大多数矿井均存在不同程度的冲击地压威胁。
对于冲击地压的研究主要侧重分析其形成机理,研究其预测预报方法。而各种预测方法则需针对具体地质条件,通过理论联系实际方法来对冲击地压进行预测预报。目前,除了经验类比法外,冲击地压的预测方法可分为以下两大类:一是以钻屑法为主的局部探测法,主要用于探测采掘局部区段的冲击危险程度。但其预测工作在时空上不具有连续性。二是系统监测法,主要有微震、地音及地球物理系统监测方法。原理是通过连续监测矿体内出现的动力现象来预测冲击地压的危险级别,所依据的基本条件是岩体结构的破坏过程,可以被视为动力破坏的前兆。此类方法可解决时空不连续问题,但维护较为困难,数据本身存在极为复杂的非线性关系,故通过分析数据判定矿体的力学状态难度较大。
近年来,人工智能方法被普遍的应用到冲击地压的预测中,如利用混沌时间序列方法来预测冲击地压,采用灰色理论建立了冲击地压预测模型。然而,通过大量的实证研究表明,上述方法并未很好解决冲击地压动态预测问题。这是因为,冲击地压与岩体深度、岩体厚度、岩体间距、日进度和日产量等多种因素密切相关,而这些影响因素又存在复杂的非线性关系。传统方法无法准确对冲击地压进行预测。
发明内容
针对上述问题,本发明的目的是提供一种基于BP神经网络建模的冲击地压动态预测方法,该方法可靠性较高,克服了目前冲击地压预测过程中并未与其影响因素相联系的缺陷,实现了冲击地压中短期动态预测。
为实现上述目的,本发明采取以下技术方案:一种基于BP神经网络建模的冲击地压动态预测方法,其特征在于:所述预测方法包括以下步骤:1)根据矿井实际情况,确定冲击地压影响因素,并采集这些影响因素的特征数据;2)对步骤1)中的影响因素指标中定性描述部分进行定量化处理,获得初始种群,将冲击地压分为四个危险级别:无明显冲击、微弱冲击、较强冲击和强烈冲击;3)将采集到的八项影响因素的全部数据存储到数据库中,并分别进行BP神经网络训练,获得BP神经网络模型参数和输入层和隐藏层之间的连接权重Wij、隐藏层和输出层之间的连接权重Wjk;4)利用遗传算法对神经元个数h、算法学习率η及动量因子α寻优,获得最优隐含层节点数目;5)利用步骤3)及步骤4)训练得到BP神经网络算法模型对矿井的冲击地压进行预测,获得矿井冲击地压的危险级别。
所述步骤1)中,所述影响因素包括矿体厚度、矿体倾角、埋深、地质构造情况、倾角的变化程度、矿体厚度变化情况、顶板管理情况和采前卸压情况。
所述步骤2)中,所述量化方法为:地质构造:Ⅰ表示简单地质构造,Ⅱ表示地质构造一般,Ⅲ表示地质构造较为复杂,Ⅳ表示地质构造极为复杂;矿体间倾角变化:Ⅰ表示无明显变化,Ⅱ表示有较小变化,Ⅲ表示有较大变化;矿体厚度变化:Ⅰ表示无明显变化,Ⅱ表示有较小变化,Ⅲ表示有较大变化;顶板管理情况:Ⅰ表示支护差,Ⅱ表示支护一般,Ⅲ表示支护较好;采前卸压情况:Ⅰ表示无卸压措施,Ⅱ表示卸压情况一般,Ⅲ表示卸压情况较好,Ⅳ表示卸压情况很好。
所述步骤3)中,所述BP神经网络训练算法如下:(1)随机给各输入层和隐藏层之间的连接权重Wij和隐藏层和输出层之间的连接权重Wjk赋一个初始权值,要求各连接权重值互不相等,且都为一较小的非零数,在(-1.0,1.0)之间取值;(2)对样本集中每一个样本(Xp,Yp)确定网络的实际输出值Op;其中,p=1、2、…i;(3)计算实际输出Op和相应的理想输出Yp之间的差;(4)按网络结构的极小误差方式调整权值矩阵;(5)判断最大迭次数N是否大于预先给定的大数,大于则判断网络结构的误差是否小于较小的值ε;反之将网络结构误差反向传播,修正各个连接权重,返回步骤(1)。
所述步骤4)中,所述寻优方法为:(1)采用十进制整数编码;(2)根据矿井实际情况确定初始种群染色体数目,生成初始种群;(3)计算每个染色体的适应度值g(xi),xi为种群中第i个染色体;(4)累加所有染色体的适应度值sum=∑g(xi),同时记录对于每一个染色体的中间累加值S-mid,其中S为总数目;并生成一个随机数M,0<M<sum;选择其对应的中间累加值S-mid≥M的第一个染色体进入交换集;(5)重复步骤(4),直到交换集中包含足够多的染色体为止;(6)任意选择步骤(5)中产生的两个染色体进行单点杂交和两点杂交,得到新的两个染色体;(7)利用各种偶然因素引起的基因突变进行变异运算,以给定的概率随机地改变遗传基因的值;(8)通过步骤(1)至步骤(7)获得BP神经网络算法神经元个数h、算法学习率η及动量因子α,得到最优隐含层节点数目。
本发明由于采取以上技术方案,其具有以下优点:1、本发明首先通过相关监控系统及记录资料采集到有关指标的数据值,再利用BP神经网络算法对其进行训练,训练过程中利用遗传算法对BP神经网络算法相关参数进行寻优,然后得到BP神经网络算法模型,最后利用这一模型对矿井未来一段时间的冲击地压情况进行预测。在实际生产过程易于实现,可靠性较高,克服了目前冲击地压预测过程中并未与其影响因素相联系的缺陷。2、本发明采用遗传算法-BP神经网络模型进行动态预测,由于BP神经网络含有丰富的隐含层,而矿井采集的原始数据就蕴含了对冲击地压影响的各个物理因素。因此,利用本发明对矿井冲击地压进行动态预测,精度高,预测过程蕴含物理机制,改变凭经验预测的局面,进而为矿山安全生产提供技术支撑。本发明可以广泛在矿山冲击地压预测领域中应用。
附图说明
图1是本发明基于BP神经网络冲击地压预测方法基本原理示意图;
图2是本发明基于BP神经网络冲击地压动态预测流程示意图;
图3是本发明的三层进化神经网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1、图2所示,本发明提供一种基于BP神经网络建模的冲击地压动态预测方法,其步骤如下:
1)根据矿井实际情况,确定冲击地压影响因素,并采集这些影响因素的特征数据,即获得初始染色体;
其中,影响因素包括以下八项:
(1)矿体厚度:岩体的厚度直接体现岩体的性质,岩层厚度变化代表其积累能量的变化;
(2)矿体倾角:岩体倾角反映岩体的赋存条件;
(3)埋深:矿体的埋深直接反映了矿体的应力分布及集中情况;
(4)地质构造情况;
(5)倾角的变化程度;
(6)矿体厚度变化情况;
(7)顶板管理情况;
(8)采前卸压情况,卸压情况反映了对具有冲击倾向性的地方所采取防范措施的效果。
2)为适合BP神经网络算法模型对数据的要求,需对步骤1)中的影响因素指标中定性描述部分进行定量化处理,获得初始种群,将冲击地压分为四个危险级别:无明显冲击、微弱冲击、较强冲击和强烈冲击;
其中,量化方法如下:
地质构造:Ⅰ表示简单地质构造,Ⅱ表示地质构造一般,Ⅲ表示地质构造较为复杂,Ⅳ表示地质构造极为复杂;
矿体间倾角变化:Ⅰ表示无明显变化,Ⅱ表示有较小变化,Ⅲ表示有较大变化;
矿体厚度变化:Ⅰ表示无明显变化,Ⅱ表示有较小变化,Ⅲ表示有较大变化;
顶板管理情况:Ⅰ表示支护差,Ⅱ表示支护一般,Ⅲ表示支护较好;
采前卸压情况:Ⅰ表示无卸压措施,Ⅱ表示卸压情况一般,Ⅲ表示卸压情况较好,Ⅳ表示卸压情况很好。
3)将采集到的八项影响因素的全部数据存储到数据库中,并分别进行BP神经网络训练,获得BP神经网络模型参数和输入层和隐藏层之间的连接权重Wij、隐藏层和输出层之间的连接权重Wjk;
由于进化神经网络就是采用BP(Backpropagation)算法进行训练的网络,该网络具有一个输入层,一个输出层和至少一个隐藏(中间)层,选用一个隐藏层就足够了,其结构如图3所示。其中,输入层就是采集得到的数据,输出层是冲击地压危险级别,隐含层为BP算法自身根据数据特征确定。对于三层BP神经网络,其输入向量为X=(X1,X2,…,Xn)T,输出向量为O=(O1,O2,…,Om)T,输入层为n个神经元,隐藏层为h个神经元,输出层为m个神经元,n=m=1、2、…i,本发明中i为8。对于隐含层神经元个数h、算法学习率η及动量因子α,可通过遗传算法寻优获得。对于输入层神经元的输出即是输入向量的分量Xi,隐藏层和输出层的输出由下式决定:
y0=f(XinW),(1)
式中,Xin为输入分量;W各层连接权重Wij、Wjk;
f取Sigmoid形函数,形式如下:
BP神经网络训练算法如下:
(1)随机给各个连接权值Wij和Wjk赋一个初始权值,要求各连接权值互不相等,且都为一较小的非零数,可在(-1.0,1.0)之间取值;
(2)对样本集中每一个样本(Xp,Yp)确定网络的实际输出值Op;其中,p=n=m;
(3)计算实际输出Op和相应的理想输出Yp之间的差;
(4)按网络结构的极小误差方式调整权值矩阵;
(5)判断最大迭次数N是否大于预先给定的大数,大于则判断网络结构的误差是否小于较小的值ε;反之将网络结构误差反向传播,修正各个连接权重,返回步骤(1);若网络结构的误差小于较小的值ε则进入步骤5),反之进入步骤4);
其中,根据进化神经网络算法的严格数学理论,对第i个样本,取:
网络关于整个样本的误差E则可记为:
其中s为样本数目;Ei为第i个样本;yij输入向量;Oij为输出向量;Eis为第i个样本误差。
4)利用遗传算法对神经元个数h、算法学习率η及动量因子α寻优,获得最优隐含层节点数目;其步骤如下:
(1)确定遗传算法编码方式,本发明采用十进制整数编码,这种编码方式仅与群体大小和染色体长度有关,其中具有短的定义距,低阶并且适应度值在群体平均适应度值以上的模式在遗传算法迭代过程中将按指数增长率被采样。
(2)根据矿井实际情况确定初始种群染色体数目,生成初始种群。初始染色体的多少对遗传算法的搜索有影响对BP神经网络算法具有显著影响,染色体数目越多,训练结果的精度就越高,但训练所需时间越长,为了优化模型往往需要对染色体参数进行适当优化。
(3)计算每个染色体的适应度值g(xi),xi为种群中第i个染色体。
(4)累加所有染色体的适应度值sum=∑g(xi),同时记录对于每一个染色体的中间累加值S-mid,其中S为总数目;并生成一个随机数M,0<M<sum;选择其对应的中间累加值S-mid≥M的第一个染色体进入交换集。
(5)重复步骤(4),直到交换集中包含足够多的染色体为止。
(6)任意选择步骤(5)中产生的两个染色体进行单点杂交和两点杂交,得到新的两个染色体,产生新的优良品种。
(7)利用各种偶然因素引起的基因突变进行变异运算,以给定的概率随机地改变遗传基因的值,可确保种群中遗传基因类型的多样性,以使搜索能在尽可能的空间中进行,避免丢失在搜索中有用的遗传信息而陷入局部解,获得质量较高的优化解。
(8)通过步骤(1)至步骤(7)获得BP神经网络算法神经元个数h、算法学习率η及动量因子α,得到最优隐含层节点数目,遗传算法寻优结束。
5)利用步骤3)及步骤4)训练得到BP神经网络算法模型对矿井的冲击地压进行预测,获得矿井冲击地压的危险级别,为提前采取相应措施赢得宝贵的时间。若需要,返回步骤1),否则预测结束。
上述各实施例仅用于说明本发明,各部件的结构、尺寸、设置位置及形状都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别部件进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (5)
1.一种基于BP神经网络建模的冲击地压动态预测方法,其特征在于:所述预测方法包括以下步骤:
1)根据矿井实际情况,确定冲击地压影响因素,并采集这些影响因素的特征数据;
2)对步骤1)中的影响因素指标中定性描述部分进行定量化处理,获得初始种群,将冲击地压分为四个危险级别:无明显冲击、微弱冲击、较强冲击和强烈冲击;
3)将采集到的八项影响因素的全部数据存储到数据库中,并分别进行BP神经网络训练,获得BP神经网络模型参数和输入层和隐藏层之间的连接权重Wij、隐藏层和输出层之间的连接权重Wjk;
4)利用遗传算法对神经元个数h、算法学习率η及动量因子α寻优,获得最优隐含层节点数目;
5)利用步骤3)及步骤4)训练得到BP神经网络算法模型对矿井的冲击地压进行预测,获得矿井冲击地压的危险级别。
2.如权利要求1所述的一种基于BP神经网络建模的冲击地压动态预测方法,其特征在于:所述步骤1)中,所述影响因素包括矿体厚度、矿体倾角、埋深、地质构造情况、倾角的变化程度、矿体厚度变化情况、顶板管理情况和采前卸压情况。
3.如权利要求1或2所述的一种基于BP神经网络建模的冲击地压动态预测方法,其特征在于:所述步骤2)中,所述量化方法为:
地质构造:Ⅰ表示简单地质构造,Ⅱ表示地质构造一般,Ⅲ表示地质构造较为复杂,Ⅳ表示地质构造极为复杂;
矿体间倾角变化:Ⅰ表示无明显变化,Ⅱ表示有较小变化,Ⅲ表示有较大变化;
矿体厚度变化:Ⅰ表示无明显变化,Ⅱ表示有较小变化,Ⅲ表示有较大变化;
顶板管理情况:Ⅰ表示支护差,Ⅱ表示支护一般,Ⅲ表示支护较好;
采前卸压情况:Ⅰ表示无卸压措施,Ⅱ表示卸压情况一般,Ⅲ表示卸压情况较好,Ⅳ表示卸压情况很好。
4.如权利要求1或2所述的一种基于BP神经网络建模的冲击地压动态预测方法,其特征在于:所述步骤3)中,所述BP神经网络训练算法如下:
(1)随机给各输入层和隐藏层之间的连接权重Wij和隐藏层和输出层之间的连接权重Wjk赋一个初始权值,要求各连接权重值互不相等,且都为一较小的非零数,在(-1.0,1.0)之间取值;
(2)对样本集中每一个样本(Xp,Yp)确定网络的实际输出值Op;其中,p=1、2、…i;
(3)计算实际输出Op和相应的理想输出Yp之间的差;
(4)按网络结构的极小误差方式调整权值矩阵;
(5)判断最大迭次数N是否大于预先给定的大数,大于则判断网络结构的误差是否小于较小的值ε;反之将网络结构误差反向传播,修正各个连接权重,返回步骤(1)。
5.如权利要求1或2所述的一种基于BP神经网络建模的冲击地压动态预测方法,其特征在于:所述步骤4)中,所述寻优方法为:
(1)采用十进制整数编码;
(2)根据矿井实际情况确定初始种群染色体数目,生成初始种群;
(3)计算每个染色体的适应度值g(xi),xi为种群中第i个染色体;
(4)累加所有染色体的适应度值sum=∑g(xi),同时记录对于每一个染色体的中间累加值S-mid,其中S为总数目;并生成一个随机数M,0<M<sum;选择其对应的中间累加值S-mid≥M的第一个染色体进入交换集;
(5)重复步骤(4),直到交换集中包含足够多的染色体为止;
(6)任意选择步骤(5)中产生的两个染色体进行单点杂交和两点杂交,得到新的两个染色体;
(7)利用各种偶然因素引起的基因突变进行变异运算,以给定的概率随机地改变遗传基因的值;
(8)通过步骤(1)至步骤(7)获得BP神经网络算法神经元个数h、算法学习率η及动量因子α,得到最优隐含层节点数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510638291.1A CN105260599A (zh) | 2015-09-30 | 2015-09-30 | 一种基于bp神经网络建模的冲击地压动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510638291.1A CN105260599A (zh) | 2015-09-30 | 2015-09-30 | 一种基于bp神经网络建模的冲击地压动态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105260599A true CN105260599A (zh) | 2016-01-20 |
Family
ID=55100288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510638291.1A Pending CN105260599A (zh) | 2015-09-30 | 2015-09-30 | 一种基于bp神经网络建模的冲击地压动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260599A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN106501857A (zh) * | 2016-11-02 | 2017-03-15 | 中国矿业大学 | 一种煤矿巷道冲击地压危险性的声学监测方法 |
CN106777772A (zh) * | 2017-01-09 | 2017-05-31 | 辽宁工程技术大学 | 一种基于煤岩动力系统的矿井冲击地压危险性预测方法 |
CN108364090A (zh) * | 2018-01-26 | 2018-08-03 | 深圳大学 | 一种预测城市道路表面苯系物累积负荷的方法 |
CN109284818A (zh) * | 2018-09-07 | 2019-01-29 | 北方爆破科技有限公司 | 一种基于事故树和遗传算法的爆破振动控制预测方法 |
CN111119835A (zh) * | 2018-11-01 | 2020-05-08 | 中国石油化工股份有限公司 | 一种随钻工况识别方法及系统 |
CN111222238A (zh) * | 2020-01-03 | 2020-06-02 | 辽宁工程技术大学 | 用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法 |
CN111291997A (zh) * | 2020-02-18 | 2020-06-16 | 山东科技大学 | 基于随钻测量技术的煤层冲击危险性实时评估方法 |
CN111340176A (zh) * | 2018-12-19 | 2020-06-26 | 富泰华工业(深圳)有限公司 | 神经网络的训练方法、装置及计算机存储介质 |
CN111340275A (zh) * | 2020-02-18 | 2020-06-26 | 山东科技大学 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
CN107038505B (zh) * | 2017-04-25 | 2020-06-30 | 中国地质大学(北京) | 基于机器学习的找矿模型预测方法 |
CN111764963A (zh) * | 2020-07-06 | 2020-10-13 | 中国矿业大学(北京) | 基于Faster-RCNN的冲击地压预测方法 |
CN113139681A (zh) * | 2021-04-13 | 2021-07-20 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 一种基于时间序列数据的神经网络冲击地压预测方法 |
CN113191545A (zh) * | 2021-04-29 | 2021-07-30 | 安徽理工大学 | 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 |
CN113298299A (zh) * | 2021-05-13 | 2021-08-24 | 华北科技学院(中国煤矿安全技术培训中心) | 基于bp神经网络的煤层冲击危险性智能化评价方法 |
CN113944511A (zh) * | 2021-09-28 | 2022-01-18 | 武汉理工大学 | 地下矿多采场环境生成方法 |
CN116842854A (zh) * | 2023-09-01 | 2023-10-03 | 山东科技大学 | 基于优化神经网络的煤体应力智能预测和异径卸压方法 |
-
2015
- 2015-09-30 CN CN201510638291.1A patent/CN105260599A/zh active Pending
Non-Patent Citations (5)
Title |
---|
HONGXING LI等: "Internal Model Control Using Neural Networks-Genetic Algorithm for Vertical Electric Furnace", 《PROCEEDING OF THE 2009 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 * |
尹光志等: "冲击地压预测的遗传神经网络方法", 《岩土力学》 * |
武玉梁: "基于MATLAB人工神经网络预测预报冲击地压的研究", 《中国优秀博硕士学位论文全文数据库(硕士)-工程科技I辑》 * |
闫河: "基于遗传算法和人工神经网络相结合的冲击地压预测的研究", 《中国优秀博硕士学位论文全文数据库(硕士)-工程科技I辑》 * |
霍召峰等: "基于人工神经网络的冲击地压预测", 《山东煤炭科技》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407493A (zh) * | 2016-03-15 | 2017-02-15 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN106407493B (zh) * | 2016-03-15 | 2019-06-04 | 中南大学 | 一种基于多维高斯云模型的岩爆等级评价方法 |
CN106501857A (zh) * | 2016-11-02 | 2017-03-15 | 中国矿业大学 | 一种煤矿巷道冲击地压危险性的声学监测方法 |
CN106501857B (zh) * | 2016-11-02 | 2018-11-27 | 中国矿业大学 | 一种煤矿巷道冲击地压危险性的声学监测方法 |
CN106777772B (zh) * | 2017-01-09 | 2019-11-12 | 辽宁工程技术大学 | 一种基于煤岩动力系统的矿井冲击地压危险性预测方法 |
CN106777772A (zh) * | 2017-01-09 | 2017-05-31 | 辽宁工程技术大学 | 一种基于煤岩动力系统的矿井冲击地压危险性预测方法 |
CN107038505B (zh) * | 2017-04-25 | 2020-06-30 | 中国地质大学(北京) | 基于机器学习的找矿模型预测方法 |
CN108364090B (zh) * | 2018-01-26 | 2021-09-24 | 深圳大学 | 一种预测城市道路表面苯系物累积负荷的方法 |
CN108364090A (zh) * | 2018-01-26 | 2018-08-03 | 深圳大学 | 一种预测城市道路表面苯系物累积负荷的方法 |
CN109284818A (zh) * | 2018-09-07 | 2019-01-29 | 北方爆破科技有限公司 | 一种基于事故树和遗传算法的爆破振动控制预测方法 |
CN111119835A (zh) * | 2018-11-01 | 2020-05-08 | 中国石油化工股份有限公司 | 一种随钻工况识别方法及系统 |
CN111340176A (zh) * | 2018-12-19 | 2020-06-26 | 富泰华工业(深圳)有限公司 | 神经网络的训练方法、装置及计算机存储介质 |
CN111222238A (zh) * | 2020-01-03 | 2020-06-02 | 辽宁工程技术大学 | 用于应急救援的瓦斯爆炸冲击波传播状态快速预测方法 |
CN111291997B (zh) * | 2020-02-18 | 2022-02-25 | 山东科技大学 | 基于随钻测量技术的煤层冲击危险性实时评估方法 |
CN111340275A (zh) * | 2020-02-18 | 2020-06-26 | 山东科技大学 | 基于随钻探测技术的隧道支护模式选型实时预测方法 |
CN111291997A (zh) * | 2020-02-18 | 2020-06-16 | 山东科技大学 | 基于随钻测量技术的煤层冲击危险性实时评估方法 |
CN111764963A (zh) * | 2020-07-06 | 2020-10-13 | 中国矿业大学(北京) | 基于Faster-RCNN的冲击地压预测方法 |
CN113139681A (zh) * | 2021-04-13 | 2021-07-20 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 一种基于时间序列数据的神经网络冲击地压预测方法 |
CN113139681B (zh) * | 2021-04-13 | 2023-10-17 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 一种基于时间序列数据的神经网络冲击地压预测方法 |
CN113191545A (zh) * | 2021-04-29 | 2021-07-30 | 安徽理工大学 | 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 |
CN113298299A (zh) * | 2021-05-13 | 2021-08-24 | 华北科技学院(中国煤矿安全技术培训中心) | 基于bp神经网络的煤层冲击危险性智能化评价方法 |
CN113944511A (zh) * | 2021-09-28 | 2022-01-18 | 武汉理工大学 | 地下矿多采场环境生成方法 |
CN116842854A (zh) * | 2023-09-01 | 2023-10-03 | 山东科技大学 | 基于优化神经网络的煤体应力智能预测和异径卸压方法 |
CN116842854B (zh) * | 2023-09-01 | 2023-11-07 | 山东科技大学 | 基于优化神经网络的煤体应力智能预测和异径卸压方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260599A (zh) | 一种基于bp神经网络建模的冲击地压动态预测方法 | |
Feng et al. | Tunnel boring machines (TBM) performance prediction: A case study using big data and deep learning | |
Shirani Faradonbeh et al. | Long-term prediction of rockburst hazard in deep underground openings using three robust data mining techniques | |
Yin et al. | Real-time prediction of rockburst intensity using an integrated CNN-Adam-BO algorithm based on microseismic data and its engineering application | |
Zhou et al. | Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines | |
Shin et al. | Methodology for quantitative hazard assessment for tunnel collapses based on case histories in Korea | |
Salimi et al. | Utilising of linear and non-linear prediction tools for evaluation of penetration rate of tunnel boring machine in hard rock condition | |
CN114757266B (zh) | 专家知识与数据融合驱动的冲击地压预测模型构建方法 | |
Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
CN109934398A (zh) | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 | |
CN107122860A (zh) | 基于网格搜索和极限学习机的冲击地压危险等级预测方法 | |
Jiang et al. | A novel method for automatic identification of rock fracture signals in microseismic monitoring | |
Shi et al. | Geology prediction based on operation data of TBM: Comparison between deep neural network and soft computing methods | |
CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
Akande et al. | Investigating the effect of correlation-based feature selection on the performance of neural network in reservoir characterization | |
Raji et al. | A new approach in well placement optimization using metaheuristic algorithms | |
CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
CN117745466B (zh) | 一种尾矿库数智运维系统 | |
Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
Hou et al. | Data-driven optimization of brittleness index for hydraulic fracturing | |
Gong et al. | Prediction and evaluation of coal mine coal bump based on improved deep neural network | |
Wang et al. | Machine learning-based fragility analysis of tunnel structure under different impulsive seismic actions | |
Zou et al. | Intelligent Control of Smooth Blasting Quality in Rock Tunnels Using BP‐ANN, ENN, and ANFIS | |
Xu et al. | Application of machine learning in wellbore stability prediction: A review | |
Shi et al. | Brittleness index prediction from conventional well logs in unconventional reservoirs using artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160120 |