CN105719025A - 变电站q235镀锌钢接地网的腐蚀率预测方法 - Google Patents
变电站q235镀锌钢接地网的腐蚀率预测方法 Download PDFInfo
- Publication number
- CN105719025A CN105719025A CN201610053843.7A CN201610053843A CN105719025A CN 105719025 A CN105719025 A CN 105719025A CN 201610053843 A CN201610053843 A CN 201610053843A CN 105719025 A CN105719025 A CN 105719025A
- Authority
- CN
- China
- Prior art keywords
- rate
- corrosion
- transformer station
- network model
- galvanized steel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变电站Q235镀锌钢接地网的腐蚀率预测方法,具体包括以下步骤:A.确定土壤腐蚀性影响因子,获取数据样本;B.数据归一化;C.运用神经网络训练学习得到腐蚀率测试评价网络模型;D.验证校核腐蚀率测试评价网络模型的误差是否符合要求;E.采用符合误差要求的腐蚀率测试网络模型预测变电站Q235镀锌接地网的腐蚀率;F.采用反归一法获得变电站Q235镀锌接地网的实际腐蚀率。本发明利用人工神经网络的数据挖掘思想,在已有的数据基础上对Q235钢接地网的实际腐蚀状况规律做出预测,从而发现安全隐患并采取措施,使变电站接地网的防护工作有了新的参考和对照。
Description
技术领域
本发明涉及电力系统技术领域,特别是一种用于对变电站接地网的腐蚀率进行预测的方法。
背景技术
接地网的安全是确保电力系统中变电站安全运行、电力设备正常工作和工作人员生命安全的重要保障。由于接地网的材料多采用Q235钢,且常年埋在地下,因此会因为地下复杂的土壤环境常对其产生腐蚀,导致其接地性能劣化,进而影响整个电网的正常运行。由于接地网的特殊性,传统对接地网腐蚀性的测量都是靠人工开挖现场后进行测量,这种原始直观的检测手段不仅不方便,而且也为设备的安全运行带来了隐患。所以,探索Q235钢接地网的腐蚀规律,在不开挖、不断电的前提下预测其腐蚀状况,对变电站的安全稳定工作具有重要意义。
发明内容
本发明需要解决的技术问题是提供一种对变电站中Q235镀锌钢接地网的腐蚀率进行预测的方法,对变电站的安全稳定工作提供可靠保障。
为解决上述技术问题,本发明所采取的技术方案如下。
变电站Q235镀锌钢接地网的腐蚀率预测方法,具体包括以下步骤:
A.确定土壤腐蚀性影响因子,获取数据样本;
B.数据归一化;
C.运用神经网络训练学习得到腐蚀率测试评价网络模型;
D.验证校核腐蚀率测试评价网络模型的误差是否符合要求;
E.采用符合误差要求的腐蚀率测试网络模型预测变电站Q235镀锌接地网的腐蚀率;
F.采用反归一法获得变电站Q235镀锌接地网的实际腐蚀率。
上述变电站Q235镀锌钢接地网的腐蚀率预测方法,步骤C采用RBF神经网络进行训练学习,具体包括以下步骤:
C11.确定Spread值;
C12.运用RBF神经网络的训练学习,运算找出适合RBF网络的结构参数,构建腐蚀率测试评价网络模型。
上述变电站Q235镀锌钢接地网的腐蚀率预测方法,步骤C12具体包括以下步骤:
C121.采用正交最小二乘法训练学习RBF神经网络;
C122.确定腐蚀率测试评价网络模型为,
式中,——隐含层与输出层神经元间的权值;
—回归因子;
M——隐含层神经元数;
—网络误差。
上述变电站Q235镀锌钢接地网的腐蚀率预测方法,步骤C采用BP神经网络进行训练学习,具体包括以下步骤:
C21.采用LM算法进行BP神经网络训练;
C22.确定BP神经网络层数;
C23.确定输入层、输出层节点数;
C24.选取传递函数;
C25.确定隐含层神经元;
C26.开始训练学习,构建腐蚀率测试评价网络模型。
由于采用了以上技术方案,本发明所取得技术进步如下。
本发明利用人工神经网络的数据挖掘思想,在已有的数据基础上,对Q235钢接地网的实际腐蚀状况规律做出预测,从而发现安全隐患并采取措施,使变电站接地网的防护工作有了新的参考和对照。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
变电站Q235镀锌钢接地网的腐蚀率预测方法,其流程图如图1所示,具体包括以下步骤:
A.确定土壤腐蚀性影响因子,获取数据样本。
本发明中,选取土壤腐蚀性调查应包括土壤电阻率、氧化还原电位、含盐量、含水量、pH值和土壤Cl含量总共六个影响因子,测定土壤中这六个元素作为网络模型输入量来构建新的腐蚀等级评价指标。所以,网络预测模型的输入向量是:土壤的氧化还原电位、电阻率、盐量、含水量、pH值和Cl-浓度,输出向量都是不同条件下Q235钢的腐蚀率。
运用MATLAB软件中的函数unifrnd在土壤腐蚀等级评价指标上随机生成2000组训练样本和200组测试样本,样本数据每一组包括6个输入参数和一个输出参数,从而增强网络的鲁棒性和样本识别准确性。
B.数据归一化。
由于S型传递函数的函数值在临近0和1的边缘时候,函数曲线变化平滑,梯度变化速度特别缓慢,所以考虑到减小网络模型的学习时间,可以将输入及输出数据归于成[0.1~0.9]或[0.2~0.8]之间,这样一来使得S型函数能在上述区间中的有较大的变化梯度,从而减小收敛时间,最后整个网络的性能将得到很大的改善。具体变换方法为:
,式一
式中
——归一化后的数据;
X——初始数据;
xmax、xmin——初始数据的最大值和最小值。
C.运用神经网络训练学习得到腐蚀率测试评价网络模型。
D.验证校核腐蚀率测试评价网络模型的误差是否符合要求。
用实际现场检测数据验证校核构建的变电站Q235镀锌钢接地网的腐蚀率神经网络模型进行验证校核。选择某地区32个电站,在电站内(回填土)及电站外(自然土)分别埋设3组试片(每组3片)以供不同时期取出研究。试片埋好后,现场做出明确标记便于寻找试片。试片埋设前为表面光亮的Q235钢片,尺寸为100mm*50mm*3mm。每个试片经过表面去油,称重、密封好后留待埋入土壤中。试片埋入土壤中历时6个月,再次赴以上电站,于站内站外各取出一组试片,进行土壤腐蚀性评价。取出试片后发现,由于各地土壤腐蚀性不同,试件的腐蚀程度也不同。本方法采用的数据是埋在变电站内的试片的腐蚀数据。从现场取回土壤样本后,在实验室处理获得记录。
将上述归一化的实际现场检测数作为输入输出量导入模型中,观察模型误差率。调整模型一直到误差到可接受范围内。
E.采用符合误差要求的腐蚀率测试网络模型预测变电站Q235镀锌接地网的腐蚀率。
F.采用反归一法获得变电站Q235镀锌接地网的实际腐蚀率。
采用归一化方法让模型中的样本数据的输入向量和输出向量都归一化到[0,1]区间之内,等到网络模型期望输出的数据符合设定的要求后,再将输出的结果进行反归一化,最终就能得到和实际数据相同数量级的结果,那么反归一化公式为
式二
本发明中对于步骤C采用了两种神经网络进行训练学习,具体如下。
实施例1
本实施例中,步骤C采用RBF神经网络进行训练学习,具体包括以下步骤:
C11.确定Spread值。
RBF神经网络模型中的Spread值的大小是通过数值试探法来确定,具体过程是首先在[1,100]范围内进行尝试,每次试探的间隔为5,然后就能根据网络运行结果的均方误差的变化选出该模型最后的预测性能最优的Spread值。经试探比较Spread值等于20的时候网络的平均相对误差最小,均方误差在附近的取值中也并不算最大。所以,本实施例中,RBF网络模型的Spread值设为20最为合适。
C12.运用RBF神经网络的训练学习,运算找出适合RBF网络的结构参数,构建腐蚀率测试评价网络模型。
C121.采用正交最小二乘法训练学习RBF神经网络。
C122.在RBF神经网络中,网络的输入向量在隐层和输出层之间是一个线性传递的过程,因此对于输入样本集,确定腐蚀率测试评价网络模型为,
(1-1)
式中,——隐含层与输出层神经元间的权值;
—回归因子;
M——隐含层神经元数;
—网络误差。
正交最小二乘法通过对作Gram-Schmidt正交化分析对神经网络输出精度的作用大小,最后筛选出作用最明显的因子,删除作用相对来说较小的因子,而后找出性能最优的回归因子和隐含层神经元数M。
本实施例采用RBF神经网络模型实现变电站土壤对Q235钢腐蚀率的预测,具有构建更简单、性能更稳定而且整体精度相对更高的特点。其精度都能满足实际腐蚀检测作业的需要。基于RBF神经网络的Q235钢接地网腐蚀率预测结果的平均相对误差是1.58%,可以看出所有样本点的预测都是很准确的。
实施例2
本实施例中,步骤C采用BP神经网络进行训练学习,具体包括以下步骤:
C21.采用LM算法进行BP神经网络训练。
C22.确定BP神经网络层数。
在BP神经网络模型中,样本数据的输入层和输出层中神经元的个数都是初始中确定的,所以相对来说隐含层的神经元是不确定的。从本实施例数据处理角度来看,一个隐层组成的神经网络就能完成指定的精度需要,所以以下建立的神经网络模型层数为3,分别是1个输入层、1个隐含层和1个输出层。
C23.确定输入层、输出层节点数。
本实施例中构建的的网络预测模型有6个输入因子,即选取6个土壤理化性质性的因素:土壤电阻率、氧化还原电位、含盐量、含水量、pH值和Cl离子含量。
C24.选取传递函数。
选择S型函数作为输入层和隐层之间的传递函数,而隐层和输出层之间的就可用线性函数。由于本发明中输入数据的范围已经归一到了(0.1,0.9),输出结果都是(0,+∞),所以输入层与隐含层之间的传递函数采用logsig函数,隐含层与输出层之间的传递函数采用tansig函数。
C25.确定隐含层神经元。
隐含层神经元个数在神经网络模型中是一个很重要的参数,它的大小直接关系到整个网络预测的准确性和收敛性以及网络运行所占用的内存。到底选取多少个隐含层神经元的数目,现在还没有一个公式可以直接套用所有问题,但是,往往不适宜的隐含层神经元的数目将直接导致整个网络模型无法正常工作。一方面如果隐含层神经元数目相对偏少,严重的话将会导致网络无法进行正常的训练,即使刚好能够正常的训练,但可能会引起神经网络的鲁棒性差和抗噪声能力弱,最终使得预测结果误差很大;另一方面,如果隐含层的神经元数目相对来说过多的话,就会导致样本因训练过大所耗费的时间和内存也会随之增大,严重的将发生过拟合现象。所以一般而言,如果想要计算出适合网络模型的隐层神经元个数,需要通过经验经验公式和尝试推敲的方法来确定。具体经验公式如下:
(2-1)
(2-2)
(2-3)
Kolmogorov隐层神经元定理:
(2-4)
黄金分割设计方法:(2-5)
式中N——隐含层神经元个数;
M——输入层神经元个数;
J——输出层神经元个数;
K——学习模式数;
——1~10之间的调节常数。
首先,参考以上的公式法来确定一个基本的取值范围。对BP神经网络而言,M=6,J=1,所以N的取值范围是(3-13),即神经元的取值范围是(3-13)。其次运用调整法,在训练网络的初始时段,先用3个隐含层神经元去试探,一旦出现过拟合或者难收敛的现象,立即停止训练,加大神经元个数,重新开始训练,直至训练结束。然后继续增加,直到神经元的数目为13的时候,比较训练和误差较好的情况,最后确定隐层神经元数目为9。
C26.开始训练学习,构建腐蚀率测试评价网络模型。
本实施例针对海南这种热带海岛环境下的变电站土壤腐蚀问题开展研究,根据变电站土壤中铺埋的接地网的腐蚀原理,重点分析了Q235钢的电化学腐蚀形式和腐蚀产物,根据BP神经网络模型对海南变电站土壤对Q235钢接地网的腐蚀率预测,测试Q235的腐蚀率。BP网络具有构建更简单、性能更稳定而且整体精度相对更高的特点,采用BP神经网络建立的腐蚀率测试评价网络模型输出预测结果的均方误差为0.2329,平均绝对误差为0.2682,平均相对误差为2.72%,故BP网络模型测量精度整体很好,泛化能力很好。
Claims (4)
1.变电站Q235镀锌钢接地网的腐蚀率预测方法,其特征在于,具体包括以下步骤:
A.确定土壤腐蚀性影响因子,获取数据样本;
B.数据归一化;
C.运用神经网络训练学习得到腐蚀率测试评价网络模型;
D.验证校核腐蚀率测试评价网络模型的误差是否符合要求;
E.采用符合误差要求的腐蚀率测试网络模型预测变电站Q235镀锌接地网的腐蚀率;
F.采用反归一法获得变电站Q235镀锌接地网的实际腐蚀率。
2.根据权利要求1所述的变电站Q235镀锌钢接地网的腐蚀率预测方法,其特征在于,步骤C采用RBF神经网络进行训练学习,具体包括以下步骤:
C11.确定Spread值;
C12.运用RBF神经网络的训练学习,运算找出适合RBF网络的结构参数,构建腐蚀率测试评价网络模型。
3.根据权利要求2所述的变电站Q235镀锌钢接地网的腐蚀率预测方法,其特征在于,步骤C12具体包括以下步骤:
C121.采用正交最小二乘法训练学习RBF神经网络;
C122.确定腐蚀率测试评价网络模型为,
式中,——隐含层与输出层神经元间的权值;
—回归因子;
M——隐含层神经元数;
—网络误差。
4.根据权利要求1所述的变电站Q235镀锌钢接地网的腐蚀率预测方法,其特征在于,步骤C采用BP神经网络进行训练学习,具体包括以下步骤:
C21.采用LM算法进行BP神经网络训练;
C22.确定BP神经网络层数;
C23.确定输入层、输出层节点数;
C24.选取传递函数;
C25.确定隐含层神经元;
C26.开始训练学习,构建腐蚀率测试评价网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053843.7A CN105719025A (zh) | 2016-01-26 | 2016-01-26 | 变电站q235镀锌钢接地网的腐蚀率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053843.7A CN105719025A (zh) | 2016-01-26 | 2016-01-26 | 变电站q235镀锌钢接地网的腐蚀率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105719025A true CN105719025A (zh) | 2016-06-29 |
Family
ID=56154314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610053843.7A Pending CN105719025A (zh) | 2016-01-26 | 2016-01-26 | 变电站q235镀锌钢接地网的腐蚀率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719025A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110389209A (zh) * | 2018-04-19 | 2019-10-29 | 中国石油化工股份有限公司 | 一种埋地管道土壤腐蚀特性的评价方法 |
CN110542644A (zh) * | 2019-08-30 | 2019-12-06 | 国网河北省电力有限公司电力科学研究院 | 一种变电站不开挖接地网腐蚀程度评价方法 |
CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
CN111274736A (zh) * | 2020-01-21 | 2020-06-12 | 太原理工大学 | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 |
CN111337417A (zh) * | 2020-03-17 | 2020-06-26 | 云南电网有限责任公司大理供电局 | 一种变电站接地网腐蚀状态检测方法 |
CN111610406A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于深度学习的接地网腐蚀预测方法 |
CN112215265A (zh) * | 2020-09-24 | 2021-01-12 | 北京市市政工程设计研究总院有限公司 | 客运枢纽班次与客流定量关系确定方法和装置 |
CN112598163A (zh) * | 2020-12-08 | 2021-04-02 | 国网河北省电力有限公司电力科学研究院 | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 |
CN116596934A (zh) * | 2023-07-18 | 2023-08-15 | 华东交通大学 | 接地网腐蚀检测方法、系统、存储介质及移动终端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299032A (zh) * | 2014-08-25 | 2015-01-21 | 国家电网公司 | 一种预测变电站接地网土壤腐蚀速率的方法 |
-
2016
- 2016-01-26 CN CN201610053843.7A patent/CN105719025A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299032A (zh) * | 2014-08-25 | 2015-01-21 | 国家电网公司 | 一种预测变电站接地网土壤腐蚀速率的方法 |
Non-Patent Citations (1)
Title |
---|
黄蓉: "基于人工神经网络的城市燃气管道的土壤腐蚀性评价研究", 《硕士学位论文》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110389209A (zh) * | 2018-04-19 | 2019-10-29 | 中国石油化工股份有限公司 | 一种埋地管道土壤腐蚀特性的评价方法 |
CN110389209B (zh) * | 2018-04-19 | 2022-03-22 | 中国石油化工股份有限公司 | 一种埋地管道土壤腐蚀特性的评价方法 |
CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
CN110542644B (zh) * | 2019-08-30 | 2021-12-31 | 国网河北省电力有限公司电力科学研究院 | 一种变电站不开挖接地网腐蚀程度评价方法 |
CN110542644A (zh) * | 2019-08-30 | 2019-12-06 | 国网河北省电力有限公司电力科学研究院 | 一种变电站不开挖接地网腐蚀程度评价方法 |
CN111274736A (zh) * | 2020-01-21 | 2020-06-12 | 太原理工大学 | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 |
CN111337417A (zh) * | 2020-03-17 | 2020-06-26 | 云南电网有限责任公司大理供电局 | 一种变电站接地网腐蚀状态检测方法 |
CN111610406A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于深度学习的接地网腐蚀预测方法 |
CN112215265A (zh) * | 2020-09-24 | 2021-01-12 | 北京市市政工程设计研究总院有限公司 | 客运枢纽班次与客流定量关系确定方法和装置 |
CN112215265B (zh) * | 2020-09-24 | 2023-07-11 | 北京市市政工程设计研究总院有限公司 | 客运枢纽班次与客流定量关系确定方法和装置 |
CN112598163A (zh) * | 2020-12-08 | 2021-04-02 | 国网河北省电力有限公司电力科学研究院 | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 |
CN112598163B (zh) * | 2020-12-08 | 2022-11-22 | 国网河北省电力有限公司电力科学研究院 | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 |
CN116596934A (zh) * | 2023-07-18 | 2023-08-15 | 华东交通大学 | 接地网腐蚀检测方法、系统、存储介质及移动终端 |
CN116596934B (zh) * | 2023-07-18 | 2023-09-26 | 华东交通大学 | 接地网腐蚀检测方法、系统、存储介质及移动终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719025A (zh) | 变电站q235镀锌钢接地网的腐蚀率预测方法 | |
Wu et al. | Rock burst prediction probability model based on case analysis | |
CN112381309B (zh) | 水库大坝安全监测预警方法、装置、系统及存储介质 | |
Zhang et al. | Extension of Hassan and Wolff method for system reliability analysis of soil slopes | |
CN104061445B (zh) | 一种基于神经网络的管道泄漏检测方法 | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
Wu et al. | A dynamic Bayesian network based approach to safety decision support in tunnel construction | |
Erzin et al. | The prediction of the critical factor of safety of homogeneous finite slopes using neural networks and multiple regressions | |
CN103578045A (zh) | 一种供水管道健康评价方法 | |
CN103093400A (zh) | 一种隧道施工中邻近建筑物安全性定量评价方法 | |
CN103743441A (zh) | 一种边坡安全的多元耦合在线监测系统及方法 | |
CN109034546A (zh) | 一种城镇燃气埋地管道腐蚀风险的智能预测方法 | |
CN103400044A (zh) | 一种改进的水环境安全评价分析方法 | |
CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
CN110162932A (zh) | 基于有限元分格的自动化监测边坡稳定性的计算方法 | |
CN107798418A (zh) | 一种基于交通分析小区的交通事故频次预测方法 | |
CN105277910B (zh) | 远程评估电能质量在线监测装置可靠性的方法及系统 | |
Chen et al. | A combination model for evaluating deformation regional characteristics of arch dams using time series clustering and residual correction | |
CN105675475B (zh) | 一种接地网腐蚀速率等级预测方法 | |
CN116777085A (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
CN108051482B (zh) | 一种海水入侵地下水的监测预警方法 | |
Jun et al. | A new dynamic assessment for multi-parameters information of water inrush in coal mine | |
CN115906663A (zh) | 房屋安全评估模型建立方法、评估方法、服务器及系统 | |
CN106444689A (zh) | 基于人体红外感应器的智能家居控制中心设备 | |
Dou et al. | A prediction method of failure depth of coal seam floor based on FA-GWO-SVM model |
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: 20160629 |