CN106202919A - 一种基于震源参数的微震与爆破事件识别方法 - Google Patents
一种基于震源参数的微震与爆破事件识别方法 Download PDFInfo
- Publication number
- CN106202919A CN106202919A CN201610537634.XA CN201610537634A CN106202919A CN 106202919 A CN106202919 A CN 106202919A CN 201610537634 A CN201610537634 A CN 201610537634A CN 106202919 A CN106202919 A CN 106202919A
- Authority
- CN
- China
- Prior art keywords
- explosion events
- discriminant
- event
- parameter
- explosion
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种基于震源参数的微震与爆破事件识别方法,包括以下步骤:步骤1:获得微震事件与爆破事件的判别式:以已确定的N组微震事件与L组爆破事件为样本,获得微震与爆破事件的判别式: 其中YE和YB分别为微震与爆破事件判别式的因变量,Xi(i=1,2,…,6)为6个与典型震源参数相关的值,C0和Ci分别为微震事件判别式中的常数项及对应于Xi的最优系数,B0和Bi分为为爆破事件判别式中的常数项及对应于Xi的最优系数;C0、Ci、B0和Bi基于样本辨识得到;N和L均为整数,且N、L≥10;步骤2:对待识别事件进行识别:计算待识别事件对应的Xi取值,代入所述的微震事件与爆破事件的判别式,计算得到YE和YB;若YE大于或等于YB,为微震事件,否则为爆破事件。本发明具有适用性强、准确性高等特点。
Description
技术领域
本发明涉及一种基于震源参数的微震与爆破事件识别方法,结果明确,适用性强,准确率高。
背景技术
微震监测作为一种有效的地压监测手段在国内外得到了广泛应用,而微震与爆破事件的区分识别是数据处理过程中的关键问题,因此对微震与爆破事件识别方法的研究具有重要意义。但微震与爆破事件波形均较为复杂,爆破事件往往会造成重复波形,其中被分离的单个波形可能会人为的被错误处理成微震事件,造成严重后果。目前主要根据一天内的爆破时间和波形重复来手动区分微震与爆破事件,但易受操作人员专业知识和经验的影响,且识别数量有限,降低了微震监测实时分析的效果。
目前针对微震与爆破事件识别的方法可分为:波形频谱分析法、多参数统计法和软计算法,这些方法通常包括特征提取和特征识别两个过程。常用的特征提取包括震级、能量、视应力、视体积、静态应力降、动态应力降和时域波形特征参数(振幅、频率)等,特征识别方法包括fisher分类法、Logistic回归法、随机森林法、神经网络法、支持向量机法和贝叶斯分类法等。常用的特征参数大多难以自动得到,波形时域特征参数是在单一尺度上分析得到的,其信息量较少,限制了微震与爆破事件的自动识别。
对于分析微震与爆破事件之间波形和波谱的不同特征,波形频谱分析法不失为一种好方法,其主要借助小波分析、小波包分析和频率切片小波分析。唐守锋等(2011)根据采样定理和Mallat算法确定了小波分解最大尺度,并提出采用小波特征能谱系数作为煤岩破裂微震信号识别的定量表征;朱权洁等(2012a)运用小波包分析对微震信号进行了5层多尺度分解,并与爆破震动信号的能量分布进行了对比分析;朱权洁等(2012b)结合小波分析与分形理论对爆破振动、岩石破裂及电磁干扰3类信号进行了5层小波包分解,并以筛选后的23个小波分形盒维数作为支持向量机识别的特征向量;赵国彦等(2015)采用频率切片小波变换对矿山岩体破裂信号和爆破振动信号特定频带能量比和相关系数进行了研究。小波分析、小波包分析和频率切片小波分析具有较好的自适应性,但很容易受到信号中相邻谐波成分的交叠影响,致使不同频带信号存在混叠。
可见现有的微震事件与爆破事件识别方法存在较大的局限,需要研究一种适用性强、准确率高的自动识别方法。
发明内容
本发明所要解决的技术问题是,针对现有技术的不足,提供一种基于震源参数的微震与爆破事件识别方法,该微震与爆破事件识别方法适用性强、准确率高。
本发明的技术解决方案如下:
一种基于震源参数的微震与爆破事件识别方法,包括以下步骤:
步骤1:获得微震事件与爆破事件的判别式:
以已确定的N组微震事件与L组爆破事件为样本,获得微震与爆破事件的判别式:
其中YE为微震事件判别式的因变量,YB为爆破事件判别式的因变量,式中,Xi,i=1,2,…,6为6个与典型震源参数相关的值,C0为微震事件判别式中的常数项,Ci为在微震事件判别式中对应于Xi的最优系数,B0爆破事件判别式中的常数项,Bi为在爆破事件判别式中对应于Xi的最优系数;C0、Ci、B0和Bi基于样本辨识得到;N和L为整数,且N,L≥10;
步骤2:对待识别事件进行识别:
计算待识别事件对应的Xi取值,代入所述的微震事件与爆破事件的判别式,计算得到YE和YB;若YE大于或等于YB,则说明该待识别事件为微震事件,否则若YE小于YB,则说明该待识别事件为爆破事件。
所述步骤1中,针对每一组微震事件或爆破事件,进行以下操作:
(1)通过微震监测系统获取震源参数;
包括:S波与P波能量之比值ES/EP,地震力矩M,静应力降SSD,动应力降DSD,震源发震时间t以及力矩震级Mm;
(2)对步骤(1)中获取的参数ES/EP、M、SSD和DSD分别取对数,求得结果为log ES/EP、logM、logSSD和logDSD;
(3)处理震源发震时间t;
计算该微震事件或爆破事件对应的震源发震时间t与相邻的前一微震事件或爆破事件对应的震源发震时间t0的时间差Δt=t-t0;
(4)计算概率密度函数【generalized logistic distribution】值:
概率密度函数表达式如下所示:
式中,z=(xi-μ)/σ;k、σ和μ分别为连续形状参数、连续尺度参数和连续位置参数,根据实际情况通过最小二乘拟合求得;
将上述步骤中所得数据log ES/EP、logM、logSSD、logDSD、Mm和Δt分别作为xi(i=1,2,3,4,5,6)带入式(1)中,得出相应计算结果f(xi);
(5)构建微震与爆破事件的判别式:
令f(xi)=Xi代入上述判别式,统计已确定的N组微震事件与N组爆破事件,根据Bayes判别理论求得判别式中的各参数C0、Ci、B0和Bi的最优值。
所述步骤2中,针对待识别事件,进行以下操作:
(1)通过微震监测系统获取震源参数;
包括:S波与P波能量之比值ES/EP,地震力矩M,静应力降SSD,动应力降DSD,震源发震时间t以及力矩震级Mm;
(2)对步骤(1)中获取的参数ES/EP、M、SSD和DSD分别取对数,求得结果为log ES/EP、logM、logSSD和logDSD;
(3)处理震源发震时间t;
计算该微震事件或爆破事件对应的震源发震时间t与相邻的前一微震事件或爆破事件对应的震源发震时间t0的时间差Δt=t-t0;
(4)计算概率密度函数【generalized logistic distribution】值:
概率密度函数表达式如下所示:
式中,z=(xi-μ)/σ;k、σ和μ分别为连续形状参数、连续尺度参数和连续位置参数,根据实际情况通过最小二乘拟合求得;
将上述步骤中所得数据log ES/EP、logM、logSSD、logDSD、Mm和Δt分别作为xi(i=1,2,3,4,5,6)带入式(1)中,通过最小二乘拟合得到k,σ,μ的值。
得出相应计算结果f(xi);
(5)计算识别结果:
令f(xi)=Xi代入以下判别式,计算得到YE和YB;
若YE大于或等于YB,则说明该待识别事件为微震事件,否则若YE小于YB,则说明该待识别事件为爆破事件。
优选地,所述步骤1中,N=L,均取值为100。
有益效果:
本发明提供的一种基于震源参数的微震与爆破事件识别方法,基于震源参数中的6个典型参数构建微震事件与爆破事件的判别式;以已确定的N组微震事件与N组爆破事件为样本,通过获取6个典型的震源参数,利用概率密度函数generalized logisticdistribution计算其概率密度值,再根据Bayes判别理论求得判别式中的各参数的最优质值;最后将待识别事件的6个与典型震源参数相关的值代入判别式,得到识别结果,实现了微震监测的实时分析,减轻了工作人员的数据处理压力,削弱了人为因素对监测结果的影响,提高了准确性。此方法具有适用性强、准确性高等特点。
附图说明
图1为本发明流程图。
具体实施方式
以下结果附图和具体实施方式,对本发明提出的一种基于震源参数的微震与爆破事件识别方法作进一步说明。
如图1所示,本发明公开了一种基于震源参数的微震与爆破事件识别方法,包括以下步骤:
步骤1:获得微震事件与爆破事件的判别式:
以已确定的N组微震事件与L组爆破事件为样本,获得微震与爆破事件的判别式:
其中YE为微震事件判别式的因变量,YB为爆破事件判别式的因变量,式中,Xi,i=1,2,…,6为6个与典型震源参数相关的值,C0为微震事件判别式中的常数项,Ci为在微震事件判别式中对应于Xi的最优系数,B0爆破事件判别式中的常数项,Bi为在爆破事件判别式中对应于Xi的最优系数;C0、Ci、B0和Bi基于样本辨识得到;N和L为整数,且N,L≥10;
步骤2:对待识别事件进行识别:
计算待识别事件对应的Xi取值,代入所述的微震事件与爆破事件的判别式,计算得到YE和YB;若YE大于或等于YB,则说明该待识别事件为微震事件,否则若YE小于YB,则说明该待识别事件为爆破事件。
所述步骤1中,针对每一组微震事件或爆破事件,进行以下操作:
(1)通过微震监测系统获取震源参数;
包括:S波与P波能量之比值ES/EP,地震力矩M,静应力降SSD,动应力降DSD,震源发震时间t以及力矩震级Mm;
(2)对步骤(1)中获取的参数ES/EP、M、SSD和DSD分别取对数,求得结果为log ES/EP、logM、logSSD和logDSD;
(3)处理震源发震时间t;
计算该微震事件或爆破事件对应的震源发震时间t与相邻的前一微震事件或爆破事件对应的震源发震时间t0的时间差Δt=t-t0;
(4)计算概率密度函数【generalized logistic distribution】值:
概率密度函数表达式如下所示:
式中,z=(xi-μ)/σ;k、σ和μ分别为连续形状参数、连续尺度参数和连续位置参数,根据实际情况通过最小二乘拟合求得;
将上述步骤中所得数据log ES/EP、logM、logSSD、logDSD、Mm和Δt分别作为xi(i=1,2,3,4,5,6)带入式(1)中,得出相应计算结果f(xi);
(5)构建微震与爆破事件的判别式:
令f(xi)=Xi代入上述判别式,统计已确定的N组微震事件与N组爆破事件,根据Bayes判别理论求得判别式中的各参数C0、Ci、B0和Bi的最优值。
所述步骤2中,针对待识别事件,进行以下操作:
(1)通过微震监测系统获取震源参数;
包括:S波与P波能量之比值ES/EP,地震力矩M,静应力降SSD,动应力降DSD,震源发震时间t以及力矩震级Mm;
(2)对步骤(1)中获取的参数ES/EP、M、SSD和DSD分别取对数,求得结果为log ES/EP、logM、logSSD和logDSD;
(3)处理震源发震时间t;
计算该微震事件或爆破事件对应的震源发震时间t与相邻的前一微震事件或爆破事件对应的震源发震时间t0的时间差Δt=t-t0;
(4)计算概率密度函数【generalized logistic distribution】值:
概率密度函数表达式如下所示:
式中,z=(xi-μ)/σ;k、σ和μ分别为连续形状参数、连续尺度参数和连续位置参数,根据实际情况通过最小二乘拟合求得;
将上述步骤中所得数据log ES/EP、logM、logSSD、logDSD、Mm和Δt分别作为xi(i=1,2,3,4,5,6)带入式(1)中,通过最小二乘拟合得到k,σ,μ的值。
得出相应计算结果f(xi);
(5)计算识别结果:
令f(xi)=Xi代入以下判别式,计算得到YE和YB;
若YE大于或等于YB,则说明该待识别事件为微震事件,否则若YE小于YB,则说明该待识别事件为爆破事件。
实施例1:
(1)通过微震监测系统获取已确定的共50组微震事件与爆破事件的震源参数;
包括:S波与P波能量之比值ES/EP,地震力矩M,静应力降SSD,动应力降DSD,震源发震时间t以及力矩震级Mm;
(2)对步骤(1)中获取的参数ES/EP、M、SSD和DSD分别取对数,求得结果为log ES/EP、logM、logSSD和logDSD;
(3)处理震源发震时间t;
计算该微震事件或爆破事件对应的震源发震时间t与相邻的前一微震事件或爆破事件对应的震源发震时间t0的时间差Δt=t-t0;
(4)计算概率密度函数【generalized logistic distribution】值:
概率密度函数表达式如下所示:
式中,z=(xi-μ)/σ;k、σ和μ分别为连续形状参数、连续尺度参数和连续位置参数,本实施例根据实际情况通过最小二乘拟合求得k=0.4572,σ=0.4567,μ=0.8782。
将log ES/EP、logM、logSSD、logDSD、Mm和Δt分别作为xi(i=1,2,3,4,5,6)带入式(1)中,得出相应计算结果f(xi);
如表1所示,表中1为微震事件,2为爆破事件:
表1 50组微震与爆破事件的原始数据和实际结果
(5)构建微震与爆破事件的判别式:
令f(xi)=Xi,代入以上判别式;
统计表1中的已确定的共50组微震事件与爆破事件,根据Bayes判别理论求得判别式中的各参数C0、Ci、B0和Bi的最优值:
C0=-2281.671,C1=55.868,C2=420.799,C3=-15.825,C4=102.502C5=-13.463,C6=-746.841;
B0=-2225.946,B1=50.331,B2=417.123,B3=-9.869,B4=94.631B5=-15.858,B6=-735.705;
通过以上参数分别求得参数确定的YE与YB的表达式,进而对另外50组微震与爆破事件加以检验,以证明本方法的适用性与合理性。
表2 50组微震与爆破事件的原始数据与检验结果
由表2可知,除第73、95组事件检验结果与实际结果不符之外,其余48组事件均检验合理,准确率高达96%能够满足实际工程应用所需精度。
以上所述仅为本发明的实施例而已,并不用以限制本发明,凡在本发明精神和原则之内,所作任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于震源参数的微震与爆破事件识别方法,其特征在于,包括以下步骤:
步骤1:获得微震事件与爆破事件的判别式:
以已确定的N组微震事件与L组爆破事件为样本,获得微震与爆破事件的判别式:
其中YE为微震事件判别式的因变量,YB为爆破事件判别式的因变量,式中,Xi,i=1,2,…,6为6个与典型震源参数相关的值,C0为微震事件判别式中的常数项,Ci为在微震事件判别式中对应于Xi的最优系数,B0爆破事件判别式中的常数项,Bi为在爆破事件判别式中对应于Xi的最优系数;C0、Ci、B0和Bi基于样本辨识得到;N和L为整数,且N,L≥10;
步骤2:对待识别事件进行识别:
计算待识别事件对应的Xi取值,代入所述的微震事件与爆破事件的判别式,计算得到YE和YB;若YE大于或等于YB,则说明该待识别事件为微震事件,否则若YE小于YB,则说明该待识别事件为爆破事件。
2.根据权利要求1所述的基于震源参数的微震与爆破事件识别方法,其特征在于,所述步骤1中,针对每一组微震事件或爆破事件,进行以下操作:
(1)通过微震监测系统获取震源参数;
包括:S波与P波能量之比值ES/EP,地震力矩M,静应力降SSD,动应力降DSD,震源发震时间t以及力矩震级Mm;
(2)对步骤(1)中获取的参数ES/EP、M、SSD和DSD分别取对数,求得结果为log ES/EP、logM、logSSD和logDSD;
(3)处理震源发震时间t;
计算该微震事件或爆破事件对应的震源发震时间t与相邻的前一微震事件或爆破事件对应的震源发震时间t0的时间差Δt=t-t0;
(4)计算概率密度函数值:
概率密度函数表达式如下所示:
式中,z=(xi-μ)/σ;k、σ和μ分别为连续形状参数、连续尺度参数和连续位置参数,根据实际情况通过最小二乘拟合求得;
将上述步骤中所得数据log ES/EP、logM、logSSD、logDSD、Mm和Δt分别作为xi(i=1,2,3,4,5,6)带入式(1)中,得出相应计算结果f(xi);
(5)构建微震与爆破事件的判别式:
令f(xi)=Xi代入上述判别式,统计已确定的N组微震事件与N组爆破事件,根据Bayes判别理论求得判别式中的各参数C0、Ci、B0和Bi的最优值。
3.根据权利要求2所述的基于震源参数的微震与爆破事件识别方法,其特征在于,所述步骤2中,针对待识别事件,进行以下操作:
(1)通过微震监测系统获取震源参数;
包括:S波与P波能量之比值ES/EP,地震力矩M,静应力降SSD,动应力降DSD,震源发震时间t以及力矩震级Mm;
(2)对步骤(1)中获取的参数ES/EP、M、SSD和DSD分别取对数,求得结果为log ES/EP、logM、logSSD和logDSD;
(3)处理震源发震时间t;
计算该微震事件或爆破事件对应的震源发震时间t与相邻的前一微震事件或爆破事件对应的震源发震时间t0的时间差Δt=t-t0;
(4)计算概率密度函数值:
概率密度函数表达式如下所示:
式中,z=(xi-μ)/σ;k、σ和μ分别为连续形状参数、连续尺度参数和连续位置参数,根据实际情况通过最小二乘拟合求得;
将上述步骤中所得数据log ES/EP、logM、logSSD、logDSD、Mm和Δt分别作为xi(i=1,2,3,4,5,6)带入式(1)中,通过最小二乘拟合得到k,σ,μ的值;
得出相应计算结果f(xi);
(5)计算识别结果:
令f(xi)=Xi代入以下判别式,计算得到YE和YB;
若YE大于或等于YB,则说明该待识别事件为微震事件,否则若YE小于YB,则说明该待识别事件为爆破事件。
4.根据权利要求1~3中任一项所述的基于震源参数的微震与爆破事件识别方法,其特征在于,所述步骤1中,N=L,均取值为100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610537634.XA CN106202919B (zh) | 2016-07-08 | 2016-07-08 | 一种基于震源参数的微震与爆破事件识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610537634.XA CN106202919B (zh) | 2016-07-08 | 2016-07-08 | 一种基于震源参数的微震与爆破事件识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106202919A true CN106202919A (zh) | 2016-12-07 |
CN106202919B CN106202919B (zh) | 2017-06-06 |
Family
ID=57472979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610537634.XA Active CN106202919B (zh) | 2016-07-08 | 2016-07-08 | 一种基于震源参数的微震与爆破事件识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106202919B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
CN108846307A (zh) * | 2018-04-12 | 2018-11-20 | 中南大学 | 一种基于波形图像的微震与爆破事件识别方法 |
CN111736208A (zh) * | 2020-06-24 | 2020-10-02 | 重庆大学 | 变权重联合P波和S波初至数据的微震事件Bayes定位方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297788A (zh) * | 2014-10-20 | 2015-01-21 | 中南大学 | 基于波形起振趋势线斜率的矿山微震和爆破信号识别方法 |
CN104834004A (zh) * | 2015-04-13 | 2015-08-12 | 中南大学 | 基于峰值前后波形斜率的矿山微震与爆破信号识别方法 |
-
2016
- 2016-07-08 CN CN201610537634.XA patent/CN106202919B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297788A (zh) * | 2014-10-20 | 2015-01-21 | 中南大学 | 基于波形起振趋势线斜率的矿山微震和爆破信号识别方法 |
CN104834004A (zh) * | 2015-04-13 | 2015-08-12 | 中南大学 | 基于峰值前后波形斜率的矿山微震与爆破信号识别方法 |
Non-Patent Citations (3)
Title |
---|
LONGJUN DONG 等: "《Discrimination of Mine Seismic Events and Blasts Using the Fisher Classifier, Naive Bayesian Classifier and Logistic Regression》", 《ROCK MECHANICS AND ROCK ENGINEERING》 * |
董陇军 等: "《微震与爆破事件统计识别方法及工程应用》", 《岩石力学与工程学报》 * |
马举: "《基于波形特征的矿山微震与爆破信号模式识别》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
CN108846307A (zh) * | 2018-04-12 | 2018-11-20 | 中南大学 | 一种基于波形图像的微震与爆破事件识别方法 |
CN108846307B (zh) * | 2018-04-12 | 2021-12-28 | 中南大学 | 一种基于波形图像的微震与爆破事件识别方法 |
CN111736208A (zh) * | 2020-06-24 | 2020-10-02 | 重庆大学 | 变权重联合P波和S波初至数据的微震事件Bayes定位方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106202919B (zh) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505652B (zh) | 一种基于能量分布特征的矿山微震信号辨识方法 | |
CN105740840B (zh) | 一种岩体破裂信号与爆破振动信号的非线性识别方法 | |
CN103674511B (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN106326929B (zh) | 轨道列车走行部滚动轴承故障的诊断方法 | |
CN106202919B (zh) | 一种基于震源参数的微震与爆破事件识别方法 | |
CN106096242A (zh) | 一种基于改进emd分解的尾水管压力脉动综合评价方法 | |
CN106382981A (zh) | 一种单站次声波信号识别提取方法 | |
CN107167802A (zh) | 一种基于超宽带雷达的呼吸信号检测算法 | |
CN103956756A (zh) | 一种电力系统低频振荡模态辨识方法 | |
Trani et al. | DeepQuake—An application of CNN for seismo-acoustic event classification in The Netherlands | |
CN106446339A (zh) | 基于狄利克雷混合模型的转动机械运行状态异常检测方法 | |
Li et al. | Discriminant model of coal mining microseismic and blasting signals based on waveform characteristics | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
CN113094641B (zh) | 基于大数据可视化分析的k-近邻岩爆预测方法和装置 | |
CN105865784A (zh) | 基于局部均值分解和灰色关联的滚动轴承检测方法 | |
Feng et al. | Joint detection and classification of rockfalls in a microseismic monitoring network | |
Liu et al. | Coal-gangue interface detection based on ensemble empirical mode decomposition energy entropy | |
CN117312919A (zh) | 基于bo-cnn-lstm模型的冲击地压预警方法 | |
Li et al. | Classification of seismic events and quarry blasts using singular value decomposition and support vector machine | |
CN111044548A (zh) | 一种利用主量元素含量判别花岗岩含铀性的方法 | |
Chen | Application of pattern recognition to seismic wave interpretation | |
Xu et al. | A novel method of bolt detection based on variational modal decomposition | |
Jiang et al. | An improved method of local mean decomposition with adaptive noise and its application to microseismic signal processing in rock engineering | |
Pulli | Extracting and processing signal parameters for regional seismic event identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |