CN108763822B - 一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法 - Google Patents
一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法 Download PDFInfo
- Publication number
- CN108763822B CN108763822B CN201810620287.6A CN201810620287A CN108763822B CN 108763822 B CN108763822 B CN 108763822B CN 201810620287 A CN201810620287 A CN 201810620287A CN 108763822 B CN108763822 B CN 108763822B
- Authority
- CN
- China
- Prior art keywords
- goaf
- population
- subsidence
- mining
- coal mine
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法,该方法首先定义了刻画采煤矩形采空区空间几何特征的8个参数为:m(采高)、α0(煤层倾角)、(采空区走向方位角)、H(采空区中心采深)、D3(采空区走向长)、D1(采空区倾向长)、X0(采空区中心平面X轴坐标)、Y0(采空区中心平面Y轴坐标);然后假设采煤地表沉陷形态符合概率积分法模型,在此基础上,推导建立了采空区空间几何特征参数关于地表移动与变形的观测方程;最后基于所建立的采空区空间几何特征参数的观测方程,构建了采空区空间几何特征参数的量子遗传算法求解方法。本发明能够较全面、详细的识别采空区空间几何特征,有效的提高了采空区空间几何特征参数反演的准确性和稳定性。
Description
技术领域
本发明涉及矿山变形监及控制领域,更具体地说是涉及一种基于沉陷监测的煤矿采空区空间几何特征精准识别领域。
背景技术
煤炭开采后形成大量废弃采空区,废弃采空区一方面内部往往赋存着丰富的水、瓦斯、残留煤柱资源以及的大量的可利用地下空间;另一方面废弃老采空区地表可根据其地基稳定程度进行分级开发利用,比如对稳定的废弃采空区地表可作为工程、建设地基开发利用,不稳定的采空区地表可开发为景观用地等。但是如何实现将废弃采空区资源变废为宝、充分开发利用的前提条件是精准探测采空区的详细赋存条件。
当前探测采空区主要采用地球物理勘探方法,主要技术有:高密度电阻率法,瞬变电磁法,地质雷达探测法等。然而常规地球物理探测采空区方法,一方面解译精度依赖先验知识的准确程度,另一方面尚不能精准反演采空区的详细特征参数(比如煤层厚度、煤层倾角、采空区倾向方位角、采深、倾向长、走向长、采空区中心坐标),上述缺陷极大的限制了废弃采空区的开发利用。
概率积分法是我国较为成熟、应用最为广泛的预计方法,也是“三下”采煤规程指定的开采沉陷预计方法。概率积分法模型反映的实质是特定参数的工作面开采与地表沉陷响应特征的关系,理论上如果能获取地表历史沉降场,可基于概率积分法模型通过非线性智能算法反演采空区特征参数。
现有技术文献《Genetic Quantum Algorithm and its Application toCombinatorial Optimization Problem》一文对量子旋转门作出了解释。
当前雷达卫星具有丰富历史存档资料,技术上可利用D-InSAR(差分干涉测量)获取开采沉陷历史沉降场,这使得基于沉陷监测的煤矿采空区空间几何特征参数识别在技术条件上具备可行性。
发明内容
本发明正是基于上述所要解决的技术问题,提出一种煤矿采空区空间几何特征参数的地面测量识别方法,即以概率积分法为基础,推导矩形采空区参数与地表沉陷的定量关系模型(将采空区参数作为待求参数,实测地表沉陷值视为已知量),提出利用量子遗传算法反演采空区空间几何特征参数。并通过模拟实验和工程应用开展可行性论证。
一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法,所述方法包括如下步骤:
步骤S1、构建采空区特征参数B与地表沉陷的定量关系模型;
步骤S2、量子编码和生成初始化种群;
步骤S3、确定所述采空区特征参数B的初始值B0和约束值Bi,解码并评价种群所有个体适应度,记录最优个体作为种群进化的目标;
步骤S4、判断是否满足终止条件,若满足,则输出当前种群的最优个体;若不满足,则进入下一步骤,其中,所述终止条件为,满足精度要求或者达到最大遗传迭代次数;
步骤S5、采用量子旋转门,更新种群,形成新的种群后返回步骤S3。
优选的,所述步骤S1具体包括,矩形采空区参数与地表沉陷的定量关系模型的构建,内容如下:
假设开采沉陷盆地符合概率积分法模型,则矩形工作面开采引起的地表沉陷盆地内任意点(x,y)的下沉值可表示为:
其中,
W0=Mqcosα0
在上述公式中,M表示工作面采高,q表示地表下沉系数,α0表示煤层倾角,tanβ'表示主要影响角正切,H表示工作面走向主断面处采深,H1表示工作面下山边界采深,H2表示工作面上山边界采深,r表示为主要影响半径,r=H/tanβ',l表示工作面走向计算长度,且l=D3-S3-S4,其中D3为工作面走向长,S3、S4分别为开切眼和停采线处拐点偏移距,L表示工作面倾向计算长度,且其中D1为工作面倾向长,S1、S2分别为工作面下边界和上边界处拐点偏移距,θ为开采影响传播角,b表示为水平移动系数,依据概率积分预计模型,可建立地表任意点(x,y)下沉、水平移动与采空区特征参数的关系,
W=W(x,y;B);U=U(x,y;B)
优选的,所述步骤S2具体包括,量子编码采用二进制编码,编码内容如下:
其中,|αnm|2+|βnm|2=1,|αnm|2表示第n个参数的第m个量子比特取“0”态的概率;|βnm|2表示第n个参数的第m个量子比特取“1”态的概率。在初始化种群中,统一取种群更新过程中,随机产生随机数Rnd,如果Rnd>|αnm|2,二进制编码取“1”态,否则取“0”态。
优选的,所述特征参数B在B0±Bi范围内,且其二进制编码为dmdm-1dm-2…d3d2d1,模型中二进制编码个数m=7,d表示二进制编码“0”或“1”,根据如下公式进行解码:
将二进制代码表示的种群转换成十进制,利用十进制的数值对种群中各个个体的适应度f进行计算。
优选的,根据求参准则公式计算所述适应度f,其中,上述具体计算方式为:
假设地表任意观测点n的实测下沉值为Ws(n),实测水平移动值为Us(n),该点下沉和水平移动预计值分别为为Wp(n)和Up(n),则任意观测点下沉和水平移动残差公式可分别定义为Vw=Ws(n)-Wp(n)和VU=Up(n)-Us(n),根据误差平方和最小,构建求参准则为:
模型中的个体适应度f判断准则是越大越好,是以,根据上述求参准则公式,则个体适应度函数f可表示为:
其中,pd为监测点数,Wp(n)、Up(n)分别表示第n个观测点预测的下沉值和水平移动值,Ws(n)、Us(n)分别表示对应的实测下沉值和水平移动值。
优选的,所述步骤S5具体包括,以步骤S3中的最优个体为进化目标,对亲代所有个体的二进制编码与当前种群最优个体二进制比较并利用量子旋转门生成子代种群的量子比特编码,操作过程为:
根据量子比特编码生成子代种群二进制编码,然后返回步骤S3,重复步骤S3-S5进行迭代运算,当达到步骤S4中的终止条件时跳出循环,输出最优采空区特征参数。
优选的,初始种群数为100,所述最大遗传迭代次数为100。
与现有技术相比,本发明的有益效果为:根据本发明的煤矿采空区空间几何特征精准识别方法,能够较全面的识别采空区空间几何特征,有效的提高了采空区特征参数反演的准确性以及稳定性。
附图说明
图1为本发明提出的空间几何特征精准识别方法流程图;
图2为本发明的下沉拟合图;
图3为本发明的水平移动值拟合图。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
实施例1
结合图1,一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法,所述方法包括如下步骤:
步骤S1、构建采空区特征参数与地表沉陷的定量关系模型;
所述步骤S1具体包括,矩形采空区参数与地表沉陷的定量关系模型的构建,内容如下:
假设开采沉陷盆地符合概率积分法模型,则矩形工作面开采引起的地表沉陷盆地内任意点(x,y)的下沉值可表示为:
其中,
W0=Mqcosα0
在上述公式中,M表示工作面采高,q表示地表下沉系数,α0表示煤层倾角,tanβ'表示主要影响角正切,H表示工作面走向主断面处采深,H1表示工作面下山边界采深,H2表示工作面上山边界采深,r表示为主要影响半径,r=H/tanβ',l表示工作面走向计算长度,且l=D3-S3-S4,其中D3为工作面走向长,S3、S4分别为开切眼和停采线处拐点偏移距,L表示工作面倾向计算长度,且其中D1为工作面倾向长,S1、S2分别为工作面下边界和上边界处拐点偏移距,θ为开采影响传播角,b表示为水平移动系数,依据概率积分预计模型,可建立地表任意点(x,y)下沉、水平移动与采空区特征参数的关系,
W=W(x,y;B);U=U(x,y;B)
步骤S2、量子编码和生成初始化种群;
所述步骤S2具体包括,量子编码采用二进制编码,编码内容如下:
其中,|αnm|2+|βnm|2=1,|αnm|2表示第n个参数的第m个量子比特取“0”态的概率;|βnm|2表示第n个参数的第m个量子比特取“1”态的概率。在初始化种群中,统一取种群更新过程中,随机产生随机数Rnd,如果Rnd>|αnm|2,二进制编码取“1”态,否则取“0”态。
步骤S3、确定采空区特征参数B的初始值B0和约束值Bi,解码并评价种群所有个体适应度,记录最优个体作为种群进化的目标;
所述特征参数B在B0±Bi范围内,且其二进制编码为dmdm-1dm-2…d3d2d1,模型中二进制编码个数m=7,d表示二进制编码“0”或“1”,根据如下公式进行解码:
将二进制代码表示的种群转换成十进制,利用十进制的数值对种群中各个个体的适应度f进行计算。
根据求参准则公式计算所述适应度f,其中,上述具体计算公式为:
假设地表任意观测点n的实测下沉值为Ws(n),实测水平移动值为Us(n),该点下沉和水平移动预计值分别为为Wp(n)和Up(n),则任意观测点下沉和水平移动残差公式可分别定义为Vw=Ws(n)-Wp(n)和VU=Up(n)-Us(n),根据误差平方和最小,构建求参准则为:
模型中的个体适应度f判断准则是越大越好,是以,根据上述求参准则公式,则个体适应度函数f可表示为:
其中,pd为监测点数,Wp(n)、Up(n)分别表示第n个观测点预测的下沉值和水平移动值,Ws(n)、Us(n)分别表示对应的实测下沉值和水平移动值。
步骤S4、判断是否满足终止条件,若满足,则输出当前种群的最优个体;若不满足,则进入下一步骤,其中,所述终止条件为,满足精度要求或者达到最大遗传迭代次数;
步骤S5、采用量子旋转门,更新种群,形成新的种群后返回步骤S3。
所述步骤S5具体包括,以步骤S3中的最优个体为进化目标,对亲代所有个体的二进制编码与当前种群最优个体二进制比较并利用量子旋转门生成子代种群的量子比特编码,操作过程为:
本发明中的旋转角θi的选择策略如表1所示(其中,θi=s(αi,βi)Δθi):
表1量子旋转角的调整策略表
根据量子比特编码生成子代种群二进制编码,然后返回步骤S3,重复步骤S3-S5进行迭代运算,当达到步骤S4中的终止条件时跳出循环,输出最优采空区特征参数。
在本发明中,初始种群数为100,所述最大遗传迭代次数为100。
实施例2.
结合图2和图3,具体的工程实例来说明本发明的具体过程及有益效果。淮南矿区顾桥煤矿1414(1)工作面采用综合机械化采煤,一次采全高,全部垮落法管理顶板,工作面回采时间343天。工作面沿煤层走向布置,开采尺寸为2115m×241m(工作面走向为充分采动、倾向非充分采动,总体为非充分采动)),平均采高3.0m,煤层倾角平均为5°,工作面平均埋深735m。倾向观测线布置在距离切眼和停采线1144m和976m处,共布设3个控制点和50个监测点,点间距为30m,倾向线长度为1500m。走向观测线设置在下山方向偏离工作面中心线的距离39m处,共布设3个控制点和95个监测点,点间距为30m/60m,长度为3480m。
地表观测站自2013年10月19日开始进行连接测量,到2015年6月9日(最后一次观测),观测工作历时约20个月(共599天),共进行了首次全面观测、2次日常观测和11次全面观测(末次独立进行两次)等阶段的工作任务。顾桥矿1414(1)综采工作面地表移动观测站的平面联测采用D级GPS网,采动过程中的全面观测,平面测量按GNSS CORS RTK测量的要求进行;高程测量采用四等几何水准方法进行;巡视测量和日常观测,采用四等几何水准方法进行。
利用已构建的基于量子遗传算法的采空区特征参数反演模型对141(1)工作面地表移动观测站最后一期观测数据(地表移动进入稳定期)进行采空区特征参数反演。为了避免反演结果的偶然性,在保证参数初始值和约束范围相同的情况下,独立进行参数反演10次,并计算反演参数的绝对误差、参数中误差,实验结果如表2所示。
表2基于量子遗传算法的采空区特征参数反演模型工程应用精度分析
从表2的实验结果可以看出:(1)从绝对误差来看,参数采煤深度H和中心点坐标Y0相对误差最大,分别为41.719m、-25.891m,1414(1)工作面采深735m,属于厚松散层,概率积分法模型应用于厚松散层存在模型误差,从而导致采深相对误差较大,但两者相对误差均小于6%,精度较高;(2)从相对误差来说,除了煤层倾角α相对误差较大,为14.69%,其它参数相对误差均在6%以内。煤层倾角α0主要影响的是倾向长,又由于α0真值较小,对倾向长影响小,导致参数敏感性不强,其相对误差较大。证明了基于QGA的采空区特征参数反演的准确性;(3)参数中误差中,除采煤深度H参数中误差较大,为51.895m,其他参数的参数中误差较小,证明基于QGA的采空区特征参数反演方法具有较好的稳定性。利用“基于沉陷监测的煤矿采空区空间几何特征精准识别方法”反演1414(1)采空区特征效果图如图2和图3所示。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法,其特征在于,所述方法包括如下步骤:
步骤S1、构建采空区特征参数B与地表沉陷的定量关系模型;
步骤S2、量子编码和生成初始化种群;
步骤S3、确定所述采空区特征参数B的初始值B0和约束值Bi,解码并评价种群所有个体适应度f,记录最优个体作为种群进化的目标;
步骤S4、判断是否满足终止条件,若满足,则输出当前种群的最优个体;若不满足,则进入下一步骤,其中,所述终止条件为,满足精度要求或者达到最大遗传迭代次数;
步骤S5、采用量子旋转门,更新种群,形成新的种群后返回步骤S3;其中,所述步骤S1具体包括内容如下:
假设开采沉陷盆地符合概率积分法模型,则矩形工作面开采引起的地表沉陷盆地内任意点(x,y)的下沉值表示为:
其中,
W0=Mq cosα0
在上述公式中,M表示工作面采高,q表示地表下沉系数,α0表示煤层倾角,tanβ'表示主要影响角正切,H表示工作面走向主断面处采深,H1表示工作面下山边界采深,H2表示工作面上山边界采深,r表示为主要影响半径,r=H/tanβ',l表示工作面走向计算长度,且l=D3-S3-S4,其中D3为工作面走向长,S3、S4分别为开切眼和停采线处拐点偏移距,L表示工作面倾向计算长度,且其中D1为工作面倾向长,S1、S2分别为工作面下边界和上边界处拐点偏移距,θ为开采影响传播角,b表示为水平移动系数,依据概率积分预计模型,建立地表任意点(x,y)下沉、水平移动与采空区特征参数的关系,
W=W(x,y;B);U=U(x,y;B)
6.根据权利要求5所述的基于沉陷监测的煤矿采空区空间几何特征精准识别方法,其特征在于,初始种群数为100,所述最大遗传迭代次数为100代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620287.6A CN108763822B (zh) | 2018-06-15 | 2018-06-15 | 一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620287.6A CN108763822B (zh) | 2018-06-15 | 2018-06-15 | 一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108763822A CN108763822A (zh) | 2018-11-06 |
CN108763822B true CN108763822B (zh) | 2022-03-08 |
Family
ID=63978162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810620287.6A Active CN108763822B (zh) | 2018-06-15 | 2018-06-15 | 一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108763822B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859786B (zh) * | 2020-07-03 | 2022-02-15 | 安徽理工大学 | 一种全尺度梯度开采沉陷D-InSAR三维预测方法 |
CN112184902B (zh) * | 2020-09-21 | 2022-09-02 | 东华理工大学 | 一种面向越界开采识别的地下开采面反演方法 |
CN114674277B (zh) * | 2022-03-17 | 2023-11-10 | 辽宁大学 | 全场测线联合的深部开采地表沉陷监测方法 |
CN116520451B (zh) * | 2023-04-24 | 2024-03-12 | 四川阳光上元能源技术有限公司 | 一种基于量子探测技术的地下空区探测方法 |
CN116976751B (zh) * | 2023-08-28 | 2024-02-23 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种基于时空数据融合的煤矿采空区勘察系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU1835383C (ru) * | 1989-12-05 | 1993-08-23 | Проектно-конструкторское бюро Треста "Донецкуглеавтоматика" | Устройство формировани и регистрации путевых параметров дл управлени шахтной подъемной установкой |
CN103091675A (zh) * | 2013-01-11 | 2013-05-08 | 中南大学 | 一种基于InSAR技术的矿区开采监测方法 |
CN103944672A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 基于自适应交叉变异算子的量子免疫信号盲检测方法 |
CN105806303A (zh) * | 2016-04-08 | 2016-07-27 | 安徽理工大学 | 融合D-InSAR和模矢法求取概率积分参数的方法 |
CN105912506A (zh) * | 2016-04-08 | 2016-08-31 | 安徽理工大学 | 融合D-InSAR和遗传算法求取概率积分参数的方法 |
CN106226764A (zh) * | 2016-07-29 | 2016-12-14 | 安徽理工大学 | 一种基于D‑InSAR的煤矿开采地沉陷区域的测定方法 |
CN106226767A (zh) * | 2016-07-12 | 2016-12-14 | 中南大学 | 基于单个雷达成像几何学sar 影像的矿区三维时序形变监测方法 |
-
2018
- 2018-06-15 CN CN201810620287.6A patent/CN108763822B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU1835383C (ru) * | 1989-12-05 | 1993-08-23 | Проектно-конструкторское бюро Треста "Донецкуглеавтоматика" | Устройство формировани и регистрации путевых параметров дл управлени шахтной подъемной установкой |
CN103091675A (zh) * | 2013-01-11 | 2013-05-08 | 中南大学 | 一种基于InSAR技术的矿区开采监测方法 |
CN103944672A (zh) * | 2014-04-04 | 2014-07-23 | 南京邮电大学 | 基于自适应交叉变异算子的量子免疫信号盲检测方法 |
CN105806303A (zh) * | 2016-04-08 | 2016-07-27 | 安徽理工大学 | 融合D-InSAR和模矢法求取概率积分参数的方法 |
CN105912506A (zh) * | 2016-04-08 | 2016-08-31 | 安徽理工大学 | 融合D-InSAR和遗传算法求取概率积分参数的方法 |
CN106226767A (zh) * | 2016-07-12 | 2016-12-14 | 中南大学 | 基于单个雷达成像几何学sar 影像的矿区三维时序形变监测方法 |
CN106226764A (zh) * | 2016-07-29 | 2016-12-14 | 安徽理工大学 | 一种基于D‑InSAR的煤矿开采地沉陷区域的测定方法 |
Non-Patent Citations (3)
Title |
---|
Full parameters inversion model for mining subsidence prediction using simulated annealing based on single line of sight D-InSAR;Wang, L et al.;《Environmental Earth Sciences》;20180223;第1-11页 * |
改进量子遗传算法在函数寻优中的应用;张晨等;《微型机与应用》;20160612;第35卷(第11期);第83-86页 * |
矿区地表沉陷的D-InSAR监测方法;李楠等;《金属矿山》;20171015(第10期);第23-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108763822A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763822B (zh) | 一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法 | |
Einstein et al. | Probabilistic and statistical methods in engineering geology: Specific methods and examples part I: Exploration | |
Ambrožič et al. | Prediction of subsidence due to underground mining by artificial neural networks | |
Atkinson et al. | Autologistic modelling of susceptibility to landsliding in the Central Apennines, Italy | |
CN109165406B (zh) | 一种隧道施工过程中围岩快速动态分级预测方法 | |
Li et al. | Geological survey and unstable rock block movement monitoring of a post-earthquake high rock slope using terrestrial laser scanning | |
Li et al. | Study of probability integration method parameter inversion by the genetic algorithm | |
Hu et al. | Experiment and application of NATM tunnel deformation monitoring based on 3D laser scanning | |
CN115115180A (zh) | 一种基于多参量分析的矿区地表塌陷风险识别与预测方法 | |
Wang et al. | Direct interval prediction of landslide displacements using least squares support vector machines | |
Sundell et al. | A probabilistic approach to soil layer and bedrock-level modeling for risk assessment of groundwater drawdown induced land subsidence | |
CN115293316A (zh) | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 | |
Zhou et al. | Prediction of jacking force using PSO-BPNN and PSO-SVR algorithm in curved pipe roof | |
Shi et al. | Data-driven sequential development of geological cross-sections along tunnel trajectory | |
Wang et al. | Multi-source data integration and multi-scale modeling framework for progressive prediction of complex geological interfaces in tunneling | |
Jalali | Development of slope mass rating system using K-means and fuzzy c-means clustering algorithms | |
CN117113842A (zh) | 一种基于pso-lstm模型的隧道围岩变形预测方法 | |
CN108776854B9 (zh) | 大型露天矿山边坡稳定性等精度评价方法 | |
Mwakapesa et al. | Landslide susceptibility mapping using O-CURE and PAM clustering algorithms | |
CN116045903A (zh) | 一种采煤区地面形变识别与评价方法 | |
Fattahi et al. | Application of adaptive neuro-fuzzy inference system for the assessment of damaged zone around underground spaces | |
CN113138978B (zh) | 面向城市差异性沉降监测的北斗数据填充与变形预测方法 | |
Grzegorz et al. | Implementation of virtual reference points in registering scanning images of tall structures | |
CN113987095A (zh) | 一种面向地下非法采矿识别的gis时空数据模型 | |
Zeng et al. | Local coupled Markov chain model for simulating varied stratigraphy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |