CN109063269B - 基于图模型的液压支架群顶板支撑控制方法、存储介质 - Google Patents
基于图模型的液压支架群顶板支撑控制方法、存储介质 Download PDFInfo
- Publication number
- CN109063269B CN109063269B CN201810741482.4A CN201810741482A CN109063269B CN 109063269 B CN109063269 B CN 109063269B CN 201810741482 A CN201810741482 A CN 201810741482A CN 109063269 B CN109063269 B CN 109063269B
- Authority
- CN
- China
- Prior art keywords
- coal
- hydraulic support
- decision
- hydraulic
- support
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于图模型的液压支架群顶板支撑控制方法、存储介质,是通过图模型对液压支架群的控制过程做出决策。决策结果基于两个方面的因素:一是单架自身决策,二是架与架之间的关联关系。其中单架自身决策是通过深度神经网络预测得到的,架与架之间的关联关系是通过图模型的成对势函数决策。本发明给出了液压支架群液压柱和掩护梁的动作决策的系统级模型,其决策过程也在系统层面完成,更加有利于综放工作面的安全支护。
Description
技术领域
本发明涉及一种液压支架群顶板支撑控制方法,尤其涉及一种基于图模型的综放工作面液压支架群顶板支撑控制方法。
背景技术
目前井下液压支架的顶板控制方法是以手动方法完成,操作工人根据经验设定固定的初撑力使液压柱上升。当出现片帮、顶煤下放不利等情况时,再手动操作液压支架的掩护梁、液压柱等做出相应的操作。人工操作不能从工作面顶板的整体动态状况综合考虑,无法有效兼顾工作面层级的性能,更无法实现液压支架群的自动控制,其根本原因是缺乏液压支架群系统层级的控制模型。
液压支架是煤矿综放工作面安全支护的核心设备,在一个综放工作面上,通常有上百台液压支架线性排列,构成液压支架群。
液压支架和采煤机相互配合,完成采煤机割煤、液压支架支护的动作。动作循环如下:液压支架升起液压柱,完成顶板支护任务;采煤机割煤;液压支架伸出掩护梁,完成顶煤掩护;接着液压柱下降;推前部刮板运输机;液压支架移架;拉后部刮板运输机;升起液压柱,完成顶板支撑和顶煤破碎;打开放煤口,完成顶煤回收;关闭放煤口;
支护操作主要包括液压柱的升降和掩护梁屈伸。在升起液压柱时,按照设定的初撑力完成顶板的支护,避免顶板冒落和煤壁片帮。随后工作面顶板来压。液压支架的顶梁所承受压力会逐渐增大,并呈现动态变化过程。同时,为了更好的完成顶煤破碎,可通过液压柱的反复升降操作来实现。
在综放开采过程中,顶煤的回采率低和含矸率高是普遍面临的重大难题。目前,我国综放开采的顶煤回采率仅在80%左右,大量的顶煤无法有效采出,造成了巨大的资源浪费。顶煤的回采率与液压支架的顶板支撑直接相关,因此如何实现液压支架的支撑控制是提高工作面安全和优化顶煤回采率的关键之一。
液压支架顶板支撑是综放工作面顶板、煤壁、底板及采空区冒落矸石组成的采场安全控制的核心。其支撑强度与工作面顶板及其地质条件和力学结构直接相关。早在上世纪70年代美国工程院院士P Syd S.采用二维有限元分析给出了液压支架顶板支撑力设置的折算参数。我国钱鸣高院士提出的“砌体梁”结构力学模型、宋振骐院士提出的“传递岩梁”力学模型为液压支架结构的优化设计提供了理论依据。工程实践中,通常是设定静态的初撑力和工作阻力,以此减少煤壁片帮,保证煤壁安全。
自2011年起,中国煤炭科工集团首席科学家王国法研究员团队连续在《煤炭学报》等期刊上发表一系列论文,研究液压支架与采场围岩的动态耦合关系,并扩展至特大采高、超厚煤层等不同的综放开采条件。2015年,P Syd S.院士也再次指出液压支架顶板支撑力设置应根据顶板的地质状况做动态调整。
发明内容
本发明的目的是通过条件随机图模型的方法,建立液压支架群系统级的控制模型,通过液压支架群的系统控制,实现工作面的安全支护和顶煤的高效回采。
本发明采用以下技术方案:
基于图模型的液压支架群顶板支撑控制方法,包括:
S1:实测采集地质数据,获得采场的地质数据;所述采场的地质数据包括直接顶厚度Hd、基本顶厚度Hb、煤层厚度Hc;
S2:对采场网格化处理,此时使用xmi表示网格地址,每个网格中的直接顶厚度、基本顶厚度、煤层厚度分别为Hdmi、Hbmi、Hcmi,且网格的长和宽分别等于液压支架长度L1和液压支架宽度L2,其中,i表示液压支架的地址,m表示采煤机推进的刀数;
S3:量化液压支架对应的顶煤破碎程度Cmi,并采用归一化表达方式Cmi∈[0,1],0表示未破碎,1表示完全破碎;
S4:量化液压支架正前方煤壁安全程度Smi,并采用归一化表达方式Smi∈[0,1],0表示不安全,1表示绝对安全;
S5:根据地质数据、顶煤破碎程度、煤壁安全程度,得到液压支架群的输入马尔科夫随机场X:
其中,λHd、λHb、λHc、λc和λs分别表示直接顶、基本顶、煤层、煤层破碎程度、煤壁安全的权重;
S6:建立液压支架群顶板支撑条件随机场图模型:
①计算液压柱决策的条件随机场模型:
设采煤机运行第m刀过程中,第i架液压支架的液压柱决策为ysi,则条件随机场表示为
ysi=φs1(ysi|X)+φs2(ysi,ysj|X) (式1)式中:
φs1(ysi|X)为状态特征函数,表示第i架液压支架的液压柱在输入条件X下做出的决策结果;
φs2(ysi,ysj|X)为转移特征函数,表示在输入条件为X下,第j架液压支架液压柱的决策对第i架液压支架液压柱的影响;φs2(ysi,ysj|X)表达式如下所示:
式中λs(ysi,ysj)表示第i架液压支架液压柱的决策和第j架液压支架液压柱的决策之间的相容性,ωs1、ωs2为权重,αs、βs为大于零的常数;
②计算掩护梁决策的条件随机场模型:
设采煤机处于第m刀过程中,第i架的掩护梁决策为ygi,则条件随机场表示为:
ygi=φg1(ygi|X)+φg2(ygi,ygj|X) (式3)
式中:
φg1(ygi|X)为状态特征函数,表示第i架液压支架的掩护梁在输入条件X下做出的决策结果;
φg2(ygi,ygj|X)为转移特征函数,表示在输入条件为X下,第j架液压支架掩护梁的决策对第i架液压支架掩护梁的影响;
其中,λg(ygi,ygj)表示第i架液压支架掩护梁决策和第j架液压支架掩护梁决策之间的相容性,ωg1、ωg2为权重,αg、βg为大于零的常数;
③φs1(ysi|X)和φg1(ygi|X)的获取方法为:
通过采集顶煤工作现场综放工作面的地质数据,并记录每个支架放煤支撑操作时的顶煤破碎状况和煤壁安全信息,保存为样本,训练两个深度神经网络模型,分别输入查询样本到两个深度神经网络模型,获取φs1(ysi|X)和φg1(ygi|X)的预测结果。
φs1(ysi|X)的获取过程为:
通过采集顶煤工作现场综放工作面的地质数据、煤层赋存数据,并记录每个支架放煤支撑操作时的顶煤破碎状况和煤壁安全信息保存为样本,及对应的液压柱动作保存标签,训练一个深度神经网络模型,输入查询样本数据到深度神经网络模型,获取φs1(ysi|X)的预测结果;
φg1(ygi|X)的获取过程为:
通过采集顶煤工作现场综放工作面的地质数据,并记录每个支架放煤支撑操作时的顶煤破碎状况和煤壁安全信息,保存为样本,并将对应的掩护梁动作保存为标签,训练一个深度神经网络模型,输入查询样本到深度神经网络模型,获取φg1(ygi|X)的预测结果。
其中,
所述液压柱的动作标签表示为As={0,1,2},其中,0表示保持,1表示升起,2表示下降;
所述掩护梁的动作标签表示为Ag={0,1},其中0表示伸展,1表示收缩;
一种存储介质,该存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明的有益效果:本发明给出了液压支架群液压柱和掩护梁的动作决策的系统级模型,其决策过程也在系统层面完成,更加有利于综放工作面的安全支护。
附图说明
图1为图模型示意图。
图2为网格示意图。
图3为条件随机场示意图。
图4为深度神经网络训练示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
本发明提供一种液压支架群顶板支撑控制方法,该方法通过条件随机场图模型来实现液压支架群系统级模型的建立,然后实现对液压支架群顶板支撑决策的预测。
本发明的方法包括以下步骤:
1.液压支架群条件随机场图模型的建立
根据液压支架群的空间分布和动作时序的特性,将其优化决策模型抽象成图模型,如3图所示。
条件随机场是在输入马尔可夫随机场X的前提下,输出马尔可夫随机场Y的条件概率分布P(Y|X)。本发明以综放面的地质条件和煤层赋存为输入马尔可夫随机场,通过条件随机图模型,来预测液压支架群动作的概率分布,从而实现工作面的顶板的最优支护。
因此,液压支架群图模型的建立包括输入马尔可夫随机场、动作空间建立、概率分布模型三个部分:
(1)液压支架群图模型输入马尔可夫随机场的建立。
①通过实测地质数据,获得采场的地质数据,包括:直接顶厚度、基本顶厚度、煤层厚度,分别用Hd、Hb、Hc表示。然后对采场网格化处理,如图4所示,网格的长度和宽度分别表示液压支架的长度L1和液压支架的宽度L2;xmi表示网格地址,其中i表示液压支架的地址,即第i架液压支架,m表示采煤机推进的刀数。直接顶厚度、基本顶厚度和煤层厚度信息在对应的网格中分别表示为Hdmi、Hbmi、Hcmi。
②量化液压支架对应的顶煤破碎程度Cmi,并采用归一化表达方式Cmi∈[0,1],0表示未破碎,1表示完全破碎。
③量化液压支架正前方煤壁安全程度Smi,并采用归一化表达方式Smi∈[0,1],0表示不安全,1表示绝对安全。
④融合顶板地质信息、顶煤破碎程度、煤壁安全程度,得到液压支架群的输入马尔科夫随机场X:
X={xm1,xm2,...,xmn};
其中,xmi=λHdHdmi+λHbHbmi+λHcHcmi+λcCmi+λsSmi,其中,λHd、λHb、λHc、λc和λs分别表示直接顶、基本顶、煤层、煤层破碎程度、煤壁安全的权重;1≤i≤n,n表示网格的每列有n架液压支架;
(2)单个液压支架动作空间的建立。
液压支架的液压柱的动作空间有保持、升起、下降三类,用As={0,1,2}表示,0,1,2为模型训练用的标签。掩护梁的动作空间有伸展和收缩两种,用Ag={0,1}表示,0,1用作神经网络训练用的标签。
(3)液压支架群顶板支撑条件随机场图模型的建立。
液压支架顶板支撑条件随机图模型就是建立输入条件随机场到单个液压支架动作之间的映射关系,如图1所示。
设采煤机运行的第m刀过程中,第i架的液压柱决策为ysi,该决策包括保持、升起、下降三类中的一个,由条件随机场表示为
ysi=φs1(ysi|X)+φs2(ysi,ysj|X) (式1)
式中φs1(ysi|X)为状态特征函数,表示第i架液压支架在输入条件X下做出的决策结果;φs2(ysi,ysj|X)为转移特征函数,表示在输入条件为X下,第j架的决策对第i架的影响。且φs1(ysi|X)是通过样本学习得到,φs2(ysi,ysj|X)表达式如下所示:
式中λs(ysi,ysj)表示第i架决策和第j架决策的相容性,ωs1、ωs2为权重,λs(ysi,ysj)、ωs1、ωs2这四个值是通过获取样本后,经过条件随机场训练获取。αs、βs为大于零的常数,该常数根据经验取值。
同理,得到第m刀过程中,第i架的掩护梁决策为ygi
ygi=φg1(ygi|X)+φg2(ygi,ygj|X) (式3)
式中φg1(ygi|X)为状态特征函数,表示第i架液压支架在输入条件X下做出的决策结果;
且
λg(ygi,ygj)表示第i架决策和第j架决策的相容性,ωg1、ωg2为权重,此四个值也是通过获取样本后,经过条件随机场训练获取,αg、βg为大于零的常数,该常数根据经验进行取值。
2、液压支架群顶板支撑条件随机场图模型推理过程
建立上述模型后,其中φs1(ysi|X)和φg1(ysi|X)的函数值未知,因此需要对两个函数进行推理。为此建立两个一维的深度神经网络,并通过样本学习得到模型。具体过程如下:
(1)训练样本的获取
通过放顶煤工作现场,收集综放工作面的地质数据,记录每个支架放煤支撑操作时的顶煤破碎状况和煤壁安全信息,保存为样本,以及对应的液压柱的三个动作空间的动作和掩护梁的两个动作空间的动作,保存为标签。
上述的样本数据需要进行规范化处理,规范化处理的过程为现有技术,可根据需要选择合适的方法。
(2)深度神经网络的构建及训练
由于需要进行φsx(ysi|X)和φg1(ysi|X)两个函数值的获取,因此,本发明需要根据上述采集的训练样本分别建立液压柱的深度神经网络预测模型和掩护梁的深度神经网络预测模型,即需要建立两个深度神经网络预测模型。该两个深度神经网络预测模型的建立方法相同。
①深度神经网络的建立
如图3所示,建立两个深度神经网络,分别逼近液压柱和掩护梁的动作决策。两个神经网络的结构相同,依次由16层相连的一维卷积层、2层相连的全连接层、softmax分类层和2次反卷积组成。
②深度神经网络的训练
训练样本包括数据和标签两个部分,样本中的数据通过深度神经网络后得到一个初步预测输出,将初步预测输出作为条件随机场中对应的状态特征函数的值,并根据(式1)和(式3)分别获取液压柱和掩护梁的动作概率,该概率分布场是模型的预测结果。神经网络权重优化器通过随机梯度下降法,使预测结果与样本标签之间的交叉熵降到最低,则完成了神经网络的训练。
③决策输出预测
当神经网络训练完毕后,即建立了液压支架群顶板支撑的条件随机场图模型。此时,当有查询样本输入模型时,模型通过深度神经网络和条件随机场共同作用,对动作决策做出预测。
本发明还包括一种存储介质,该存储介质存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
上述的存储介质可以包括能够携带所述计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、光盘、磁盘、计算机存储器等。
综上可知,本发明是通过图模型对液压支架群的控制过程做出决策。决策结果基于两个方面的因素:一是单架自身决策,二是架与架之间的关联关系。其中单架自身决策是通过深度神经网络预测得到的,架与架之间的关联关系是通过图模型的成对势函数决策。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的技术人员来说,在不脱离本发明整体构思前提下,还可以作出若干改变和改进,这些也应该视为本发明的保护范围。
Claims (3)
1.基于图模型的液压支架群顶板支撑控制方法,其特征在于,包括:
S1:实测采集地质数据,获得采场的地质数据;所述采场的地质数据包括直接顶厚度Hd、基本顶厚度Hb、煤层厚度Hc;
S2:对采场网格化处理,此时使用xmi表示网格地址,每个网格中的直接顶厚度、基本顶厚度、煤层厚度分别为Hdmi、Hbmi、Hcmi,且网格的长和宽分别等于液压支架长度L1和液压支架宽度L2,其中,i表示液压支架的地址,m表示采煤机推进的刀数;
S3:量化液压支架对应的顶煤破碎程度Cmi,并采用归一化表达方式Cmi∈[0,1],0表示未破碎,1表示完全破碎;
S4:量化液压支架正前方煤壁安全程度Smi,并采用归一化表达方式Smi∈[0,1],0表示不安全,1表示绝对安全;
S5:根据地质数据、顶煤破碎程度、煤壁安全程度,得到液压支架群的输入马尔科夫随机场X:
X={xm1,xm2,...,xmn},
xmi=λHdHdmi+λHbHbmi+λHcHcmi+λcCmi+λsSmi,
其中,λHd、λHb、λHc、λc和λs分别表示直接顶、基本顶、煤层、煤层破碎程度、煤壁安全的权重;
S6:建立液压支架群顶板支撑条件随机场图模型:
①计算液压柱决策的条件随机场模型:
设采煤机运行第m刀过程中,第i架液压支架的液压柱决策为ysi,则条件随机场表示为
ysi=φs1(ysi|X)+φs2(ysi,ysj|X) (式1)
式中:
φs1(ysi|X)为状态特征函数,表示第i架液压支架的液压柱在输入条件X下做出的决策结果;
φs2(ysi,ysj|X)为转移特征函数,表示在输入条件为X下,第j架液压支架液压柱的决策对第i架液压支架液压柱的影响;φs2(ysi,ysj|X)表达式如下所示:
式中λs(ysi,ysj)表示第i架液压支架液压柱的决策和第j架液压支架液压柱的决策之间的相容性,ωs1、ωs2为权重,αs、βs为大于零的常数;
②计算掩护梁决策的条件随机场模型:
设采煤机处于第m刀过程中,第i架的掩护梁决策为ygi,则条件随机场表示为:
ygi=φg1(ygi|X)+φg2(ygi,ygj|X) (式3)
式中:
φg1(ygi|X)为状态特征函数,表示第i架液压支架的掩护梁在输入条件X下做出的决策结果;
φg2(ygi,ygj|X)为转移特征函数,表示在输入条件为X下,第j架液压支架掩护梁的决策对第i架液压支架掩护梁的影响;
其中,λg(ygi,ygj)表示第i架液压支架掩护梁决策和第j架液压支架掩护梁决策之间的相容性,ωg1、ωg2为权重,αg、βg为大于零的常数;
③φs1(ysi|X)和φg1(ygi|X)的获取方法为:
通过采集顶煤工作现场综放工作面的地质数据,并记录每个支架放煤支撑操作时的顶煤破碎状况和煤壁安全信息,保存为样本,训练两个深度神经网络模型,分别输入查询样本到两个深度神经网络模型,获取φs1(ysi|X)和φg1(ygi|X)的预测结果。
2.根据权利要求1所述的基于图模型的液压支架群顶板支撑控制方法,其特征在于:
φs1(ysi|X)的获取过程为:
通过采集顶煤工作现场综放工作面的地质数据、煤层赋存数据,并记录每个支架放煤支撑操作时的顶煤破碎状况和煤壁安全信息保存为样本,及对应的液压柱动作保存标签,训练一个深度神经网络模型,输入查询样本数据到深度神经网络模型,获取φs1(ysi|X)的预测结果;
φg1(ygi|X)的获取过程为:
通过采集顶煤工作现场综放工作面的地质数据,并记录每个支架放煤支撑操作时的顶煤破碎状况和煤壁安全信息,保存为样本,并将对应的掩护梁动作保存为标签,训练一个深度神经网络模型,输入查询样本到深度神经网络模型,获取φg1(ygi|X)的预测结果;
其中,
所述液压柱的动作标签表示为As{=0,1,2},其中,0表示保持,1表示升起,2表示下降;
所述掩护梁的动作标签表示为Ag{=0,1},其中0表示伸展,1表示收缩。
3.一种存储介质,该存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~2任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810741482.4A CN109063269B (zh) | 2018-07-07 | 2018-07-07 | 基于图模型的液压支架群顶板支撑控制方法、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810741482.4A CN109063269B (zh) | 2018-07-07 | 2018-07-07 | 基于图模型的液压支架群顶板支撑控制方法、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063269A CN109063269A (zh) | 2018-12-21 |
CN109063269B true CN109063269B (zh) | 2021-09-07 |
Family
ID=64819535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810741482.4A Active CN109063269B (zh) | 2018-07-07 | 2018-07-07 | 基于图模型的液压支架群顶板支撑控制方法、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063269B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112602188B (zh) * | 2019-02-12 | 2023-10-24 | Spp科技股份有限公司 | 基板升降异常检测装置 |
CN110363237B (zh) * | 2019-07-01 | 2021-09-07 | 河南理工大学 | 一种基于隐马尔科夫随机场模型的放煤口操作决策方法 |
CN110469561A (zh) * | 2019-09-16 | 2019-11-19 | 深圳江行联加智能科技有限公司 | 一种液压系统状态监测的装置、方法与系统 |
CN111898287A (zh) * | 2020-05-20 | 2020-11-06 | 三一重型装备有限公司 | 一种基于弹支边界的液压支架整体强度分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325093A (zh) * | 2013-05-20 | 2013-09-25 | 中国科学院电子学研究所 | 一种基于mrf的相位解缠方法和系统 |
CN104008374A (zh) * | 2014-06-04 | 2014-08-27 | 中国矿业大学(北京) | 一种矿井图像中基于条件随机场的矿工检测方法 |
CN104314599A (zh) * | 2014-09-29 | 2015-01-28 | 天地科技股份有限公司 | 一种基于神经网络的综采工作面自动化放煤系统和方法 |
CN104794327A (zh) * | 2015-05-06 | 2015-07-22 | 西安科技大学 | 基于决策融合的多模型矿井顶板安全预警模型 |
CN107091107A (zh) * | 2017-05-12 | 2017-08-25 | 河南理工大学矿山开发设计研究所 | 智能放顶煤控制系统及方法 |
-
2018
- 2018-07-07 CN CN201810741482.4A patent/CN109063269B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325093A (zh) * | 2013-05-20 | 2013-09-25 | 中国科学院电子学研究所 | 一种基于mrf的相位解缠方法和系统 |
CN104008374A (zh) * | 2014-06-04 | 2014-08-27 | 中国矿业大学(北京) | 一种矿井图像中基于条件随机场的矿工检测方法 |
CN104314599A (zh) * | 2014-09-29 | 2015-01-28 | 天地科技股份有限公司 | 一种基于神经网络的综采工作面自动化放煤系统和方法 |
CN104794327A (zh) * | 2015-05-06 | 2015-07-22 | 西安科技大学 | 基于决策融合的多模型矿井顶板安全预警模型 |
CN107091107A (zh) * | 2017-05-12 | 2017-08-25 | 河南理工大学矿山开发设计研究所 | 智能放顶煤控制系统及方法 |
Non-Patent Citations (3)
Title |
---|
An expert system for coal roof management information system design and research;Qing Sun, R. Jia and T. Zhao;《2011 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC)》;20110906;全文 * |
保德矿8#厚煤层综放工作面合理支护强度研究;王宇;《山西煤炭》;20170430;第37卷(第2期);全文 * |
近距离煤层工作面综采设备系统可靠性分析;郭志雄;《机械管理开发》;20171209;第32卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109063269A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063269B (zh) | 基于图模型的液压支架群顶板支撑控制方法、存储介质 | |
Freitag et al. | Recurrent neural networks and proper orthogonal decomposition with interval data for real-time predictions of mechanised tunnelling processes | |
CN111441758B (zh) | 页岩油气甜点区的预测方法及装置 | |
Sun et al. | Dynamic load prediction of tunnel boring machine (TBM) based on heterogeneous in-situ data | |
Tien Bui et al. | A swarm intelligence-based machine learning approach for predicting soil shear strength for road construction: a case study at Trung Luong National Expressway Project (Vietnam) | |
Zhang et al. | Measurement and prediction of tunnelling-induced ground settlement in karst region by using expanding deep learning method | |
Kannangara et al. | Investigation of feature contribution to shield tunneling-induced settlement using Shapley additive explanations method | |
Salimi et al. | Utilising of linear and non-linear prediction tools for evaluation of penetration rate of tunnel boring machine in hard rock condition | |
CN111553000A (zh) | 钻爆法隧道智能建造方法 | |
CN109784561A (zh) | 一种基于集成学习的浓密机底流浓度预测方法 | |
CN111008693B (zh) | 一种基于数据压缩的网络模型构建方法、系统和介质 | |
CN107559045A (zh) | 煤矿井下工作面矿压预测预警系统及方法 | |
Xiao et al. | Prediction of shield machine posture using the GRU algorithm with adaptive boosting: A case study of Chengdu Subway project | |
AU2021273655B2 (en) | Full-section force bearing sensing method of tunnel-structure health monitoring system | |
CN103628816A (zh) | 地震属性指导水平井导向的方法及其装置 | |
Yang et al. | Study on the viscoelastic–viscoplastic model of layered siltstone using creep test and RBF neural network | |
Abreu et al. | Inverse analysis of hydraulic fracturing tests based on artificial intelligence techniques | |
Zhang et al. | Data on evolutionary hybrid neural network approach to predict shield tunneling-induced ground settlements | |
CN105335626B (zh) | 一种基于网络分析的群lasso特征分群方法 | |
Mohaghegh et al. | Predicting well-stimulation results in a gas-storage field in the absence of reservoir data with neural networks | |
CN112906143B (zh) | 一种考虑数据分布域适应的综采工作面矿压预测模型建立方法 | |
CN114329935A (zh) | 煤矿巷道围岩三维采动应力的测试方法及装置 | |
Qu et al. | Mining Engineering Image Recognition Method Based on Simulated Annealing Algorithm | |
Ding et al. | Mechanical characteristics analysis and structural optimization of key component of self-moving temporary support | |
Wu et al. | A data-driven approach to evaluate fracturing practice in tight sandstone in Changqing field |
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 |