CN109523069A - 一种利用机器学习预测充填材料强度参数的方法 - Google Patents
一种利用机器学习预测充填材料强度参数的方法 Download PDFInfo
- Publication number
- CN109523069A CN109523069A CN201811296342.7A CN201811296342A CN109523069A CN 109523069 A CN109523069 A CN 109523069A CN 201811296342 A CN201811296342 A CN 201811296342A CN 109523069 A CN109523069 A CN 109523069A
- Authority
- CN
- China
- Prior art keywords
- filler
- machine learning
- prediction
- intensive parameter
- parameter
- 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
- 239000000945 filler Substances 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 239000004575 stone Substances 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 12
- 239000000463 material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003991 Rietveld refinement Methods 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用机器学习预测充填材料强度参数的方法，包括步骤：建立数据集，数据集预处理，根据数据集建立充填材料强度参数预测模型，并利用该预测模型进行未知充填材料的强度预测。本发明基于已知充填材料强度参数及其影响因素，利用机器学习预测未知充填材料的强度参数，具有工作量小、成本低、精度高、可靠性高等优点，可用于不同矿山的不同尾矿，大大提高了后续充填设计的效率。
Description
技术领域
本发明涉及矿山充填技术领域，具体涉及一种利用机器学习预测充填材料强度参数的方法。
背景技术
矿山采空区的充填是地下采矿中的重要环节，有利于增加开采后围岩体的稳定性，提高矿物开采率，降低地表沉降，提高开采的安全性。为实现以上目标，充填材料必须具有一定的强度参数，比如一定的单轴抗压抗拉强度。
大量关于充填材料强度参数的实验研究已经开展，使得我们对充填材料强度参数与其影响因素的关系有了初步了解。尽管如此，由于不能根据已有数据进行合理预测，目前的研究结果依然难以满足矿山开采的实际需求。这是因为每个矿山的尾砂具有其特殊性，在充填前依然需要有针对性地进行大量实验研究，不仅消耗了大量的人力和物力，同时积累的实验数据难以实现再利用。
为此，迫切需要提出切实可行的新方法，深入、系统地挖掘已有的充填材料数据，实现充填材料强度参数的预测。
发明内容
针对现有矿山充填技术存在的上述不足，本发明基于充填材料强度参数的影响因素，提出了一种利用机器学习预测充填材料强度参数的方法，不仅能准确预测出充填材料的强度参数，而且精准度和准确度较高，能够广泛应用于工程实际，为后续充填材料的设计提供依据。
为实现上述目的，本发明采用以下技术方案：
一种利用机器学习预测充填材料强度参数的方法，包括步骤：
S1、收集已知充填材料的强度参数，确定对应的影响因素，建立数据集；
S2、对所有数据进行归一化处理，然后将处理后的数据集划分为训练集和测试集两部分；
S3、确定机器学习算法，在整个训练集上建立充填材料强度参数的初始预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型；
S4、利用目标预测模型对未知充填材料进行强度预测。
优选的，所述步骤S1包括步骤：
S11、选取已知充填材料，确定充填实验方案；
S12、根据上述实验方案制备充填材料试样，并测量其强度参数；
S13、确定影响因素，并整理成数据集。
优选的，所述影响因素包括原材料性质、配比、质量浓度以及养护时间。
优选的，所述数据集划分的方法为随机划分或Kennard-Stone划分。
优选的，所述步骤S2中，所述训练集与所述测试集的比例通过收敛性计算得到。
优选的，所述步骤S3包括步骤：
S31、选择机器学习算法；
S32、利用训练集确定机器学习算法的超参数；
S33、用确定超参数后的机器学习算法在整个训练集上建立充填材料强度参数的初始预测模型，并在测试集上测试该预测模型的可靠性，直至预测精度满足要求，得到对应的目标预测模型。
优选的，所述机器学习算法为决策树、随机森林、神经网络、逻辑回归或支持向量机。
优选的，所述步骤S3中，可靠性的评价指标包括相关系数R或均方根差RMSE，其中，相关系数R计算公式如下：
均方根差RMSE计算公式如下：
式中，N和n均为样本数目，yi与yi *为第i个样本的实验值与预测值，为相应数据集中所有样本实验值的平均值。
本发明的有益效果：
本发明基于已知充填材料强度参数及其影响因素，利用机器学习预测未知充填材料的强度参数，与传统充填设计中需要对每种尾砂进行大量的实验研究方法相比，节省了大量的人力物力，具有工作量小、成本低、精度高、可靠性高等优点，可极大提高后续充填设计的效率，而且普适性强，可应用于不同矿山的不同尾矿。
附图说明
图1为本发明具体实施方式的方法流程图。
图2为本发明具体实施方式的神经网络模型在训练集上的预测情况。
图3为本发明具体实施方式中测试集的充填材料单轴抗压强度实验值与其预测值的分布图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明，但本发明的实施方式不限于此。
本发明的构思为：在收集已知充填材料的强度参数及其影响因素的基础上，建立数据集，然后对数据集中的所有数据进行归一化处理，处理后的数据集划分为训练集和测试集两部分，再采用一定的机器学习算法在整个训练集上建立充填材料强度参数的初始预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型。该目标预测模型可以对未知充填材料进行准确的强度预测。与传统充填设计中需要对每种尾砂进行大量的实验研究方法相比，采用所述目标预测模型进行预测可以节省大量的人力物力，不仅工作量小、成本低、精度高、可靠性高、效率高，而且普适性强，可应用于不同矿山的不同尾矿。本发明对数据集中的数据来源没有特别限定，可以通过实验或者已发表文章获得，因此能很好地利用已积累的实验数据，简化工作流程。
以下以一种实施方式为例，说明该方法的应用。如图1所示，为本发明利用机器学习预测充填材料强度参数的方法流程图，具体地说，包括以下步骤：
步骤一：建立数据集
本发明对数据集的样本数没有特别限定，以下仅以不同矿山的三种尾砂为例(分别标记为T1,T2和T3)进行说明。尾砂性质主要包括比重、粒径和化学组成，其中，采用Malvern Mastersizer 2000粒径分析仪测量尾砂粒径；使用Bruker AXS D8AdvanceDiffractometer测量尾砂的X光衍射图，再利用Rietveld方法从中获取尾砂的化学组分。购买国标325型号水泥，根据矿山实际，确定灰砂比为1：4，1：6，1：8和1：10，质量浓度根据矿山的实际需要进行调整，不同配比的浆料养护时间均为3、7和28天。
将充填用原材料搅拌均匀，倒入直径×高度为50mm×100mm的养护磨具中，并放入养护箱中进行养护。养护过程中使用加湿器和空调保证实验室内湿度大于90％，室内温度25℃左右。养护结束后，拆除养护装置，采用WDW-2000压力机测试试样的单轴抗压强度值。每一种实验方案至少准备三个试样，最终的单轴抗压强度值为该实验方案下所有试样单轴抗压强度值的平均值。根据工程实例需要确定本实施例的影响因素为尾砂性质、灰砂比、质量浓度和养护时间，其与对应的单轴抗压强度值一起，形成本实施方式的数据集。
步骤二：数据集预处理
使用独热编码对数据集中的尾砂类型进行处理。将数据根据其最大值与最小值进行归一化处理，使得所有数据处于(0，1)范围中。本实例使用随机划分方法将整个数据集划分为训练集与测试集，二者比例通过收敛性测试确定。本实例中，训练集占总数据集的80％，测试集占总数据集的20％。
步骤三：建立充填材料强度参数预测模型
本实例选取神经网络作为充填材料单轴抗压强度的预测方法，采用相关系数R作为判断预测精度的标准，其计算公式如下：
其中，n为样本数目，yi与yi *为第i个样本的实验值与预测值，为测试集的实验值平均值。
利用10折交叉验证，粒子群算法和均方误差确定神经网络的隐含层层数以及每层神经元的个数。神经网络的隐含层层数确定为2层，其中第一层神经元个数为14，第二层神经元个数为2。使用整个训练集训练最优的神经网络，并检验该神经网络模型在该训练集上的表现，其结果如图2所示。经计算，在训练集上使用该神经网络预测的单轴抗压强度与实验值之间的相关系数高达0.97，说明该模型在训练集上可行。在实际应用中，交叉验证的折数、超参数优化的方法以及判别标准可以根据数据集的改变进行调整。
步骤四：充填材料强度预测
本实例选取测试集中的实验数据作为未知充填材料，使用训练后的神经网络模型对测试集中的充填材料的单轴抗压强度进行预测，经计算，在测试集上使用该神经网络预测的单轴抗压强度与实验值之间的相关系数高达0.98，其预测结果如图3所示。可见，预测值与实验值十分接近，说明本方法在测试集上也是可行的，可用于未知充填材料的强度预测。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
Claims (8)
1.一种利用机器学习预测充填材料强度参数的方法，其特征在于，包括步骤：
S1、收集已知充填材料的强度参数，确定对应的影响因素，建立数据集；
S2、对所有数据进行归一化处理，然后将处理后的数据集划分为训练集和测试集两部分；
S3、确定机器学习算法，在整个训练集上建立充填材料强度参数的初始预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型；
S4、利用目标预测模型对未知充填材料进行强度预测。
2.根据权利要求1所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述步骤S1包括步骤：
S11、选取已知充填材料，确定充填实验方案；
S12、根据上述实验方案制备充填材料试样，并测量其强度参数；
S13、确定影响因素，并整理成数据集。
3.根据权利要求1或2所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述影响因素包括原材料性质、配比、质量浓度以及养护时间。
4.根据权利要求1所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述数据集划分的方法为随机划分或Kennard-Stone划分。
5.根据权利要求1或4所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述步骤S2中，所述训练集与所述测试集的比例通过收敛性计算得到。
6.根据权利要求1所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述步骤S3包括步骤：
S31、选择机器学习算法；
S32、利用训练集确定机器学习算法的超参数；
S33、用确定超参数后的机器学习算法在整个训练集上建立充填材料强度参数的初始预测模型，并在测试集上测试该预测模型的可靠性，直至预测精度满足要求，得到对应的目标预测模型。
7.根据权利要求1或6所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述机器学习算法为决策树、随机森林、神经网络、逻辑回归或支持向量机。
8.根据权利要求1或6所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述步骤S3中，可靠性评价指标包括相关系数R或均方根差RMSE。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811296342.7A CN109523069A (zh) | 2018-11-01 | 2018-11-01 | 一种利用机器学习预测充填材料强度参数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811296342.7A CN109523069A (zh) | 2018-11-01 | 2018-11-01 | 一种利用机器学习预测充填材料强度参数的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523069A true CN109523069A (zh) | 2019-03-26 |
Family
ID=65773917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811296342.7A Pending CN109523069A (zh) | 2018-11-01 | 2018-11-01 | 一种利用机器学习预测充填材料强度参数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523069A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111190945A (zh) * | 2020-01-16 | 2020-05-22 | 西安交通大学 | 一种基于机器学习的高温高速润滑脂设计方法 |
| CN111553482A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
| CN111753399A (zh) * | 2020-05-26 | 2020-10-09 | 中南大学 | 一种利用机器学习预测充填料浆环管压降的方法 |
| CN112331281A (zh) * | 2020-09-08 | 2021-02-05 | 中国电器科学研究院股份有限公司 | 基于环境大数据和机器学习的高分子材料服役寿命预测方法 |
| CN113699592A (zh) * | 2020-05-22 | 2021-11-26 | 天津理工大学 | 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用 |
| CN113791107A (zh) * | 2021-09-30 | 2021-12-14 | 武汉三源特种建材有限责任公司 | 一种尾矿充填体监测方法 |
| CN114207729A (zh) * | 2019-09-18 | 2022-03-18 | 株式会社日立制作所 | 材料特性预测系统以及材料特性预测方法 |
| CN115167155A (zh) * | 2022-09-07 | 2022-10-11 | 北京首钢矿山建设工程有限责任公司 | 一种矿山采空区充填体智能混合制备方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5269732B2 (ja) * | 2009-09-28 | 2013-08-21 | 株式会社ブリヂストン | ゴム材料の変形挙動予測方法およびそれに用いられる装置 |
| CN103723967A (zh) * | 2013-12-27 | 2014-04-16 | 金川集团股份有限公司 | 一种采矿用充填胶凝材料配比决策方法 |
| CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
| CN108229062A (zh) * | 2018-01-31 | 2018-06-29 | 西安科技大学 | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 |
-
2018
- 2018-11-01 CN CN201811296342.7A patent/CN109523069A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5269732B2 (ja) * | 2009-09-28 | 2013-08-21 | 株式会社ブリヂストン | ゴム材料の変形挙動予測方法およびそれに用いられる装置 |
| CN103723967A (zh) * | 2013-12-27 | 2014-04-16 | 金川集团股份有限公司 | 一种采矿用充填胶凝材料配比决策方法 |
| CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
| CN108229062A (zh) * | 2018-01-31 | 2018-06-29 | 西安科技大学 | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHONGCHONG QI.ETC: "A strength prediction model using artificial intelligence for recycling waste tailings as cemented paste backfill", 《JOURNAL OF CLEANER PRODUCTION》 * |
| DENG XUE-JIE.ETC.: "Application of BP neural network in predicting the cement materials performance", 《JOURNAL OF CHEMICAL AND PHARMACEUTICAL RESEARCH》 * |
| 刘载文: "《水环境系统智能化软测量与控制方法》", 31 March 2013, 北京：中国轻工业出版社 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114207729A (zh) * | 2019-09-18 | 2022-03-18 | 株式会社日立制作所 | 材料特性预测系统以及材料特性预测方法 |
| CN111190945A (zh) * | 2020-01-16 | 2020-05-22 | 西安交通大学 | 一种基于机器学习的高温高速润滑脂设计方法 |
| CN111553482A (zh) * | 2020-04-09 | 2020-08-18 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
| CN111553482B (zh) * | 2020-04-09 | 2023-08-08 | 哈尔滨工业大学 | 机器学习模型超参数的调优方法 |
| CN113699592A (zh) * | 2020-05-22 | 2021-11-26 | 天津理工大学 | 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用 |
| CN113699592B (zh) * | 2020-05-22 | 2023-07-07 | 天津理工大学 | 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用 |
| CN111753399A (zh) * | 2020-05-26 | 2020-10-09 | 中南大学 | 一种利用机器学习预测充填料浆环管压降的方法 |
| CN112331281A (zh) * | 2020-09-08 | 2021-02-05 | 中国电器科学研究院股份有限公司 | 基于环境大数据和机器学习的高分子材料服役寿命预测方法 |
| CN113791107A (zh) * | 2021-09-30 | 2021-12-14 | 武汉三源特种建材有限责任公司 | 一种尾矿充填体监测方法 |
| CN113791107B (zh) * | 2021-09-30 | 2023-10-20 | 武汉三源特种建材有限责任公司 | 一种尾矿充填体监测方法 |
| CN115167155A (zh) * | 2022-09-07 | 2022-10-11 | 北京首钢矿山建设工程有限责任公司 | 一种矿山采空区充填体智能混合制备方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109523069A (zh) | 一种利用机器学习预测充填材料强度参数的方法 | |
| Qi et al. | Neural network and particle swarm optimization for predicting the unconfined compressive strength of cemented paste backfill | |
| CN101929930B (zh) | 一种水泥28天胶砂抗压强度快速预测方法 | |
| CN109784561A (zh) | 一种基于集成学习的浓密机底流浓度预测方法 | |
| CN107543755A (zh) | 荷载与冻融循环耦合下混凝土耐久性试验装置及评价方法 | |
| CN108229062B (zh) | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 | |
| CN104345133A (zh) | 一种注入流体渗漏、窜流机理及防控方法的数值分析方法 | |
| CN103226728B (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
| CN104794298A (zh) | 一种铀尾矿库核素对库区地下水污染风险评价的方法 | |
| CN106746946B (zh) | 一种优化充填料配比的方法 | |
| CN103310284B (zh) | 经济负荷和降温负荷的确定方法及负荷确定装置 | |
| CN114936511A (zh) | 一种基于数字孪生的尾砂膏体充填设计方法 | |
| CN108287254B (zh) | 一种基于图像处理的胶结充填体微观参数敏感性分析方法 | |
| CN105719065B (zh) | 一种复杂油藏储量品质分类综合评价方法 | |
| CN105741019A (zh) | 一种电力景气预警方法 | |
| CN105447639A (zh) | 新的水热封闭型地热资源品质分类评价方法 | |
| CN102034270B (zh) | 基于中国道路谱数据库的典型路面提取与合成方法 | |
| CN104931678B (zh) | 一种矿山胶结充填料浆离析程度检测与评价方法 | |
| CN111753399A (zh) | 一种利用机器学习预测充填料浆环管压降的方法 | |
| CN104834986B (zh) | 基于全局综合敏感性分析的隧洞施工进度动态控制方法 | |
| CN105040632A (zh) | 基于Finn模型的场地抗液化设计精细化处理方法 | |
| CN109049274A (zh) | 层状异性岩体相似材料的制作方法 | |
| CN103530805A (zh) | 一种基于数据库和系统接口的自动结算系统和方法 | |
| Lian et al. | Evaluation and applicability study on prediction methods of water inflow in mines | |
| Roopchund et al. | Effects of Cellulose Nanocrystals on Construction Materials: Meta-analyses Quantification using RevMan Software |
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 |