CN109752504A - 一种工作面瓦斯传感器调校辅助决策方法 - Google Patents
一种工作面瓦斯传感器调校辅助决策方法 Download PDFInfo
- Publication number
- CN109752504A CN109752504A CN201910075695.2A CN201910075695A CN109752504A CN 109752504 A CN109752504 A CN 109752504A CN 201910075695 A CN201910075695 A CN 201910075695A CN 109752504 A CN109752504 A CN 109752504A
- Authority
- CN
- China
- Prior art keywords
- gas
- sensor adjustment
- confidence interval
- gas density
- face
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 69
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 3
- 239000003245 coal Substances 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Abstract
本发明公开了一种工作面瓦斯传感器调校辅助决策方法,包括以下步骤:假设瓦斯传感器调校前的时刻为t,按照时间顺序从瓦斯传感器调校前监测的瓦斯浓度数据序列中提取时刻t‑1及t‑1时刻以前的q个数据,形成基础数据C;依据高斯过程回归理论,训练得到高斯回归模型GP(C,y);将瓦斯传感器调校前时刻t的瓦斯浓度监测数据作为测试输入;训练完成的高斯回归模型,得到时刻t对应的瓦斯浓度正常监测数据的均值函数和方差函数;根据得到的时刻t对应的瓦斯浓度正常监测数据的均值函数和方差函数,依据高斯分布的特征,得到置信区间;并将瓦斯传感器调校后瓦斯浓度实际监测值与得到的置信区间比较,判断瓦斯传感器调校的有效性。
Description
技术领域
本发明属于煤矿安全监测与监控技术领域,特别涉及一种工作面瓦斯传感器调校辅助决策方法。
背景技术
煤矿井下环境条件恶劣,瓦斯传感器工作过程中受到水蒸气、粉尘影响,瓦斯浓度监测数据传输受电磁干扰的影响等等都会使得瓦斯传感器监测数据失真,监测数据失真在可接受的误差范围是容许的,但上述影响往往使得瓦斯浓度监测数据出现连续间断、连续为零或者出现“大数”等监测失效的情形,这种情况下的瓦斯传感器调校是保证可靠安全监测关键手段。
目前,现有的监测监控附带软件仅有“大数”滤波功能,而现场技术人员实施的传感器调校受限于技术人员的主要经验,缺乏客观的科学依据;因此,研发一种操作便捷、科学合理的传感器调校辅助决策方法对于安全监测有着重要的现实意义。
发明内容
针对现有技术中存在的技术问题,本发明提供一种工作面瓦斯传感器调校辅助决策方法,能方便、合理判断瓦斯传感器调校的有效性。
为实现上述目的,本发明的技术方案是:
一种工作面瓦斯传感器调校辅助决策方法,利用瓦斯传感器调校前监测的瓦斯浓度数据作为基础数据,通过高斯过程回归计算,得到瓦斯浓度的置信区间作为监测失效时瓦斯传感器调校的决策依据;通过瓦斯浓度的置信区间与瓦斯浓度实际监测值的比较,验证瓦斯传感器调校有效性。
进一步的,包括以下步骤:
步骤1、基础数据提取,煤矿工作面进风巷、上隅角、工作面和回风巷分别设置一个瓦斯监测点,假设工作面某一瓦斯监测点的瓦斯传感器调校的时刻为t,按照时间顺序从瓦斯传感器调校前监测的瓦斯浓度数据序列中提取时刻t-1及t-1时刻以前的q个数据,形成基础数据C,其中,C={C(t-q),C(t-q+1),…,C(t-1)};
步骤2、模型训练,利用步骤1中得到的基础数据C作为模型输入向量,依据高斯过程回归理论,训练得到高斯回归模型GP(C,y),其中,y为模型的期望输出值;
步骤3、回归计算,将工作面其余瓦斯监测点的瓦斯传感器t时刻的瓦斯浓度监测数据作为输入,利用步骤2中的高斯过程回归模型GP(C,y)进行预测;得到工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯传感监测瓦斯浓度的估计值和方差;
步骤4、辅助决策,根据步骤3中得到的工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯浓度估计值和方差,依据高斯分布的特征,得到工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯浓度的置信区间;并将该瓦斯传感器的瓦斯浓度实际监测值与瓦斯浓度的置信区间比较,验证瓦斯传感器调校的有效性。
进一步的,用于工作面进风巷监测点瓦斯浓度置信区间计算时,基础数据C={Cj,Ch};用于上隅角监测点瓦斯浓度置信区间计算时,基础数据C={Cj,Cs,Cz};用于工作面监测点瓦斯浓度置信区间计算时,基础数据C={Cj,Cs,Ch},用于回风巷监测点瓦斯浓度置信区间计算时基础数据C={Cj,Cs,Ch};其中Cj,CsCz,Ch分别表示工作面进风巷、上隅角、工作面和回风巷瓦斯监测点的瓦斯浓度数据序列。
进一步的,步骤2中得到高斯回归模型GP(C,y)中,基础数据的均值函数的数学表达式为:
基础数据的方差函数的数学表达式为:
其中,k为协方差函数或核函数,
K为协方差矩阵,
σ为序列方差,
I为单位矩阵表示,
T为矩阵转置的符号;
为模型的预测输出值,且的数学表达式为
进一步的,步骤4中得到的置信区间为[yl,yh],
其中,yl为置信区间的下限值,
yh为置信区间的上限值;
且置信区间[yl,yh]的确定计算式为:
其中,为均值函数,
为方差函数,
β为置信度系数。
进一步的,步骤3中工作面监测点置信区间的置信度95%,即β=2;对于工作面瓦斯监测点瓦斯浓度的置信区间计算式为:
进一步的,步骤3中工作面进风巷监测点的置信区间的置信度68%,即β=1;对于工作面进风巷瓦斯监测点瓦斯浓度的置信区间计算式为:
进一步的,步骤3中回风流监测点置信区间的置信度68%,即β=1;对于工作面进风巷瓦斯监测点瓦斯浓度的置信区间计算式为:
进一步的,步骤3中上隅角监测点置信区间的置信度99.7%,即β=3;对于上隅角瓦斯监测点瓦斯浓度的置信区间计算式为:
进一步的,步骤5中,判断瓦斯传感器调校的有效性时,若瓦斯传感器调校后监测的实际检测数据位于置信区间内,表明瓦斯传感器调校有效,若瓦斯传感器调校后监测的实际检测数据没有位于置信区间内,表明瓦斯传感器调校无效。
与现有技术相比,本发明的有益效果是:
本发明一种工作面瓦斯传感器调校辅助决策方法,对于煤矿工作面区域的各个瓦斯监测点,通过各瓦斯检测点瓦斯传感器调校前监测的瓦斯浓度历史数据作为基础数据,进行高斯过程回归计算,得到各瓦斯监测点瓦斯浓度的合理置信区间,作为监测失效情况下瓦斯传感器调校的参考;
进一步的,基于物联网技术,以便携式通讯装置为硬件载体用于技术人员的日常传感器调校,将大大提升传感器调校的准确性与工作效率。
附图说明
图1为本发明所述的辅助决策方法流程图;
图2为煤矿工作面瓦斯监测点布置示意图;
图3为本发明实施例中的工作面监测点瓦斯浓度监测值置信区间计算结果。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的详细说明。
煤矿工作面是煤矿井下瓦斯监测的重要区域,根据质量守恒定律,煤矿工作面进风流中的瓦斯流量、工作面瓦斯涌出量及采空区向工作面瓦斯涌出量三者之和等于工作面回风流中的瓦斯流量。
参考附图1、2所示,本发明一种工作面瓦斯传感器调校辅助决策方法,利用瓦斯传感器调校前监测的瓦斯浓度历史数据作为基础数据,通过高斯过程回归计算,得到瓦斯浓度的置信区间,瓦斯浓度的置信区间作为瓦斯传感器监测失效时调校的决策依据;通过瓦斯传感器调校后监测的瓦斯实际浓度值与瓦斯浓度的置信区间进行比较,判断瓦斯监测点瓦斯传感器调校的有效性;
具体包括以下步骤:
步骤1、基础数据提取;煤矿工作面瓦斯监测点布置在工作面进风巷、上隅角、工作面及回风巷,其中工作面进风巷的瓦斯监测点表示为Tj,上隅角的瓦斯监测点表示为Ts,工作面的瓦斯监测点表示为Tz,回风巷的瓦斯监测点表示为Th;工作面进风巷的瓦斯监测点的瓦斯浓度数据序列表示为Cj,上隅角的瓦斯监测点的瓦斯浓度数据序列表示为Cs,工作面的瓦斯监测点的瓦斯浓度数据序列表示为Cz,回风巷的瓦斯监测点的瓦斯浓度数据序列表示为Ch,且瓦斯监测过程形成的瓦斯浓度数据序列为高频时间序列;
假设某一瓦斯监测点的瓦斯传感器调校前的时刻为t,按照时间顺序从该瓦斯传感器调校前监测的瓦斯浓度数据序列中提取时刻t-1及t-1时刻以前的q个数据,形成基础数据C,其中C={C(t-q),C(t-q+1),…,C(t-1)};
依据井巷结构与质量守恒原理,用于工作面进风巷瓦斯浓度置信区间计算时,基础数据C={Cj,Ch};用于上隅角瓦斯浓度置信区间计算时,基础数据C={Cj,Cs};用于工作面监测点瓦斯浓度置信区间计算时,基础数据C={Cj,Cs,Cz},用于回风巷瓦斯浓度置信区间计算时基础数据C={Cj,Cs,Cz,Ch};
步骤2、模型训练,利用步骤1中得到的基础数据C作为模型输入向量,依据高斯过程回归理论,训练得到高斯回归模型GP(C,y),
其中,y为基础数据的期望值;
基础数据的均值函数的数学表达式为:
基础数据的方差函数的数学表达式为:
其中,k为协方差函数或核函数,
K为协方差矩阵,
σ为序列方差,
I为单位矩阵表示为,
T为矩阵转置的符号,
为模型输出值,且的数学表达式为;
步骤3、回归计算,将工作面其余瓦斯监测点的瓦斯传感器t时刻的瓦斯浓度监测数据作为输入,利用步骤2中的高斯过程回归模型GP(C,y)进行预测;得到工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯传感监测瓦斯浓度的估计值和方差;
步骤4、辅助决策,根据步骤3得到的工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯浓度估计值和方差,依据高斯分布的特征,得到工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯浓度的置信区间;[yl,yh],
其中,yl为置信区间的下限值,
yh为置信区间的上限值;
且置信区间[yl,yh]的确定计算式为:
其中,对于不同的监测点,置信度系数β依据监测点所处位置风流特征来确定;
对于工作面进风巷监测点,瓦斯随风流进入工作面,而回风流中瓦斯在风流中以充分混合且流态单一,工作面进风巷和回风巷两个瓦斯监测点瓦斯浓度的置信区间长度可尽可能小以提高准确性,取置信度68%,即β=1;
因此,对于工作面进风巷瓦斯监测点瓦斯浓度的置信区间计算式为:
对于工作面回风巷瓦斯监测点瓦斯浓度的置信区间计算式为:
对于上隅角瓦斯监测点,由于风流流态复杂,加之漏风引起采空区向工作面瓦斯涌出的不确定性,取置信度99.7%,即β=3;
因此,对于上隅角瓦斯监测点瓦斯浓度的置信区间计算式为:
对于工作面瓦斯监测点布置在回风巷,可瓦斯在风流中混合均匀,但受生产过程影响较复杂,因而取置信度95%,即β=2;
因此,对于工作面瓦斯监测点瓦斯浓度的置信区间计算式为:
步骤5、将瓦斯传感器调校后的瓦斯浓度实际监测值与步骤4中得到对应的瓦斯浓度正常监测数据的置信区间比较,判断瓦斯传感器调校的有效性;若瓦斯传感器调校后监测的实际检测数据位于置信区间内,表明瓦斯传感器调校有效,若瓦斯传感器调校后监测的实际检测数据没有位于置信区间内,表明瓦斯传感器调校无效。
实施例
参考附图2、3所示,附图2为工作面区域瓦斯传感器布置图,Tj为进风巷瓦斯监测点、Ts为上隅角瓦斯监测点、Tz为工作面瓦斯监测点,Th为回风巷瓦斯监测点;选取陕西黄陵某矿回采工作面监测点Tz点作为决策计算对象,附图3中显示的计算结果是选用了该矿井工作面2017年的瓦斯浓度监测历史数据作为基础数据来建模,然后得出2018年1月1日1时瓦斯浓度置信区间,该时间段内瓦斯监测周期为30s,共120个数据点,建模过程中选用工作面进风巷Tj、上隅角Ts、以及工作面Tz三个监测点作为关联监测点,来计算得出工作面监测点瓦斯浓度的置信区间;从附图3中可以看出,瓦斯浓度估计值与实际监测值拟合度较高,并且实际监测值全部落在置信区间之中,表明了置信区间对于辅助传感器调校的有效性。将该方法通过程序开发实现,部署于矿用便携式通讯装置(手机)中,基于物联网技术,可为现场技术人员提供便捷、有效的传感器调校辅助手段。
Claims (10)
1.一种工作面瓦斯传感器调校辅助决策方法,其特征在于,利用瓦斯传感器调校前监测的瓦斯浓度数据作为基础数据,通过高斯过程回归计算,得到瓦斯浓度的置信区间作为监测失效时瓦斯传感器调校的决策依据;通过瓦斯浓度的置信区间与瓦斯浓度实际监测值的比较,验证瓦斯传感器调校有效性。
2.根据权利要求1所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,包括以下步骤:
步骤1、基础数据提取,煤矿工作面进风巷、上隅角、工作面和回风巷分别设置一个瓦斯监测点,假设工作面某一瓦斯监测点的瓦斯传感器调校的时刻为t,按照时间顺序从瓦斯传感器调校前监测的瓦斯浓度数据序列中提取时刻t-1及t-1时刻以前的q个数据,形成基础数据C,其中,C={C(t-q),C(t-q+1),…,C(t-1)};
步骤2、模型训练,利用步骤1中得到的基础数据C作为模型输入向量,依据高斯过程回归理论,训练得到高斯回归模型GP(C,y),其中,y为模型的期望输出值;
步骤3、回归计算,将工作面其余瓦斯监测点的瓦斯传感器t时刻的瓦斯浓度监测数据作为输入,利用步骤2中的高斯过程回归模型GP(C,y)进行预测;得到工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯传感监测瓦斯浓度的估计值和方差;
步骤4、辅助决策,根据步骤3中得到的工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯浓度估计值和方差,依据高斯分布的特征,得到工作面某一瓦斯监测点的瓦斯传感器t时刻对应的瓦斯浓度的置信区间;并将该瓦斯传感器的瓦斯浓度实际监测值与瓦斯浓度的置信区间比较,验证瓦斯传感器调校的有效性。
3.根据权利要求2所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,用于工作面进风巷监测点瓦斯浓度置信区间计算时,基础数据C={Cj,Ch};用于上隅角监测点瓦斯浓度置信区间计算时,基础数据C={Cj,Cs,Cz};用于工作面监测点瓦斯浓度置信区间计算时,基础数据C={Cj,Cs,Ch},用于回风巷监测点瓦斯浓度置信区间计算时基础数据C={Cj,Cs,Ch};其中Cj,CsCz,Ch分别表示工作面进风巷、上隅角、工作面和回风巷瓦斯监测点的瓦斯浓度数据序列。
4.根据权利要求2所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,步骤2中得到高斯回归模型GP(C,y)中,基础数据的均值函数的数学表达式为:
基础数据的方差函数的数学表达式为:
其中,k为协方差函数或核函数,
K为协方差矩阵,
σ为序列方差,
I为单位矩阵表示,
T为矩阵转置的符号;
为模型的预测输出值,且的数学表达式为
5.根据权利要求2所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,步骤4中得到的置信区间为[yl,yh],
其中,yl为置信区间的下限值,
yh为置信区间的上限值;
且置信区间[yl,yh]的确定计算式为:
其中,为均值函数,
为方差函数,
β为置信度系数。
6.根据权利要求5所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,步骤3中工作面监测点置信区间的置信度95%,即β=2;对于工作面瓦斯监测点瓦斯浓度的置信区间计算式为:
7.根据权利要求5所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,步骤3中工作面进风巷监测点的置信区间的置信度68%,即β=1;对于工作面进风巷瓦斯监测点瓦斯浓度的置信区间计算式为:
8.根据权利要求5所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,步骤3中回风流监测点置信区间的置信度68%,即β=1;对于工作面进风巷瓦斯监测点瓦斯浓度的置信区间计算式为:
9.根据权利要求5所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,步骤3中上隅角监测点置信区间的置信度99.7%,即β=3;对于上隅角瓦斯监测点瓦斯浓度的置信区间计算式为:
10.根据权利要求2所述的一种工作面瓦斯传感器调校辅助决策方法,其特征在于,步骤5中,判断瓦斯传感器调校的有效性时,若瓦斯传感器调校后监测的实际检测数据位于置信区间内,表明瓦斯传感器调校有效,若瓦斯传感器调校后监测的实际检测数据没有位于置信区间内,表明瓦斯传感器调校无效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075695.2A CN109752504B (zh) | 2019-01-25 | 2019-01-25 | 一种工作面瓦斯传感器调校辅助决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075695.2A CN109752504B (zh) | 2019-01-25 | 2019-01-25 | 一种工作面瓦斯传感器调校辅助决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109752504A true CN109752504A (zh) | 2019-05-14 |
CN109752504B CN109752504B (zh) | 2021-11-30 |
Family
ID=66406267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910075695.2A Expired - Fee Related CN109752504B (zh) | 2019-01-25 | 2019-01-25 | 一种工作面瓦斯传感器调校辅助决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109752504B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019211694A1 (de) * | 2019-08-05 | 2021-02-11 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Kalibrieren eines diamantbasierten Magnetfeldsensors mittels eines Resonanzmodells als ein Gaußprozessmodell |
CN112926270A (zh) * | 2021-03-18 | 2021-06-08 | 西安科技大学 | 瓦斯多因素耦合关系分析及预警模型构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718734A (zh) * | 2009-12-18 | 2010-06-02 | 昆明理工大学 | 煤矿用甲烷传感器异常采样数据甄别处理方法 |
CN102608286A (zh) * | 2012-03-01 | 2012-07-25 | 煤炭科学研究总院 | 一种实时监测煤矿瓦斯监测值异常的方法 |
CN103336906A (zh) * | 2013-07-15 | 2013-10-02 | 哈尔滨工业大学 | 环境传感器的采集数据流中连续异常检测的抽样gpr方法 |
CN103345593A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 面向传感器单数据流的聚集异常检测方法 |
CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
WO2014207789A1 (ja) * | 2013-06-24 | 2014-12-31 | 株式会社 日立製作所 | 状態監視装置 |
CN106246226A (zh) * | 2016-08-18 | 2016-12-21 | 西安科技大学 | 一种矿井瓦斯涌出异常的识别方法 |
-
2019
- 2019-01-25 CN CN201910075695.2A patent/CN109752504B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101718734A (zh) * | 2009-12-18 | 2010-06-02 | 昆明理工大学 | 煤矿用甲烷传感器异常采样数据甄别处理方法 |
CN102608286A (zh) * | 2012-03-01 | 2012-07-25 | 煤炭科学研究总院 | 一种实时监测煤矿瓦斯监测值异常的方法 |
WO2014207789A1 (ja) * | 2013-06-24 | 2014-12-31 | 株式会社 日立製作所 | 状態監視装置 |
CN103336906A (zh) * | 2013-07-15 | 2013-10-02 | 哈尔滨工业大学 | 环境传感器的采集数据流中连续异常检测的抽样gpr方法 |
CN103345593A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 面向传感器单数据流的聚集异常检测方法 |
CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
CN106246226A (zh) * | 2016-08-18 | 2016-12-21 | 西安科技大学 | 一种矿井瓦斯涌出异常的识别方法 |
Non-Patent Citations (2)
Title |
---|
DONG DINGWEN: "Mine gas emission prediction based on Gaussian process model", 《PROCEDIA ENGINEERING》 * |
殷大发: "煤矿安全监控系统监测点数据异常识别技术研究", 《矿山机械》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019211694A1 (de) * | 2019-08-05 | 2021-02-11 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Kalibrieren eines diamantbasierten Magnetfeldsensors mittels eines Resonanzmodells als ein Gaußprozessmodell |
DE102019211694B4 (de) * | 2019-08-05 | 2021-03-18 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Kalibrieren eines diamantbasierten Magnetfeldsensors mittels eines Resonanzmodells als ein Gaußprozessmodell |
CN112926270A (zh) * | 2021-03-18 | 2021-06-08 | 西安科技大学 | 瓦斯多因素耦合关系分析及预警模型构建方法 |
CN112926270B (zh) * | 2021-03-18 | 2023-05-05 | 西安科技大学 | 瓦斯多因素耦合关系分析及预警模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109752504B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qu et al. | A deep learning model for concrete dam deformation prediction based on RS-LSTM | |
US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN101379498B (zh) | 使用物理和代理仿真器的用于快速更新油气田生产模型的方法和系统 | |
EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
US9068448B2 (en) | System and method for predicting fluid flow characteristics within fractured subsurface reservoirs | |
WO2020085617A1 (ko) | 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법 | |
Mahmoodzadeh et al. | Decision-making in tunneling using artificial intelligence tools | |
Yang et al. | Prediction of mining subsidence under thin bedrocks and thick unconsolidated layers based on field measurement and artificial neural networks | |
CN103530818B (zh) | 一种基于brb系统的供水管网建模方法 | |
CN109752504A (zh) | 一种工作面瓦斯传感器调校辅助决策方法 | |
US20230358123A1 (en) | Reinforcement learning-based decision optimization method of oilfield production system | |
US10309812B1 (en) | System and method of using the same | |
Li et al. | Simultaneous estimation of geologic and reservoir state variables within an ensemble-based multiple-point statistic framework | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN114357750A (zh) | 一种采空区充水状态评估方法 | |
Shi et al. | Data-driven sequential development of geological cross-sections along tunnel trajectory | |
Pandurangan et al. | Tiltmeter mapping of measured nonsymmetric hydraulic-fracture growth in a conglomerate/sandstone formation using the implicit level-set algorithm and the extended Kalman filter | |
CN109670729A (zh) | 一种顶板含水层富水性评价方法 | |
CN116861813A (zh) | 一种基于监测数据计算的煤层瓦斯基础参数动态可视化方法 | |
CN107256333A (zh) | 一种基于预测和动态阈值的Argo剖面异常检测方法 | |
CN110188439A (zh) | 基于案例推理和系统动力学的地铁施工地表沉降预警方法 | |
CN115099464A (zh) | 一种基于油嘴模型流量系数预测的油井产量预测方法 | |
Pandurangan et al. | Mapping hydraulic fractures from tiltmeter data using the ensemble Kalman filter | |
Cheng et al. | ANN based interwell connectivity analysis in cyber-physical petroleum systems | |
CN109657783A (zh) | 强鲁棒的具有长短时记忆能力的采煤机记忆截割系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211130 |