CN110888915A - 一种基于大数据平台的挖泥船疏浚作业分析方法 - Google Patents

一种基于大数据平台的挖泥船疏浚作业分析方法 Download PDF

Info

Publication number
CN110888915A
CN110888915A CN201911108090.5A CN201911108090A CN110888915A CN 110888915 A CN110888915 A CN 110888915A CN 201911108090 A CN201911108090 A CN 201911108090A CN 110888915 A CN110888915 A CN 110888915A
Authority
CN
China
Prior art keywords
dredging
data
analysis
stage
dry soil
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
Application number
CN201911108090.5A
Other languages
English (en)
Other versions
CN110888915B (zh
Inventor
朱逸峰
苏贞
俞孟蕻
袁伟
齐亮
何祖军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Marine Equipment and Technology Institute Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Marine Equipment and Technology Institute Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology, Marine Equipment and Technology Institute Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN201911108090.5A priority Critical patent/CN110888915B/zh
Publication of CN110888915A publication Critical patent/CN110888915A/zh
Application granted granted Critical
Publication of CN110888915B publication Critical patent/CN110888915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F5/00—Dredgers or soil-shifting machines for special purposes
    • E02F5/28—Dredgers or soil-shifting machines for special purposes for cleaning watercourses or other ways
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Abstract

本发明涉及一种基于大数据平台的挖泥船疏浚作业分析方法，通过大数据平台的挖泥船疏浚作业分析系统进行分析，挖泥船疏浚作业分析系统包括疏浚数据采集模块，用于对疏浚数据进行采集与加工；疏浚数据存储模块，用于对疏浚数据进行存储与处理；疏浚数据分析模块，用于对疏浚数据进行分析计算；所述分析方法包括阶段分析和整体分析，在阶段分析结束后再对疏浚过程进行整体分析，采用多级分配权值方法计算出最优疏浚参数，从而挖掘出整体疏浚过程的规律；其中，阶段分析包括初始未溢流阶段分析、恒体积装舱阶段分析和恒载重溢流装舱阶段分析。本发明的优点在于：本发明基于大数据平台的挖泥船疏浚作业分析方法实现了海量疏浚大数据的高效利用。

Description

一种基于大数据平台的挖泥船疏浚作业分析方法
技术领域
本发明属于大数据处理技术领域，特别涉及一种基于大数据平台的挖泥船疏浚作业分析方法。
背景技术
随着疏浚行业飞速发展，传感器技术日益先进，使得挖泥船疏浚作业数据呈现爆炸式地增长，存储在计算机内的疏浚数据量日益庞大。来自船载服务器与岸端船舶管理平台中存储的海量历史数据，数据量可达数TB，甚至PB，如何高效存储、提取和处理这些宝贵的疏浚数据成为了疏浚大数据分析利用亟待解决的问题，目前对于船舶大数据的应用分析还在探索阶段，海量施工数据没有得到有效的分析和利用。我国作为疏浚大国，急需在疏浚大数据分析方面取得进展，为安全、高效和智能的疏浚提供支持，通过搭建大数据平台实现疏浚作业在线分析与决策，可有效解决因作业环境复杂和操耙手经验不足导致的疏浚效率不高等问题。
发明内容
本发明要解决的技术问题是提供一种能够实现海量疏浚大数据高效利用的基于大数据平台的挖泥船疏浚作业分析方法。
为解决上述技术问题，本发明的技术方案为：一种基于大数据平台的挖泥船疏浚作业分析方法，该分析方法通过大数据平台的挖泥船疏浚作业分析系统进行分析，所述挖泥船疏浚作业分析系统包括
疏浚数据采集模块，用于对疏浚数据进行采集与加工；
疏浚数据存储模块，用于对疏浚数据进行存储与处理；
疏浚数据分析模块，用于对疏浚数据进行分析计算；
其创新点在于：所述分析方法包括阶段分析和整体分析，在阶段分析结束后再对疏浚过程进行整体分析，采用多级分配权值方法计算出最优疏浚参数，从而挖掘出整体疏浚过程的规律；其中，阶段分析包括初始未溢流阶段分析、恒体积装舱阶段分析和恒载重溢流装舱阶段分析。
进一步地，所述分析方法具体包括如下步骤：
步骤1：通过疏浚数据分析模块对初始未溢流阶段的干土吨生产率TDSR和干土吨质量比TMR进行分析，然后综合干土吨生产率和干土吨质量比进行评估，通过CPI＝a1×TDSR+b1×TMR给予合适的权重获得综合性能指标CPI1，其中，a1与b1为权重；
步骤2：疏浚数据分析模块根据CPI1从疏浚存储模块中的数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出初始未溢流阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤3：通过疏浚数据分析模块对恒体积装舱阶段的干土吨生产率TDSR、干土吨质量比TMR和泥沙存储率SSR进行分析，然后综合干土吨生产率、干土吨质量比和泥沙存储率进行评估，通过CPI＝a2×TDSR+b2×TMR+c1×SSR给予合适的权重获得综合性能指标CPI2，其中，a2与b2，c1为权重；
步骤4：疏浚数据分析模块根据CPI2从数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出恒体积装舱阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤5：通过疏浚数据分析模块对恒载重溢流装舱阶段的干土吨生产率TDSR、干土吨质量比TMR和泥沙存储率SSR进行分析，然后综合干土吨生产率、干土吨质量比和泥沙存储率进行评估，通过CPI＝a3×TDSR+b3×TMR+c2×SSR给予合适的权重获得综合性能指标CPI3，其中，a3与b3，c2为权重；
步骤6：疏浚数据分析模块根据CPI3从数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出恒载重溢流装舱阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤7：对数据库中的数据依据CPI1、CPI2和CPI3从高到低进行排序，依次获得名次mi，通过名次的倒数得到
Figure BDA0002271916430000031
并对权重进行标准化得到
Figure BDA0002271916430000032
其中
Figure BDA0002271916430000033
Figure BDA0002271916430000034
为各个船次的权重，最终得出各个阶段的疏浚参数：
Figure BDA0002271916430000035
步骤8：通过疏浚数据分析模块综合各阶段、各疏浚指标CPI排名，采用阶段分配权值方法x＝ω1x1+ω2x2+ω3x3，计算出最优疏浚参数x，挖掘出整体疏浚过程的规律；其中，x1，x2，x3为三个阶段的疏浚参数，ω1，ω2，ω3为三个阶段的权值，由三个阶段对全周期疏浚的关联影响分配权重，x为计算得的全周期疏浚参数。
本发明的优点在于：本发明基于大数据平台的挖泥船疏浚作业分析方法，基于挖泥船疏浚大数据进行分析从而得到挖泥船疏浚规律及最佳操作范围；打破传统的依据操耙手经验决定疏浚质量的局面，将挖泥船的疏浚大数据的潜在价值挖掘出来，能够实现海量疏浚大数据高效利用。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于大数据平台的挖泥船疏浚作业分析系统的结构示意图。
图2为本发明基于大数据平台的挖泥船疏浚作业分析方法的流程图。
具体实施方式
下面的实施例可以使本专业的技术人员更全面地理解本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例
本实施例基于大数据平台的挖泥船疏浚作业分析系统，如图1所示，包括疏浚数据采集模块1，用于对疏浚数据进行采集与加工；疏浚数据存储模块2，用于对疏浚数据进行存储与处理；疏浚数据分析模块3，用于对疏浚数据进行分析计算。
本实施例中，疏浚数据采集模块1集成了Sqoop，Flume等数据接入工具对于多源异构数据进行接入，疏浚数据采集模块1的数据主要来源于船载服务器与岸端船舶管理平台中存储的海量历史数据；数据采集模块1设置有中间数据库，中间数据库起所有数据从传统数据库导入到疏浚数据存储模块2的过渡作用；疏浚数据采集模块1将分布的、异构数源中的数据抽取到临时中间层后进行清洗、转换、集成，最后加载到疏浚数据存储模块2。
疏浚数据存储模块2对采集到的船舶自身信息、设备状态信息、环境信息、工程管理信息等进行存储处理；疏浚数据存储模块2具有高扩展性的分布式存储结构，存储模块以Hadoop分布式系统HDFS为底层存储，具有分布式可扩展、高容错、高吞吐量的体系结构，提供层次化的存储和计算服务，提高大数据管理平台的可扩展性和可靠性；此外，疏浚数据存储模块集成了分布式数据库Hbase和数据仓库Hive，具备了海量非结构化数据存储能力和结构化数据挖掘能力；疏浚数据存储模块使用mysql存储用户信息；利用高度容错性能并且能提供高吞吐量的数据访问，非常适合大规模数据集上的HDFS文件系统存储文件；使用高可靠性、高性能、面向列、可伸缩的分布式数据库HBase对不同数据类型的异构数据进行加载存储，并用一种<key,value>形式处理不同数据，并且高效解决数据后台处理需求，同时集成分布式应用程序协调服务Zookeeper为HBase提供了稳定服务和失效转移机制。
疏浚数据分析模块3是基于hive进行离线数据分析，通过设计合适的Hive UDF函数对疏浚数据存储模块里的数据进行分析计算和数据挖掘。疏浚数据分析模块基于大数据进行分析以及疏浚结果评估得到挖泥船疏浚规律及最佳操作范围。
疏浚数据分析模块3对于疏浚质量好坏的评估主要基于以下四个指标：干土吨生产率、泥沙存储率、干土吨质量比以及有效疏浚时间；干土吨生产率TDSR是用来评价在一定疏浚时间内，泥舱内泥沙存储量的平均产能，并予以量化；泥沙存储率SSR对溢流阶段，泥沙从溢流筒溢出量与进舱泥沙量之间的比值；干土吨质量比TMR指标是对沙在泥舱内装载程度予以量化；其中，关于干土吨生产率TDSR、干土吨质量比TMR和泥沙存储率SSR的赋予值，本技术方案发明人在中国港湾建设期刊2011年8月第4期发表的《自航耙吸挖泥船疏浚性能评估系统设计》中已详细说明。
本实施例基于大数据平台的挖泥船疏浚作业分析系统的分析方法，如图2所示，具体包括如下步骤：
步骤1：通过疏浚数据分析模块3对初始未溢流阶段的干土吨生产率TDSR和干土吨质量比TMR进行分析，然后综合干土吨生产率和干土吨质量比进行评估，通过CPI＝a1×TDSR+b1×TMR给予合适的权重获得综合性能指标CPI1，其中，a1与b1为权重；
步骤2：疏浚数据分析模块3根据CPI1从疏浚存储模块2中的数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出初始未溢流阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤3：通过疏浚数据分析模块3对恒体积装舱阶段的干土吨生产率TDSR、干土吨质量比TMR和泥沙存储率SSR进行分析，然后综合干土吨生产率、干土吨质量比和泥沙存储率进行评估，通过CPI＝a2×TDSR+b2×TMR+c1×SSR给予合适的权重获得综合性能指标CPI2，其中，a2与b2，c1为权重；
步骤4：疏浚数据分析模块3根据CPI2从数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出恒体积装舱阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤5：通过疏浚数据分析模块3对恒载重溢流装舱阶段的干土吨生产率TDSR、干土吨质量比TMR和泥沙存储率SSR进行分析，然后综合干土吨生产率、干土吨质量比和泥沙存储率进行评估，通过CPI＝a3×TDSR+b3×TMR+c2×SSR给予合适的权重获得综合性能指标CPI3，其中，a3与b3，c2为权重；
步骤6：疏浚数据分析模块3根据CPI3从数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出恒载重溢流装舱阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤7：对数据库中的数据依据CPI1、CPI2和CPI3从高到低进行排序，依次获得名次mi，通过名次的倒数得到
Figure BDA0002271916430000071
并对权重进行标准化得到
Figure BDA0002271916430000072
其中
Figure BDA0002271916430000073
Figure BDA0002271916430000074
为各个船次的权重，最终得出各个阶段的疏浚参数：
Figure BDA0002271916430000075
步骤8：通过疏浚数据分析模块3综合各阶段、各疏浚指标CPI排名，采用阶段分配权值方法x＝ω1x1+ω2x2+ω3x3，计算出最优疏浚参数x，挖掘出整体疏浚过程的规律；其中，x1，x2，x3为三个阶段的疏浚参数，ω1，ω2，ω3为三个阶段的权值，由三个阶段对全周期疏浚的关联影响分配权重，x为计算得的全周期疏浚参数。
以新海凤在长江口的疏浚为例，本发明的疏浚数据分析模块分析数据的步骤如下：
1)新海凤疏浚时的数据由船载服务器发送到船舶企业及相关单位，并由疏浚数据采集模块1采集到大数据平台并由疏浚数据存储模块2进行数据存储；
2)疏浚数据分析模块3从疏浚数据存储模块2中获取疏浚信息，如航速、耙头对地角度、泥泵转速及波浪补偿器压力等信息，用于下一步的分析计算；
3)根据性能指标找出10船疏浚效果最佳数据，如下表所示：
Figure BDA0002271916430000081
10个周期最后指标值，如TMR＝0.80，指的是第一周期疏浚结束后，泥舱内干土吨产量占总的装载量的80％。CPI是总和计算三个性能指标之和，排名的先后就是根据CPI大小而进行的。
4)采用权利要求书中的权重方法求出第一个阶段最优疏浚参数：
Figure BDA0002271916430000082
疏浚数据分析模块分析处理过的数据系统会将其推送给不同的用户终端，并将这些信息进行汇总、整理，实现业务应用层面的数据共享，并能提供共享的数据接口服务，从而实现疏浚数据的共享与服务4。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (2)

1.一种基于大数据平台的挖泥船疏浚作业分析方法，该分析方法通过大数据平台的挖泥船疏浚作业分析系统进行分析，所述挖泥船疏浚作业分析系统包括
疏浚数据采集模块，用于对疏浚数据进行采集与加工；
疏浚数据存储模块，用于对疏浚数据进行存储与处理；
疏浚数据分析模块，用于对疏浚数据进行分析计算；
其特征在于：所述分析方法包括阶段分析和整体分析，在阶段分析结束后再对疏浚过程进行整体分析，采用多级分配权值方法计算出最优疏浚参数，从而挖掘出整体疏浚过程的规律；其中，阶段分析包括初始未溢流阶段分析、恒体积装舱阶段分析和恒载重溢流装舱阶段分析。
2.根据权利要求1所述的基于大数据平台的挖泥船疏浚作业分析方法，其特征在于：所述分析方法具体包括如下步骤：
步骤1：通过疏浚数据分析模块对初始未溢流阶段的干土吨生产率TDSR和干土吨质量比TMR进行分析，然后综合干土吨生产率和干土吨质量比进行评估，通过CPI＝a1×TDSR+b1×TMR给予合适的权重获得综合性能指标CPI1，其中，a1与b1为权重；
步骤2：疏浚数据分析模块根据CPI1从疏浚存储模块中的数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出初始未溢流阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤3：通过疏浚数据分析模块对恒体积装舱阶段的干土吨生产率TDSR、干土吨质量比TMR和泥沙存储率SSR进行分析，然后综合干土吨生产率、干土吨质量比和泥沙存储率进行评估，通过CPI＝a2×TDSR+b2×TMR+c1×SSR给予合适的权重获得综合性能指标CPI2，其中，a2与b2，c1为权重；
步骤4：疏浚数据分析模块根据CPI2从数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出恒体积装舱阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤5：通过疏浚数据分析模块对恒载重溢流装舱阶段的干土吨生产率TDSR、干土吨质量比TMR和泥沙存储率SSR进行分析，然后综合干土吨生产率、干土吨质量比和泥沙存储率进行评估，通过CPI＝a3×TDSR+b3×TMR+c2×SSR给予合适的权重获得综合性能指标CPI3，其中，a3与b3，c2为权重；
步骤6：疏浚数据分析模块根据CPI3从数据库中选取最佳的挖泥船疏浚参数，通过数据处理，挖掘出恒载重溢流装舱阶段的疏浚最佳操作范围和挖泥船疏浚规律；
步骤7：对数据库中的数据依据CPI1、CPI2和CPI3从高到低进行排序，依次获得名次mi，通过名次的倒数得到
Figure FDA0002271916420000021
并对权重进行标准化得到
Figure FDA0002271916420000022
其中
Figure FDA0002271916420000023
Figure FDA0002271916420000024
为各个船次的权重，最终得出各个阶段的疏浚参数：
Figure FDA0002271916420000025
步骤8：通过疏浚数据分析模块综合各阶段、各疏浚指标CPI排名，采用阶段分配权值方法x＝ω1x1+ω2x2+ω3x3，计算出最优疏浚参数x，挖掘出整体疏浚过程的规律；其中，x1，x2，x3为三个阶段的疏浚参数，ω1，ω2，ω3为三个阶段的权值，由三个阶段对全周期疏浚的关联影响分配权重，x为计算得的全周期疏浚参数。
CN201911108090.5A 2019-11-13 2019-11-13 一种基于大数据平台的挖泥船疏浚作业分析方法 Active CN110888915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911108090.5A CN110888915B (zh) 2019-11-13 2019-11-13 一种基于大数据平台的挖泥船疏浚作业分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911108090.5A CN110888915B (zh) 2019-11-13 2019-11-13 一种基于大数据平台的挖泥船疏浚作业分析方法

Publications (2)

Publication Number Publication Date
CN110888915A true CN110888915A (zh) 2020-03-17
CN110888915B CN110888915B (zh) 2024-02-09

Family

ID=69747427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911108090.5A Active CN110888915B (zh) 2019-11-13 2019-11-13 一种基于大数据平台的挖泥船疏浚作业分析方法

Country Status (1)

Country Link
CN (1) CN110888915B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111561008A (zh) * 2020-05-21 2020-08-21 镇江市亿华系统集成有限公司 耙吸挖泥船船端疏浚工艺评估及辅助决策方法
CN111832843A (zh) * 2020-07-29 2020-10-27 中交天津航道局有限公司 一种疏浚工程泥驳选配和初始装驳顺序确定的方法
CN117172628A (zh) * 2023-11-03 2023-12-05 中交广州航道局有限公司 一种基于数据分析的挖泥船疏浚作业分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4068298A (en) * 1975-12-03 1978-01-10 Systems Development Corporation Information storage and retrieval system
CN102175473A (zh) * 2011-01-04 2011-09-07 江苏科技大学 耙吸挖泥船疏浚性能评估系统与评估方法
CN104102668A (zh) * 2013-04-12 2014-10-15 袁晓东 数据库性能自动分析和预警系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4068298A (en) * 1975-12-03 1978-01-10 Systems Development Corporation Information storage and retrieval system
CN102175473A (zh) * 2011-01-04 2011-09-07 江苏科技大学 耙吸挖泥船疏浚性能评估系统与评估方法
CN104102668A (zh) * 2013-04-12 2014-10-15 袁晓东 数据库性能自动分析和预警系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金浩强 等: "自航耙吸挖泥船疏浚性能评估系统设计" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111561008A (zh) * 2020-05-21 2020-08-21 镇江市亿华系统集成有限公司 耙吸挖泥船船端疏浚工艺评估及辅助决策方法
CN111561008B (zh) * 2020-05-21 2022-07-26 镇江市亿华系统集成有限公司 耙吸挖泥船船端疏浚工艺评估及辅助决策方法
CN111832843A (zh) * 2020-07-29 2020-10-27 中交天津航道局有限公司 一种疏浚工程泥驳选配和初始装驳顺序确定的方法
CN111832843B (zh) * 2020-07-29 2022-03-22 中交天津航道局有限公司 一种疏浚工程泥驳选配和初始装驳顺序确定的方法
CN117172628A (zh) * 2023-11-03 2023-12-05 中交广州航道局有限公司 一种基于数据分析的挖泥船疏浚作业分析方法
CN117172628B (zh) * 2023-11-03 2024-04-02 中交广州航道局有限公司 一种基于数据分析的挖泥船疏浚作业分析方法

Also Published As

Publication number Publication date
CN110888915B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN110888915A (zh) 一种基于大数据平台的挖泥船疏浚作业分析方法
AU2019214077B2 (en) Method for dividing ecological and geological environment types based on coal resource development
Bai et al. Data mining approach to construction productivity prediction for cutter suction dredgers
Brayard et al. The biogeography of Early Triassic ammonoid faunas: clusters, gradients, and networks
CN104794195B (zh) 一种用于电信潜在换机用户发现的数据挖掘方法
CN106407278A (zh) 一种大数据平台的架构设计系统
CN109784561A (zh) 一种基于集成学习的浓密机底流浓度预测方法
CN104933160B (zh) 一种面向安全监测业务分析的etl框架设计方法
CN108417033A (zh) 基于多维因素的高速路交通事故分析预测方法
CN106202566A (zh) 一种基于大数据的海量用电数据混合存储系统及方法
CN106294644A (zh) 一种基于大数据技术的海量时序数据收集处理装置及方法
Wang et al. Research on predicting the productivity of cutter suction dredgers based on data mining with model stacked generalization
CN104504047A (zh) 一种基于双层数据库的固体矿产资源储量估算系统
Loni et al. Faststereonet: A fast neural architecture search for improving the inference of disparity estimation on resource-limited platforms
Zhironkin et al. Parameters of transition from deepening longitudinal to continuous lateral surface mining methods to decrease environmental damage in coal clusters
Han et al. Technical comparisons of simulation-based productivity prediction methodologies by means of estimation tools focusing on conventional earthmovings
CN113254517A (zh) 一种基于互联网大数据的服务提供方法
CN111413741A (zh) 一种砂岩型铀矿资源量计算方法和装置
Ronkin et al. Review of deep learning approaches in solving rock fragmentation problems
CN104794120B (zh) 一种海量地震数据并行抽道集方法
Alguliyev et al. Big data integration architectural concepts for oil and gas industry
CN114510971B (zh) 基于关联离群知识的类星体光谱并行化交叉证认方法
CN104268270A (zh) 基于MapReduce挖掘海量社交网络数据中三角形的方法
CN114693155A (zh) 一种基于fism露天矿生产管理安全影响因素分析方法
CN104408316B (zh) 中美岩土工程土壤分类标准转换装置及方法

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