CN111582536A - 基于特征学习的隐伏断层预测方法、装置、设备和介质 - Google Patents
基于特征学习的隐伏断层预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111582536A CN111582536A CN202010206984.4A CN202010206984A CN111582536A CN 111582536 A CN111582536 A CN 111582536A CN 202010206984 A CN202010206984 A CN 202010206984A CN 111582536 A CN111582536 A CN 111582536A
- Authority
- CN
- China
- Prior art keywords
- fault
- trend
- clustering
- zone
- extension
- 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 63
- 238000005065 mining Methods 0.000 claims abstract description 77
- 239000006185 dispersion Substances 0.000 claims abstract description 32
- 238000011161 development Methods 0.000 claims abstract description 23
- 239000003245 coal Substances 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000007621 cluster analysis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 210000000887 face Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 210000003786 sclera Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明说明书一个或多个实施例提供一种基于特征学习的隐伏断层预测方法、装置、设备及介质，其中的方法包括：根据采掘区的揭露信息得到断层属性信息，按照预设规则对所述断层属性信息进行处理以得到断层样本数据；将断层样本数据以走向特征聚类得到井田断层发育的各优势走向簇，所述走向特征的最佳分组数由轮廓系数确定；在断层走向特征聚类的基础上，对各所述优势走向簇以为断层定义的距离为特征再次进行聚类，得到井田内发育的各断层带。本发明先后采用走向和距离特征识别了断层带，定义了断层带的延伸指数、缓冲半径、落差期望以分别刻画断层带走向上的延伸、倾向上的离散、和落差特征，实现了煤矿采掘工作面前方隐伏断层的定量化预测。
Description
技术领域
本说明书一个或多个实施例涉及地质勘探技术领域，尤其涉及一种基于特征学习的隐伏断层预测方法、装置、设备和介质。
背景技术
断层是煤矿生产中最常见的地质构造，它不仅造成煤炭资源浪费，往往也是诱发顶板事故、瓦斯突出和水害事故的直接原因。当前，落差大于20米的大断层通常在勘探阶段已经查明，它们通常用来划分井田或采区。但是中小规模的断层在现有的勘探技术条件下，尚不能准确查明，它们主要通过生产揭露发现。因此，对于中小规模隐伏断层，尤其是落差小于10米的断层的预测是煤矿地质工作的重点。
要查明采掘工作面前方的隐伏断层，有效的手段是采用物探、钻探等各种手段开展超前探测。但受上述工程的不菲造价及施工条件限制，超前探测需要有针对性，而非结合生产时时处处的开展。通过分析已揭露断层的发育规律来预测采掘工作面前方可能隐伏的断层正好解决了以上问题。国内外学者们采用分形理论研究了断层数量、规模和空间分布特征，以及空间分布指数和断层规模指数之间的相互关系。也有学者用随机断层模拟方法绘制了断层存在概率分布图。另外，人工神经网络也被引入到断层发育规律分析与预测，将与断层发育有关的煤层底板高程、煤厚、涌水量、瓦斯涌出量等指标异常作为预测断层存在的依据，以已采区揭露的数据作为训练样本通过机器学习得到预测模型，最终可以给出采掘工作面前方是否存在断层的判断。
上述科研成果，将煤矿采掘区域的构造复杂程度从定性认识上升为定量评价，又从定量的复杂程度评价上升到采掘前方是否存在隐伏断层的预测，但都未能做到预测采掘前方存在的断层的位置及其属性，这无疑限制了它们的应用价值。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于特征学习的隐伏断层预测方法、装置、设备和介质，采用断层带作为断层发育规律表达的载体，并定义了断层带的相关属性，定量给出预测和隐伏断层存在的概率和位置偏差范围，以解决目前隐伏隐伏断层预测所存在的问题。
基于上述目的，第一方面，本说明书一个或多个实施例提供了一种基于特征学习的隐伏断层预测方法，所述方法包括：
根据采掘区的揭露信息得到断层属性信息，所述断层属性信息至少包括断层的位置、落差、走向及延伸长度属性信息，按照预设规则对所述断层属性信息进行处理以得到断层样本数据；
将断层样本数据以走向特征聚类得到井田断层发育的各优势走向簇，所述走向特征的最佳分组数由轮廓系数确定；
在断层走向特征聚类的基础上，对各所述优势走向簇以为断层定义的距离为特征再次进行聚类，得到井田内发育的各断层带，其中，所述断层距离特征的最佳分组数由轮廓系数确定；
采用线性回归方法得到各断层带中线，并计算各所述断层带的延伸指数、缓冲半径及落差期望属性值，以刻画断层带走向的延伸、倾向的离散及落差特征，并借此预测采掘工作面前方隐伏断层。
结合上述说明，在本发明实例的另一种可能的实施方式中，所述计算所述各断层带的延伸指数、缓冲半径及落差期望属性值之前，所述方法还包括：
对各所述断层带的延伸指数、缓冲半径及落差期望分别进行定义，包括：
对所述延伸指数进行定义，所述延伸指数为所述断层带在已采掘范围的揭露比例；
对所述延伸指数进行定义，所述延伸指数为所述断层带在所述断层带构造中线的摆动半径；以及
对所述落差期望进行定义，所述落差期望为所述断层带包括的断层落差的期望值。
结合上述说明，在本发明实例的另一种可能的实施方式中，所述对各所述优势走向簇以为断层定义的距离为特征再次进行聚类之前，所述方法还包括：
根据确定的采掘区以及采掘区的断层带的走向值，确定所述基准线，包括：
当所述构造线走向值为第一预设范围时，结合所述采掘区一个端点的空间坐标，以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线；
当所述构造线走向值为第二预设范围时，结合所述采掘区另一个端点的空间坐标，以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线。
结合上述说明，在本发明实例的另一种可能的实施方式中，所述以线性回归的方式得到各所述断层带的中线位置，并计算断层带定义的各属性值，包括：
确定每一所述断层带包括的各断层样本数据的离散度，所述离散度为断层偏移构造中线的距离的样本标准差与所述断层带包括的所有断层在构造中线上的投影长度的比值；
根据所述断层带分类结果的离散度与预设值之间的关系，预测断层的精度是否满足指导生产的需要。
结合上述说明，在本发明实例的另一种可能的实施方式中，所述按照预设规则对所述断层数据进行处理以得到断层样本数据，包括：
以断层落差与采掘工作面平均煤厚比值和断层的延伸长度为所述断层数据的表征指标；
基于第一预设阈值和第二预设阈值，按照分段线性归一化处理方法对所述断层数据的表征指标进行处理，以得到断层发育规模权重；
以所述断层发育规模权重为聚类特征对所述断层数据进行聚类，将聚类结果中对生产有一定影响的断层作为下一步聚类分析的断层样本数据。
第二方面，本发明还提供了一种基于特征学习的隐伏断层预测装置，所述装置包括：
数据处理模块，用于根据采掘区的揭露信息得到断层属性信息，所述断层属性信息至少包括断层的位置、落差、走向及延伸长度属性信息，按照预设规则对所述断层属性信息进行处理以得到断层样本数据；
第一聚类模块，用于将断层样本数据以走向特征聚类得到井田断层发育的各优势走向簇，所述走向特征的最佳分组数由轮廓系数确定；
第二聚类模块，用于在断层走向特征聚类的基础上，对各所述优势走向簇以为断层定义的距离为特征再次进行聚类，得到井田内发育的各断层带，其中，所述断层距离特征的最佳分组数由轮廓系数确定；
分析预测模块，用于对所述第二聚类模块得到的各断层带采用线性回归方法得到各断层带中线，并计算各所述断层带的延伸指数、缓冲半径及落差期望属性值，以刻画断层带走向的延伸、倾向的离散及落差特征，并借此预测采掘工作面前方隐伏断层。
上述的装置，所述装置还包括：定义模块，用于：
对各所述断层带的延伸指数、缓冲半径及落差期望分别进行定义，包括：
对所述延伸指数进行定义，所述延伸指数为所述断层带在已采掘范围的揭露比例；
对所述延伸指数进行定义，所述延伸指数为所述断层带在所述断层带构造中线的摆动半径；以及
对所述落差期望进行定义，所述落差期望为所述断层带包括的断层落差的期望值。
上述的装置，所述装置还包括：
基准线确定模块，用于根据确定的采掘区以及采掘区的断层带的走向值，确定所述基准线；所述基准线确定模块，包括：
第一子模块，用于当所述构造线走向值为第一预设范围时，结合所述采掘区一个端点的空间坐标以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线；
第二子模块，用于当所述构造线走向值为第二预设范围时，结合所述采掘区另一个端点的空间坐标以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于特征学习的隐伏断层预测方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述的基于特征学习的隐伏断层预测方法。
从上面所述可以看出，本说明书一个或多个实施例提供的基于特征学习的隐伏断层预测方法、装置、设备和介质，能够依据断层对采掘的影响程度将断层分为三个级别，并将对生产有一定影响的断层作为有价值的断层样本数据，在后续分析过程中采用特征学习的机器学习方法识别采掘区域内发育的断层带，同时对所述断层带的延伸指数、缓冲半径及落差期望分别进行计算，准确刻画了断层带走向的延伸、倾向的离散及落差等方面的特征，给出了采掘工作面前方隐伏断层的定量化预测结果。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例的基于特征学习的隐伏断层预测方法的流程示意图；
图2为本说明书一个或多个实施例的基于特征学习的隐伏断层预测方法的确定基准线时的流程示意图；
图3为本说明书一个或多个实施例的基于特征学习的隐伏断层预测方法的流程示意图；
图4为本说明书一个或多个实施例的基于特征学习的隐伏断层预测方法的基准线求取示意图；
图5为本说明书一个或多个实施例的断层预测示意图；
图6为本说明书一个或多个实施例井田采掘示意图；
图7为本说明书一个或多个实施例的走向特征聚类的轮廓系数结果示意图；
图8为本说明书一个或多个实施例的走向聚类结果示意图；
图9(a)为本说明书一个或多个实施例走向簇1距离特征聚类轮廓系数结果示意图；
图9(b)为本说明书一个或多个实施例走向簇2距离特征聚类轮廓系数结果示意图；
图9(c)为本说明书一个或多个实施例走向簇3距离特征聚类轮廓系数结果示意图；
图10(a)为本说明书一个或多个实施例距离特征聚类结果1示意图；
图10(b)为本说明书一个或多个实施例距离特征聚类结果2示意图；
图10(c)为本说明书一个或多个实施例距离特征聚类结果2示意图；
图11为本说明书一个或多个实施例隐伏断层预测示意图；
图12为本说明书一个或多个实施例基于特征学习的隐伏断层预测装置的结构示意图；
图13为本说明书一个或多个实施例电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
本发明涉及一种基于特征学习的隐伏断层预测方法、装置、设备和介质，其主要运用于在采掘生产中对采掘区域的地质构造进行勘探的场景中，其基本思想是：依据断层对采掘的影响程度将断层分为三个级别，并将对生产有一定影响的断层作为有价值的断层样本数据，在后续分析过程中以走向特征以及距离特征进行多次聚类，并在二次聚类后得到了断层带，定义并计算了断层带相关属性，将断层带从已采区延展到未采区，不仅实现了隐伏断层的预测，而且通过结合生产动态识别断层带还实现了采掘工作面前方断层的动态预测。
本发明实施例中的隐伏断层为发育于煤层中的断层。
本实施例可适用于聚类分析模块的智能型终端中以进行基于特征学习的隐伏断层预测的情况中，该方法可以由聚类分析装置来执行，其中该装置可以由软件和/或硬件来实现，一般地可集成于智能终端中，或者终端中的中心控制模块来控制，如图1所示，为本发明基于特征学习的隐伏断层预测方法的基本流程示意图，所述方法具体包括如下步骤：
在步骤110中，根据采掘区的揭露信息得到断层属性信息，所述断层属性信息至少包括断层的位置、落差、走向及延伸长度属性信息，按照预设规则对所述断层属性信息进行处理以得到断层样本数据；
所述揭露信息为在采掘之前通过地质手段获取的在采掘区内的相关地质数据，以及采掘工作在进行过程中通过一定的技术手段确定的相关采掘数据，其可以包括采掘区的平均煤层厚度、采掘工作面、断层条数、断层落差、断层走向以及断层位置坐标(根据计算需求可为二维坐标或三维坐标)等。
根据需要从所述揭露信息确定相关的断层数据，本发明实施例的一种实施方式中，所述断层数据可以为断层条数、断层落差以及断层走向，以及在后续以距离特征值进行聚类分析时必须的断层位置坐标等。
本发明实施例的一种可行的实施方式中，所述断层属性信息至少包括断层的位置、落差、走向及延伸长度等属性信息。
按照预设规则对所述断层数据进行处理以得到断层样本数据，其中的预设规则可以为对确定的断层数据进行筛选的过程，已确定的断层数据包括了断层落差与煤层厚度，通过断层落差与煤层厚度之比作为表征断层对生产影响程度的指标之一，同时结合断层延伸长度作为第二个表征指标。
本发明实施例的一种可行的实施方式中，以采掘煤层工作而言，断层落差与煤层厚度的大小关系直接决定了断层对生产的影响程度，因此可采用断层落差与煤层厚度之比作为表征断层对生产影响程度的一个指标。
基于第一预设阈值和第二预设阈值，按照分段线性归一化处理方法对所述断层数据的表征指标进行处理，以得到断层发育规模的一个权重；
以0.5为所述第一预设阈值，以0.2为所述第二预设阈值，将断层对生产的影响划分为3级。第一预设阈值以上即大于0.5的断层为影响较大，第一预设阈值0.5及第二预设阈值0.2之间为有一定影响，其对应的级别由高到低为影响较大(大于0.5)为2级；有一定影响(0.2至0.5之间)，为1级；基本不影响生产(小于0.2)，为0级。
所述断层的延伸长度为断层在走向方向上的长度，得到断层发育规模第二个权重。以上述两个断层发育规模的权重之和为聚类特征对所述断层数据进行聚类，将聚类结果中对生产有一定影响的断层作为下一步聚类分析的断层样本数据。
本发明实施例的一种实施方式中，可采用分段线性归一化方法处理断层发育规模权重一，计算公式如下：
式(1)中，Wi为第i个断层样本数据的权重，Ti为第i个断层样本数据的落差，n为断层样本数据个数，Th为采掘区域平均煤厚，Tmin为断层样本的最小落差，Tmax为断层样本的最大落差。
对于断层分级时的同时，采用了断层延伸长度这一特征作为权重二，将之与落差属性权重归并计算各断层权重值之后，按权值特征聚类断层样本为3个等级，其中2级为影响较大的断层，1级有一定影响的断层，0级是影响较小的断层。
本发明实施例中，聚类结果包括的断层数据即作为断层样本数据在下一步断层带特征识别时采用1、2两级断层样本。
在步骤120中，将断层样本数据以走向特征聚类得到井田断层发育的各优势走向簇，所述走向特征的最佳分组数由轮廓系数确定；
本发明实施例的实施方式中，以轮廓系数为指标评价断层走向特征的聚类分析结果，所述轮廓系数用于表征聚类结果的聚类程度，轮廓系数越高，表示此次聚类越与实际相符合。
对所述断层样本数据进行走向特征的聚类分析，为采用轮廓系数作为评价指标确定最为合适的走向分组数，本发明实施例的一种可行的实施方式中，接下采用划分方法的K-MEANS算法对断层样本以走向特征进行聚类分析。与常规距离计算不同，本发明实施例中的断层走向以周期性变量表示，取值域为[0，π)，换算为角度即[0，180°)，取值0时与π相同完成一个周期，这是与具体的采掘工作相适应的，由于在实际采掘工作中采掘走向为0时与采掘走向为180°时形成的采掘走向是重合的，因此本步骤中断层走向优先选用周期性变量，本发明实施例的走向聚类中心计算与距离聚类中心计算均因此而存在异于常规变量分析。
采用的距离计算公式如下：
d＝min(|x1-x2|,π-|x1-x2|) (2)
其中x1、x2为断层走向变量值。
由此，聚类中心计算公式如下：
式中：
其中，c为聚类中心值，xi为聚类簇内各样本值，n为簇内样本的个数，簇为聚类分析后得到的聚类结果中的“组”，由于聚类结果通常按照对应的特征聚集故以簇表示。
在步骤130中，在断层走向特征聚类的基础上，对各所述优势走向簇以为断层定义的距离为特征再次进行聚类，得到井田内发育的各断层带，其中，所述断层距离特征的最佳分组数由轮廓系数确定；
在步骤140中，采用线性回归方法得到各断层带中线，并计算各所述断层带的延伸指数、缓冲半径及落差期望属性值，以刻画断层带走向的延伸、倾向的离散及落差特征，并借此预测采掘工作面前方隐伏断层。
为保证聚类结果的稳定、可靠，本发明实施例采用k-means++方法对初始聚类中心进行选择，二是采用重复聚类计算，取最优结果的办法，即对同一组数据多次聚类计算，并记录每次的聚类中心，最终采用比较所得的最佳结果，比较采用的指标是轮廓系数。
在以走向特征值为聚类结果的基础上进一步以距离特征值进行聚类分析，以确定断层带分类结果，在已得到按照走向特征值进行聚类的第一聚类结果时，以轮廓系数为指标评价断层距离特征的聚类分析结果，进行多次计算，以从若干组的距离特征值进行聚类分析的聚类结果中得到每一组断层样本数据的最佳断层带个数，即井田内发育的各断层带。
在计算所述各断层带的延伸指数、缓冲半径及落差期望属性值之前，所述方法还包括对对各所述断层带的延伸指数、缓冲半径及落差期望分别进行定义，具体包括：定义所述延伸指数为所述断层带在已采掘范围的揭露比例；定义所述缓冲半径为该构造带围绕其构造中线的摆动半径；以及定义所述落差期望为该组断层落差的期望值，具体于下文进行描述。
本发明实施例的方法，依据断层对采掘的影响程度，将断层分为三个级别，并将对生产有一定影响的断层作为有价值的断层样本数据，在后续分析过程中以走向特征以及距离特征进行多次聚类，并从聚类簇即聚类结果中确定断层带的属性值等，刻画了断层带走向的延伸、倾向的离散及落差特征的预测结果，不仅实现了采掘区域隐伏断层的预测，而且通过结合生产动态识别断层带还实现了采掘工作面前方断层的动态预测。
本发明实施例的一种实施场景中，结合图2所示，在对各所述优势走向簇以为断层定义的距离为特征再次进行聚类之前，所述方法还包括对基准线的确定步骤，这一过程包括如下
在步骤210中，根据确定的采掘区以及采掘区的断层带的走向值，确定所述基准线，包括：在步骤211中，当所述构造线走向值为第一预设范围时，结合所述采掘区一个端点的空间坐标以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线；在步骤212中，当所述构造线走向值为第二预设范围时，结合所述采掘区另一个端点的空间坐标以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线。
结合图3所示，为本发明实施例的隐伏断层预测方法实现流程示意图，首先对获得的揭露信息进行数据预处理，根据揭露信息的断层数据的特征进行特征归一化，结合落差对煤层厚度影响程度确定各断层的层级，并进而确定聚类所用的断层样本数据。
确定断层样本数据后的特征学习阶段，以轮廓系数为评价指标确定聚类组(簇)数，以每一断层样本数据的走向特征值进行聚类，得到第一次聚类结果，在此基础上定义距离特征值的聚类分析，包括定义距离特征、确定第二次聚类结果、按照坐标(位置)进行聚类以及断层带线性回归，以确定断层带聚类结果，对断层带的属性进行计算，得到至少延伸指数在内还包括可能存在的缓冲半径、落差期望等多项属性值，并最终根据上述属性值实现隐伏断层位置及其它相关属性的预测。
所述断层带属性至少包括所述断层带的延伸指数，所述延伸指数为采掘区的所述断层带从已采掘区向未采掘区延伸的概率。
本发明实施例的一种实施方式中还包括通过离散度确定断层带属性确定每一所述断层带包括的各断层样本数据的离散度，所述离散度为断层偏移构造中线的距离的样本标准差与所述断层带包括的所有断层在构造中线上的投影长度的比值；根据所述断层带分类结果的离散度与预设值之间的关系，预测断层的精度是否满足指导生产的需要。
结合图4所示，为本发明实施例的基准线示意图，以图4中的矩形区域为采掘区域，当构造线走向值取[0，0.5π]时，取图中L1作为基准线，该线过点(xmax,ymin),该点为所述采掘区域在一个端点上的二维空间坐标，且斜率由该簇所有断层的平均走向值计算得到；当构造线走向值取[0.5π，π)时，取图中L2作为基准线，该线过点(xmin,ymin),该点为所述采掘区域在另一个端点上二维空间坐标，且斜率同样由该簇所有断层的平均走向值计算得到，由所述基准线结合断层样本数据的坐标可以得到每一断层样本数据的距离特征值，本发明实施例中所述采掘区域的端点为在以研究区域建立的二维坐标中X轴方向上的两个端点，当参考坐标系改变时，上述端点亦可发生改变。
本发明中的离散度(discrete degree)定义为断层偏移构造中线的距离的样本标准差与簇内所有断层在构造中线上的投影长度(构造线的延展长度)的比值，其计算公式如下：
式(4)中，dd为离散度，σ为断层与构造中线距离的样本标准差，Li为第i条断层在构造线上的投影长度，Lr为构造线在采掘范围内的线段集。本发明实施例的一种实施方式中，所述采掘区域可能为不规则的采掘区域，此时构造线在采掘区域内可能会分割为多条线段，所以此种情况下需要计算此线段集与断层投影线段集的交集。
针对于断层带聚类结果中的聚类获得的簇计算其离散度，离散度较大，反映该单位走向长度上，偏离构造中线的左右摆动距离越大，线性相关程度较差，当离散度大于0.2时，可认为该组断层回归得到的中线已不能有效指导煤矿生产。
对于离散度满足要求的断层带，将簇内所有断层线的结点集作为样本点求取线性回归方程作为构造中线方程，采用最小二乘法得到该线性方程解析式，系数计算如下：
θ＝(XTWX)-1XTWY (5)
延伸指数定义为该断层带在已采掘范围的揭露比例，计算公式如下：
式中，Lr为该组断层在构造中线上的投影长度，L为断层构造直线在有采掘区域范围内的长度，ed反映了该断层构造在采掘区域内延展的稳定性。
缓冲半径定义为该断层带围绕其构造中线的摆动半径。依据正态分布特征，距离在[μ-1.96σ,μ+1.96σ]范围内概率为95％(σ为距离特征值的标准差)，通过以下公式(7)进行计算得到：。
式中，n为该断层带中断层数量；di表示第i条断层的到断层带中线的距离。落差期望定义为该组断层落差的期望值，用来表征断层带构造线的落差大小，通过以下公式(8)进行计算得到：
式中，n为该断层带中断层数量；ti表示第i条断层的落差。
断层预测主要包括断层可能发育位置与当前工作点之间的距离、断层走向和断层带走向。断层带的特征直接决定了断层的走向和落差。如图5所示，假设A点为当前作业点，未来2210巷将在B点与断裂带中线相交。A点和B点之间的距离即是需要预测的断层位置。
断层带的延伸指数代表了工作面前方存在隐伏断层的概率。缓冲半径则需要转换为沿巷道走向的距离，因为巷道掘进方向并不总是垂直于断层带的中线。如图5所示，R表示缓冲半径，α表示两条线之间的角度。则偏差距离(d)计算如下：
采用断层带属性表征预测结果的可靠程度，延伸指数表示预测断层存在的概论，缓冲半径表示预测断层相对断层带中线可能的偏移距离。
本发明实施例的一种更具体的实施方式中，结合图6所示，以某煤矿302采区为例开展隐伏断层预测，该采区平均煤厚5米，设计8202-8228共计14个综采工作面，当前8212、8214、8216、8218共计4个工作面已采，已圈定8202、8220工作面，正在掘进8210工作面的5210及2210两条顺槽，具体见图6。该采区采掘过程中揭露断层86条，落差0.5-8.0米，走向30°-173°，各断层数据详见表1。
表1断层数据
第一步，将研究区所有揭露的断层以落差和延伸长度(结合断层坐标得出，此处的断层坐标可根据实际参数为二维或三维坐标)两个特征将断层分为3级，落差分级两个阈值分别取2.5及1米。分级结果见表2。
表2断层分级结果
第二步，识别断层构造带走向；
(1)分别计算若干如2－10组聚类轮廓系数，轮廓系数的值用于表示聚类结果的聚合好坏程度，当轮廓系数越高时，其表示聚类结果越好，如图7所示，根据每一组聚类轮廓系数的值进行判断，当聚类为3组时，轮廓系数达到最高值0.641，其它分组情况下轮廓系数均低于0.641，因此，取3作为本发明实施例的最佳分组数。
(2)根据步骤(1)中的最佳分组数，将断层样本分3组聚类分析，由第一次的走向特征值的聚类中心即断层优势走向分别为61.3°、111.1°、161.1°，其中的聚类中心为每一组内的所有断层样本的走向特征值之和与该组内的断层样本个数之商得到的均值，具体的本发明实施例中的聚类结果见图8，图8中红、蓝、绿线表示上述最佳分组的分组标识，图中各色断层的长度可根据其坐标计算得出。
第三步，确定断层构造带位置
(1)确定走向聚类结果后，计算每一组走向簇的基准线，并求得各断层距其对应基准线的距离。各基准线参数如表3所示。
表3基准线参数
(2)距离聚类分析
以每个走向簇断层样本为单位，分别计算2-11组数聚类轮廓系数，结果如图9(a)/9(b)/9(c)所示，可确定对应的每一走向簇断层带个数分别为4、5、2。
结合所述基准线、走向簇分组个数以及每一走向簇的距离特征值，确定每一走向簇的断层带，图9(a)/9(b)/9(c)对应得到的断层带聚类结果示意图如图10(a)/10(b)/10(c)所示。
(3)断层带中线回归
首先计算各断层带所有断层样本的离散度，如表4所示，若离散度大于0.2时，以断层线各结点线性回归求得断层带中线直线方程，结合表1～表3中断层数据，可得出：
表4离散度计算结果
(4)断层带属性计算
计算各断层带延伸指数、缓冲半径、落差期望3个属性值，结果如表5、6、7所示。
表5延伸指数计算结果
表6缓冲半径计算结果
表7落差期望计算结果
结合上述公式(6)代入需要的断层数据可得到延伸指数ed，该延伸指数可反映该断层构造在采掘区域内延展的稳定性；
缓冲半径可通过上述公式(7)计算得到。
落差期望定义为该组断层落差的期望值，用来表征断层带构造线的落差大小，其可通过上述公式(8)计算得到。
步骤4：预测隐伏断层
预测隐伏断层包括断层位置及落差，位置以相对采掘作业点的距离计，如图11所示，5210巷沿掘进方向的前方404米处可能揭露断层带，该断层带为第2走向簇第2距离簇。相关属性可从表5、6、7中查得，结合表5、6、7查得其延伸指数为0.874，缓冲半径为172.155，落差为2.14米，即该断层存在的概率为87.4％，该断层沿中线偏移距离在172.155米范围内，断层落差为2.14米。
图12为本发明实施例提供的一种基于特征学习的隐伏断层预测装置的结构示意图，该装置可由软件和/或硬件实现，一般地集成于智能终端中，可通过基于特征学习的隐伏断层预测方法来实现。如图所示，本实施例可以以上述实施例为基础，提供了一种基于特征学习的隐伏断层预测装置，其主要包括了数据处理模块1110、第一聚类模块1120、第二聚类模块1130以及分析预测模块1140。
其中的数据处理模块1110，用于根据采掘区的揭露信息得到断层属性信息，所述断层属性信息至少包括断层的位置、落差、走向及延伸长度属性信息，按照预设规则对所述断层属性信息进行处理以得到断层样本数据；
其中的第一聚类模块1120，用于将断层样本数据以走向特征聚类得到井田断层发育的各优势走向簇，所述走向特征的最佳分组数由轮廓系数确定；
其中的第二聚类模块1130，用于在断层走向特征聚类的基础上，对各所述优势走向簇以为断层定义的距离为特征再次进行聚类，得到井田内发育的各断层带，其中，所述断层距离特征的最佳分组数由轮廓系数确定；
其中的分析预测模块1140，用于对所述第二聚类模块得到的各断层带采用线性回归方法得到各断层带中线，并计算各所述断层带的延伸指数、缓冲半径及落差期望属性值，以刻画断层带走向的延伸、倾向的离散及落差特征，并借此预测采掘工作面前方隐伏断层。
本发明实施例的一种实施场景中，所述装置还包括：
定义模块，用于对各所述断层带的延伸指数、缓冲半径及落差期望分别进行定义，包括：
对所述延伸指数进行定义，所述延伸指数为所述断层带在已采掘范围的揭露比例；
对所述延伸指数进行定义，所述延伸指数为所述断层带在所述断层带构造中线的摆动半径；以及
对所述落差期望进行定义，所述落差期望为所述断层带包括的断层落差的期望值。
本发明实施例的一种实施场景中，所述装置还包括：
基准线确定模块，用于根据确定的采掘区以及采掘区的断层带的走向值，确定所述基准线；所述基准线确定模块，包括：
第一子模块，用于当所述构造线走向值为第一预设范围时，结合所述采掘区一个端点的空间坐标，以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线；
第二子模块，用于当所述构造线走向值为第二预设范围时，结合所述采掘区另一个端点的空间坐标，以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线。
本发明实施例的一种实施场景中，所述分析预测模块还用于：
确定每一所述断层带包括的各断层样本数据的离散度，所述离散度为断层偏移构造中线的距离的样本标准差与所述断层带包括的所有断层在构造中线上的投影长度的比值；
根据所述断层带分类结果的离散度与预设值之间的关系，预测断层的精度是否满足指导生产的需要。
本发明实施例的一种实施场景中，所述数据处理模块1110包括：
以断层落差与采掘工作面平均煤厚比值和断层的延伸长度为所述断层数据的表征指标；
基于第一预设阈值和第二预设阈值，按照分段线性归一化处理装置对所述断层数据的表征指标进行处理，以得到断层发育规模权重；
以所述断层发育规模权重为聚类特征对所述断层数据进行聚类，将聚类结果中对生产有一定影响的断层作为下一步聚类分析的断层样本数据。
上述实施例中提供的基于特征学习的隐伏断层预测装置可执行本发明中任意实施例中所提供的基于特征学习的隐伏断层预测方法，具备执行该方法相应的功能模块和有益效果，未在上述实施例中详细描述的技术细节，可参见本发明任意实施例中所提供的基于特征学习的隐伏断层预测方法。
本说明书实施例中所述支付涉及的技术载体，例如可以包括近场通信(NearField Communication，NFC)、WIFI、3G/4G/5G、POS机刷卡技术、二维码扫码技术、条形码扫码技术、蓝牙、红外、短消息(Short Message Service，SMS)、多媒体消息(MultimediaMessage Service，MMS)等。
本说明书实施例中所述生物识别所涉及的生物特征，例如可以包括眼部特征、声纹、指纹、掌纹、心跳、脉搏、染色体、DNA、人牙咬痕等。其中眼纹可以包括虹膜、巩膜等生物特征。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的基于特征学习的隐伏断层预测方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图13示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行基于特征学习的隐伏断层预测方法。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于特征学习的隐伏断层预测方法，其特征在于，所述方法包括：
根据采掘区的揭露信息得到断层属性信息，所述断层属性信息至少包括断层的位置、落差、走向及延伸长度属性信息，按照预设规则对所述断层属性信息进行处理以得到断层样本数据；
将断层样本数据以走向特征聚类得到井田断层发育的各优势走向簇，所述走向特征的最佳分组数由轮廓系数确定；
在断层走向特征聚类的基础上，对各所述优势走向簇以为断层定义的距离为特征再次进行聚类，得到井田内发育的各断层带，其中，所述断层距离特征的最佳分组数由轮廓系数确定；
采用线性回归方法得到各断层带中线，并计算各所述断层带的延伸指数、缓冲半径及落差期望属性值，以刻画断层带走向的延伸、倾向的离散及落差特征，并借此预测采掘工作面前方隐伏断层。
2.根据权利要求1所述的方法，其特征在于，所述计算所述各断层带的延伸指数、缓冲半径及落差期望属性值之前，所述方法还包括：
对各所述断层带的延伸指数、缓冲半径及落差期望分别进行定义，包括：
对所述延伸指数进行定义，所述延伸指数为所述断层带在已采掘范围的揭露比例；
对所述延伸指数进行定义，所述延伸指数为所述断层带在所述断层带构造中线的摆动半径；以及
对所述落差期望进行定义，所述落差期望为所述断层带包括的断层落差的期望值。
3.根据权利要求1所述的方法，其特征在于，所述对各所述优势走向簇以为断层定义的距离为特征再次进行聚类之前，所述方法还包括：
根据确定的采掘区以及采掘区的断层带的走向值，确定所述基准线，包括：
当所述构造线走向值为第一预设范围时，结合所述采掘区一个端点的空间坐标，以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线；
当所述构造线走向值为第二预设范围时，结合所述采掘区另一个端点的空间坐标，以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定每一所述断层带包括的各断层样本数据的离散度，所述离散度为断层偏移构造中线的距离的样本标准差与所述断层带包括的所有断层在构造中线上的投影长度的比值；
根据所述断层带分类结果的离散度与预设值之间的关系，预测断层的精度是否满足指导生产的需要。
5.根据权利要求1所述的方法，其特征在于，所述按照预设规则对所述断层数据进行处理以得到断层样本数据，包括：
以断层落差与采掘工作面平均煤厚比值和断层的延伸长度为所述断层数据的表征指标；
基于第一预设阈值和第二预设阈值，按照分段线性归一化处理方法对所述断层数据的表征指标进行处理，以得到断层发育规模权重；
以所述断层发育规模权重为聚类特征对所述断层数据进行聚类，将聚类结果中对生产有一定影响的断层作为下一步聚类分析的断层样本数据。
6.一种基于特征学习的隐伏断层预测装置，其特征在于，所述装置包括：
数据处理模块，用于根据采掘区的揭露信息得到断层属性信息，所述断层属性信息至少包括断层的位置、落差、走向及延伸长度属性信息，按照预设规则对所述断层属性信息进行处理以得到断层样本数据；
第一聚类模块，用于将断层样本数据以走向特征聚类得到井田断层发育的各优势走向簇，所述走向特征的最佳分组数由轮廓系数确定；
第二聚类模块，用于在断层走向特征聚类的基础上，对各所述优势走向簇以为断层定义的距离为特征再次进行聚类，得到井田内发育的各断层带，其中，所述断层距离特征的最佳分组数由轮廓系数确定；
分析预测模块，用于对所述第二聚类模块得到的各断层带采用线性回归方法得到各断层带中线，并计算各所述断层带的延伸指数、缓冲半径及落差期望属性值，以刻画断层带走向的延伸、倾向的离散及落差特征，并借此预测采掘工作面前方隐伏断层。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
定义模块，用于对各所述断层带的延伸指数、缓冲半径及落差期望分别进行定义，包括：
对所述延伸指数进行定义，所述延伸指数为所述断层带在已采掘范围的揭露比例；
对所述延伸指数进行定义，所述延伸指数为所述断层带在所述断层带构造中线的摆动半径；以及
对所述落差期望进行定义，所述落差期望为所述断层带包括的断层落差的期望值。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
基准线确定模块，用于根据确定的采掘区以及采掘区的断层带的走向值，确定所述基准线；所述基准线确定模块，包括：
第一子模块，用于当所述构造线走向值为第一预设范围时，结合所述采掘区一个端点的空间坐标，以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线；
第二子模块，用于当所述构造线走向值为第二预设范围时，结合所述采掘区另一个端点的空间坐标，以所述每一组断层样本数据的所有断层的走向平均值确定所述基准线。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任意一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010206984.4A CN111582536B (zh) | 2020-03-23 | 2020-03-23 | 基于特征学习的隐伏断层预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010206984.4A CN111582536B (zh) | 2020-03-23 | 2020-03-23 | 基于特征学习的隐伏断层预测方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111582536A true CN111582536A (zh) | 2020-08-25 |
| CN111582536B CN111582536B (zh) | 2024-01-30 |
Family
ID=72120526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010206984.4A Active CN111582536B (zh) | 2020-03-23 | 2020-03-23 | 基于特征学习的隐伏断层预测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582536B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE719105C (de) * | 1929-04-13 | 1942-03-28 | Mitteldeutsche Stahlwerke Ag | Anlage zur Gewinnung und Foerderung von Abraum in Tagebaubetrieben |
| CA2575066A1 (en) * | 2006-01-24 | 2007-07-24 | The University Of North Carolina At Chapel Hill | Systems and methods for detecting an image of an object by use of an x-ray beam having a polychromatic distribution |
| AU2009300343A1 (en) * | 2008-10-02 | 2010-04-08 | Certusview Technologies, Llc | Methods and apparatus for analyzing locate and marking operations with respect to historical information |
| CN102156779A (zh) * | 2011-04-13 | 2011-08-17 | 北京石油化工学院 | 地下水流仿真与预测分析方法 |
| AU2012200758A1 (en) * | 2005-03-22 | 2012-03-01 | Ticketmaster | Apparatus and methods for providing queue messaging over a network |
| CN103150335A (zh) * | 2013-01-25 | 2013-06-12 | 河南理工大学 | 一种基于联合聚类的煤矿舆情监测系统 |
| CN106885772A (zh) * | 2015-12-15 | 2017-06-23 | 核工业北京地质研究院 | 一种地质知识参与的etm遥感羟基蚀变矿物提取改进方法 |
| CN107169616A (zh) * | 2017-07-21 | 2017-09-15 | 西安科技大学 | 矿井未采区构造相对复杂程度的相对熵预测方法 |
| US20170356955A1 (en) * | 2016-06-14 | 2017-12-14 | Freescale Semiconductor, Inc. | Kernel based cluster fault analysis |
| US20190107643A1 (en) * | 2017-10-11 | 2019-04-11 | Beyond Limits, Inc. | Static engine and neural network for a cognitive reservoir system |
-
2020
- 2020-03-23 CN CN202010206984.4A patent/CN111582536B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE719105C (de) * | 1929-04-13 | 1942-03-28 | Mitteldeutsche Stahlwerke Ag | Anlage zur Gewinnung und Foerderung von Abraum in Tagebaubetrieben |
| AU2012200758A1 (en) * | 2005-03-22 | 2012-03-01 | Ticketmaster | Apparatus and methods for providing queue messaging over a network |
| CA2575066A1 (en) * | 2006-01-24 | 2007-07-24 | The University Of North Carolina At Chapel Hill | Systems and methods for detecting an image of an object by use of an x-ray beam having a polychromatic distribution |
| AU2009300343A1 (en) * | 2008-10-02 | 2010-04-08 | Certusview Technologies, Llc | Methods and apparatus for analyzing locate and marking operations with respect to historical information |
| CN102156779A (zh) * | 2011-04-13 | 2011-08-17 | 北京石油化工学院 | 地下水流仿真与预测分析方法 |
| CN103150335A (zh) * | 2013-01-25 | 2013-06-12 | 河南理工大学 | 一种基于联合聚类的煤矿舆情监测系统 |
| CN106885772A (zh) * | 2015-12-15 | 2017-06-23 | 核工业北京地质研究院 | 一种地质知识参与的etm遥感羟基蚀变矿物提取改进方法 |
| US20170356955A1 (en) * | 2016-06-14 | 2017-12-14 | Freescale Semiconductor, Inc. | Kernel based cluster fault analysis |
| CN107169616A (zh) * | 2017-07-21 | 2017-09-15 | 西安科技大学 | 矿井未采区构造相对复杂程度的相对熵预测方法 |
| US20190107643A1 (en) * | 2017-10-11 | 2019-04-11 | Beyond Limits, Inc. | Static engine and neural network for a cognitive reservoir system |
Non-Patent Citations (8)
| Title |
|---|
| QIANG WU ET AL: ""Prediction of concealed faults in front of a coalface using feature learning"", 《BULLETIN OF ENGINEERING GEOLOGY AND THE ENVIRONMENT》, pages 4191 * |
| 刘德民等: ""团柏煤矿下组煤开采矿井充水条件分析"", 《煤矿安全》, vol. 46, no. 1, pages 177 - 179 * |
| 刘敬寿;丁文龙;肖子亢;戴俊生;: "储层裂缝综合表征与预测研究进展", 《地球物理学进展》, vol. 34, no. 6, pages 2283 - 2300 * |
| 刘栋等: ""用沙坝断层滑移型微震事件群活动特征分析"", 《安全与环境学报》, vol. 18, no. 3, pages 1036 - 1040 * |
| 孙振宇等: ""基于SVM算法的地震小断层自动识别"", 《煤炭学报》, vol. 42, no. 11, pages 2945 - 2952 * |
| 来骥;盛红雷;: "基于聚类分析的复杂网络链路预测性能研究", 《计算技术与自动化》, vol. 38, no. 4, pages 144 - 150 * |
| 胡幸平;崔效锋;: "华北地区中部地震精定位与构造应力场研究", 《震灾防御技术》, vol. 8, no. 4, pages 351 - 360 * |
| 郝治朝: ""煤矿隐伏断层定量预测方法与应用研究"", 《中国博士学位论文全文数据库》, pages 1 - 117 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111582536B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190050981A1 (en) | System and method for automatically detecting a target object from a 3d image | |
| Gómez et al. | Determining the accuracy in image supervised classification problems | |
| CN108985135A (zh) | 一种人脸检测器训练方法、装置及电子设备 | |
| CN111523678B (zh) | 业务的处理方法、装置、设备及存储介质 | |
| Pérez et al. | Verifying the high-order consistency of training images with data for multiple-point geostatistics | |
| CN106558096A (zh) | 三维点云数据的建模装置、程序和电梯导轨的建模方法 | |
| EP3938814B1 (en) | Automated facies classification from well logs | |
| CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
| CN115668308A (zh) | 基于地形的井场及其周边的自动检测 | |
| CN109492775B (zh) | 一种地质构造解释的检测方法，检测装置及可读存储介质 | |
| Crawford et al. | Using landslide-inventory mapping for a combined bagged-trees and logistic-regression approach to determining landslide susceptibility in eastern Kentucky, USA | |
| CN115830010B (zh) | 输电导线交叉跨越距离检测方法、装置和计算机设备 | |
| Zhao et al. | Evaluation of convolution operation based on the interpretation of deep learning on 3-d point cloud | |
| Wang et al. | Automatic identification and location of tunnel lining cracks | |
| CN112862345B (zh) | 隐患质检方法、装置、电子设备及存储介质 | |
| US20240054402A1 (en) | Attribution and Generation of Saliency Visualizations for Machine-Learning Models | |
| CN111462490B (zh) | 一种基于多级子区划分的路网可视化方法及装置 | |
| CN111582536A (zh) | 基于特征学习的隐伏断层预测方法、装置、设备和介质 | |
| US20230093528A1 (en) | Interpretation method for neural network model, electronic device and storage medium | |
| CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
| CN113792961A (zh) | 基于审计大数据的任中经济责任审计决策方法及设备 | |
| CN111598384A (zh) | 基于聚类耦合确定变权区间阈值方法、装置、设备及介质 | |
| CN114360735A (zh) | 传染病时空聚集性探测分析方法、系统及电子设备 | |
| RU2530324C2 (ru) | Способ определения положения координат глубин маркера при построении геологической модели месторождения | |
| CN116630752B (zh) | 基于ai算法的施工现场目标对象识别方法及装置 |
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 |