CN112836355B - 一种预测采煤工作面顶板来压概率的方法 - Google Patents
一种预测采煤工作面顶板来压概率的方法 Download PDFInfo
- Publication number
- CN112836355B CN112836355B CN202110049380.8A CN202110049380A CN112836355B CN 112836355 B CN112836355 B CN 112836355B CN 202110049380 A CN202110049380 A CN 202110049380A CN 112836355 B CN112836355 B CN 112836355B
- Authority
- CN
- China
- Prior art keywords
- historical
- pressure
- probability
- state
- condition number
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测采煤工作面顶板来压概率的方法,包括步骤:STEP1.获取采煤工作面支架的历史工作阻力数据,根据历史工作阻力数据生成来压状态序列;STEP2.根据来压状态序列,计算最佳历史状态条件数n;STEP3.根据历史状态条件数n构建来压概率树;STEP4.根据来压概率树实时进行来压概率预测;本方法将条件概率及条件熵相关内容用于煤矿安全开采领域支架来压概率预测,可以帮助工作人员判断开采过程中支架的来压情况,有利于保证煤矿安全高效生产,具有安全性高、预测结果准确的特点。
Description
技术领域
本发明涉及煤矿安全开采技术领域,具体涉及一种预测采煤工作面顶板来压概率的方法。
背景技术
顶板事故是煤炭开采过程中的主要灾害之一;顶板事故最直接的原因是工作面顶板压力过大,在实际生产中,顶板压力会随着工作面的推进不断发生变化,如果所受压力超过支架承受能力,支架就会损坏,威胁到工作面的安全生产;而盲目的增强支架承受能力,又需要更高的造价,降低经济效益。因此,顶板压力预测在煤矿安全高效生产中起着重要的作用;
现有的顶板压力预测方法主要分为两类:一类预测顶板压力的全局特征,例如周期(或初次)来压强度以及来压步距等;另一类是实时顶板压力预测,即预测未来各个时刻的顶板压力值;全局特征预测一般在工作面开采之前进行,为支架选型提供参考。实时顶板压力预测贯穿整个工作面开采过程,对灾害预警和二次加固支护有重要意义。实时预测方法需要使用开采过程中监测到的历史顶板压力数据;
由于开采条件的复杂性,要预测未来各个时刻的准确来压值非常困难。若能在给出来压值预测结果的同时,实时提供关于未来时刻是否来压的概率估计,则可对实际生产带来指导意义。在来压概率高时,可以进行预警并提醒现场人员及时采取措施保证生产安全。因此,顶板来压概率的预测对灾害预警和二次加固支护具有重要意义。利用概率论和信息论的相关理论对顶板来压概率进行预测是一种可行的顶板压力预测方案。但是,目前煤矿领域还缺乏支持顶板来压概率实时预测的技术。
发明内容
针对上述存在的问题,本发明旨在提供一种预测采煤工作面顶板来压概率的方法,本方法将条件概率及条件熵相关内容用于煤矿安全开采领域支架来压概率预测,可以帮助工作人员判断开采过程中支架的来压情况,有利于保证煤矿安全高效生产,具有安全性高、预测结果准确的特点。
为了实现上述目的,本发明所采用的技术方案如下:
一种预测采煤工作面顶板来压概率的方法,包括步骤:
STEP1.获取采煤工作面支架的历史工作阻力数据,根据历史工作阻力数据生成来压状态序列;
STEP2.根据来压状态序列,计算最佳历史状态条件数n;
STEP3.根据最佳历史状态条件数n构建来压概率树;
STEP4.根据来压概率树实时进行来压概率预测。
优选的,步骤STEP1所述的来压状态序列的构建过程包括:
STEP101.获取采煤工作面支架的历史工作阻力数据,采用K-means聚类方法将历史工作阻力数据聚为两类;
STEP102.根据聚类结果,将聚类中心较小一簇的成员标记为0,较大一簇的成员标记为1,此时原始工作阻力数据序列转换为一个元素取值为0或1的来压状态序列;
其中:取值为0的序列元素表示对应时刻不来压,取值为1的序列元素表示对应时刻来压。
优选的,步骤STEP2所述的最佳历史状态条件数的计算过程包括:
STEP201.初始化历史条件数i等于1;
STEP202.计算历史条件数i下的条件熵Hi:
其中:Si为历史条件数取i时所有可能的历史来压状态形成的集合,该集合共有2i个元素,每个元素均是长度为i的0-1序列;p(x)代表历史来压状态为x的概率,Y是一个随机变量,代表预测时刻的来压状态,取值为0或1;Xi是一个随机变量,代表历史条件数取值为i时的历史来压状态,条件熵Hi用以衡量历史条件数为i时,待预测时刻来压状态的不确定程度;该值愈大,不确定程度愈高;该值愈小,可预测性愈高;
STEP203.判断i是否等于1,若是,则令i自增1,并回到STEP202;若不是,则计算条件熵的变化量ΔH=Hi-Hi-1,然后判断ΔH>σ是否成立,若成立,亦令i自增1,并回到STEP202,若不成立,则迭代结束,此时的i值即为最佳历史条件数n;
其中:σ是给定的条件熵减少量阈值。
优选的,步骤STEP3所述的来压概率树的构建过程包括:
STEP301.(1)根据步骤STEP2计算的最佳历史条件数n及对应的历史来压状态集合Sn,统计支架的来压状态序列中各历史来压状态sj出现的频次,进而估计各历史来压状态sj发生的概率,记为:
P(Xn=sj);
其中:sj表示历史来压状态集合Sn的第j个元素;
(2)统计各历史来压状态sj下未来时刻来压的频次,估计历史来压状态是sj和未来时刻来压的并事件的概率,记为:
P(Y=1&&Xn=sj);
STEP302.利用条件概率公式(3)分别计算各历史状态下的来压概率:
其中:事件Y=1表示待预测时刻发生来压;事件Xn=sj表示历史来压状态恰好对应Sn的第j个元素;
STEP303.构造一个n+1层的满二叉树,该树的根节点存放最佳历史条件数n,每个节点的左孩子节点值为0,右孩子节点值为1;除此之外,第j个叶子节点还存储概率值P(Y=1|Xn=pathj);
其中:pathj等于根节点下一层出发到达第j个叶子节点的所有节点值形成的序列,对应Sn集合第j个元素对应的历史来压状态。
优选的,步骤STEP4所述的来压概率预测的过程包括:
STEP401.根据步骤STEP2计算的最佳历史状态条件数n,得到待预测时刻前n个历史时刻的来压状态序列s;
其中:s是一个长度为n的0-1序列;
STEP402.在步骤STEP3得到的来压概率树中,查找到从根节点下一层出发path值等于s的叶子节点,该叶子节点所存储的概率值即为待预测时刻的来压概率。
本发明的有益效果是:本发明公开了一种预测采煤工作面顶板来压概率的方法,与现有技术相比,本发明的改进之处在于:
(1)本发明设计了一种预测采煤工作面顶板来压概率的方法,本方法首次将条件概率及条件熵相关内容用于煤矿安全开采领域支架来压情况预测,可以帮助工作人员判断开采过程中支架的来压情况,有利于保证煤矿安全高效生产;
(2)同时,本方法利用条件熵和条件概率等理论,对采煤工作面顶板来压概率进行预测,工作人员可以根据预测结果对生产活动及时进行调整,具有安全性高、预测结果准确的优点。
附图说明
图1为本发明预测采煤工作面顶板来压概率方法的总流程图。
图2为本发明步骤STEP1构建来压状态序列的流程图。
图3为本发明步骤STEP2历史状态条件数n选择的流程图。
图4为本发明步骤STEP3条件概率矩阵构建的流程图。
图5为n=3时的来压概率树示意图。
图6为本发明步骤STEP4来压概率预测的流程图。
图7为本发明实施例1条件熵随历史条件数i的变化情况的曲线图。
图8为本发明实施例1误报率随条件数的变化情况的曲线图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1-6所示的一种预测采煤工作面顶板来压概率的方法,包括步骤(如图1所示):
STEP1.获取采煤工作面支架的历史工作阻力数据,根据历史工作阻力数据生成来压状态序列;
STEP2.根据来压状态序列,计算最佳历史状态条件数n;
STEP3.根据最佳历史状态条件数n构建来压概率树;
STEP4.根据来压概率树实时进行来压概率预测。
优选的,步骤STEP1所述的来压状态序列的构建过程包括,如图2所示:
STEP101.获取采煤工作面支架的历史工作阻力数据,采用K-means聚类方法将历史工作阻力数据聚为两类;
STEP102.根据聚类结果,将聚类中心较小一簇的成员标记为0,较大一簇的成员标记为1,此时原始工作阻力数据序列转换为一个元素取值为0或1的来压状态序列;
其中:取值为0的序列元素表示对应时刻不来压,取值为1的序列元素表示对应时刻来压。
优选的,步骤STEP2所述的最佳历史状态条件数的计算过程包括,如图3所示:
STEP201.初始化历史条件数i等于1;
STEP202.计算历史条件数i下的条件熵Hi:
其中:Si为历史条件数取i时所有可能的历史来压状态形成的集合,该集合共有2i个元素,每个元素均是长度为i的0-1序列;比如,当i=1时,Si={0,1};当i=2时,Si={00,01,10,11};p(x)代表历史来压状态为x的概率,Y是一个随机变量,代表预测时刻的来压状态,取值为0或1;Xi是一个随机变量,代表历史条件数取值为i时的历史来压状态,条件熵Hi用以衡量历史条件数为i时,待预测时刻来压状态的不确定程度;该值愈大,不确定程度愈高;该值愈小,可预测性愈高;
STEP203.判断i是否等于1,若是,则令i自增1,并回到STEP202。若不是,则计算条件熵的变化量ΔH=Hi-Hi-1,然后判断ΔH>σ是否成立。这里的σ是给定的条件熵减少量阈值,一般取0.0008,若成立,亦令i自增1,并回到STEP202,若不成立,则迭代结束,此时的i值即为最佳历史条件数n。
优选的,步骤STEP3所述的条件概率矩阵的构建过程包括,如图4所示:
STEP301.根据步骤STEP2计算的最佳历史条件数n及对应的历史来压状态集合Sn,统计支架的来压状态序列中各历史来压状态sj出现的频次,进而估计各历史来压状态sj发生的概率,记为P(Xn=sj);这里的sj表示历史来压状态集合Sn的第j个元素,统计各历史来压状态sj下未来时刻来压的频次,进而估计历史来压状态是sj和未来时刻来压的并事件的概率,记为P(Y=1&&Xn=sj);
STEP302.利用条件概率公式(3)分别计算各历史状态下的来压概率:
其中:事件Y=1表示待预测时刻发生来压;事件Xn=sj表示历史来压状态恰好对应Sn的第j个元素,
STEP303.构造一个n+1层的满二叉树,该树的根节点存放最佳历史条件数n,每个节点的左孩子节点值为0,右孩子节点值为1,除此之外,第j个叶子节点还存储概率值P(Y=1|Xn=pathj);
其中pathj等于根节点下一层出发到达第j个叶子节点的所有节点值形成的序列,恰好对应Sn集合第j个元素对应的历史来压状态,例如当n=3时,可以构建满二叉树如图5所示。
优选的,步骤STEP4所述的来压概率预测的过程包括:
STEP401.根据步骤STEP2计算的最佳历史状态条件数n,得到待预测时刻前n个历史时刻的来压状态序列s,这里s是一个长度为n的0-1序列;
STEP402.在步骤STEP3得到的来压概率树中,查找到从根节点下一层出发path值等于s的叶子节点,该叶子节点所存储的概率值即为待预测时刻的来压概率,比如,在STEP303所举实例中,若待预测时刻的历史来压状态序列是001,则预测其来压概率P(Y=1|X3=001)。
实施例1:
应用场景:现有榆家梁煤矿52306工作面连续四个多月的支架工作阻力数据30500条,每割一刀煤进行一次采集,在该数据集上使用本方法进行来压概率预测,具体步骤如下:
步骤1):生成来压状态序列
针对榆家梁煤矿52306工作面的支架历史工作阻力数据,采用K-means聚类方法将其聚为两类;根据聚类结果,将聚类中心较小一簇的成员标记为0,较大一簇的成员标记为1,此时原始工作阻力数据序列转换为一个元素取值为0或1的来压状态序列;其中:取值为0的序列元素表示对应时刻不来压,取值为1的序列元素表示对应时刻来压;
步骤2):计算最佳历史状态条件数n
2.1)初始化历史条件数i等于1
2.2)计算历史条件数i下的条件熵Hi:
其中:Si为历史条件数取i时所有可能的历史来压状态形成的集合,该集合共有2i个元素,每个元素均是长度为i的0-1序列;p(x)代表历史来压状态为x的概率,Y是一个随机变量,代表预测时刻的来压状态,取值为0或1;Xi是一个随机变量,代表历史条件数取值为i时的历史来压状态;条件熵Hi用以衡量历史条件数为i时,待预测时刻来压状态的不确定程度,该值愈大,不确定程度愈高;该值愈小,可预测性愈高;
2.3)判断i是否等于1,若是,则令i自增1,回到步骤2.2,若不是,则计算条件熵的变化量ΔH=Hi-Hi-1,然后判断ΔH>σ是否成立;这里的σ是给定的条件熵减少量阈值,一般取0.0008;若成立,亦令i自增1,回到步骤2.2,若不成立,则迭代结束,此时的i值即为最佳历史条件数;本例中计算获得的最佳历史条件数为6,条件熵随历史条件数i的变化情况如图7所示;
步骤3)构建来压概率树
(1)根据步骤2计算的最佳历史状态条件数n及对应的历史来压状态集合Sn,统计支架的来压状态序列中各历史来压状态sj出现的频次,进而估计各历史来压状态sj发生的概率,记为P(Xn=sj);
这里的sj表示历史来压状态集合Sn的第j个元素;
(2)统计各历史来压状态sj下未来时刻来压的频次,进而估计历史来压状态是sj和未来时刻来压的并事件的概率,记为P(Y=1&&Xn=sj);利用条件概率公式(3)分别计算各历史状态下的来压概率
其中:在式(3)中:其中:事件Y=1表示待预测时刻发生来压;事件Xn=sj表示历史来压状态恰好对应Sn的第j个元素;
根据上式(3)计算各个历史来压状态对应的来压概率和最佳历史状态条件数n,构造一个n+1层的满二叉树,该树的根节点存放最佳历史条件数n,每个节点的左孩子节点值为0,右孩子节点值为1;除此之外,第j个叶子节点还存储概率值P(Y=1|Xn=pathj),其中pathj等于根节点下一层出发到达第j个叶子节点的所有节点值形成的序列,恰好对应Sn集合第j个元素对应的历史来压状态;
步骤4):进行来压概率预测
根据步骤2计算的最佳历史状态条件数n,得到待预测时刻前n个历史时刻的来压状态序列s,这里s是一个长度为n的0-1序列,其中各时刻状态为0还是为1取决于具体实例中的历史来压情况;在步骤3得到的来压概率树中,查找到从根节点下一层出发path值等于s的叶子节点,该叶子节点所存储的概率值即为待预测时刻的来压概率;
为了更好的显示本发明的优越性和可行性,我们使用来压漏报率这一指标对本例预测效果进行评价;来压漏报率为实际为来压状态,但预测结果为非来压的情况发生的频率,该指标在实际生产中也具有较大意义;
给定一个来压状态概率阈值β,这里的β取0.2,即预测结果中有20%以上可能性来压的时刻均认为该时刻会来压,与简单的延续上一时刻进行预测的方法相比,本例中所用方法将误报率从40.57%下降为23.1%。误报率随条件数增加的变化情况如图8所示。
通过上述实施例可以进一步看出本发明所述预测采煤工作面顶板来压概率的方法相比现有技术,能将误报率从40.57%下降为23.1%,相比现有技术具有很好的鲁棒性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。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 (3)
1.一种预测采煤工作面顶板来压概率的方法,其特征在于:包括步骤:
STEP1.获取采煤工作面支架的历史工作阻力数据,根据历史工作阻力数据生成来压状态序列;
STEP2.根据来压状态序列,计算最佳历史状态条件数n;
步骤STEP2所述的最佳历史状态条件数的计算过程包括:
STEP201.初始化历史条件数i等于1;
STEP202.计算历史条件数i下的条件熵Hi:
其中:Si为历史条件数取i时所有可能的历史来压状态形成的集合,该集合共有2i个元素,每个元素均是长度为i的0-1序列;p(x)代表历史来压状态为x的概率,Y是一个随机变量,代表预测时刻的来压状态,取值为0或1;Xi是一个随机变量,代表历史条件数取值为i时的历史来压状态,条件熵Hi用以衡量历史条件数为i时,待预测时刻来压状态的不确定程度;该值愈大,不确定程度愈高;该值愈小,可预测性愈高;
STEP203.判断i是否等于1,若是,则令i自增1,并回到STEP202;若不是,则计算条件熵的变化量ΔH=Hi-Hi-1,然后判断ΔH>σ是否成立,若成立,亦令i自增1,并回到STEP202,若不成立,则迭代结束,此时的i值即为最佳历史条件数n;
其中:σ是给定的条件熵减少量阈值;
STEP3.根据最佳历史状态条件数n构建来压概率树;
步骤STEP3所述的来压概率树的构建过程包括:
STEP301.(1)根据步骤STEP2计算的最佳历史条件数n及对应的历史来压状态集合Sn,统计支架的来压状态序列中各历史来压状态sj出现的频次,进而估计各历史来压状态sj发生的概率,记为:
P(Xn=sj);
其中:sj表示历史来压状态集合Sn的第j个元素;
(2)统计各历史来压状态sj下未来时刻来压的频次,估计历史来压状态是sj和未来时刻来压的并事件的概率,记为:
P(Y=1&&Xn=sj);
STEP302.利用条件概率公式(3)分别计算各历史状态下的来压概率:
其中:事件Y=1表示待预测时刻发生来压;事件Xn=sj表示历史来压状态恰好对应Sn的第j个元素;
STEP303.构造一个n+1层的满二叉树,该树的根节点存放最佳历史条件数n,每个节点的左孩子节点值为0,右孩子节点值为1;除此之外,第j个叶子节点还存储概率值P(Y=1|Xn=pathj);
其中:pathj等于根节点下一层出发到达第j个叶子节点的所有节点值形成的序列,对应Sn集合第j个元素对应的历史来压状态;
STEP4.根据来压概率树实时进行来压概率预测。
2.根据权利要求1所述的一种预测采煤工作面顶板来压概率的方法,其特征在于:步骤STEP1所述的来压状态序列的构建过程包括:
STEP101.获取采煤工作面支架的历史工作阻力数据,采用K-means聚类方法将历史工作阻力数据聚为两类;
STEP102.根据聚类结果,将聚类中心较小一簇的成员标记为0,较大一簇的成员标记为1,此时原始工作阻力数据序列转换为一个元素取值为0或1的来压状态序列;
其中:取值为0的序列元素表示对应时刻不来压,取值为1的序列元素表示对应时刻来压。
3.根据权利要求1所述的一种预测采煤工作面顶板来压概率的方法,其特征在于:步骤STEP4所述的来压概率预测的过程包括:
STEP401.根据步骤STEP2计算的最佳历史状态条件数n,得到待预测时刻前n个历史时刻的来压状态序列s;
其中:s是一个长度为n的0-1序列;
STEP402.在步骤STEP3得到的来压概率树中,查找到从根节点下一层出发path值等于s的叶子节点,该叶子节点所存储的概率值即为待预测时刻的来压概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110049380.8A CN112836355B (zh) | 2021-01-14 | 2021-01-14 | 一种预测采煤工作面顶板来压概率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110049380.8A CN112836355B (zh) | 2021-01-14 | 2021-01-14 | 一种预测采煤工作面顶板来压概率的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836355A CN112836355A (zh) | 2021-05-25 |
CN112836355B true CN112836355B (zh) | 2023-04-18 |
Family
ID=75928263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110049380.8A Active CN112836355B (zh) | 2021-01-14 | 2021-01-14 | 一种预测采煤工作面顶板来压概率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836355B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107391859A (zh) * | 2017-07-28 | 2017-11-24 | 西安科技大学 | 一种浅埋薄基岩煤层开采初次来压支护阻力的确定方法 |
CN108604902A (zh) * | 2016-02-08 | 2018-09-28 | 皇家飞利浦有限公司 | 确定聚类的设备和方法 |
CN110114830A (zh) * | 2016-10-11 | 2019-08-09 | 基因组系统公司 | 用于生物信息数据索引的方法和系统 |
CN110889087A (zh) * | 2019-10-29 | 2020-03-17 | 青岛本末岩控技术有限公司 | 一种基于综采工作面的矿压大数据实时预测系统及方法 |
CN111783996A (zh) * | 2020-06-18 | 2020-10-16 | 杭州海康威视数字技术股份有限公司 | 一种数据处理方法、装置及设备 |
CN112199836A (zh) * | 2020-09-30 | 2021-01-08 | 中煤科工开采研究院有限公司 | 基于深度学习的工作面周期来压的预警方法、装置及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2599031A4 (en) * | 2010-07-29 | 2014-01-08 | Exxonmobil Upstream Res Co | METHOD AND SYSTEMS FOR A FLOW SIMULATION BASED ON MACHINERY LEARNING |
US11196380B2 (en) * | 2017-07-04 | 2021-12-07 | Taiwan Power Company | Power generation prediction system and method thereof |
-
2021
- 2021-01-14 CN CN202110049380.8A patent/CN112836355B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108604902A (zh) * | 2016-02-08 | 2018-09-28 | 皇家飞利浦有限公司 | 确定聚类的设备和方法 |
CN110114830A (zh) * | 2016-10-11 | 2019-08-09 | 基因组系统公司 | 用于生物信息数据索引的方法和系统 |
CN107391859A (zh) * | 2017-07-28 | 2017-11-24 | 西安科技大学 | 一种浅埋薄基岩煤层开采初次来压支护阻力的确定方法 |
CN110889087A (zh) * | 2019-10-29 | 2020-03-17 | 青岛本末岩控技术有限公司 | 一种基于综采工作面的矿压大数据实时预测系统及方法 |
CN111783996A (zh) * | 2020-06-18 | 2020-10-16 | 杭州海康威视数字技术股份有限公司 | 一种数据处理方法、装置及设备 |
CN112199836A (zh) * | 2020-09-30 | 2021-01-08 | 中煤科工开采研究院有限公司 | 基于深度学习的工作面周期来压的预警方法、装置及设备 |
Non-Patent Citations (4)
Title |
---|
Prediction of the First Weighting from the Working Face Roof in a Coal Mine Based on a GA-BP Neural Network;Tingjiang Tan,et al.;《applied sciences》;20191003;全文 * |
基于信息融合理论的冲击矿压预测模型;吕永飞 等;《现代矿业》;20170131;全文 * |
时间窗设置对综采工作面矿压预测精度的影响研究;李泽萌;《电脑与电信》;20200430;全文 * |
神经网络系统预测采面来压研究;李小永 等;《煤炭与化工》;20140831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112836355A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10719577B2 (en) | System analyzing device, system analyzing method and storage medium | |
WO2014092838A1 (en) | Failure prediction and maintenance planning for equipment | |
CN107145634B (zh) | 一种盾构刀盘及驱动系统多态动态可靠性评估方法 | |
Archibald et al. | Nested Benders decomposition and dynamic programming for reservoir optimisation | |
CN109753591A (zh) | 业务流程预测性监控方法 | |
CN105574541A (zh) | 一种基于紧密度排序的网络社区发现方法 | |
Zhang et al. | A real-time anomaly detection algorithm/or water quality data using dual time-moving windows | |
CN112836355B (zh) | 一种预测采煤工作面顶板来压概率的方法 | |
Olu-Ajayi et al. | Building energy consumption prediction using deep learning | |
CN104573361A (zh) | 一种gis设备评估的方法和装置 | |
Nannapaneni et al. | Manufacturing process evaluation under uncertainty: A hierarchical bayesian network approach | |
Christodoulou et al. | Urban water distribution network asset management using spatio-temporal analysis of pipe-failure data | |
Boroumand et al. | FLCSS: A fuzzy‐based longest common subsequence method for uncertainty management in trajectory similarity measures | |
Fouladgar et al. | Risk evaluation of tunneling projects by fuzzy Topsis | |
Basak et al. | The approximation of long‐memory processes by an ARMA model | |
CN115099673A (zh) | 一种危险化学品库房火灾动态智能风险评估的方法 | |
Kim et al. | Comparison of crime forecasting models based on spatio-temporal data and machine learning | |
Zhang et al. | Inventory management for spare parts on engineering machinery | |
CN116361662B (zh) | 机器学习模型的训练方法及量子网络设备性能预测方法 | |
Vasumathi et al. | Forecasting Intermittent Demand for Spare Parts | |
CN111095868A (zh) | 软件定义网络中的数据流量管理 | |
Lv et al. | A history data based traffic incident impact analyzing and predicting method | |
ADELOYE | Reducing the uncertainty associated with water resources planning in a developing country basin with limited runoff data through AI rainfall–runoff modelling | |
TWI546686B (zh) | 一種具動態粒度與自動標籤之漸進式序列資料探勘方法及系統 | |
CN118093671A (zh) | 一种利用N-Gram统计模型的目标轨迹长时预测方法 |
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 |