CN113094641B - 基于大数据可视化分析的k-近邻岩爆预测方法和装置 - Google Patents
基于大数据可视化分析的k-近邻岩爆预测方法和装置 Download PDFInfo
- Publication number
- CN113094641B CN113094641B CN202110621619.4A CN202110621619A CN113094641B CN 113094641 B CN113094641 B CN 113094641B CN 202110621619 A CN202110621619 A CN 202110621619A CN 113094641 B CN113094641 B CN 113094641B
- Authority
- CN
- China
- Prior art keywords
- frequency
- data
- rock
- rock burst
- amplitude
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开一种基于大数据可视化分析的K‑近邻岩爆预测方法和装置,包括:步骤S1、根据岩石数据,得到岩石的频谱特征和振幅/能量特征;步骤S2、根据所述频谱特征和振幅/能量特征,通过K‑近邻算法对岩爆的精准预测。采用本发明的技术方案,可以对岩爆进行精准预测,以避免造成巨大的经济以及人员损失。
Description
技术领域
本发明属于岩爆预测技术领域,尤其涉及一种基于大数据可视化分析的K-近邻岩爆预测方法和装置。
背景技术
随着岩体工程进入深部以后,因受高地应力、高地温、高水压以及工程扰动因素的共同影响,在煤矿、地下水电站泵、深埋隧道以及引水隧洞一些地下工程中,围岩会发生突然猛烈的破坏,同时伴随能量的快速释放,岩体的这种破坏通常称为岩爆。岩爆规模巨大,同时岩爆的发生不仅严重影响生产,还会造成设备损坏、人员伤亡,造成不可估量的经济损失。目前还不能对岩爆进行精准预测,以避免造成巨大的经济以及人员损失。
发明内容
本发明要解决的技术问题是,提供一种基于大数据可视化分析的K-近邻岩爆预测方法和装置,可以对岩爆进行精准预测,以避免造成巨大的经济以及人员损失。
为实现上述目的,本发明采用如下的技术方案:
一种基于大数据可视化分析的K-近邻岩爆预测方法,包括:
步骤S1、根据岩石数据,得到岩石的频谱特征和振幅/能量特征;
步骤S2、根据所述频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。
作为优选,步骤S1,具体包括:
步骤11、获取岩石数据;
步骤12、将所述岩石数据的时域数据通过傅里叶变换,得到岩石数据的频域数据;
步骤13、根据岩石数据的频域数据,提取岩石数据的频谱特征和振幅/能量特征,
作为优选,步骤12中,得到岩石数据的频域数据包括:
步骤121、对岩石数据进行解析;
步骤122、提取解析后的波形文件数据,并将波形文件数据按照岩爆发生时间顺序进行排序;
步骤123、将排序后的波形文件数据进行快速傅里叶变换,得到频域-振幅值,即为岩石数据的频域数据。
作为优选,步骤S2,具体包括:
步骤21、获取岩石数据频谱特征和振幅/能量特征;
步骤22、根据频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。
作为优选,步骤13中,提取岩石数据的频谱特征包括:
步骤1311、根据岩石数据的频域数据,得到岩爆发生时刻的实时时间,并依次存储到“主频.TXT”文件中,其中,“主频.TXT”文件中,第1列为岩爆发生时间,第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值,第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值;
步骤1312、将“主频.TXT”文件中的第1列时间序列作为X轴,将“主频.TXT”文件中的第2列主频序列作为Y轴,做出散点图所得为主频分布图;
步骤1313、对“主频.TXT”文件进行数据分析,得到主频中位数在84.472KHz,主频平均值在134.410KHz;
步骤1314、根据主频分布图,将主频划分为五个主频带,分别为:小于50KHz称为低频带,在大于等于50KHz且小于150KHz之间称为中低频带,在大于等于150KHz且小于250KHz之间称为中频带,在大于等于250KHz且小于350KHz之间称为中高频带,大于350KHz称为高频带;其中,小于50KHz的个数为203个,处于50KHz--150KHz的个数为18464个,处于150KHz--250KHz的个数为1149个,处于250KHz--350KHz的个数为5678个,大于350KHz的个数为459个,并计算五个主频带的数量比例后进行岩石主频分布饼状图可视化;
步骤1315、根据主频分布图、主频中位数、主频平均值、主频分布饼状图,得到岩爆频谱规律。
作为优选,步骤2中,根据“主频.TXT”文件中,第1列为岩爆发生时间,第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值,第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值;将“主频.TXT”文件中第2列的最大主频值和第3列的最大振幅值分别进行标准化,归一化为0-1的数据,处理如下:
在数据归一化的基础上,利用声发射主频和振幅数据作为输入的特征数据,以自动识别得到的是否岩爆结果作为分类标签,即将岩爆实验过程中岩爆时的数据标签作为1,其余不发生岩爆的数据标签作为0。
本发明还提供一种基于大数据可视化分析的K-近邻岩爆预测装置,其特征在于,包括:
提取模块,用于根据岩石数据,得到岩石的频谱特征和振幅/能量特征;
预测模块,用于根据所述频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。
本发明根据岩石数据,得到岩石的频谱特征和振幅/能量特征;根据所述频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。采用本发明的技术方案,可以对岩爆进行精准预测,以避免造成巨大的经济以及人员损失。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于大数据可视化分析的K-近邻岩爆预测方法流程图;
图2为本发明基于大数据可视化分析的K-近邻岩爆预测装置的结构示意图。
具体实施方式
以下实施例会结合附图对本发明进行详述,在附图或说明中,相似或相同的部分使用相同的标号,并且在实际应用中,各部件的形状、厚度或高度可扩大或缩小。本发明所列举的各实施例仅用以说明本发明,并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
如图1所示,本发明提供一种基于大数据可视化分析的K-近邻岩爆预测方法,包括:
步骤S1、根据岩石数据,得到岩石的频谱特征和振幅/能量特征;
步骤S2、根据所述频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。
进一步,步骤S1,具体包括:
步骤11、获取岩石数据;
步骤12、将所述岩石数据的时域数据通过傅里叶变换,得到岩石数据的频域数据;
步骤13、根据岩石数据的频域数据,提取岩石数据的频谱特征和振幅/能量特征,
进一步,步骤12中,得到岩石数据的频域数据包括:
步骤121、对岩石数据进行解析;
步骤122、提取解析后的波形文件数据,并将波形文件数据按照岩爆发生时间顺序进行排序;
步骤123、将排序后的波形文件数据进行快速傅里叶变换,得到频域-振幅值,即为岩石数据的频域数据。
进一步,步骤13中,提取岩石数据的频谱特征包括:
步骤1311、根据岩石数据的频域数据,得到岩爆发生时刻的实时时间,并依次存储到“主频.TXT”文件中,其中,“主频.TXT”文件中,第1列为岩爆发生时间,第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值,第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值;
步骤1312、将“主频.TXT”文件中的第1列时间序列作为X轴,将“主频.TXT”文件中的第2列主频序列作为Y轴,做出散点图所得为主频分布图;
步骤1313、对“主频.TXT”文件进行数据分析,得到主频中位数大约在84.472KHz,主频平均值在134.410KHz左右;
步骤1314、、根据主频分布图,将主频划分为五个主频带,分别为小于50KHz称为低频带,在大于等于50KHz且小于150KHz之间称为中低频带,在大于等于150KHz且小于250KHz之间称为中频带,在大于等于250KHz且小于350KHz之间称为中高频带,大于350KHz称为高频带,可得小于50KHz(低频)的个数为203个,处于大于等于50KHz且小于150KHz之间(中低频)的个数为18464个,处于大于等于150KHz且小于250KHz之间(中频)的个数为1149个,处于大于等于250KHz且小于350KHz之间(中高频)的个数为5678个,大于350KHz(高频)的个数为459个,并计算五个主频带的数量比例后进行岩石主频分布饼状图可视化;
步骤1315、根据主频分布图、主频中位数、主频平均值、主频分布饼状图可得岩爆频谱规律大致如下:
①主频频率大多数都在大于等于50KHz且小于150KHz之间、大于等于150KHz且小于250KHz之间、大于等于250KHz且小于350KHz之间这三个分布区间,其中主频分布在大于等于50KHz且小于150KHz之间最多,其次分布在大于等于250KHz且小于350KHz之间、大于等于150KHz且小于250KHz之间,而分布在小于50KHz及大于等于350KHz这两部分最少。
②其声发射信号的主频值大多数分布在“中低频—中频—中高频”这三部分,从整体来看,岩爆主频呈现“中低频—中频—中高频—中频”的演化规律。
进一步,步骤13中,提取岩石数据的振幅/能量特征包括:
步骤1321、根据“主频.TXT”文件中,第1列为岩爆发生时间,第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值,第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值;将“主频.TXT”文件中的第1列时间序列作为X轴,将“主频.TXT”文件中的第3列主频序列作为Y轴,做出折线图所得为大理岩声发射振幅图;
步骤1322、根据定理已知,任何振动的物体都有能量,而其能量可用以下公式来计算,
质点的振动方程:
可得振动质点的速度为:
体元动能为:
体元势能为:
质点的机械能为:
由结论1可得岩石能量与振幅存在潜在关系,并且振幅越高,能量越大,同时岩爆过程初期和中期能量较小,岩爆过程后期能量急剧增大,在岩爆发生的同时,存在能量急剧下降的现象。
步骤1323、根据“主频.TXT”文件中,第1列为岩爆发生时间,第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值,第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值;将“主频.TXT”文件中的第1列时间序列作为X轴,将“主频.TXT”文件中的第2列主频序列作为Y轴,将“主频.TXT”文件中的第3列主频序列作为Z轴,刻画岩爆实验声发射特征的岩石三维主频振幅图。
可得以下结论:
①岩爆整个过程初期和中期振幅幅值变化较小,岩爆过程后期幅值突然增大;
②由结论1可得岩爆过程初期和中期能量较小,岩爆过程后期能量急剧增大,在岩爆发生的同时,存在能量急剧下降的现象;
③岩爆过程中声发射信号的主频区间集中分布在“中低频、中频、中高频”这三部分,主频特征呈现“中低频→中频→中高频→中频”的演化规律;尤其岩爆时刻,声发射频谱表现为中频高幅值的特征;
④岩爆初期和中期,幅值、能量变化不大,岩爆后期主要是岩爆时刻的主频主要集中在中频带(150KHz—250KHz)分布区间,此区间的幅值突然增大,然后急速变小。由此可知岩爆初期具有较低能量,然后下降,后期岩爆能量急剧上升,再急剧下降,并且此时的声发射频谱表现为中频高幅值的特征。
进一步,步骤S2,具体包括:
步骤21、获取岩石数据频谱特征和振幅/能量特征;
步骤22、根据频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。
进一步,通过K-近邻算法对岩爆的精准预测,包括:
步骤21、根据“主频.TXT”文件中,第1列为岩爆发生时间,第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值,第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值;为确保预测模型的预测效果,将“主频.TXT”文件中第2列的最大主频值和第3列的最大振幅值分别进行标准化,归一化为0-1的数据,处理如下:
步骤22、在上述数据归一化的基础上,利用声发射主频和振幅数据作为输入的特征数据,以自动识别、标识算法得到的是否岩爆结果作为分类标签,即将岩爆实验过程中岩爆时的数据标签作为1,其余不发生岩爆的数据标签作为0。
步骤23、在上述处理后的数据基础上,将数据集的大小按照9:1的比例划分为训练集和测试集,采用K-近邻算法训练预测模型,来实现对岩爆的精准预测。采用准确率(Accuracy)评估分类模型的好坏,其代表预测正确的结果占总样本的百分比;召回率(Recall)表示实际为正的样本中被预测为正样本的概率;F1值(精确率与召回率的调和平均值)是一种统计的量,它在数值上等于精确率与召回率的调和平均值,也经常被用来评价模型的好坏,利用这三个特征,采用K-近邻算法将它们用于处理后的上述数据,对它们进行计算分析。
如图2所示,本发明提供一种基于大数据可视化分析的K-近邻岩爆预测装置,实现基于大数据可视化分析的K-近邻岩爆预测方法,包括:
提取模块,用于根据岩石数据,得到岩石的频谱特征和振幅/能量特征;
预测模块,用于根据所述频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。
实施例1:莱州花岗岩岩爆预测
步骤1、将本发明的预测方法用于实际中莱州花岗岩的岩爆预测,按照提取岩石数据的频域步骤,提取莱州花岗岩岩石数据的频域-振幅值,即为莱州花岗岩岩石数据的频域数据;
步骤2、根据岩石数据的频域数据,提取岩石数据的频谱特征方法,提取莱州花岗岩的频谱特征;分别得到莱州花岗岩的莱州花岗岩主频分布图、莱州花岗岩主频分布饼状图,
根据莱州花岗岩的莱州花岗岩主频分布图、莱州花岗岩主频分布饼状图及对主频值进行数据分析计算,可得莱州花岗岩岩爆规律为岩爆过程中声音信号的主频分布区间主要分布在“中低频、中频、中高频”这三部分,从总体上看主频特征呈现“中低频→中频→中高频→中频”的演化规律,
步骤3、根据岩石数据的频域数据,提取岩石数据的振幅/能量特征方法,提取莱州花岗岩的振幅-能量特征,分布得到莱州花岗岩声发射振幅图、三维主频振幅图,根据莱州花岗岩声发射振幅图、三维主频振幅图,可得莱州花岗岩岩爆规律为主频振幅能量经历“逐渐增加→逐渐下降→急剧增加→急剧下降”的变化规律。
步骤4、据频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测部分,采用K-近邻算法对莱州花岗岩岩爆进行预测分析,可得算法效果如下:
算法效果如表1所示:
由表1可知,本发明的KNN岩爆预测算法的对莱州花岗岩的预测准确率(Accuracy)高达96.687%,即此模型对岩爆事件预测正确的次数与岩爆事件总数比值为96.687%;同时模型的召回率(Recall)达81.899%,F1 值达88.681%。
由以上数据结果可得该模型对岩爆预测具有良好性能,不仅预测准确率较高,还可用于其他种类岩石的岩爆预测。
应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于大数据可视化分析的K-近邻岩爆预测方法,其特征在于,包括:
步骤S1、根据岩石数据,得到岩石的频谱特征和振幅/能量特征;
步骤S2、根据所述频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测;
其中,步骤S1,具体包括:
步骤11、获取岩石数据;
步骤12、将所述岩石数据的时域数据通过傅里叶变换,得到岩石数据的频域数据;
步骤13、根据岩石数据的频域数据,提取岩石数据的频谱特征和振幅/能量特征;
步骤13中,提取岩石数据的频谱特征包括:
步骤1311、根据岩石数据的频域数据,得到岩爆发生时刻的实时时间,并依次存储到“主频.TXT”文件中,其中,“主频.TXT”文件中,第1列为岩爆发生时间,第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值,第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值;
步骤1312、将“主频.TXT”文件中的第1列时间序列作为X轴,将“主频.TXT”文件中的第2列主频序列作为Y轴,做出散点图所得为主频分布图;
步骤1313、对“主频.TXT”文件进行数据分析,得到主频中位数在84.472KHz,主频平均值在134.410KHz;
步骤1314、根据主频分布图,将主频划分为五个主频带,分别为:小于50KHz称为低频带,在大于等于50KHz且小于150KHz之间称为中低频带,在大于等于150KHz且小于250KHz之间称为中频带,在大于等于250KHz且小于350KHz之间称为中高频带,大于350KHz称为高频带;其中,小于50KHz的个数为203个,处于50KHz--150KHz的个数为18464个,处于150KHz--250KHz的个数为1149个,处于250KHz--350KHz的个数为5678个,大于350KHz的个数为459个,并计算五个主频带的数量比例后进行岩石主频分布饼状图可视化;
步骤1315、根据主频分布图、主频中位数、主频平均值、主频分布饼状图,得到岩爆频谱规律。
2.如权利要求1所述的基于大数据可视化分析的K-近邻岩爆预测方法,其特征在于,步骤12中,得到岩石数据的频域数据包括:
步骤121、对岩石数据进行解析;
步骤122、提取解析后的波形文件数据,并将波形文件数据按照岩爆发生时间顺序进行排序;
步骤123、将排序后的波形文件数据进行快速傅里叶变换,得到频域-振幅值,即为岩石数据的频域数据。
3.如权利要求1所述的基于大数据可视化分析的K-近邻岩爆预测方法,其特征在于,步骤S2,具体包括:
步骤21、获取岩石数据频谱特征和振幅/能量特征;
步骤22、根据频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。
4.如权利要求1所述的基于大数据可视化分析的K-近邻岩爆预测方法,其特征在于,步骤2中,根据“主频.TXT”文件中,第1列为岩爆发生时间,第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值,第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值;将“主频.TXT”文件中第2列的最大主频值和第3列的最大振幅值分别进行标准化,归一化为0-1的数据,处理如下:
在数据归一化的基础上,利用声发射主频和振幅数据作为输入的特征数据,以自动识别得到的是否岩爆结果作为分类标签,即将岩爆实验过程中岩爆时的数据标签作为1,其余不发生岩爆的数据标签作为0。
5.一种基于大数据可视化分析的K-近邻岩爆预测装置,其特征在于,包括:
提取模块,用于根据岩石数据,得到岩石的频谱特征和振幅/能量特征;
预测模块,用于根据所述频谱特征和振幅/能量特征,通过K-近邻算法对岩爆的精准预测。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621619.4A CN113094641B (zh) | 2021-06-04 | 2021-06-04 | 基于大数据可视化分析的k-近邻岩爆预测方法和装置 |
US17/681,221 US11422076B1 (en) | 2021-06-04 | 2022-02-25 | K-nearest neighbour rock burst prediction method and device based on big data visualization analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621619.4A CN113094641B (zh) | 2021-06-04 | 2021-06-04 | 基于大数据可视化分析的k-近邻岩爆预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094641A CN113094641A (zh) | 2021-07-09 |
CN113094641B true CN113094641B (zh) | 2021-10-08 |
Family
ID=76664532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110621619.4A Active CN113094641B (zh) | 2021-06-04 | 2021-06-04 | 基于大数据可视化分析的k-近邻岩爆预测方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11422076B1 (zh) |
CN (1) | CN113094641B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114153005B (zh) * | 2022-02-10 | 2022-04-19 | 北京建筑大学 | 一种基于大数据分析的岩爆危险性等级评价方法 |
CN115144269B (zh) * | 2022-09-02 | 2022-11-04 | 中国矿业大学(北京) | 基于声发射时变多重分形谱的岩爆预测预报方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014209141A2 (en) * | 2014-10-30 | 2014-12-31 | Instytut Technik Innowacyjnych Emag | Method and system for assessing a risk of high-energy earth bursts generated by underground mining |
CN105676267A (zh) * | 2016-01-15 | 2016-06-15 | 广西大学 | 一种基于声音信号频谱分析的应变型岩爆预警方法 |
CN111123355A (zh) * | 2020-01-07 | 2020-05-08 | 山东大学 | 一种基于微震监测数据的岩爆预测方法及系统 |
CN112102594A (zh) * | 2020-10-13 | 2020-12-18 | 江西理工大学 | 一种即时型岩爆的监测预警系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676268B (zh) * | 2016-01-15 | 2018-03-13 | 广西大学 | 一种基于声音信号波形变化特征的应变型岩爆预警方法 |
WO2018170035A1 (en) * | 2017-03-14 | 2018-09-20 | Saudi Arabian Oil Company | Collaborative sensing and prediction of source rock properties |
CN111879858B (zh) * | 2020-08-31 | 2022-07-01 | 江西理工大学 | 一种基于声发射震源主频唯一性的岩石破坏预测方法 |
CN113076700A (zh) * | 2021-04-27 | 2021-07-06 | 昆明理工大学 | 一种基于数据分析原理的svm-lda岩爆机器学习预测模型方法 |
-
2021
- 2021-06-04 CN CN202110621619.4A patent/CN113094641B/zh active Active
-
2022
- 2022-02-25 US US17/681,221 patent/US11422076B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014209141A2 (en) * | 2014-10-30 | 2014-12-31 | Instytut Technik Innowacyjnych Emag | Method and system for assessing a risk of high-energy earth bursts generated by underground mining |
CN105676267A (zh) * | 2016-01-15 | 2016-06-15 | 广西大学 | 一种基于声音信号频谱分析的应变型岩爆预警方法 |
CN111123355A (zh) * | 2020-01-07 | 2020-05-08 | 山东大学 | 一种基于微震监测数据的岩爆预测方法及系统 |
CN112102594A (zh) * | 2020-10-13 | 2020-12-18 | 江西理工大学 | 一种即时型岩爆的监测预警系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于案例推理的岩爆预测方法;苏国韶;《采矿与安全工程学报》;20080331;第25卷(第1期);63-67页 * |
Also Published As
Publication number | Publication date |
---|---|
US11422076B1 (en) | 2022-08-23 |
CN113094641A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094641B (zh) | 基于大数据可视化分析的k-近邻岩爆预测方法和装置 | |
CN107505652B (zh) | 一种基于能量分布特征的矿山微震信号辨识方法 | |
CN103487513B (zh) | 一种空间碎片撞击毁伤声发射信号类型识别方法 | |
CN105740840B (zh) | 一种岩体破裂信号与爆破振动信号的非线性识别方法 | |
CN110133714B (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
CN101718581B (zh) | 基于支持向量机的核电站松动件报警方法 | |
CN110632662A (zh) | 一种利用DCNN-Inception网络自动识别微地震信号的算法 | |
CN104535905A (zh) | 基于朴素贝叶斯分类的局部放电诊断方法 | |
CN102854252A (zh) | 一种检测金属材料疲劳状态的方法和系统 | |
CN102707143B (zh) | 采用灰色多周期模型提取电磁频谱中谐波分量的方法 | |
CN110717689A (zh) | 一种露天矿矿岩台阶岩体可爆性分级评价方法 | |
Ma et al. | Research on identification technology of explosive vibration based on EEMD energy entropy and multiclassification SVM | |
CN110688983A (zh) | 基于多模态优化和集成学习的微震信号识别方法 | |
CN104111109B (zh) | 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法 | |
CN107422373B (zh) | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 | |
CN106202919B (zh) | 一种基于震源参数的微震与爆破事件识别方法 | |
CN110988985B (zh) | 基于波形特征的地震信号检测方法 | |
CN115640995A (zh) | 一种隧洞超前地质预报风险评价方法及装置 | |
CN113702509B (zh) | 划分岩爆过程中张拉和剪切裂纹的方法 | |
CN111915844B (zh) | 利用倒谱系数分析震动信号评价煤岩稳定性的方法和装置 | |
Li et al. | Acoustic emissions waveform analysis for the recognition of coal rock stability | |
LU501391B1 (en) | Rockburst Prediction Method and System Based on Machine Learning | |
CN108388848B (zh) | 一种多尺度油气水多相流动力学特性分析方法 | |
CN112611275A (zh) | 一种爆破盲炮检测方法 | |
CN116774278A (zh) | 一种基于改进hht的微震信号分类识别方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210709 Assignee: Inner Mongolia Zhixin Gongda Technology Co.,Ltd. Assignor: Beijing University of Civil Engineering and Architecture Contract record no.: X2022980018976 Denomination of invention: K-Nearest Neighbor Rock Burst Prediction Method and Device Based on Big Data Visualization Analysis Granted publication date: 20211008 License type: Common License Record date: 20221027 |
|
EE01 | Entry into force of recordation of patent licensing contract |