CN113139681B - 一种基于时间序列数据的神经网络冲击地压预测方法 - Google Patents
一种基于时间序列数据的神经网络冲击地压预测方法 Download PDFInfo
- Publication number
- CN113139681B CN113139681B CN202110395130.XA CN202110395130A CN113139681B CN 113139681 B CN113139681 B CN 113139681B CN 202110395130 A CN202110395130 A CN 202110395130A CN 113139681 B CN113139681 B CN 113139681B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- rock burst
- time window
- mine
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000007774 longterm Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 4
- 229920006395 saturated elastomer Polymers 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 7
- 238000013139 quantization Methods 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Animal Husbandry (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明涉及一种基于时间序列数据的神经网络冲击地压预测方法,通过矿山数据采集设备采集冲击地压数据,并对主要影响因素进行量化处理;将量化后的数据进行标准化后加入随机噪声;通过滑动窗口方法截取定量的时间窗口来构建样本数据;通过随机采样方法对时间窗口数据划分训练集,验证集;利用训练集数据对建立的神经网络进行训练,并使用验证集测试网络性能对网络参数进行调整;利用训练得到的神经网络模型对矿井的冲击地压进行预测得到危险预警信息。本发明可靠性较高,提出了通过时间序列数据训练神经网络,克服了冲击地压预测受短时数据限制的问题,实现了冲击地压长期动态预测,可以有效进行冲击地压灾害预警。
Description
技术领域
本发明涉及一种矿山冲击地压预测方法,特别是一种基于时间序列数据的神经网络的冲击地压预测方法。
背景技术
当矿山开采到一定深度时,由于矿下条件的地应力、环境扰动、采动应力以及结构应力而产生的冲击地压是矿山压力的一种特殊表现形式。在冲击地压的发生的过程中,矿山矿体发生剧烈粉碎,抛入巷道对矿山支架,工作面造成破坏,并时常发生人员伤亡事故。目前,我国大多数矿井均存在不同程度的冲击地压威胁。
对于冲击地压的研究主要侧重分析其形成机理,研究其预测预报方法。而各种预测方法则需针对具体地质条件,通过理论联系实际方法来对冲击地压进行预测预报。目前,除了经验类比法外,冲击地压的预测方法可分为以下两大类:一是以钻屑法为主的局部探测法,主要用于探测采掘局部区段的冲击危险程度。但其预测工作在时空上不具有连续性。二是系统监测法,主要有微震、地音及地球物理系统监测方法。原理是通过连续监测矿体内出现的动力现象来预测冲击地压的危险级别,所依据的基本条件是岩体结构的破坏过程,可以被视为动力破坏的前兆。此类方法尽管将离散的矿压数据集合为具有时空连续性的数据,但数据本身具有极其复杂的非线性关系,故通过其进行分析数据判断矿体的力学状态难度较大。
近年来,人工智能方法被普遍的应用到冲击地压的预测中,如利用混沌时间序列方法来预测冲击地压,采用灰色理论建立了冲击地压预测模型。然而,通过大量的实证研究表明,上述方法并未很好解决冲击地压动态预测问题。这是因为,冲击地压与岩体深度、岩体厚度、岩体间距、日进度和日产量等多种因素密切相关,而这些影响因素又存在复杂的非线性关系。传统方法无法准确对冲击地压进行预测。重庆大学陈洁等人提出通过机器学习方法对冲击地压进行预测,贵州大学毕娟等提出通过使用R型因子Fisher判别对冲击地压危险等级进行预测,辽宁工程大学温廷新等人提出通过基于预处理的AFOA-ELM的方法用于预测冲击地压,上述方法虽能对某一时刻的冲击地压危险进行预测,但都未从时间刻度的变化趋势研究冲击地压的发展趋势,无法根据冲击地压的实时变化做出实时判断。
本发明通过结合时间窗口数据,通过神经网络模型学习时间窗口冲击地压数据的内在联系,并对冲击地压危险进行预测。
发明内容
本发明技术解决问题:克服了目前冲击地压预测过程中无法充分利用现有复杂非线性矿压数据,提供一种基于时间序列数据的神经网络冲击地压动态预测方法,可靠性高,实现冲击地压中长期动态预测。
本发明采取以下技术方案:一种基于时间序列数据的神经网络冲击地压动态预测方法,所述预测方法包括以下步骤:
1)通过采集矿山长期数据,获取矿山微震数据;
2)对1)中通过部署在矿山的微震传感器节点采集的矿山微震数据进行量化处理,再进行标准化后加入随机高斯噪声,得到具有一定随机性扰动的矿山微震数据样本,其中微震数据总量为X;
3)利用步骤2生成的具有一定随机性扰动的矿山微震数据样本,通过滑动窗口的方法,截取进行滑动窗口截取方法,每Z条矿山微震数据截取一次,作为一个时间窗口数据,用以描述在Z时间窗口尺度下的矿山微震的变化特征,共计截取X-Z组时间窗口数据,构成微震时间窗口数据集T,用以描述在Z大小时间窗口中微震数据的变化趋势,共计记录X-Z次,并对记录的数据根据真实冲击地压情况设置样本标签;
4)对步骤3)中截取的X-Z组用以描述在时间窗口尺度Z下矿山微震数据变化特征数据进行随机采样,生成训练数据与验证数据;
5)利用4)生成的训练数据训练神经网络模型;
6)使用4)生成验证数据对5)训练得到的神经网络模型进行验证,验证准确率达到设定阈值F,验证准确率达到设定阈值F,则进行步骤7,未达到设定阈值F,则重复5);
7)利用步骤5训练得到的神经网络模型对矿井微震数据进行预测,获得矿井冲击地压预警情况。
所述步骤2)中,所述标准化方法为:(1)对所取微震数据(x1,x1,…,xN)构成数据集合X的求得平均值为标准差为/>(2)对第i个数据进行z-score标准化(zero-mean normalization)后/>(3)同理对微震数据集X中所有数据进行z-score标准化。
所述步骤3)中,所述滑动窗口方法为:步骤2)中经过标准化与添加噪声后的标准数据集X,从第一个数据x1开始作为起点,取窗口大小为Z,从第一个数据到xZ为第一个时间窗口数据t1=(x1,x2,…,xZ),第二个时间窗口数据t2=(x2,x3,…,xZ+1),同理类推从数据集X中截取共N-Z个时间窗口数据,构成时间窗口数据集T。
所述步骤4)中,所述随机采样方法为:(1)将步骤3)生成的时间窗口数据集T等分为K份;(2)在每次训练时,从K份时间窗口数据集中随机抽取K-1份作为训练集,1份作为验证集。
所述步骤5)中,所述训练方法为:(1)确定神经网络模型输出节点由于冲击地压的真实情况为发生与未发生设置为2个,输入节点数与时间窗口大小相同,共具有6层网络结构,其中第二层节点数为100,第三层节点数为100,第四层节点节点数为50,第五层节点数为10,训练轮次根据训练情况设置在100-200轮,学习率设置为0.01-0.02,验证结果阈值设置为0.9(2)进一步地,使用凯明初始化方法对神经网络模型隐含层与输入层之间连接权重以及隐含层,隐含层于隐含层之间连接权重和输出层之间连接权重进行初始化,使得初始化后的权重符合正态分布,便于后续进行反向传播计算;(3)进一步地,将时间窗口训练集中的样本输入神经网络模型,确定神经网络模型的输出;(4)进一步地,通过使用交叉熵函数计算神经网络模型输出,与根据冲击地压真实情况设置的样本标签之间的交叉熵损失;(5)进一步地,每轮训练结束后,使用验证集对神经网络模型进行评估,如果验证结果达到验证结果阈值则停止训练,如未达到则使用反向传播算法与Adam优化器更新网络权重;(6)进一步地,通过验证效果判断神经网络是否达到饱和,如未达到则重复重复步骤(3)至步骤(6)
本发明由于采用上述技术方案,其具有以下优点:
(1)本发明首先通过长期监控矿下数据,采集矿山微震数据,通过滑动窗口方法获取时间窗口数据,保留了微震数据在时间刻度上的相关性;
(2)本发明通过利用时间窗口数据训练神经网络以挖掘时间窗口数据中蕴含的复杂非线性关系,最后利用该模型对矿井未来一段时间的冲击地压情况做出预测,由于神经网络层与层之间具有非线性激活函数,能够挖掘出时间窗口中隐藏的非线性关系,克服其他物理因素的干扰。因此,利用本发明对矿井冲击地压进行动态预测,精度高,预测过程蕴含物理意义,为矿山预防冲击地压危险,提供技术支撑。本发明可以广泛应用于矿山冲击地压预测领域。
附图说明
图1是本发明方法基本原理示意图;
图2是本发明基于时间序列数据的神经网络冲击地压预测流程图;
图3是本发明的多层神经网络结构示意图;
图4是本发明在真实矿下冲击地压数据中的测试结果示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1、2所示,本发明一种基于时间序列数据的神经网络冲击地压预测方法,其步骤如下:
1)通过矿山长期数据采集获取矿山近一年微震数据;
2)对步骤1)中的采集的数据进行量化处理,并对其进行标准化后加入随机高斯噪声;
其中,标准化方法如下:
对所取近一年微震数据(x1,x1,…,xN)构成数据集合X的求得平均值为标准差为/>对第i个数据进行z-score标准化(zero-mean normalization)后同理对微震数据集X中所有数据进行z-score标准化。
3)利用步骤2)生成的数据,通过滑动窗口方法,截取每Z条数据作为一个时间窗口数据;
其中,滑动窗口方法如下:
步骤2)中经过标准化与添加噪声后的标准数据集X,从第一个数据x1开始作为起点,取窗口大小为Z,从第一个数据到xZ为第一个时间窗口数据t1=(x1,x2,…,xZ),第二个时间窗口数据t2=(x2,x3,…,xZ+1),同理类推从数据集X中截取共N-Z个时间窗口数据,构成时间窗口数据集T。
4)对步骤3)生成的全部时间窗口数据进行随机采样,生成Q组训练数据,P组验证数据;
其中,随机采样方法如下:
将步骤3)生成的时间窗口数据集T等分为K份;在每次训练时,从K份时间窗口数据集中随机抽取K-1份作为训练集,1份作为验证集。
5)利用步骤4)生成的训练数据训练神经网络模型;使用步骤4)生成的P组验证数据对训练得到的神经网络模型进行验证,验证准确率达到设定阈值F,则进行步骤6),未达到设定阈值Z,则重复步骤5);
其中,训练方法如下:
(1)定神经网络模型输出节点由于冲击地压的真实情况为发生与未发生设置为2个,输入节点数与时间窗口大小相同,共具有6层网络结构,其中第二层节点数为100,第三层节点数为100,第四层节点节点数为50,第五层节点数为10,训练轮次根据训练情况设置在100-200轮,学习率设置为0.01-0.02,验证结果阈值设置为0.9;
(2)使用凯明初始化方法对神经网络隐含层与输入层之间连接权重以及隐含层,隐含层于隐含层之间连接权重和输出层之间连接权重进行初始化,使得初始化后的权重符合正态分布;
(3)将时间窗口训练集中的样本输入神经网络,确定网络的输出;
(4)通过使用交叉熵函数计算网络的网络输出,与真实标签之间的交叉熵损失;
(5)每轮训练结束后,使用验证集对网络进行评估,如果验证结果达到验证结果阈值则停止训练,如未达到则使用反向传播算法与Adam优化器更新网络权重;
(6)判断训练轮次是否达到最大训练轮次,如未达到则重复上述过程。
(7)利用步骤5)及步骤6)训练得到的神将网络算法模型对矿井微振数据进行预测,获得矿井冲击地压预警情况。
本发明的效果可用以下真实的冲击地压数据集展示。为了评估上述方法的有效性,在真实的矿下冲击地压数据集设计了针对性实验。本实验提到的矿下冲击地压数据集包含从2019年2月10日至2020年4月1日的矿井冲击地压传感器采集的共计9588条微震数据,并通过本发明提出的滑动窗口方法对数据进行处理,划分训练集,验证集与测试集。如图4所示为本发明在测试集上的测试结果,图4上图为测试结果,图4下图为样本原始标签,当上方图像中数据超过引出线(概率超过0.5)时,神经网络会做出正反馈,即预测为发生冲击地压,可以看出测试结果与原始标签数据基本吻合。通过上述实验可以给出一个合理的观察:本发明是一种有效的冲击地压预测方法。
上述各实施例仅用于说明本发明,各部分的参数是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对各部分参数的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (2)
1.一种基于时间序列数据的神经网络冲击地压预测方法,其特征在于:所述预测方法包括以下步骤:
步骤1:通过采集矿山长期数据,获取矿山微震数据;
步骤2:对步骤1中的部署在矿山的微震传感器节点采集的矿山微震数据进行量化处理,再进行标准化后加入随机高斯噪声,得到具有一定随机性扰动的矿山微震数据样本,其中微震数据总量为X;
步骤3:利用步骤2中得到的具有一定随机性扰动的矿山微震数据样本,进行滑动窗口截取,每Z条矿山微震数据截取一次,作为一个时间窗口数据,用以描述在Z时间窗口尺度下的矿山微震的变化特征,共计截取X-Z组时间窗口数据,构成微震时间窗口数据集T,用以描述在Z大小时间窗口中微震数据的变化趋势,共计记录X-Z次,并对记录的数据根据真实冲击地压情况设置样本标签;
步骤4:对步骤3中截取的X-Z组用以描述在时间窗口尺度Z下矿山微震数据变化特征数据进行随机采样,生成训练数据与验证数据;
步骤5:利用步骤4生成的训练数据训练神经网络模型,实现方法为:
(1)确定神经网络模型输入层节点数与时间窗口大小相同,输出节点由于冲击地压的真实情况为发生与未发生设置为2个,训练轮次根据训练情况设置在100-200轮,学习率设置为0.01-0.02,验证结果阈值设置为0.9-0.95;
(2)使用凯明初始化方法对神经网络模型隐含层与输入层之间连接权重以及隐含层,隐含层与隐含层之间连接权重和输出层之间连接权重进行初始化,使得初始化后的权重符合正态分布,方便进行下一步使用训练集训练神经网络模型;
(3)将时间窗口训练集中的样本输入神经网络模型,确定神经网络模型的输出;
(4)通过使用交叉熵函数计算神经网络模型输出,与根据冲击地压真实情况设置的样本标签之间的交叉熵损失,用于之后的反向传播;
(5)每轮训练结束后,使用验证集对神经网络模型进行评估,如果验证结果达到验证结果阈值则停止训练,如未达到则使用反向传播算法与Adam优化器更新网络权重;
(6)通过验证效果判断神经网络是否达到饱和,如未达到则重复步骤(3)至步骤(5);
步骤6:使用步骤4生成的验证数据对步骤5训练得到的神经网络模型进行验证,验证准确率达到设定阈值F,则进行步骤7,未达到设定阈值F,则重复步骤5;
步骤7:利用步骤5训练得到的神经网络模型对矿井微震数据进行预测,获得矿井冲击地压预警情况。
2.根据权利要求1所述的一种基于时间序列数据的神经网络建模冲击地压预测方法,其特征在于:所述步骤3中,滑动窗口的方法为:步骤2中总量为X微震数据,从第一个总量为X微震数据的首个微震数据记录节点开始的数据x1开始作为起点,向后取Z条数据,此Z条数据即为一个时间窗口,从第一个数据到xZ为第一个时间窗口数据t1=(x1,x2,…,xZ),第二个时间窗口数据t2=(x2,x3,…,xZ+1),同理从总量为X的微震数据中截取共X-Z组时间窗口数据,构成时间窗口数据集T,用以描述在Z大小时间窗口中微震数据的变化趋势,共计记录X-Z次,并对记录的数据根据真实冲击地压情况设置样本标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110395130.XA CN113139681B (zh) | 2021-04-13 | 2021-04-13 | 一种基于时间序列数据的神经网络冲击地压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110395130.XA CN113139681B (zh) | 2021-04-13 | 2021-04-13 | 一种基于时间序列数据的神经网络冲击地压预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139681A CN113139681A (zh) | 2021-07-20 |
CN113139681B true CN113139681B (zh) | 2023-10-17 |
Family
ID=76812124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110395130.XA Active CN113139681B (zh) | 2021-04-13 | 2021-04-13 | 一种基于时间序列数据的神经网络冲击地压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139681B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860582B (zh) * | 2023-02-28 | 2023-05-26 | 山东科技大学 | 一种基于自适应提升算法的冲击危险性智能预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104533443A (zh) * | 2014-10-29 | 2015-04-22 | 山东科技大学 | 一种坚硬顶板矿井冲击地压灾害危险性预测分析方法 |
CN105260599A (zh) * | 2015-09-30 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种基于bp神经网络建模的冲击地压动态预测方法 |
CN108537327A (zh) * | 2018-03-28 | 2018-09-14 | 北京航空航天大学 | 一种基于时间序列bp神经网络预测方法及装置 |
CN110058294A (zh) * | 2019-05-10 | 2019-07-26 | 东北大学 | 一种隧道微震监测岩石破裂事件自动识别方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765610B (zh) * | 2019-03-07 | 2019-11-29 | 中国科学院武汉岩土力学研究所 | 一种传感-采集-无线发射综合集成微震监测系统及方法 |
CN110674604B (zh) * | 2019-09-20 | 2022-07-08 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
-
2021
- 2021-04-13 CN CN202110395130.XA patent/CN113139681B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104533443A (zh) * | 2014-10-29 | 2015-04-22 | 山东科技大学 | 一种坚硬顶板矿井冲击地压灾害危险性预测分析方法 |
CN105260599A (zh) * | 2015-09-30 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种基于bp神经网络建模的冲击地压动态预测方法 |
CN108537327A (zh) * | 2018-03-28 | 2018-09-14 | 北京航空航天大学 | 一种基于时间序列bp神经网络预测方法及装置 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
CN110058294A (zh) * | 2019-05-10 | 2019-07-26 | 东北大学 | 一种隧道微震监测岩石破裂事件自动识别方法 |
CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
Non-Patent Citations (3)
Title |
---|
Characteristic microseismicity during the development process of intermittent rockburst in a deep railway tunnel;Guang-Liang Feng et al.;International Journal of Rock Mechanics and Mining Sciences;第124卷;第1-13页 * |
基于监测时间序列的冲击地压混沌特性分析及其智能预测研究;陶慧;中国博士学位论文全文数据库工程科技Ⅰ辑;第2014卷(第05期);第B021-24页 * |
深井条带充填开采冲击地压发生机理与防治研究;陈洋;中国博士学位论文全文数据库工程科技Ⅰ辑;第2021卷(第02期);第B021-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113139681A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085641B (zh) | 用于地震预报的监测数据处理方法、地震预报方法和系统 | |
Zhang et al. | An automatic recognition method of microseismic signals based on EEMD-SVD and ELM | |
Peng et al. | Automatic Classification of Microseismic Signals Based on MFCC and GMM‐HMM in Underground Mines | |
Di et al. | Rock burst precursor electromagnetic radiation signal recognition method and early warning application based on recurrent neural networks | |
CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN105260599A (zh) | 一种基于bp神经网络建模的冲击地压动态预测方法 | |
CN114757266B (zh) | 专家知识与数据融合驱动的冲击地压预测模型构建方法 | |
Cai et al. | Anomaly detection of earthquake precursor data using long short-term memory networks | |
Yang et al. | Long short-term memory suggests a model for predicting shale gas production | |
CN116227365B (zh) | 一种基于改进vmd-tcn的滑坡位移预测方法 | |
Jiang et al. | A novel method for automatic identification of rock fracture signals in microseismic monitoring | |
CN115545272A (zh) | 冲击地压矿井微震频次和能量长短期智能预测预警方法 | |
CN113139681B (zh) | 一种基于时间序列数据的神经网络冲击地压预测方法 | |
Kühn et al. | A review of source models to further the understanding of the seismicity of the Groningen field | |
Kang et al. | Prediction of drilling fluid lost-circulation zone based on deep learning | |
Ghorbani et al. | A modern method to improve of detecting and categorizing mechanism for micro seismic events data using boost learning system | |
Yang et al. | Pattern recognition of the vertical hydraulic fracture shapes in coalbed methane reservoirs based on hierarchical Bi-LSTM network | |
Hou et al. | Data-driven optimization of brittleness index for hydraulic fracturing | |
CN107290800A (zh) | 实用的钻前测井曲线预测方法 | |
Jaquet et al. | Estimation of volcanic hazards using geostatistical models | |
Aliev et al. | Intelligent seismoacoustic system for monitoring the beginning of anomalous seismic process | |
Morgenroth et al. | A novel long-short term memory network approach for stress model updating for excavations in high stress environments | |
CN115375025A (zh) | 冲击地压矿井微震事件时空强三要素定量预测方法 | |
Kopylova et al. | Statistical analysis of precision water level data from observations in a seismoactive region: Case study of the YuZ-5 well, Kamchatka | |
Sun et al. | Micro‐seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine |
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 |