CN113191545A - 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 - Google Patents
基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 Download PDFInfo
- Publication number
- CN113191545A CN113191545A CN202110471206.2A CN202110471206A CN113191545A CN 113191545 A CN113191545 A CN 113191545A CN 202110471206 A CN202110471206 A CN 202110471206A CN 113191545 A CN113191545 A CN 113191545A
- Authority
- CN
- China
- Prior art keywords
- rock burst
- neural network
- convolutional neural
- occurrence
- early warning
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 76
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012800 visualization Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Probability & Statistics with Applications (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法,包括:建立卷积神经网络模型;通过卷积神经网络模型预测某时刻冲击地压发生概率;通过图像函数可视化预测结果,设定阈值,实现冲击地压发生分级预测。本发明通过卷积神经网络对从矿井收集到的冲击地压的能量数据进行特征学习,在计算机上实现了内冲击地压发生情况的可视化,且通过设定阈值,实现了某时间段内冲击地压的分级预警,实现冲击地压分析与预警的前提下,最大程度的降低方法的学习成本的经济成本,具有良好的经济效益和社会效益。
Description
技术领域
本发明涉及到一种基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法,可实现某时间段内矿井下冲击地压发生情况图像化显示,并通过设定阈值,实现冲击地压的分级预警,属于冲击地压研究技术究领域。
背景技术
近年来,随着煤矿开采行业的迅速发展,业界对于井下采矿的高效性和安全性的要求逐渐提升,其中对矿区生命财产安全造成极大威胁的冲击地压一直是被防范的重点。目前,传统冲击地压的分析方法主要是基于感知器的物理系统检测方法,其主要思想是通过探测局部地段的相关数据分析冲击地压的发生情况,但是,由于井下情况的多变性和探测设备部署限制,这些方法不能直接体现冲击地压的整体发生情况,难以达到理想的分析与预警效果。
基于计算机技术对冲击地压进行分析的方法现已逐渐成为研究的重点内容,但现有的技术研究存在的技术问题包括:第一,与冲击地压相关数据复杂多变,这些影响因素存在着传统方法难以分析的非线性关系;第二,采集到的数据形式与传统的计算机分析方法不匹配,导致难以得出数据与冲击地压发生之间的关系;第三,现有方法对冲击地压的预测结果多为数据形式,不利于后续的分析工作。
因此,设计一种可行的基于卷积神经网络的冲击地压发生情况可视化与分级预警方法是至关重要的。
发明内容
本发明所要解决的技术问题是需要提供一种能够通过从矿井搜集的冲击地压相关数据,来实现某时间段内冲击地压发生情况的可视化,并进一步使用深度学习技术思想,实现冲击地压的分级预警的方法。
为实现上述目的,本发明提供一种基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法,包括以下步骤:
步骤S1,建立卷积神经网络模型;
步骤S2,通过卷积神经网络模型预测某时刻冲击地压发生概率;
步骤S3,通过图像函数可视化预测结果,设定阈值,实现冲击地压发生分级预测。
进一步,所述步骤S1中建立卷积神经网络模型的方法包括如下步骤:
步骤S11,采集建立卷积神经网络网络模型所需样本数据;
所述样本数据包括:一段时间内矿井某深层位置冲击地压能量大小和发生情况标签;
步骤S12,对采集到的能量数据进行标准化处理;
所述标准化处理包括:对所取得的能量数据(x1,x1,…,xN)构成数据集合X的求得平均值为标准差为对所取得的的能量数据(x1,x1,…,xN)中第i个数据进行z-score标准化处理;向标准化处理后的数据集加入高斯随机噪声;
步骤S13,使用随机采样方法从步骤S12中提出训练集,验证集;
所述随机采样方法包括:将步骤S12中经过标准化处理后的数据集等分为K份,每次训练时,从K份数据集中随机抽取K-1份作为训练集,1份作为验证集;
步骤S14,使用步骤S13生成的训练数据集训练卷积神经网络,使用步骤S13生成的验证对卷积神经网络训练效果进行验证,并调整参数。
进一步,所述步骤S2通过卷积神经网络模型预测某时刻冲击地压发生概率的方法包括如下步骤:
步骤S21:调整网络参数,提升模型效果;
步骤S22:将总体数据集输入到训练好的卷积神经网络中,生成冲击地压发生概率预测。
进一步,所述步骤S3通过图像函数可视化预测结果,设定阈值,实现冲击地压发生分级预测方法包括:
步骤S31:使用绘图函数将步骤S2的网络输出以图像化显示;
所述绘图函数参数包括,作为横坐标参数的时间序列;作为纵坐标的冲击地压发生情况;
步骤S32:根据预测数据设置阈值,得到冲击地压分级预警;
更为具体的,本例所述步骤S32中,设置阈值的方法包括:针对网络模型所预测的冲击地压发生概率,设定阈值函数,将预测概率输入阈值函数,最终得到冲击地压分级预警结果。
本发明的有益效果是,本发明通过卷积神经网络对从矿井收集到的冲击地压的能量数据进行特征学习,在计算机上实现了内冲击地压发生情况的可视化,且通过设定阈值,实现了某时间段内冲击地压的分级预警;同时,本发明操作简单,技术要求较低,用户仅需要输入数据集即可获得直观的图像结果,很大程度上节省冲击地压分析所需要的人力与时间消耗,本发明使用的深度神经网络在效果上优于传统算法,可以更准确的显示冲击地压的高发时间段,有助于冲击地压的分析和防范,具有良好的经济效益和社会效益。
附图说明
图1是本发明基于卷积神经网络的冲击地压发生情况可视化与分级预警方法基本原理示意图;
图2是本发明基于卷积神经网络的冲击地压发生情况可视化与分级预测流程图;
图3是本发明的所使用的一维卷积神经网络结构示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1、2所示,本发明提供一种基于卷积神经网络的冲击地压发生情况可视化与分级预警方法,包括如下步骤:
步骤S1,建立卷积神经网络模型;
步骤S2,通过卷积神经网络模型预测某时刻冲击地压发生概率;
步骤S3,通过图像函数可视化预测结果,设定阈值,实现冲击地压发生分级预测。
优选的,所述步骤S1中建立卷积神经网络模型的方法包括如下步骤:
步骤S11,采集建立卷积神经网络网络模型所需样本数据;
所述样本数据包括:一段时间内矿井某深层位置冲击地压能量大小和发生情况标签;
具体的,所述数据样本采集顺序按照时间顺序排列,其中,对于冲击地压发生情况的标签的标签方法如下:
某时段的矿井,若发生冲击地压,记录矿井能量数据大小,记冲击地压发生情况标签为1,否则为0;
若某时段冲击地压能量数据或冲击地压是否发生情况数据缺失,则舍弃该时间数据;
步骤S12,对采集到的能量数据进行标准化处理;
具体的,所述标准化处理包括:对所取得的能量数据(x1,x1,…,xN)构成数据集合X的求得平均值为标准差为对所取得的的能量数据(x1,x1,…,xN)中第i个数据进行z-score标准化处理;向标准化处理后的数据集加入高斯随机噪声;
步骤S13,使用随机采样方法从步骤S12中提出训练集,验证集;
所述随机采样方法包括:将步骤S12中经过标准化处理后的数据集等分为K份,每次训练时,从K份数据集中随机抽取K-1份作为训练集,1份作为验证集;
步骤S14,使用步骤S13生成的训练数据集训练卷积神经网络,使用步骤S13生成的验证对卷积神经网络训练效果进行验证;
具体的,训练方法如下:
(1)使用降维函数,使得作为输入数据的数据集与卷积神经网络输入层大小相匹配;
(2)设定网络超参数,其中,输出层节点数为2,最大训练轮次为200,学习率为0.02,模型预测结果验证阈值为0.9;
(3)初始化卷积神经网络各层权重,使初始化后的权重符合正态分布;
(4)输入数据集进行训练,使用交叉熵函数计算损失,并与模型预测结果验证阈值进行比较评估;
(5)当验证结果达到验证结果阈值或达到最大训练轮次时停止训练,否则使用反向传播算法更新权重继续训练;
(6)训练结束后,保存卷积神经网络模型。
所述步骤S2通过卷积神经网络模型预测某时刻冲击地压发生概率的方法包括如下步骤:
具体的,所述卷积神经网络模型具体结构描述如下:如图3所示,所述卷积神经网络包括三层卷积层与四层全连接层,其中,卷积层中所使用的卷积核为一维卷积核,卷积核的大小为3,卷积操作结束后使用展平操作展平网络结构模型中的参数。
步骤S21:调整网络参数,提升模型效果;
步骤S22:将总体数据集输入到S13中训练好的卷积神经网络模型中,生成冲击地压发生情况预测;
所述步骤S3通过图像函数可视化预测结果,设定阈值,实现冲击地压发生分级预测方法包括:
步骤S31:使用绘图函数将步骤S2的网络输出以图像化显示;
所述绘图函数参数包括,作为横坐标参数的时间序列;作为纵坐标的冲击地压发生情况;
步骤S32:根据总览数据设置阈值,得到冲击地压高发时间段。
更为具体的,本例所述步骤S32中,设置阈值的方法包括:针对网络模型所预测的冲击地压发生概率,设定阈值函数,将预测概率输入阈值函数,最终得到冲击地压分级预警结果;
优选的,所述分级阈值函数为:
其中,所述分级阈值函数参数包括,R所指为分级预警结果,包括DBCA四个等级,x为步骤S2由卷积神经网络预测的冲击地压发生概率。
以上所述依据本发明的理想实施例为启示,相关工作人员可根据以上说明可以在不偏离本发明主要思想的基础上对本发明功能进行修改和优化。本发明的技术型范围并不局限于说明书上的内容,在本发明基础上进行修改均不排除在本发明的保护范围之内。
Claims (4)
1.一种基于卷积神经网络的冲击地压发生情况可视化与分级预警方法,其特征在于,包括如下步骤:
步骤S1,建立卷积神经网络模型;
步骤S2,通过卷积神经网络模型预测某时刻冲击地压发生概率;
步骤S3,通过图像函数可视化预测结果,设定阈值,实现冲击地压发生分级预测。
2.根据权利要求1所述的基于卷积神经网络的冲击地压发生情况可视化与分级预警方法,其特征在于,所述步骤S1建立卷积神经网络模型的方法包括如下步骤:
步骤S11,采集建立卷积神经网络网络模型所需样本数据;
所述样本数据包括:一段时间内矿井某深层位置冲击地压能量大小和发生情况标签;
步骤S12,对采集到的能量数据进行标准化处理;
步骤S13,使用随机采样方法从步骤S12中提出训练集,验证集;
所述随机采样方法包括:将步骤S12中经过标准化处理后的数据集等分为Z份,每次训练时,从Z份数据集中随机抽取Z-1份作为训练集,1份作为验证集;
步骤S14,使用步骤S13生成的训练数据集训练卷积神经网络,使用步骤S13生成的验证对卷积神经网络训练效果进行验证,并调整参数。
3.根据权利要求2所述的基于卷积神经网络的冲击地压发生情况可视化与分级预警方法,其特征在于,所述步骤S2中通过卷积神经网络模型预测某时刻冲击地压发生概率的方法包括如下步骤;
步骤S21:调整网络参数,提升模型效果;
所述调整网络参数,提升模型效果方法包括:调整神经网络中卷积核个数,网络中隐藏层层数,学习率,最大训练批次;
步骤S22:将总体数据集输入到训练好的卷积神经网络中,生成冲击地压发生概率预测。
4.根据权利要求3所述的基于卷积神经网络的冲击地压发生情况可视化与分级预警方法,其特征在于,所述通过图像函数可视化预测结果,设定阈值,实现冲击地压发生分级预测的方法包括:
步骤S31:使用绘图函数将步骤S2的网络输出以图像化显示;
所述绘图函数参数包括,作为横坐标参数的时间序列;作为纵坐标的冲击地压发生概率预测;
步骤S32:根据预测数据设置阈值,得到冲击地压分级预警;
所述根据预测数据设置阈值,得到冲击地压分级预警;
针对网络模型所预测的冲击地压发生概率,设定阈值函数,将预测概率输入阈值函数,最终得到冲击地压分级预警结果;
其中,所述分级阈值函数为:
其中,所述分级阈值函数参数包括,R所指为分级预警结果,包括DBCA四个等级,x为步骤S2由卷积神经网络预测的冲击地压发生概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471206.2A CN113191545A (zh) | 2021-04-29 | 2021-04-29 | 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471206.2A CN113191545A (zh) | 2021-04-29 | 2021-04-29 | 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191545A true CN113191545A (zh) | 2021-07-30 |
Family
ID=76980393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110471206.2A Pending CN113191545A (zh) | 2021-04-29 | 2021-04-29 | 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191545A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106285782A (zh) * | 2016-08-30 | 2017-01-04 | 中国矿业大学(北京) | 一种复杂地质赋存环境下的冲击地压预警方法及系统 |
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 |
CN112031872A (zh) * | 2020-07-15 | 2020-12-04 | 中煤科工开采研究院有限公司 | 一种冲击地压全息预警方法及装置、存储介质、计算设备 |
-
2021
- 2021-04-29 CN CN202110471206.2A patent/CN113191545A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106285782A (zh) * | 2016-08-30 | 2017-01-04 | 中国矿业大学(北京) | 一种复杂地质赋存环境下的冲击地压预警方法及系统 |
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 |
CN112031872A (zh) * | 2020-07-15 | 2020-12-04 | 中煤科工开采研究院有限公司 | 一种冲击地压全息预警方法及装置、存储介质、计算设备 |
Non-Patent Citations (1)
Title |
---|
ONGBO ZHAO, BINGRUI CHEN: "Data-Driven Model for Rockburst Prediction", 《MATHEMATICAL PROBLEMS IN ENGINEERING》, vol. 2020, pages 1 - 14 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ektefa et al. | Intrusion detection using data mining techniques | |
CN104036360B (zh) | 一种基于磁卡考勤行为的用户数据处理系统及处理方法 | |
CN108718310A (zh) | 基于深度学习的多层次攻击特征提取及恶意行为识别方法 | |
CN110166484A (zh) | 一种基于LSTM-Attention网络的工业控制系统入侵检测方法 | |
CN105471882A (zh) | 一种基于行为特征的网络攻击检测方法及装置 | |
CN110213222A (zh) | 基于机器学习的网络入侵检测方法 | |
CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及系统 | |
CN111859010B (zh) | 一种基于深度互信息最大化的半监督音频事件识别方法 | |
CN113269228B (zh) | 一种图网络分类模型的训练方法、装置、系统及电子设备 | |
CN113378990A (zh) | 基于深度学习的流量数据异常检测方法 | |
CN113806746A (zh) | 基于改进cnn网络的恶意代码检测方法 | |
CN114757266A (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 | |
CN115622806B (zh) | 一种基于bert-cgan的网络入侵检测方法 | |
CN113431635B (zh) | 半监督的盾构隧道掌子面地质类型预估方法及系统 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN102045357A (zh) | 一种基于仿射聚类分析的入侵检测方法 | |
CN117292148B (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
CN113556319A (zh) | 物联网下基于长短期记忆自编码分类器的入侵检测方法 | |
CN114124420A (zh) | 一种基于深度神经网络的网络流量异常检测方法 | |
Bajolvand et al. | Optimization of controllable drilling parameters using a novel geomechanics-based workflow | |
CN113779880A (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
CN115860582B (zh) | 一种基于自适应提升算法的冲击危险性智能预警方法 | |
CN113191545A (zh) | 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 | |
CN114915496B (zh) | 基于时间权重和深度神经网络的网络入侵检测方法和装置 |
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 |