CN113605984A - 用于水害微震的报警阈值的判断方法 - Google Patents
用于水害微震的报警阈值的判断方法 Download PDFInfo
- Publication number
- CN113605984A CN113605984A CN202111009790.6A CN202111009790A CN113605984A CN 113605984 A CN113605984 A CN 113605984A CN 202111009790 A CN202111009790 A CN 202111009790A CN 113605984 A CN113605984 A CN 113605984A
- Authority
- CN
- China
- Prior art keywords
- data
- alarm threshold
- water damage
- threshold value
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000000126 substance Substances 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 239000003245 coal Substances 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000007499 fusion processing Methods 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims 1
- 239000003673 groundwater Substances 0.000 description 9
- 238000001125 extrusion Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 230000035605 chemotaxis Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 235000010755 mineral Nutrition 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000008213 purified water Substances 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000010291 electrical method Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- -1 p01 g/cc Chemical compound 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
-
- 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
Abstract
本发明涉及矿井水害监测技术领域,具体涉及一种用于水害微震的报警阈值的判断方法,包括:S1、实时获取物探数据、化探数据和水文数据;S2、对物探数据、化探数据和水文数据进行融合处理,得到融合数据;S3、采用深度学习时空序列预测算法对融合数据进行优化训练,得到训练后的融合数据;S4、在训练后的融合数据的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型;S5、根据智能预警模型对水害微震进行等级分类,得到水害微震等级,并根据水害微震等级确定对应的报警阈值。本发明能够针对不同的当前环境动态调整报警阈值,解决了无法针对不同的当前环境动态调整的技术问题。
Description
技术领域
本发明涉及矿井水害监测技术领域,具体涉及一种用于水害微震的报警阈值的判断方法。
背景技术
矿井水害是制约煤炭生产发展的重要因素,随着矿井开采水平延深,含煤地层基底的奥陶系、寒武系石灰岩承压含水层水压不断增大,突水的潜在危险性也突增,逐渐引起了煤炭行业的高度重视。由于煤矿水害是多种因素综合作用的结果,突水的发生既包括岩体力学状态的变化,同时也包括地下水渗流场的变化,故而,水害的发生可以通过各个物理参数变化显现出来,比如说,水压、水温、水量、水质、应力、应变、位移、湿度、微震和弹性波。
因此,对矿井水害进行预警来说,需要同时考虑多场参数。比如说,已有中国专利公开了相关技术,基于“下三带”理论,结合数值模拟方法确定监测位置,监测采煤工作面底板破坏深度,使用多频连续电法监测采煤工作面底板承压水的导升高度,计算底板破坏最低点与承压水导升最高点之间的距离,使用底板突水系数法动态计算整个工作面范围底板的突水系数,通过突水系数的高低不同、应力应变的预警指征、水温水压的预警指征来确定底板突水预警的级别并进行预警。虽然说,这样考虑了各个参数对底板突水的影响,但是对于报警阈值来说,并没有体现各个参数对报警阈值的影响,无法针对不同的当前环境动态调整报警阈值,使得难以准确监测各个区域的水害微震。
发明内容
本发明提供一种用于水害微震的报警阈值的判断方法,解决了无法针对不同的当前环境动态调整的技术问题。
本发明提供的基础方案为:用于水害微震的报警阈值的判断方法,包括:
S1、采用物探传感器、化探传感器、水文传感器分别实时获取物探数据、化探数据和水文数据;
S2、对物探数据、化探数据和水文数据进行融合处理,得到融合数据;
S3、采用深度学习时空序列预测算法对融合数据进行优化训练,得到训练后的融合数据;
S4、在训练后的融合数据的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型;
S5、根据智能预警模型对水害微震进行等级分类,得到水害微震等级,并根据水害微震等级确定对应的报警阈值。
本发明的工作原理及优点在于:由于每类水害都有自身的特点,无法用统一的指标进行预警;每个矿区的水害类型也有差异,预警指标无法参考其他地方;这两个因素导致水害预警指标难以确定,比如说报警阈值。鉴于此,首先,通过融合物探数据、化探数据和水文数据,并采用深度学习时空序列预测方法对融合数据进行优化训练,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型;然后,根据智能预警模型对水害微震进行等级分类,得到水害微震等级,并根据水害微震等级确定对应的报警阈值。通过这样的方式,能够体现各个参数对报警阈值的影响,能够针对不同的当前环境动态调整报警阈值,从而可以准确监测各个区域的水害微震。
本发明能够体现各个参数对报警阈值的影响,能够针对不同的当前环境动态调整报警阈值,解决了无法针对不同的当前环境动态调整的技术问题。
进一步,S5中,根据智能预警模型对水害微震进行等级分类,得到水害微震等级,并根据水害微震等级确定对应的报警阈值,具体包括:
S51、根据智能预警模型对水害微震进行等级分类,得到水害微震等级;
S52、获取水害微震等级对应的报警阈值初始值;
S53、获取上次的报警阈值,并计算上次的报警阈值与报警阈值初始值之间的误差修正值;
S54、将误差修正值导入神经网络算法进行预设次数的迭代学习,得到本次的报警阈值。
有益效果在于:通过不断循环迭代的方式,计算上次的报警阈值与报警阈值初始值之间的误差修正值,根据神经网络算法进行预设次数迭代学习,可以提高本次的报警阈值的精确性。
进一步,S54中,根据神经网络算法进行预设次数迭代学习,得到本次的报警阈值之后,判断本次报警阈值是否位于预设报警区间之间:如果本次报警阈值位于预设报警区间之间,输出本次的报警阈值;如果本次报警阈值没有位于预设报警区间之间,返回进行S51。
有益效果在于:通过设定预设报警区间,限定经过迭代计算得到的本次的报警阈值的范围,避免出现过大的累积误差。
进一步,S4中,在训练后的融合数据的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型,具体包括:
S41、按照预设比例将训练后的融合数据分为训练集与测试集;
S42、在训练集的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型;
S43、在测试集的基础上,对智能预警模型进行测试,判定测试误差是否小于等于预设误差阈值,若否,返回进行S41。
有益效果在于:当训练后的融合数据进入循环迭代程序时,可以使得训练集和测试集得到不断地更新,达到校准的目的。
进一步,S3中,采用深度学习时空序列预测算法对融合数据进行优化训练,具体包括:
S31、利用分类深度学习模型C-CNN和回归深度学习模型R-CNN,对物探数据、化探数据和水文数据进行空间维度特征提取及模型训练;
S32、利用seq2seq模型,对物探数据、化探数据和水文数据进行时间维度特征提取及模型训练。
有益效果在于:物探数据、化探数据和水文数据同时具有时间及空间维度信息,增量大、时效性高,自动学习可以进行精确拾取,具有更优的适用性。
进一步,S2中,对物探数据、化探数据和水文数据进行融合处理,得到融合数据,具体包括:
S21、获取由物探数据、化探数据和水文数据组成的多数据源数据;
S22、对多数据源数据进行分组,得到分组后的数据;
S23、将分组后的数据融合到统一用户集,得到融合数据。
有益效果在于:物探数据、化探数据和水文数据具有多源性,每种数据的数据格式不同、内容各异、包含的信息量也不同,这样将其融合可以充分综合有用信息。
进一步,S2中,对物探数据、化探数据和水文数据进行融合处理之前,利用主成分分析法对物探数据、化探数据和水文数据进行降维处理。
有益效果在于:利用主成分分析法进行降维处理,可将高维数据化为低维度数据,或者将高维空间的数据投影到低维空间。
进一步,S2中,对物探数据、化探数据和水文数据进行融合处理之前,对物探数据、化探数据和水文数据进行标准化处理。
有益效果在于:标准化处理包括数据同趋化处理和无量纲化处理两个方面,前者可以提高物探数据、化探数据和水文数据的可加总性,后者可以提高数据的可比性。
进一步,S41中,预设比例按照随机方式生成。
有益效果在于:可以使得训练集和测试集的数据内容在不断地更新的同时,还具备随机性,提高校准的效果。
进一步,S41中,预设比例为训练集与测试集之比为4:1。
有益效果在于:便于实现,计算快速。
附图说明
图1为本发明用于水害微震的报警阈值的判断方法实施例的流程图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例1
实施例基本如附图1所示,包括:
S1、采用物探传感器、化探传感器、水文传感器分别实时获取物探数据、化探数据和水文数据;
S2、对物探数据、化探数据和水文数据进行融合处理,得到融合数据;
S3、采用深度学习时空序列预测算法对融合数据进行优化训练,得到训练后的融合数据;
S4、在训练后的融合数据的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型;
S5、根据智能预警模型对水害微震进行等级分类,得到水害微震等级,并根据水害微震等级确定对应的报警阈值。
具体实施过程如下:
S1、采用物探传感器、化探传感器、水文传感器分别实时获取物探数据、化探数据和水文数据。在本实施例中,物探传感器、化探传感器、水文传感器均匀安装在矿井底板的监测区域。
S2、对物探数据、化探数据和水文数据进行融合处理,得到融合数据。
在本实施例中,首先,需要对物探数据、化探数据和水文数据进行两种预处理:其一,利用主成分分析法对物探数据、化探数据和水文数据进行降维处理,将高维数据化为低维度数据,或者将高维空间的数据投影到低维空间;其二,对物探数据、化探数据和水文数据进行标准化处理,包括数据同趋化处理和无量纲化处理,前者可以提高物探数据、化探数据和水文数据的可加总性,后者可以提高数据的可比性。然后,获取由物探数据、化探数据和水文数据组成的多数据源数据;对多数据源数据进行分组,得到分组后的数据;将分组后的数据融合到统一用户集,得到融合数据。由于物探数据、化探数据和水文数据具有多源性,每种数据的数据格式不同、内容各异、包含的信息量也不同,这样将其融合可以充分综合有用信息。
S3、采用深度学习时空序列预测算法对融合数据进行优化训练,得到训练后的融合数据。由于物探数据、化探数据和水文数据同时具有时间及空间维度信息,增量大、时效性高,自动学习可以进行精确拾取,具有更优的适用性。故而,在本实施例中,首先利用分类深度学习模型C-CNN和回归深度学习模型R-CNN,对物探数据、化探数据和水文数据进行空间维度特征提取及模型训练;然后利用seq2seq模型,对物探数据、化探数据和水文数据进行时间维度特征提取及模型训练;最后得到训练后的融合数据。
S4、在训练后的融合数据的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型。在本实施例中,具体步骤如下,第一步,按照预设比例将训练后的融合数据分为训练集与测试集,预设比例为训练集与测试集之比为4:1;第二步,在训练集的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型;第三步,在测试集的基础上,对智能预警模型进行测试,判定测试误差是否小于等于预设误差阈值,若否,返回进行第一步。这样当训练后的融合数据进入循环迭代程序时,可以使得训练集和测试集得到不断地更新,达到校准的目的。
S5、根据智能预警模型对水害微震进行等级分类,得到水害微震等级,并根据水害微震等级确定对应的报警阈值。在本实施例中,具体步骤如下:第一步,根据智能预警模型对水害微震进行等级分类,得到水害微震等级;第二步,获取水害微震等级对应的报警阈值初始值;第三步,获取上次的报警阈值,并计算上次的报警阈值与报警阈值初始值之间的误差修正值;第四步,将误差修正值导入神经网络算法进行预设次数的迭代学习,得到本次的报警阈值。通过不断循环迭代的方式,计算上次的报警阈值与报警阈值初始值之间的误差修正值,根据神经网络算法进行预设次数迭代学习,可以提高本次的报警阈值的精确性。
此外,第四步中,根据神经网络算法进行预设次数迭代学习,得到本次的报警阈值之后,判断本次报警阈值是否位于预设报警区间之间:如果本次报警阈值位于预设报警区间之间,输出本次的报警阈值;如果本次报警阈值没有位于预设报警区间之间,返回进行第一步。通过设定预设报警区间,可以限定经过迭代计算得到的本次的报警阈值的范围,避免出现过大的累积误差。
实施例2
与实施例1不同之处仅在于,S41中,预设比例按照随机方式生成,这样可以使得训练集和测试集的数据内容在不断地更新的同时还具备随机性,提高校准的效果。
实施例3
与实施例2不同之处仅在于,根据水害微震等级确定对应的报警阈值之后,还对报警阈值进行修正。在本实施例中,水害微震由矿井底板地下水的压强和冲击引起:一方面,由于地下水处于不断流动的运动状态之中,地下水会对矿井底板产生冲击力;另一方面,地下水的压强也会对矿井底板产生挤压力;在这两方面的影响作用之下,地下水形成矿井底板的水害微震。
相关地质探测研究结果表明,矿井底板的地下水通常是流动的,矿井底板下岩层或者煤层的细小颗粒会逐渐融入地下水中,由于不同岩层或者煤层的成分组成有很大的差异,使得地下水的成分与纯净水的成分完全不同,比如说,地下水通常含有各种微量元素、矿物质和重金属,这些微量元素、矿物质和重金属会影响地下水的密度,使得不同位置的地下水的密度不同;此外,即使是相同位置的地下水,由于地下水不断流动,也会使得不同时刻的地下水的成分不同,从而导致不同时刻的地下水的密度不同。故而,地下水的密度ρ为位置和时间的函数,可以记为ρ=ρ(x,y,z,t),其中,x、y、z分别为三维坐标,t为时间。
地下水对矿井底板产生的单位面积的挤压力(也即压强),可以根据压强计算公式得到,P=ρgh,P为地下水的压强,ρ为地下水的密度,g为当地的重力加速度,h为地下水的深度;地下水对矿井底板产生的单位面积的冲击力,可以根据动量定理计算,F=ρV2,V为地下水的流速,流速V通常也为位置和时间的函数,可以记为V=V(x,y,z,t)。故而,为了简化问题,仅考虑地下水成分的影响,也即,仅考虑地下水的密度的影响,可以将单位面积的挤压力记为P=k1×ρ(x,y,z,t),将单位面积的冲击力记为F=k2×ρ(x,y,z,t),k1、k2均为常数。
对报警阈值进行修正的基本原理如下:不难理解,如果说地下水对矿井底板产生的单位面积的挤压力和冲击力越大,那么矿井底板的结构越容易被损坏,也就越容易产生微震;反之,如果说地下水对矿井底板产生的单位面积的挤压力和冲击力越小,那么矿井底板的结构越不容易被损坏,也就越不容易产生微震。故而,具体修正过程如下:首先,实时监测地下水的成分,得到地下水的成分以及对应的质量分数,比如说,将地下水采集起来,通过化学分析仪器就可以得到这样的结果;然后,根据地下水的成分以及对应的质量分数进行加权运算(具体可参照现有技术),就可以得出地下水的实际密度;最后,根据地下水的实际密度与初始密度计算修正系数,并根据修正系数对报警阈值进行修正,得到修正后的报警阈值,比如说,初始密度记为ρ0,实际密度记为ρR,那么修正系数就为ρ0/ρR,可以认为初始密度ρ0就是纯净水的密度,也即ρ0=1克/立方厘米,修正系数就为1/ρR。
可见,修正系数与实际密度ρR成反比。如果实际密度ρR大于初始密度ρ0,地下水对矿井底板产生的单位面积的挤压力和冲击力相对较大,那么矿井底板的结构越容易被损坏,也就越容易产生微震,故而报警阈值就越小;反之,如果实际密度ρR小于初始密度ρ0,地下水对矿井底板产生的单位面积的挤压力和冲击力相对较小,那么矿井底板的结构越不容易被损坏,也就越不容易产生微震,故而报警阈值就越大。通过这样的方式,能够随着地下水的成分动态地对报警阈值进行修正,使得修正后的报警阈值能够适应性、动态性地准确进行预警。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.用于水害微震的报警阈值的判断方法,其特征在于,包括:
S1、采用物探传感器、化探传感器、水文传感器分别实时获取物探数据、化探数据和水文数据;
S2、对物探数据、化探数据和水文数据进行融合处理,得到融合数据;
S3、采用深度学习时空序列预测算法对融合数据进行优化训练,得到训练后的融合数据;
S4、在训练后的融合数据的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型;
S5、根据智能预警模型对水害微震进行等级分类,得到水害微震等级,并根据水害微震等级确定对应的报警阈值。
2.如权利要求1所述的用于水害微震的报警阈值的判断方法,其特征在于,S5中,根据智能预警模型对水害微震进行等级分类,得到水害微震等级,并根据水害微震等级确定对应的报警阈值,具体包括:
S51、根据智能预警模型对水害微震进行等级分类,得到水害微震等级;
S52、获取水害微震等级对应的报警阈值初始值;
S53、获取上次的报警阈值,并计算上次的报警阈值与报警阈值初始值之间的误差修正值;
S54、将误差修正值导入神经网络算法进行预设次数的迭代学习,得到本次的报警阈值。
3.如权利要求2所述的用于水害微震的报警阈值的判断方法,其特征在于,S54中,根据神经网络算法进行预设次数迭代学习,得到本次的报警阈值之后,判断本次报警阈值是否位于预设报警区间之间:如果本次报警阈值位于预设报警区间之间,输出本次的报警阈值;如果本次报警阈值没有位于预设报警区间之间,返回进行S51。
4.如权利要求3所述的用于水害微震的报警阈值的判断方法,其特征在于,S4中,在训练后的融合数据的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型,具体包括:
S41、按照预设比例将训练后的融合数据分为训练集与测试集;
S42、在训练集的基础上,结合煤层突水影响因素的静态指标和实时监测动态指标构建水害预警等级分类的智能预警模型;
S43、在测试集的基础上,对智能预警模型进行测试,判定测试误差是否小于等于预设误差阈值,若否,返回进行S41。
5.如权利要求4所述的用于水害微震的报警阈值的判断方法,其特征在于,S3中,采用深度学习时空序列预测算法对融合数据进行优化训练,具体包括:
S31、利用分类深度学习模型C-CNN和回归深度学习模型R-CNN,对物探数据、化探数据和水文数据进行空间维度特征提取及模型训练;
S32、利用seq2seq模型,对物探数据、化探数据和水文数据进行时间维度特征提取及模型训练。
6.如权利要求5所述的用于水害微震的报警阈值的判断方法,其特征在于,S2中,对物探数据、化探数据和水文数据进行融合处理,得到融合数据,具体包括:
S21、获取由物探数据、化探数据和水文数据组成的多数据源数据;
S22、对多数据源数据进行分组,得到分组后的数据;
S23、将分组后的数据融合到统一用户集,得到融合数据。
7.如权利要求6所述的用于水害微震的报警阈值的判断方法,其特征在于,S2中,对物探数据、化探数据和水文数据进行融合处理之前,利用主成分分析法对物探数据、化探数据和水文数据进行降维处理。
8.如权利要求7所述的用于水害微震的报警阈值的判断方法,其特征在于,S2中,对物探数据、化探数据和水文数据进行融合处理之前,对物探数据、化探数据和水文数据进行标准化处理。
9.如权利要求8所述的用于水害微震的报警阈值的判断方法,其特征在于,S41中,预设比例按照随机方式生成。
10.如权利要求9所述的用于水害微震的报警阈值的判断方法,其特征在于,S41中,预设比例为训练集与测试集之比为4:1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009790.6A CN113605984A (zh) | 2021-08-31 | 2021-08-31 | 用于水害微震的报警阈值的判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009790.6A CN113605984A (zh) | 2021-08-31 | 2021-08-31 | 用于水害微震的报警阈值的判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113605984A true CN113605984A (zh) | 2021-11-05 |
Family
ID=78309819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009790.6A Pending CN113605984A (zh) | 2021-08-31 | 2021-08-31 | 用于水害微震的报警阈值的判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113605984A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114251124A (zh) * | 2021-11-18 | 2022-03-29 | 煤炭科学技术研究院有限公司 | 矿井水害智能预警方法及装置 |
CN117314218A (zh) * | 2023-08-28 | 2023-12-29 | 湖南科技大学 | 一种基于大数据分析的煤矿水害实时预警方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110119523A1 (en) * | 2009-11-16 | 2011-05-19 | International Business Machines Corporation | Adaptive remote decision making under quality of information requirements |
CN107605536A (zh) * | 2017-11-02 | 2018-01-19 | 湖南科技大学 | 基于多源信息融合的煤与瓦斯突出实时预警装置与方法 |
CN110513149A (zh) * | 2019-07-19 | 2019-11-29 | 武强 | 一种突水监测装置及突水监测方法 |
CN110552741A (zh) * | 2019-09-09 | 2019-12-10 | 中煤科工集团西安研究院有限公司 | 一种采煤工作面底板突水综合监测与预警系统及方法 |
CN110610140A (zh) * | 2019-08-23 | 2019-12-24 | 平安科技(深圳)有限公司 | 人脸识别模型的训练方法、装置、设备及可读存储介质 |
US20200036611A1 (en) * | 2018-07-24 | 2020-01-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for warning |
CN111579243A (zh) * | 2020-06-17 | 2020-08-25 | 大连理工大学 | 一种基于深度迁移学习的滚动轴承智能诊断系统 |
CN113191209A (zh) * | 2021-04-09 | 2021-07-30 | 电子科技大学 | 基于深度学习的智能预警方法 |
CN113298165A (zh) * | 2021-05-31 | 2021-08-24 | 黄炳僖 | 一种基于多源信息融合的煤矿瓦斯灾害超前预测方法 |
-
2021
- 2021-08-31 CN CN202111009790.6A patent/CN113605984A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110119523A1 (en) * | 2009-11-16 | 2011-05-19 | International Business Machines Corporation | Adaptive remote decision making under quality of information requirements |
CN107605536A (zh) * | 2017-11-02 | 2018-01-19 | 湖南科技大学 | 基于多源信息融合的煤与瓦斯突出实时预警装置与方法 |
US20200036611A1 (en) * | 2018-07-24 | 2020-01-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for warning |
CN110513149A (zh) * | 2019-07-19 | 2019-11-29 | 武强 | 一种突水监测装置及突水监测方法 |
CN110610140A (zh) * | 2019-08-23 | 2019-12-24 | 平安科技(深圳)有限公司 | 人脸识别模型的训练方法、装置、设备及可读存储介质 |
CN110552741A (zh) * | 2019-09-09 | 2019-12-10 | 中煤科工集团西安研究院有限公司 | 一种采煤工作面底板突水综合监测与预警系统及方法 |
CN111579243A (zh) * | 2020-06-17 | 2020-08-25 | 大连理工大学 | 一种基于深度迁移学习的滚动轴承智能诊断系统 |
CN113191209A (zh) * | 2021-04-09 | 2021-07-30 | 电子科技大学 | 基于深度学习的智能预警方法 |
CN113298165A (zh) * | 2021-05-31 | 2021-08-24 | 黄炳僖 | 一种基于多源信息融合的煤矿瓦斯灾害超前预测方法 |
Non-Patent Citations (3)
Title |
---|
乔伟等: "基于云服务的煤矿水害监测大数据智能预警平台构建", 煤炭学报, vol. 45, no. 07, 31 July 2020 (2020-07-31), pages 2619 - 2627 * |
武强等: "煤层底板水害预测防控理论与技术", 31 October 2020, 煤炭工业出版社, pages: 75 - 76 * |
王永红等: "中国煤矿水害预防及治理", 31 December 1996, 煤炭工业出版社, pages: 275 - 276 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114251124A (zh) * | 2021-11-18 | 2022-03-29 | 煤炭科学技术研究院有限公司 | 矿井水害智能预警方法及装置 |
CN114251124B (zh) * | 2021-11-18 | 2023-09-29 | 煤炭科学技术研究院有限公司 | 矿井水害智能预警方法及装置 |
CN117314218A (zh) * | 2023-08-28 | 2023-12-29 | 湖南科技大学 | 一种基于大数据分析的煤矿水害实时预警方法 |
CN117314218B (zh) * | 2023-08-28 | 2024-03-22 | 湖南科技大学 | 一种基于大数据分析的煤矿水害实时预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8930170B2 (en) | Attribute importance measure for parametric multivariate modeling | |
Ouenes | Practical application of fuzzy logic and neural networks to fractured reservoir characterization | |
US8374974B2 (en) | Neural network training data selection using memory reduced cluster analysis for field model development | |
Ortiz et al. | Indicator simulation accounting for multiple-point statistics | |
CN113605984A (zh) | 用于水害微震的报警阈值的判断方法 | |
US20140278110A1 (en) | Targeted survey design under uncertainty | |
Silva et al. | Mineral resource classification: a comparison of new and existing techniques | |
GB2384304A (en) | Method of distinguishing types of geologic sedimentation | |
CN113703053B (zh) | 工作面水害微震动态监测方法及系统 | |
Sfidari et al. | Prediction of pore facies using GMDH-type neural networks: a case study from the South Pars gas field, Persian Gulf basin | |
Bueno et al. | Constraining uncertainty in volumetric estimation: A case study from Namorado Field, Brazil | |
CN107290800A (zh) | 实用的钻前测井曲线预测方法 | |
Goovaerts | Geostatistical modeling of the spaces of local, spatial, and response uncertainty for continuous petrophysical properties | |
Hudnut et al. | New slip along parts of the 1968 Coyote Creek fault rupture, California | |
Andreotti et al. | New soil factors for the Italian Building Code (NTC08) derived from 1D fully stochastic ground response analyses | |
Liu et al. | Machine learning assisted recovery of subsurface energy: a review | |
US20240045094A1 (en) | A method of and apparatus for determining a multiple well seismic-to-well tie | |
Kadkhodaie et al. | Prediction of pore facies using GMDH-type neural networks: a case study from the South Pars gas field, Persian Gulf basin | |
Kim | Estimating wave velocity profiles and earthquake ground motion intensities using machine learning algorithms | |
DeJong et al. | Optimization of CPT Soundings to Reduce Uncertainty in Interpretation of Subsurface Stratigraphy | |
Mahmoodi et al. | Clustering of down-hole physical properties measurement to characterize rock units at the Victoria Cu-Ni property | |
Emelyanova et al. | Improving prediction of Total Organic Carbon in prospective Australian basins by employing machine learning | |
US20240044239A1 (en) | A method of and apparatus for optimizing a drilling strategy | |
Tuleau et al. | Multivariate statistical analysis to investigate the seismic response to production blasting at Goldcorp Eleonore. | |
Sirat et al. | Methodology and Implications for Natural Fracture Network Modelling in a Carbonate Reservoir of Abu Dhabi |
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 |