CN113642801A - 一种基于lstm的绞吸挖泥船产量预测方法 - Google Patents
一种基于lstm的绞吸挖泥船产量预测方法 Download PDFInfo
- Publication number
- CN113642801A CN113642801A CN202110965130.9A CN202110965130A CN113642801A CN 113642801 A CN113642801 A CN 113642801A CN 202110965130 A CN202110965130 A CN 202110965130A CN 113642801 A CN113642801 A CN 113642801A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- model
- yield
- cutter suction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 239000002002 slurry Substances 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于LSTM的绞吸挖泥船产量预测方法，该方法首先对绞吸挖泥船的历史施工数据和产量数据进行收集；再根据相关数学模型以及相关行业知识进行分析，选取与产量预测有关的变量作为模型的输入，产量作为输出；之后对所选取的数据进行预处理，包括去噪、异常值处理、归一化处理，并将预处理的数据划分为训练集数据、验证集数据；然后建立LSTM神经网络模型，用于挖泥船产量预测；最后利用所述训练集数据对模型进行训练，并利用所述验证集数据对模型进行验证，得到绞吸挖泥船产量预测模型，采用长短时记忆网络（LSTM）建立产量预测模型，提高了预测精度，解决了时间序列数据之间长期依赖以及滞后问题。
Description
技术领域
本发明涉及绞吸挖泥船疏浚作业，特别涉及一种基于LSTM的绞吸挖泥船产量预测方法。
背景技术
绞吸挖泥船作为一种工程类船舶，是疏浚过程中最重要的设备之一，其施工过程是一个多方面的互动过程，具有复杂的动态特性。这使得在施工过程中影响绞吸挖泥船产量的因素众多，而产量与这诸多影响因素之间又呈现出未知动态、非线性的关系，因此，对绞吸挖泥船产量的预测是有一定难度的。而作为评价绞吸挖泥船施工效率的重要指标，预测绞吸式挖泥船的生产率有助于提高施工效率，选择最优的挖泥船作业参数，实现挖泥船的最优控制。因此对绞吸挖泥船的疏浚产量的预测对于优化疏浚过程，控制疏浚成本具有重要意义。
中国专利CN201921046801.6公开发表了一种新型的挖泥船产量计，使用带有驱动机构的检测筒侧壁转动连接保持套，从不同角度进行检测，提升了检测数据的可靠性；中国专利CN202010875940.0公开发表了一种挖泥船产量计，通过对挖泥船船管道内泥浆浓度和泥浆流量进行测量，进一步得到挖泥船的产量情况。采用基于电学层析成像法的无源传感器提升了液固两相流体管道输送浓度与流量测量精度的准确性。利用产量计对挖泥船产量进行测量虽然直接方便，但是不能提前估计挖泥船的产量，不能达到预测的效果。
除了专利外，现有国内外文献也可用于对比。“A BP neural network model forpredicting the production of a cutter suction dredger”，本文章公开发表了基于BP神经网络，利用横移速度、泥浆流速和绞刀电压对绞吸挖泥船的产量进行预测；“基于PCA和RBF神经网络的绞吸挖泥船实时产量预测”,本文章公开发表了基于主成分分析和RBF神经网络，通过横移速度、水下泵转速、甲板泵转速、绞刀深度和绞刀转速对绞吸挖泥船的产量进行预测。
以上方法都一定程度上实现了绞吸式挖泥船的产量预测，但预测精度仍需进一步改善提高，原因在于绞吸式挖泥船的疏浚过程是一个时间连续的施工过程，产生的施工数据是基于时间序列的数据，数据之间存在时间滞后的问题，已有的预测方法大多没有考虑时间序列数据之间的滞后、依赖问题，而且这些方法只是根据各输入—输出关系实现了当前时刻的预测，反映了有关因素间的一种笼统的直接因果关系，未涉及未来时刻的目标参数的预测，不能很好的实现更长时间步长的预测，因此需要设计一种基于LSTM的绞吸挖泥船产量预测方法来解决上述问题。
发明内容
目前，现有的挖泥船产量预测方法精度不够高，没有考虑挖泥船实际施工数据是基于时间序列的数据而存在的一些问题。本发明提供了一种基于长短时记忆网络(LSTM)绞吸式挖泥船产量预测方法，能解决时间序列数据滞后、依赖的问题，并且针对多步预测也有较好的预测效果，能够提高预测模型的精度。
本方案所提供的技术方案如下：
基于LSTM的绞吸挖泥船产量预测方法，包括如下步骤，
步骤1收集挖泥船历史施工数据和产量的数据
绞吸式挖泥船的施工过程复杂，需要涉及的绞吸式挖泥船的多个关键设备，因此收集到的历史数据也会包括多个设备运行数据；进一步的，历史施工数据选自绞吸挖泥船在施工过程中的水下泵转速、舱内泵1转速、舱内泵2转速、绞刀转速、横移速度、绞刀电机功率等；
对绞吸式挖泥船产量的描述量主要包括产量率和累积产量；进一步的产量数据选每秒产量率。
步骤2：选取与产量预测有关的变量作为模型的输入，以产量作为输出
进一步的，选取泥浆流速、水下泵转速、水下泵吸入真空、横移速度和绞刀电机电流作为影响产量的因素作为模型的输入变量；选择每秒产量率作为模型输出；
步骤3：对所选取的数据进行预处理，并将预处理的数据划分为训练集数据、验证集数据
进一步的，所述预处理为：通过滤波处理和异常值处理去掉数据中的干扰信号以及异常值，然后通过数据的归一化处理，将数据转换到0-1的区间范围。
步骤4：建立LSTM神经网络预测模型，用于挖泥船产量预测
进一步的，所述步骤4中建立LSTM神经网络预测模型，所述LSTM预测模型包括LSTM输入层、单向LSTM循环神经网络层、全连接层和输出层，数据经所述LSTM输入层输入网络，经过所述单向LSTM循环神经网络层和全连接层的处理，由输出层输出最终的预测值。
建立LSTM神经网络预测模型，用于挖泥船产量预测，进一步地相较于原始的RNN网络的隐藏层只有一个状态对短期的输入非常敏感，LSTM网络增加了一个单元状态，来保存长期的状态，LSTM单元主要由输入门、遗忘门、输出门构成,并通过这三个基本结构实现对信息的实现与控制，其中遗忘门决定了上一时刻的单元状态有多少保留到了当前时刻；输入门决定了当前时刻网络的输入有多少保存到单元状态，输出门控制单元状态有多少输出到LSTM的当前输出值。
步骤5：利用所述训练集数据对模型进行训练，并利用所述验证集数据对已训练好的模型进行验证，得到绞吸挖泥船产量预测模型，
进一步的，所述利用训练集数据对模型进行训练的过程中，以决定系数R2为标准，对模型进行训练和微调更新，选择拟合度最佳即决定系数最接近1时的模型为训练好的模型，得到相对精确的预测模型；接着利用所述验证集数据对已训练好的模型进行验证，得到绞吸挖泥船产量预测模型。
相对于现有技术，本发明充分考虑了绞吸挖泥船的施工特性，采用长短时记忆网络(LSTM)建立产量预测模型，提高了预测精度，解决了时间序列数据之间长期依赖以及滞后问题，本发明的实施至少有如下优点或有益效果：
1)长短时记忆网络(LSTM)作为循环神经网络(RNN)的一个重要分支，在时间序列数据的预测方面本身就很有优势，能够更准确、快速、稳定的得出预测结果。
2)针对绞吸式挖泥船在疏浚工程中各关键设备之间的相互作业、相互影响的特性，以及数据之间的滞后和依赖问题，选用了长短时记忆网络(LSTM)，能很好解决上述问题，并且实现更长时间步长的预测。
3)通过对数学模型的分析以及结合了相关行业知识、操作经验，选取模型的输入输出变量，充分利用了基于机理的建模以及基于数据驱动建模的优点。
附图说明
图1是本发明所述的一种基于LSTM的绞吸挖泥船产量预测方法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的基于LSTM的绞吸挖泥船产量预测方法，首先进行绞吸挖泥船的数据收集，包括历史施工数据以及对应的产量相关数据；然后对根据相关知识对已有的参数进行分析，确定模型的输入输出参数；之后对选取的参数数据进行预处理包括数据滤波、异常值处理、归一化处理，并对上述预处理之后的数据进行划分，前80％作为训练集数据、验证集数据；随后LSTM神经网络模型，用于挖泥船产量预测；最后利用所述训练集数据对模型进行训练，并利用所述验证集数据对模型进行验证，得到绞吸挖泥船产量预测模型。
如图1所示，本发明所述的基于LSTM的绞吸挖泥船产量预测方法，具体实施步骤如下：
步骤1：收集绞吸挖泥船的历史施工数据和产量的数据。绞吸式挖泥船的施工过程复杂，需要涉及的绞吸式挖泥船的多个关键设备，因此收集到的历史数据也会包括多个设备运行数据，高达254维，其中对绞吸式挖泥船产量的描述量主要包括产量率和累积产量。如果将所有的数据都用于产量预测是不现实的，因此需要下面的步骤对变量进行选择。
步骤2：根据经验及常识选择对产量表示更为直接的每秒产量率作为模型输出。通过对相关数学模型以及行业知识进行分析，选取模型的输入变量，具体步骤如下：
步骤2.1：从产量率的直接计算公式出发：
R＝QC (1)
其中，R(m3/s)为绞吸式挖泥船每秒产量率，Q(m3/s)为管道流量，C(％)为泥浆浓度。
步骤2.2：从上述步骤可以看出，泥浆浓度直接影响着挖泥船的产量率，因此对管道内泥浆浓度进行分析：
式中，d为管道内径，v为泥浆流速，Vm为单位时间内进入管道的泥沙体积
步骤2.3：从上述步骤可以看出，在管道内径不变，泥浆流速变化不大的情况下，入管道的泥沙体积决定了管道内的泥浆浓度，对此针对进入管道内泥沙体积进行分析：
Vm＝kVc (3)
其中，k为绞刀挖掘系数，Vc为绞刀在切削过程中，绞刀切削土壤的体积，Vc与绞刀切削宽度bc、深度dc以及绞刀的横移速度vs有关：Vc＝bcdcvs。
绞刀切削土壤的体积能够进入水流形成泥沙的体积量与土壤的粉碎程度相关，而粉碎程度又与单位时间内切泥厚度dd和土壤性质相关：
式中，Zc为绞刀臂数，n为绞刀转速。
步骤2.4：根据操作经验以及对相关行业知识分析水下泵吸入真空能很好的反映泥浆浓度的变化、绞刀电机电流在很大程度上影响反映了绞刀工作的状态。因此结合上述分析过程，选取泥浆流速、水下泵转速、水下泵吸入真空、横移速度、绞刀电机电流作为影响产量的因素作为模型的输入变量。
步骤3：从收集到的历史数据中提取出上述步骤涉及每秒产量率、泥浆流速、水下泵转速等六个参数的实际数据，并对所选取的数据进行预处理，数据预处理的具体步骤如下：
步骤3.1：采用小波阈值去噪对数据进行滤波，剔除数据中的噪声以及干扰信号；
步骤3.2：采用莱伊特准则(3倍误差法)对上述数据进行异常值处理，对施工数据进行N次测量得到x1,x2,x3,L,xn,当数据xk相对应的残差Rk满足下列公式，则认为该数据属于异常值，
步骤3.3：对上述数据进行归一化处理，具体方法如下：
式中，X为经过归一化后的数据，
为原始数据，Xmin为原始数据中的最小值，Xmax为原始数据中的最大值。
步骤3.4：将预处理之后的数据划分为训练集数据、验证集数据，其中前80％的数据作为训练样本集，其余数据作为验证样本集。
步骤4：建立LSTM神经网络预测模型，用于挖泥船产量预测：整个网络结构主要包括输入层、输出层以及隐藏层。LSTM作为一种特殊的循环神经网络,相较于原始的RNN网络的隐藏只有一个状态对短期的输入非常敏感，LSTM网络层增加了一个单元状态，来保存长期的状态。LSTM单元主要由输入门、遗忘门、输出门构成，并通过这三个基本结构实现对信息的实现与控制。具体步骤如下：
步骤4.1：遗忘门决定了上一时刻的单元状态有多少保留到了当前时刻，具体方式如下：
ft＝σ(Wf·[kt-1,qt]+bf) (7)
其中：Wf是权重矩阵，σ为sigmoid函数，bf为偏置项，kt-1为上一时刻的单元输出，qt表示当前时刻的输入。
步骤4.2：输入门决定了当前时刻网络的输入有多少保存到单元状态，具体方式如下：
it＝σ(Wi·[kt-1,qt]+bi) (8)
其中，Wi是权重矩阵，bi为偏置项，kt-1为上一时刻的单元输出，qt表示当前时刻的输入；最后得到输入门的输出值ot：
ot＝ft*ot-1+it*ot％ (9)
ot％＝tanh(Wo·[kt-1,qt]+bo) (10)
其中，Wo是权重矩阵，bo为偏置项，tanh为函数。
步骤4.3：输出门控制单元状态有多少输出到LSTM的当前输出值，具体方式如下：
ct＝σ(Wc·[kt-1,qt]+bc) (11)
kt＝ct*tanh(ot) (12)
其中，Wc是权重矩阵，bc为偏置项，kt为输出门输出。
步骤5：利用所述训练集数据对模型进行训练，并利用所述验证集数据对已训练好的模型进行验证，得到绞吸挖泥船产量预测模型，具体步骤如下：
步骤5.1：利用划分的训练样本集的数据，对构建好的LSTM网络进行训练，并决定系数R2作为模型评价指标。
步骤5.2：决定系数R2的具体计算过程如下：
若用xi表示实际值，
表示实际值的平均值，
表示拟合值，则SSR、SST、SSE；则可以通过以下公式进行计算
步骤5.3：在对模型进行训练时，依据上述决定系数对模型进行微调更新，得到相对精确的预测模型，选择拟合度最佳即决定系数最接近1时的模型为训练好的模型，并利用所述验证集数据对已训练好的模型进行验证，得到绞吸挖泥船产量预测模型。
本发明解决了现有绞吸式挖泥船产量预测算法中存在的不足，提供了结合数学机理模型和LSTM算法的绞吸挖泥船产量预测的方法，充分利用了LSTM网络对数据的记忆性，提高了绞吸挖泥船产量预测的精确。
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 (6)
1.一种基于LSTM的绞吸挖泥船产量预测方法，其特征在于：包括如下步骤，
步骤1：收集挖泥船历史施工数据和产量的数据；
步骤2：选取与产量预测有关的变量作为模型的输入，以产量作为输出；
步骤3：对所选取的数据进行预处理，并将预处理的数据划分为训练集数据、验证集数据；
步骤4：建立LSTM神经网络预测模型，用于挖泥船产量预测；
步骤5：利用所述训练集数据对模型进行训练，并利用所述验证集数据对已训练好的模型进行验证，得到绞吸挖泥船产量预测模型。
2.根据权利要求1所述的一种基于LSTM的绞吸挖泥船产量预测方法，其特征在于：所述步骤1中历史施工数据和产量数据选自绞吸挖泥船在施工过程中的水下泵转速、舱内泵1转速、舱内泵2转速、绞刀转速、横移速度、绞刀电机功率和每秒产量率。
3.根据权利要求1所述的一种基于LSTM的绞吸挖泥船产量预测方法，其特征在于：所述步骤2选取泥浆流速、水下泵转速、水下泵吸入真空、横移速度和绞刀电机电流作为模型的输入变量，选择每秒产量率作为模型输出。
4.根据权利要求1所述的一种基于LSTM的绞吸挖泥船产量预测方法，其特征在于：所述步骤3中，所述预处理为：通过滤波处理和异常值处理去掉数据中的干扰信号以及异常值，然后通过数据的归一化处理，将数据转换到0-1的区间范围。
5.根据权利要求1所述的一种基于LSTM的绞吸挖泥船产量预测方法，其特征在于：所述步骤4中建立LSTM神经网络预测模型，所述LSTM预测模型包括LSTM输入层、单向LSTM循环神经网络层、全连接层和输出层，数据经所述LSTM输入层输入网络，经过所述单向LSTM循环神经网络层和全连接层的处理，由输出层输出最终的预测值。
6.根据权利要求1所述的一种基于LSTM的绞吸挖泥船产量预测方法，其特征在于：所述步骤5中，所述利用训练集数据对模型进行训练的过程中，以决定系数R2为标准，对模型进行训练和微调更新，得到相对精确的预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110965130.9A CN113642801A (zh) | 2021-08-20 | 2021-08-20 | 一种基于lstm的绞吸挖泥船产量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110965130.9A CN113642801A (zh) | 2021-08-20 | 2021-08-20 | 一种基于lstm的绞吸挖泥船产量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642801A true CN113642801A (zh) | 2021-11-12 |
Family
ID=78423344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110965130.9A Pending CN113642801A (zh) | 2021-08-20 | 2021-08-20 | 一种基于lstm的绞吸挖泥船产量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642801A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662782A (zh) * | 2022-04-08 | 2022-06-24 | 江苏科技大学 | 一种基于lstm神经网络的耙吸挖泥船瞬时产量预测方法 |
| CN115600746A (zh) * | 2022-10-24 | 2023-01-13 | 哈尔滨工程大学（Cn） | 一种基于卷积神经网络的耙吸船能效预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116147A (zh) * | 2020-09-16 | 2020-12-22 | 南京大学 | 一种基于lstm深度学习的河流水温预测方法 |
-
2021
- 2021-08-20 CN CN202110965130.9A patent/CN113642801A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116147A (zh) * | 2020-09-16 | 2020-12-22 | 南京大学 | 一种基于lstm深度学习的河流水温预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨金宝;倪福生;魏长;郑庆云;: "基于双隐含层BP神经网络的绞吸挖泥船产量预测", 计算机与数字工程, no. 07 * |
| 王柳艳;陈新华;王伟;: "基于RBF神经网络的绞吸挖泥船施工产量预测研究及分析", 中国港湾建设, no. 12 * |
| 贾克福等: "基于数据挖掘和实时大数据学习的绞吸船作业生产率估算", 《工程、施工和建筑管理》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662782A (zh) * | 2022-04-08 | 2022-06-24 | 江苏科技大学 | 一种基于lstm神经网络的耙吸挖泥船瞬时产量预测方法 |
| CN115600746A (zh) * | 2022-10-24 | 2023-01-13 | 哈尔滨工程大学（Cn） | 一种基于卷积神经网络的耙吸船能效预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | Data mining approach to construction productivity prediction for cutter suction dredgers | |
| CN113642801A (zh) | 一种基于lstm的绞吸挖泥船产量预测方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
| CN110826790A (zh) | 一种绞吸式挖泥船施工生产率智能预测方法 | |
| CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
| CN114091339A (zh) | 一种基于gru的耙吸挖泥船艏吹瞬时产量预测方法 | |
| CN116541732B (zh) | 基于超声波数据与最优化算法的气象监测系统 | |
| CN112131796B (zh) | 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法 | |
| CN115628930B (zh) | 一种基于rbf神经网络的掘进机井下截割工况预测方法 | |
| CN114792044A (zh) | 一种耦合空间特性基坑邻近地表沉降智能预警方法及系统 | |
| CN111310686A (zh) | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 | |
| CN114152442B (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 | |
| CN114661006A (zh) | 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法 | |
| CN112926386B (zh) | 一种水文地质中含水层与隔水层的识别方法 | |
| CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
| CN115374827A (zh) | 基于pca-lstm的粘滑振动水平评估方法及装置 | |
| CN114662782A (zh) | 一种基于lstm神经网络的耙吸挖泥船瞬时产量预测方法 | |
| CN113762635B (zh) | Epb隧道施工地表沉降全周期自适应模糊推理预测方法 | |
| CN114417536B (zh) | 一种油气井钻井过程中钻井参数优选方法 | |
| CN115906591B (zh) | 一种基于XGBoost网络的油井动液面计算方法 | |
| CN117271980B (zh) | 钻进数据处理方法、装置、电子设备及存储介质 | |
| CN117961645B (zh) | 一种面向小样本噪声数据的刀具磨损软测量方法 | |
| CN115600746A (zh) | 一种基于卷积神经网络的耙吸船能效预测方法 | |
| CN117697533A (zh) | 一种基于长短时记忆神经网络-机理混合驱动的刀具磨损在线监测方法 |
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 |