CN113837440B - 一种爆破效果预测方法、装置、电子设备和介质 - Google Patents
一种爆破效果预测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113837440B CN113837440B CN202110959186.3A CN202110959186A CN113837440B CN 113837440 B CN113837440 B CN 113837440B CN 202110959186 A CN202110959186 A CN 202110959186A CN 113837440 B CN113837440 B CN 113837440B
- Authority
- CN
- China
- Prior art keywords
- blasting
- parameters
- determining
- effect prediction
- result
- 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
- 238000005422 blasting Methods 0.000 title claims abstract description 400
- 230000000694 effects Effects 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000007637 random forest analysis Methods 0.000 claims abstract description 82
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000005641 tunneling Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种爆破效果预测方法、装置、电子设备和介质；其中，该方法包括：获取待爆破现场的爆破参数对应的数据集；将数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果；根据输出结果确定所述待爆破现场的爆破效果预测结果。本公开实施例通过RF爆破效果预测模型不仅能够解决爆破参数多的问题，而且能够对爆破效果进行预测，有利于根据预测结果调整爆破设计方案，使得爆破设计方案更加合理。
Description
技术领域
本公开涉及爆破工程领域，尤其涉及一种爆破效果预测方法、装置、电子设备和介质。
背景技术
在铁路、矿山以及水库等大型工程中，爆破技术起着关键作用。在爆破施工过程中，其质量通常是通过爆破效果体现。爆破效果不仅影响着爆破后岩石的后续处理，更关系着企业生产成本和爆破现场人员的安全，因此，对爆破效果进行预测具有重要的意义。
由于爆破参数很难用精确的计算公式表达出来，为了避免爆破参数较多和难以精确计算带来的不确定性问题，现有技术中主要是通过BP(Back Propagation)神经网络算法，建立爆破条件与爆破效果的多元输入与输出间的映射关系，从而对爆破效果进行预测。
但是BP神经网络算法的泛化能力不强，容易出现过拟合，尤其是在爆破参数较多的情况下对爆破效果的预测不够准确。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种爆破效果预测方法、装置、电子设备和介质。
第一方面，本公开提供了一种爆破效果预测方法，包括：
获取待爆破现场的爆破参数对应的数据集；
将所述数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果；
根据所述输出结果确定所述待爆破现场的爆破效果预测结果。
可选的，所述RF爆破效果预测模型通过以下方式训练得到：
确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数；
根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型。
可选的，所述确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数，包括：
根据corrplot函数，确定出各爆破参数间的相关系数矩阵，并将所述相关系数矩阵中相关系数大于第一预设阈值的爆破参数确定为目标爆破参数，其中，相关系数用于表征爆破参数对应的重要程度；
或者，
通过所述RF算法建立爆破参数的随机分离模型，并根据预设方法确定随机分离模型中包括的各爆破参数分别对应的重要程度，将重要程度大于第二预设阈值的爆破参数确定为目标爆破参数，其中，所述预设方法包括基尼系数方法和均方误差方法中的至少一种。
可选的，所述根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型，包括：
根据所述目标爆破参数确定对应的目标数据集；
从所述目标数据集中进行随机且放回的采集第一预设个数的训练样本，重复采集多次，得到第二预设个数的目标训练集，其中，所述目标训练集的个数与采集次数相同；
基于所述RF算法对所述目标训练集进行训练，得到第二预设个数的决策树模型；
将所述决策树模型作为所述RF爆破效果预测模型。
可选的，所述根据所述输出结果确定所述待爆破现场的爆破效果预测结果，包括：
获取爆破效果的评价参数对应的参数类型，其中，所述参数类型包括因子型和数值型；
若所述参数类型为因子型，则对所述输出结果进行投票表决，根据所述投票表决的结果，确定所述待爆破现场的爆破效果预测结果；
若所述参数类型为数值型，则对所述输出结果求取平均值，并将所述平均值作为所述待爆破现场的爆破效果预测结果。
可选的，所述获取待爆破现场的爆破参数对应的数据集，包括：
获取待爆破现场的爆破参数对应的原始数据集；
确定所述原始数据集中的数据分布情况，并根据所述分布情况对所述原始数据集中包括的数据进行预处理，其中，所述预处理的方式包括对异常数据进行删除、对异常数据进行替换以及对缺失数据进行补充的至少一种。
可选的，所述根据所述输出结果确定所述待爆破现场的爆破效果预测结果之后，还包括：
获取所述待爆破现场的实际爆破结果；
根据所述实际爆破结果，采用相应的评估方法确定所述爆破效果预测结果是否准确。
第二方面，本公开提供了一种爆破效果预测装置，包括：
数据集获取模块，用于获取待爆破现场的爆破参数对应的数据集；
输出结果确定模块，用于将所述数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果；
预测结果确定模块，用于根据所述输出结果确定所述待爆破现场的爆破效果预测结果。
可选的，所述RF爆破效果预测模型通过以下方式训练得到：
确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数；
根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型。
可选的，所述确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数，包括：
根据corrplot函数，确定出各爆破参数间的相关系数矩阵，并将所述相关系数矩阵中相关系数大于第一预设阈值的爆破参数确定为目标爆破参数，其中，相关系数用于表征爆破参数对应的重要程度；
或者，
通过所述RF算法建立爆破参数的随机分离模型，并根据预设方法确定随机分离模型中包括的各爆破参数分别对应的重要程度，将重要程度大于第二预设阈值的爆破参数确定为目标爆破参数，其中，所述预设方法包括基尼系数方法和均方误差方法中的至少一种。
可选的，所述根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型，包括：
根据所述目标爆破参数确定对应的目标数据集；
从所述目标数据集中进行随机且放回的采集第一预设个数的训练样本，重复采集多次，得到第二预设个数的目标训练集，其中，所述目标训练集的个数与采集次数相同；
基于所述RF算法对所述目标训练集进行训练，得到第二预设个数的决策树模型；
将所述决策树模型作为所述RF爆破效果预测模型。
可选的，预测结果确定模块，具体用于：
获取爆破效果的评价参数对应的参数类型，其中，所述参数类型包括因子型和数值型；
若所述参数类型为因子型，则对所述输出结果进行投票表决，根据所述投票表决的结果，确定所述待爆破现场的爆破效果预测结果；
若所述参数类型为数值型，则对所述输出结果求取平均值，并将所述平均值作为所述待爆破现场的爆破效果预测结果。
可选的，数据集获取模块，具体用于：
获取待爆破现场的爆破参数对应的原始数据集；
确定所述原始数据集中的数据分布情况，并根据所述分布情况对所述原始数据集中包括的数据进行预处理，其中，所述预处理的方式包括对异常数据进行删除、对异常数据进行替换以及对缺失数据进行补充的至少一种。
可选的，上述装置还包括：
实际结果获取模块，用于根据所述输出结果确定所述待爆破现场的爆破效果预测结果之后，获取所述待爆破现场的实际爆破结果；
验证模块，用于根据所述实际爆破结果，采用相应的评估方法确定所述爆破效果预测结果是否准确。
第三方面，本公开还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本公开实施例中的任一种所述的爆破效果预测方法。
第四方面，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例中的任一种所述的爆破效果预测方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：首先获取待爆破现场的爆破参数对应的数据集，然后将数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果，最后根据输出结果确定所述待爆破现场的爆破效果预测结果，通过RF爆破效果预测模型不仅能够解决爆破参数多的问题，而且能够对爆破效果进行预测，有利于根据预测结果调整爆破设计方案，使得爆破设计方案更加合理。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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，对于本领域普通技术人员而言，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是本公开实施例提供的一种爆破效果预测方法的流程示意图；
图2是本公开实施例提供的一种爆破效果预测方法的流程示意图；
图3是本公开实施例提供的一种爆破效果预测装置的结构示意图；
图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
图1是本公开实施例提供的一种爆破效果预测方法的流程示意图。本实施例可适用于对爆破施工，例如矿山开采，路基开挖以及巷道掘进等过程中的爆破效果进行预测的情况。本实施例方法可由爆破效果预测装置来执行，该装置可采用硬件/或软件的方式来实现，并可配置于电子设备中。如图1所示，该方法具体包括如下：
S110，获取待爆破现场的爆破参数对应的数据集。
其中，待爆破现场可以理解为要对其进行爆破效果预测的尚未爆破的施工现场。爆破参数可以理解为不同爆破方案中，采用对应钻爆技术的各项指标的参量，可以包括：断面面积、f(普氏系数)、巷道形状、裂隙发育情况、炮孔深度、全断面炮孔个数、药卷类型、掏槽眼布置方式、掏槽眼抵抗线、掏槽眼抵抗线、掏槽眼抵抗线、装药结构、单耗、掏槽眼装药量、辅助眼装药量以及周边眼装药量等。
为了对爆破效果进行预测，需要获取各爆破参数分别对应的数据，将所有数据汇总后，即得到待爆破现场的爆破参数对应的数据集，便于后续从数据集中获取测试集。
S120，将数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果。
在获取到待爆破现场的爆破参数对应的数据集之后，将数据集中包括的数据按照预设比例划分成训练集和测试集，其中，预设比例可以预先设计好，也可以视具体情况而定，本实施例对此不作具体限制。例如，可以是数据集中70％的数据作为训练集，数据集中30％的数据作为测试集。训练集可以用于后续随机森林(Random Forest，简称RF)爆破效果预测模型的训练。在得到测试集之后，将测试集中包含的样本输入至预先训练好的RF爆破效果预测模型中，就能够得到对应的输出结果。
S130，根据输出结果确定待爆破现场的爆破效果预测结果。
在得到输出结果之后，根据输出结果进行相应的分析计算，就能够确定待爆破现场的爆破效果预测结果。
在本实施例中，首先获取待爆破现场的爆破参数对应的数据集，然后将数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果，最后根据输出结果确定所述待爆破现场的爆破效果预测结果，通过RF爆破效果预测模型不仅能够解决爆破参数多的问题，而且能够对爆破效果进行预测，有利于根据预测结果调整爆破设计方案，使得爆破设计方案更加合理。
在本实施例中，可选的，所述RF爆破效果预测模型可以具体通过以下方式训练得到：
确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数；根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型。
其中，目标爆破参数可以理解为爆破参数中对爆破效果的影响较大的参数。RF算法可以理解为利用多棵树对样本进行训练并预测的一种分类器。
具体的，由于爆破参数较多，各爆破参数对爆破效果的影响可能也不同，因此通过确定爆破参数中各爆破参数分别对应的重要程度，然后根据重要程度的高低能够确定那些爆破参数对爆破效果的影响较大，并将这些对爆破效果的影响较大的参数确定为目标爆破参数，即：从爆破参数中确定目标爆破参数。在得到目标爆破参数之后，根据目标爆破参数对应的数据集再结合RF算法，能够建立RF爆破效果预测模型。
本实施例中，通过先确定目标爆破参数，再根据目标爆破参数以及RF算法建立RF爆破效果预测模型，能够避免因为爆破参数较多，增加建立RF爆破效果预测模型的压力，并且RF算法具有能够处理高维度(即：特征很多)的数据、模型泛化能力强、可以平衡误差以及实现简单等众多优点，从而能够提高所建立的RF爆破效果预测模型的准确性。
优选的，本实施例中建立RF爆破效果预测模型时可以将R语言作为模型搭建工具。
R语言具有以下优点：
1、R语言是专门为统计和数据分析开发的语言，各种功能和函数比较齐全和成熟，其提供了各式各样的数据分析技术，很多类型的数据分析工作都能通过R语言完成；
2、R语言包括了许多先进的统计计算例程；
3、R语言拥有较高的制图功能，以及全面且强大的复杂数据可视化功能；
4、R语言是一个可进行交互式分析和探索的强大平台，能够从多个数据源中获取数据并将数据转化为可用的形式。
在本实施例中，可选的，所述确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数，可以具体包括：
根据corrplot函数，确定出各爆破参数间的相关系数矩阵，并将所述相关系数矩阵中相关系数大于第一预设阈值的爆破参数确定为目标爆破参数，其中，相关系数用于表征爆破参数对应的重要程度；或者，通过所述RF算法建立爆破参数的随机分离模型，并根据预设方法确定随机分离模型中包括的各爆破参数分别对应的重要程度，将重要程度大于第二预设阈值的爆破参数确定为目标爆破参数。
其中，所述预设方法包括基尼系数方法和均方误差方法中的至少一种。第一预设阈值和第二预设阈值可以预先设计好，也可以根据实际情况确定，本实施例对此不作具体限制。corrplot函数可以用于绘制相关系数矩阵，主要是针对相关系数输出的结果进行可视化，可以实现选择颜色、文本标签、颜色标签以及布局等操作。
具体的，在确定爆破参数中各爆破参数分别对应的重要程度时，可以调用R语言中的corrplot函数，绘制出各爆破参数间的相关系数矩阵，由于相关系数能够表征爆破参数对应的重要程度，因此通过比较相关系数矩阵中相关系数是否大于第一预设阈值，就可以将相关系数矩阵中相关系数大于第一预设阈值的爆破参数确定为目标爆破参数。或者通过RF算法建立爆破参数的随机分离模型，即：将所有爆破参数通过RF算法建立一个树模型，然后根据基尼系数方法，或者均方误差方法，或者两种方法的结合，能够确定出随机分离模型中包括的各爆破参数分别对应的重要程度，然后将各爆破参数分别对应的重要程度和第二预设阈值的大小进行比较，将重要程度大于第二预设阈值的爆破参数确定为目标爆破参数。
本实施例中，通过上述方法从爆破参数中确定目标爆破参数，能够提高建立RF爆破效果预测模型的效率以及减少工作量。
在本实施例中，可选的，所述根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型，可以具体包括：
根据所述目标爆破参数确定对应的目标数据集；从所述目标数据集中进行随机且放回的采集第一预设个数的训练样本，重复采集多次，得到第二预设个数的目标训练集，其中，所述目标训练集的个数与采集次数相同；基于所述RF算法对所述目标训练集进行训练，得到第二预设个数的决策树模型；将所述决策树模型作为所述RF爆破效果预测模型。
其中，目标数据集可以理解为目标爆破参数对应的数据所组成的数据集合。其中，第一预设个数和第二预设个数都可以是预先设计好的，也可以视具体情况而定，本实施例对此不作具体限制。本实施例对第一预设个数和第二预设个数的大小关系不作具体限制。
具体的，在得到目标爆破参数之后，可以根据目标爆破参数从待爆破现场的爆破参数对应的数据集中提取出目标爆破参数对应的数据集，并作为目标数据集。在得到目标数据集之后，从目标数据集中进行随机且放回的采集第一预设个数的训练样本，重复采集多次，就得到了与采集次数相同的第二预设个数的目标训练集。基于RF算法对目标训练集进行训练，能够得到第二预设个数的决策树模型，并将决策树模型作为RF爆破效果预测模型。
本实施例中，通过随机且放回的采集训练样本，得到目标训练集，有利于提高后续RF爆破效果预测模型的泛化能力，基于RF算法对目标训练集进行训练，最终得到RF爆破效果预测模型，进一步提高了RF爆破效果预测模型的准确性，有利于得到准确的爆破效果预测结果。
在本实施例中，可选的，在建立RF爆破效果预测模型之后，还可以具体包括：对RF爆破效果预测模型中的参数进行优化，主要是确定最优参数mtry和最佳参数ntree。其中，mtry的值可以确定每次迭代的变量抽样数值，用于二叉树的变量个数，可使用for循环寻找使模型解释率最高或是结果均方误差最小的mtry值；ntree的值即指定RF爆破效果预测模型所包含的最佳决策树模型的个数，例如可以为500，在确定好mtry的值后，ntree的值太小容易导致过拟合，太大又会增长训练时间，具体可以通过绘制错误率与决策树模型的个数的关系曲线，取使模型内误差稳定的最小值作为ntree的值。
本实施例中，通过对RF爆破效果预测模型中的参数进行优化，能够进一步提高RF爆破效果预测模型的准确率，有利于提高爆破效果预测结果的准确性。
图2是本公开实施例提供的一种爆破效果预测方法的流程示意图。本实施例是在上述实施例的基础上进行优化。可选的，本实施例对确定待爆破现场的爆破效果预测结果的过程进行详细的解释说明。如图2所示，该方法具体包括如下：
S210，获取待爆破现场的爆破参数对应的数据集。
S220，将数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果。
S230，获取爆破效果的评价参数对应的参数类型。
其中，所述参数类型包括因子型和数值型。因子型可以理解为用来存储类别的数据类型。数值型可以理解为用来存储具体数值的数据类型。爆破效果的评价参数可以理解为评价爆破效果的参数，可以预先设置好，也可以视具体情况而定，本实施例对此不作具体限制。例如，爆破效果的评价参数可以为：爆破效果的等级或者爆破效果的预测数值等，爆破效果的等级对应的参数类型为因子型，爆破效果的预测数值对应的参数类型为数值型。
获取爆破效果的评价参数，并根据该评价参数确定其所对应的参数类型，有利于后续判断参数类型是否为因子型。
S240，判断参数类型是否为因子型。
若是，执行S250；若否，执行S260。
根据爆破效果的评价参数对应的参数类型可以确定该参数类型是否为因子型。
S250，对输出结果进行投票表决，根据投票表决的结果，确定待爆破现场的爆破效果预测结果。
如果参数类型是因子型，则说明爆破效果预测结果是要以爆破效果的等级来表示，此时通过对输出结果进行投票表决，例如，按照少数服从多数的投票原则，得到投票表决的结果，并根据投票表决的结果，确定待爆破现场的爆破效果预测结果，即：确定待爆破现场的爆破效果的等级。
S260，对输出结果求取平均值，并将平均值作为待爆破现场的爆破效果预测结果。
如果参数类型是数值型，则说明爆破效果预测结果是要以爆破效果的预测数值来表示，此时对输出结果求取平均值，即可将平均值作为待爆破现场的爆破效果预测结果。
在本实施例中，在得到RF爆破效果预测模型对应的输出结果之后，获取爆破效果的评价参数对应的参数类型，并判断参数类型是否为因子型，若参数类型是因子型，则对输出结果进行投票表决，根据投票表决的结果，确定待爆破现场的爆破效果预测结果；若参数类型是数值型，则对输出结果求取平均值，并将平均值作为所述待爆破现场的爆破效果预测结果。上述方案中，根据爆破效果的评价参数对应的参数类型，采取不同的方法确定待爆破现场的爆破效果预测结果，使得爆破效果预测结果更准确，也更符合用户的实际需求，同时有利于根据预测结果调整爆破设计方案，使得爆破设计方案更加合理。
在本实施例中，可选的，所述获取待爆破现场的爆破参数对应的数据集，可以具体包括：
获取待爆破现场的爆破参数对应的原始数据集；确定所述原始数据集中的数据分布情况，并根据所述分布情况对所述原始数据集中包括的数据进行预处理，其中，所述预处理的方式包括对异常数据进行删除、对异常数据进行替换以及对缺失数据进行补充的至少一种。
其中，原始数据集可以理解为从待爆破现场采集的爆破参数的初始数据集。
本实施例中，通过获取待爆破现场的爆破参数对应的原始数据集，然后确定原始数据集中的数据分布情况，并根据分布情况对原始数据集中包括的数据进行预处理，能够提高数据集中包含的数据的准确性，避免造成RF爆破效果预测模型对应的输出结果的误差。
在本实施例中，可选的，所述根据所述输出结果确定所述待爆破现场的爆破效果预测结果之后，还可以具体包括：
获取所述待爆破现场的实际爆破结果；根据所述实际爆破结果，采用相应的评估方法确定所述爆破效果预测结果是否准确。
其中，评估方法可以包括：K折交叉验证法、保持法、随机二次抽样和自助法等。
本实施例中，通过获取待爆破现场的实际爆破结果，根据实际爆破结果，采用相应的评估方法能够确定爆破效果预测结果是否准确，具体可以是针对爆破效果预测结果和实际爆破结果，采用评估方法确定二者之间的误差，若误差小于预设阈值，则说明爆破效果预测结果是准确的；若误差大于或者等于预设阈值，则说明爆破效果预测结果是不准确的。其中，预设阈值可以是预先设计好的，也可以视具体情况而定，本实施例对此不作具体限制。
本实施例中，采用相应的评估方法确定爆破效果预测结果的准确性，使得爆破效果预测结果更接近于真实值，有利于根据预测结果调整爆破设计方案，使得爆破设计方案更加合理。
图3是本公开实施例提供的一种爆破效果预测装置的结构示意图；该装置配置于电子设备中，可实现本申请任意实施例所述的爆破效果预测方法。该装置具体包括如下：
数据集获取模块310，用于获取待爆破现场的爆破参数对应的数据集；
输出结果确定模块320，用于将所述数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果；
预测结果确定模块330，用于根据所述输出结果确定所述待爆破现场的爆破效果预测结果。
在本实施例中，可选的，所述RF爆破效果预测模型通过以下方式训练得到：
确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数；
根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型。
在本实施例中，可选的，所述确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数，包括：
根据corrplot函数，确定出各爆破参数间的相关系数矩阵，并将所述相关系数矩阵中相关系数大于第一预设阈值的爆破参数确定为目标爆破参数，其中，相关系数用于表征爆破参数对应的重要程度；
或者，
通过所述RF算法建立爆破参数的随机分离模型，并根据预设方法确定随机分离模型中包括的各爆破参数分别对应的重要程度，将重要程度大于第二预设阈值的爆破参数确定为目标爆破参数，其中，所述预设方法包括基尼系数方法和均方误差方法中的至少一种。
在本实施例中，可选的，所述根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型，包括：
根据所述目标爆破参数确定对应的目标数据集；
从所述目标数据集中进行随机且放回的采集第一预设个数的训练样本，重复采集多次，得到第二预设个数的目标训练集，其中，所述目标训练集的个数与采集次数相同；
基于所述RF算法对所述目标训练集进行训练，得到第二预设个数的决策树模型；
将所述决策树模型作为所述RF爆破效果预测模型。
在本实施例中，可选的，预测结果确定模块330，具体用于：
获取爆破效果的评价参数对应的参数类型，其中，所述参数类型包括因子型和数值型；
若所述参数类型为因子型，则对所述输出结果进行投票表决，根据所述投票表决的结果，确定所述待爆破现场的爆破效果预测结果；
若所述参数类型为数值型，则对所述输出结果求取平均值，并将所述平均值作为所述待爆破现场的爆破效果预测结果。
在本实施例中，可选的，数据集获取模块310，具体用于：
获取待爆破现场的爆破参数对应的原始数据集；
确定所述原始数据集中的数据分布情况，并根据所述分布情况对所述原始数据集中包括的数据进行预处理，其中，所述预处理的方式包括对异常数据进行删除、对异常数据进行替换以及对缺失数据进行补充的至少一种。
在本实施例中，可选的，上述装置还包括：
实际结果获取模块，用于根据所述输出结果确定所述待爆破现场的爆破效果预测结果之后，获取所述待爆破现场的实际爆破结果；
验证模块，用于根据所述实际爆破结果，采用相应的评估方法确定所述爆破效果预测结果是否准确。
通过本公开实施例提供的爆破效果预测装置，首先获取待爆破现场的爆破参数对应的数据集，然后将数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果，最后根据输出结果确定所述待爆破现场的爆破效果预测结果，通过RF爆破效果预测模型不仅能够解决爆破参数多的问题，而且能够对爆破效果进行预测，有利于根据预测结果调整爆破设计方案，使得爆破设计方案更加合理。
本公开实施例所提供的爆破效果预测装置可执行本公开任意实施例所提供的爆破效果预测方法，具备执行方法相应的功能模块和有益效果。
图4是本公开实施例提供的一种电子设备的结构示意图。如图4所示，该电子设备包括处理器410和存储装置420；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410和存储装置420可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储装置420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本公开实施例中的爆破效果预测方法对应的程序指令/模块。处理器410通过运行存储在存储装置420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现本公开实施例所提供的爆破效果预测方法。
存储装置420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例提供的一种电子设备可用于执行上述任意实施例提供的爆破效果预测方法，具备相应的功能和有益效果。
本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于实现本公开实施例所提供的爆破效果预测方法。
当然，本公开实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本公开任意实施例所提供的爆破效果预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本公开可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述的方法。
值得注意的是，上述爆破效果预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开的保护范围。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种爆破效果预测方法，其特征在于，所述方法包括：
获取待爆破现场的爆破参数对应的数据集；
其中，爆破参数包括：断面面积、普氏系数、巷道形状、裂隙发育情况、炮孔深度、全断面炮孔个数、药卷类型、掏槽眼布置方式、掏槽眼抵抗线、掏槽眼抵抗线、掏槽眼抵抗线、装药结构、单耗、掏槽眼装药量、辅助眼装药量以及周边眼装药量；
将所述数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果；
根据所述输出结果确定所述待爆破现场的爆破效果预测结果；
所述根据所述输出结果确定所述待爆破现场的爆破效果预测结果，包括：
获取爆破效果的评价参数对应的参数类型，其中，所述参数类型包括因子型和数值型；
其中爆破效果的评价参数为：爆破效果的等级或者爆破效果的预测数值；
爆破效果的等级对应的参数类型为因子型，爆破效果的预测数值对应的参数类型为数值型；
若所述参数类型为因子型，则对所述输出结果进行投票表决，根据所述投票表决的结果，确定所述待爆破现场的爆破效果预测结果；
若所述参数类型为数值型，则对所述输出结果求取平均值，并将所述平均值作为所述待爆破现场的爆破效果预测结果；
其中，所述RF爆破效果预测模型通过以下方式训练得到：
确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数；
根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型；
所述确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数，包括：
根据corrplot函数，确定出各爆破参数间的相关系数矩阵，并将所述相关系数矩阵中相关系数大于第一预设阈值的爆破参数确定为目标爆破参数，其中，相关系数用于表征爆破参数对应的重要程度；
或者，
通过所述RF算法建立爆破参数的随机分离模型，并根据预设方法确定随机分离模型中包括的各爆破参数分别对应的重要程度，将重要程度大于第二预设阈值的爆破参数确定为目标爆破参数，其中，所述预设方法包括基尼系数方法和均方误差方法中的至少一种；
所述获取待爆破现场的爆破参数对应的数据集，包括：
获取待爆破现场的爆破参数对应的原始数据集；
确定所述原始数据集中的数据分布情况，并根据所述分布情况对所述原始数据集中包括的数据进行预处理，其中，所述预处理的方式包括对异常数据进行删除、对异常数据进行替换以及对缺失数据进行补充的至少一种；
所述根据所述输出结果确定所述待爆破现场的爆破效果预测结果之后，还包括：
获取所述待爆破现场的实际爆破结果；
根据所述实际爆破结果，采用相应的评估方法确定所述爆破效果预测结果是否准确，其中评估方法包括：K折交叉验证法、保持法、随机二次抽样和自助法；
在建立RF爆破效果预测模型之后，还具体包括：
对RF爆破效果预测模型中的参数进行优化，具体包括：确定最优参数mtry和最佳参数ntree；
其中，mtry的值确定每次迭代的变量抽样数值，用于二叉树的变量个数，使用for循环寻找使模型解释率最高或是结果均方误差最小的mtry值；
ntree的值即指定RF爆破效果预测模型所包含的最佳决策树模型的个数，在确定好mtry的值后，通过绘制错误率与决策树模型的个数的关系曲线，取使模型内误差稳定的最小值作为ntree的值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型，包括：
根据所述目标爆破参数确定对应的目标数据集；
从所述目标数据集中进行随机且放回的采集第一预设个数的训练样本，重复采集多次，得到第二预设个数的目标训练集，其中，所述目标训练集的个数与采集次数相同；
基于所述RF算法对所述目标训练集进行训练，得到第二预设个数的决策树模型；
将所述决策树模型作为所述RF爆破效果预测模型。
3.一种爆破效果预测装置，其特征在于，所述装置包括：
数据集获取模块，用于获取待爆破现场的爆破参数对应的数据集；
其中，爆破参数包括：断面面积、普氏系数、巷道形状、裂隙发育情况、炮孔深度、全断面炮孔个数、药卷类型、掏槽眼布置方式、掏槽眼抵抗线、掏槽眼抵抗线、掏槽眼抵抗线、装药结构、单耗、掏槽眼装药量、辅助眼装药量以及周边眼装药量；
输出结果确定模块，用于将所述数据集中的测试集中包含的样本输入至预先训练好的随机森林RF爆破效果预测模型中，得到对应的输出结果；
预测结果确定模块，用于根据所述输出结果确定所述待爆破现场的爆破效果预测结果；
预测结果确定模块，用于根据所述输出结果确定所述待爆破现场的爆破效果预测结果；
所述预测结果确定模块，具体用于：
获取爆破效果的评价参数对应的参数类型，其中，所述参数类型包括因子型和数值型；
其中爆破效果的评价参数为：爆破效果的等级或者爆破效果的预测数值；
爆破效果的等级对应的参数类型为因子型，爆破效果的预测数值对应的参数类型为数值型；
若所述参数类型为因子型，则对所述输出结果进行投票表决，根据所述投票表决的结果，确定所述待爆破现场的爆破效果预测结果；
若所述参数类型为数值型，则对所述输出结果求取平均值，并将所述平均值作为所述待爆破现场的爆破效果预测结果；
其中，所述RF爆破效果预测模型通过以下方式训练得到：
确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数；
根据所述目标爆破参数以及RF算法，建立所述RF爆破效果预测模型；
所述确定所述爆破参数中各爆破参数分别对应的重要程度，并根据所述重要程度的高低从所述爆破参数中确定目标爆破参数，包括：
根据corrplot函数，确定出各爆破参数间的相关系数矩阵，并将所述相关系数矩阵中相关系数大于第一预设阈值的爆破参数确定为目标爆破参数，其中，相关系数用于表征爆破参数对应的重要程度；
或者，
通过所述RF算法建立爆破参数的随机分离模型，并根据预设方法确定随机分离模型中包括的各爆破参数分别对应的重要程度，将重要程度大于第二预设阈值的爆破参数确定为目标爆破参数，其中，所述预设方法包括基尼系数方法和均方误差方法中的至少一种；
所述获取待爆破现场的爆破参数对应的数据集，包括：
获取待爆破现场的爆破参数对应的原始数据集；
确定所述原始数据集中的数据分布情况，并根据所述分布情况对所述原始数据集中包括的数据进行预处理，其中，所述预处理的方式包括对异常数据进行删除、对异常数据进行替换以及对缺失数据进行补充的至少一种；
所述根据所述输出结果确定所述待爆破现场的爆破效果预测结果之后，还包括：
获取所述待爆破现场的实际爆破结果；
根据所述实际爆破结果，采用相应的评估方法确定所述爆破效果预测结果是否准确，其中评估方法包括：K折交叉验证法、保持法、随机二次抽样和自助法；
在建立RF爆破效果预测模型之后，还具体包括：
对RF爆破效果预测模型中的参数进行优化，具体包括：确定最优参数mtry和最佳参数ntree；
其中，mtry的值确定每次迭代的变量抽样数值，用于二叉树的变量个数，使用for循环寻找使模型解释率最高或是结果均方误差最小的mtry值；
ntree的值即指定RF爆破效果预测模型所包含的最佳决策树模型的个数，在确定好mtry的值后，通过绘制错误率与决策树模型的个数的关系曲线，取使模型内误差稳定的最小值作为ntree的值。
4.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～2中任一所述的方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～2中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110959186.3A CN113837440B (zh) | 2021-08-20 | 2021-08-20 | 一种爆破效果预测方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110959186.3A CN113837440B (zh) | 2021-08-20 | 2021-08-20 | 一种爆破效果预测方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837440A CN113837440A (zh) | 2021-12-24 |
| CN113837440B true CN113837440B (zh) | 2023-09-12 |
Family
ID=78961044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110959186.3A Active CN113837440B (zh) | 2021-08-20 | 2021-08-20 | 一种爆破效果预测方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837440B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2936808A1 (en) * | 2014-02-21 | 2015-08-27 | Vale S.A. | Rock blasting method and system for adjusting a blasting plan in real time |
| CN106650052A (zh) * | 2016-12-06 | 2017-05-10 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络的配料爆破参数智能设计方法 |
| CN107506831A (zh) * | 2017-08-03 | 2017-12-22 | 中国矿业大学(北京) | 爆破参数确定方法及系统 |
| CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质 |
| CN111275252A (zh) * | 2020-01-16 | 2020-06-12 | 南华大学 | 基于rga-bpnng的爆破峰值速度预测方法、装置及介质 |
| CN111340125A (zh) * | 2020-03-03 | 2020-06-26 | 温州大学 | 基于随机森林算法训练子宫内膜异位囊肿破裂数据的方法 |
| CN113091542A (zh) * | 2021-04-29 | 2021-07-09 | 中铁六局集团有限公司 | 铁路爆破施工方法 |
-
2021
- 2021-08-20 CN CN202110959186.3A patent/CN113837440B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2936808A1 (en) * | 2014-02-21 | 2015-08-27 | Vale S.A. | Rock blasting method and system for adjusting a blasting plan in real time |
| CN106650052A (zh) * | 2016-12-06 | 2017-05-10 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络的配料爆破参数智能设计方法 |
| CN107506831A (zh) * | 2017-08-03 | 2017-12-22 | 中国矿业大学(北京) | 爆破参数确定方法及系统 |
| CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质 |
| CN111275252A (zh) * | 2020-01-16 | 2020-06-12 | 南华大学 | 基于rga-bpnng的爆破峰值速度预测方法、装置及介质 |
| CN111340125A (zh) * | 2020-03-03 | 2020-06-26 | 温州大学 | 基于随机森林算法训练子宫内膜异位囊肿破裂数据的方法 |
| CN113091542A (zh) * | 2021-04-29 | 2021-07-09 | 中铁六局集团有限公司 | 铁路爆破施工方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于随机森林回归方法的爆破块预测模型研究》;王仁超 等;《水力发电学报》;20200131;第39卷(第1期);第1和2小节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837440A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
| CN111639497B (zh) | 一种基于大数据机器学习的异常行为发现方法 | |
| CN111079342B (zh) | 一种基于在线岩体等级分类的tbm掘进性能预测方法 | |
| US7292960B1 (en) | Method for characterization, detection and prediction for target events | |
| CN108877223A (zh) | 一种基于时空相关性的短时交通流预测方法 | |
| CN107633265A (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
| CN111178675A (zh) | 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备 | |
| CN111782460A (zh) | 大规模日志数据的异常检测方法、装置和存储介质 | |
| CN113221960B (zh) | 一种高质量漏洞数据收集模型的构建方法及收集方法 | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及系统 | |
| CN103268406A (zh) | 一种基于煤矿安全培训游戏的数据挖掘系统及方法 | |
| CN104281525A (zh) | 一种缺陷数据分析方法及利用其缩减软件测试项目的方法 | |
| CN106056244A (zh) | 一种股票价格优化预测方法 | |
| CN114757557A (zh) | 一种基于电力工作票现场作业风险评估预测方法及装置 | |
| CN104699614A (zh) | 一种软件缺陷组件预测的方法 | |
| CN106844152A (zh) | 银行后台任务跑批时间的相关性分析方法及装置 | |
| CN113837440B (zh) | 一种爆破效果预测方法、装置、电子设备和介质 | |
| CN113515560A (zh) | 车辆故障的分析方法、装置、电子设备及存储介质 | |
| CN113505818A (zh) | 改进决策树算法的熔铝炉能耗异常诊断方法和系统及设备 | |
| CN117725592A (zh) | 一种基于有向图注意力网络的智能合约漏洞检测方法 | |
| CN114648688B (zh) | 高铁沿线景观等级评估方法、系统、设备及可读存储介质 | |
| CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
| CN105678430A (zh) | 基于邻近项目Slope One算法的用户改进推荐方法 | |
| CN105871630A (zh) | 一种确定网络用户的上网行为类别的方法 |
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 |