CN113849921B - 一种掘进机刀具磨损大数据样本前处理效果评价方法 - Google Patents

一种掘进机刀具磨损大数据样本前处理效果评价方法 Download PDF

Info

Publication number
CN113849921B
CN113849921B CN202110774098.6A CN202110774098A CN113849921B CN 113849921 B CN113849921 B CN 113849921B CN 202110774098 A CN202110774098 A CN 202110774098A CN 113849921 B CN113849921 B CN 113849921B
Authority
CN
China
Prior art keywords
sample
pretreatment
prediction
data sample
cutter
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
Application number
CN202110774098.6A
Other languages
English (en)
Other versions
CN113849921A (zh
Inventor
李彤
韩爱民
施烨辉
程荷兰
李闯
王金铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Kentop Civil Engineering Technology Co ltd
Nanjing Tech University
Original Assignee
Nanjing Kentop Civil Engineering Technology Co ltd
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Kentop Civil Engineering Technology Co ltd, Nanjing Tech University filed Critical Nanjing Kentop Civil Engineering Technology Co ltd
Priority to CN202110774098.6A priority Critical patent/CN113849921B/zh
Publication of CN113849921A publication Critical patent/CN113849921A/zh
Application granted granted Critical
Publication of CN113849921B publication Critical patent/CN113849921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种掘进机刀具磨损大数据样本前处理效果评价方法，属于地下工程技术中的掘进机刀具磨损控制技术领域，为了定量评价不同数据前处理手段的有效性和相应的刀具磨损预测模型的泛化能力，以物理量抽象处理、因素影响定量修正、构造统计量、拟合与经验分析为技术手段，以定义刀具磨损大数据样本的前处理几何深度、构造跨样本误差比、修正误差比影响因素、构造前处理深度适用性跨样本评价指标、优选前处理深度为实施步骤，可提高掘进机刀具磨损大数据样本前处理方法的量化程度和可解释性，为定量评价各种掘进机刀具磨损大数据样本前处理方法的优劣和优选合适的数据前处理方法提供计算依据，方法合理，实用性强。

Description

一种掘进机刀具磨损大数据样本前处理效果评价方法
技术领域
本发明涉及地下工程技术领域中的掘进机刀具磨损控制技术领域，具体涉及掘进机刀具磨损大数据样本前处理效果评价方法。
背景技术
掘进机刀具磨损受到岩石坚硬程度、推力、扭矩、掘进里程等多种因素的影响，所以为了获取在施工现场实测得到的掘进机刀具磨损量样本与岩石坚硬程度、推力、扭矩、掘进里程等多种因素之间的统计学关系，往往通过多元回归分析、深度学习等方法进行统计学习分析。
然而通过多元回归分析、深度学习等方法得到的统计学模型仅仅反映了样本值之间的数学关系，模型泛化能力和可解释性不足。
为了提高掘进机刀具磨损量预测模型的泛化能力和可解释性，目前对掘进机刀具磨损量的前处理方法有：
应用磨损比耗指数预测滚刀磨损量的分层求和法(公开号：CN107180016A，公开日期：2017-09-19)将磨损量除以破岩体积进行前处理；
(秦银平,张竹清,孙振川,等.基于现场试验的TBM滚刀磨损分析及预测[J].隧道建设(中英文),2019,第39卷(11):1914～1921.)将磨损量数据除以破岩轨迹周长进行前处理；
(竺维彬,王晖,鞠世健.复合地层中盾构滚刀磨损原因分析及对策[J].现代隧道技术,2006(04):75～79+85.)将磨损量数据直接作为应变量样本，未进行前处理。
为了能够消除岩石自身性质差异、消耗的计算资源差异对前处理方法适用性评价的影响，科学定量地评价各种滚刀磨损量前处理深度在不同地层中的适用性，需要构造一种可以跨样本比较预测方法适用性的指标。
既有的样本值比较指标，如算术平均值、方差、偏差等统计量，由于没有考虑样本均值水平对样本值比较指标的影响，而掘进机刀具磨损预测偏差绝对值在不同地层中的大小差异较大，受地层条件影响较大，若直接利用这些指标评价预测方法进行评价，计算出来的统计值大小不能够反映预测方法精度的优劣，即既有的统计量不能进行跨样本比较。
所以，在掘进机刀具磨损量样本前处理手段中，目前只是零散的存在着多种数据前处理手段，缺少评价不同数据前处理手段有效性和相应的刀具磨损预测模型泛化能力的指标和方法。
发明内容
针对上述现有技术的不足，本发明提出了一种掘进机刀具磨损大数据样本前处理效果评价方法，通过消除岩石自身性质差异、消耗的计算资源差异对前处理方法适用性评价的影响，具有能够科学定量地评价各种滚刀磨损量前处理深度在不同地层中的适用性的性能。
包括如下步骤：
步骤一定义刀具磨损大数据样本的前处理几何深度；
步骤二构造跨样本误差比；
步骤三修正误差比影响因素；
步骤四构造前处理深度适用性跨样本评价指标；
步骤五优选前处理深度。
进一步地，步骤一具体为：将掘进机刀具磨损量除以1进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度0级；
将掘进机刀具磨损量除以长度物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度1级；
将掘进机刀具磨损量除以面积物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度2级；
将掘进机刀具磨损量除以体积物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度3级。
进一步地，步骤二具体为：通过提出跨样本误差比Re，如式(1)，Re去除了量纲单位的影响，变成无量纲表达式，成为纯数，而且消除了样本均值水平对样本值比较指标的影响，将单纯的均方误差改造为Re这个可以进行跨样本比较的误差评价统计量，从而使得不同单位或者量级的指标能够放在同一数量级下进行比较和加权；
使用Re评价不同掘进机刀具磨损预测模型在不同地层中预测精度的大小差异以及预测方法的泛化能力；
Figure BDA0003153726020000031
式(1)中，MSE为一种预测方法应用于一组样本的预测后得到的均方误差，
avg为一组样本中的样本实测值绝对值的算术平均值。
进一步地，步骤三具体为：定义一个预测模型对一组实测样本进行预测并得到预测结果的全部过程为一次预测运算；
不同预测模型应用于不同样本时预测精度的差异，不但有数据前处理方法不同的因素，也有因消耗的计算资源差异而导致的精度差异；
按式(2)对Re进行计算资源消耗差异的修正，得到跨样本修正误差比CRe，rc为同一次预测运算所消耗的计算资源总量；
一次预测运算所消耗的计算资源总量可取该次预测运算累计占用计算机CPU的主频总数；
CRe＝Re×rc (2)
CRe已经对Re中的计算资源差异因素进行了修正，CRe可以表示一种数据前处理方法对一种地层的适用程度。
进一步地，步骤四具体为：定义CRea为一个预测模型应用于样本空间中所有各地层的样本实测值预测后得到的各CRe在样本空间内的算术平均值，sCRe为一个预测模型应用于样本空间中所有各地层的样本实测值预测后得到的各CRe在样本空间内分布的标准差；
构造前处理深度适用性跨样本评价指标SIMS，如式(3)，在考虑误差平均水平的同时，计入了误差分布离散程度对前处理方法泛化能力的影响；
所以，SIMS指标可以反映均值水平差异较大的多类样本条件下的不同掘进机刀具磨损量预测模型的数据前处理方法的普适性；
SIMS＝|CRea+sCRe| (3)。
进一步地，步骤五具体为：统计得到各类预测模型的SIMS与大数据样本前处理几何深度级别数值之间的映射关系，并对样本空间内的该映射关系进行拟合，得到以大数据样本前处理几何深度级别数值为输入、以SIMS为输出的SIMS预测模型，取样本空间内的SIMS为最小值时的大数据样本前处理几何深度作为优选的前处理深度。
具体实施方法
本发明一种掘进机刀具磨损大数据样本前处理效果评价方法，包括以下步骤：
步骤一 定义刀具磨损大数据样本的前处理几何深度
从既有文献中统计出各种掘进机刀具磨损预测模型，以及各种预测模型所对应的掘进机刀具磨损量样本前处理方法。
统计既有的在不同地层中实测得到的掘进机刀具磨损量样本，在同种地层内获得的掘进机刀具磨损量样本属于同一组样本，统计范畴内的各组样本共同构成样本空间。
将掘进机刀具磨损量除以1进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度0级。
将掘进机刀具磨损量除以长度物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度1级。
将掘进机刀具磨损量除以面积物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度2级。
将掘进机刀具磨损量除以体积物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度3级。
步骤二构造跨样本误差比
通过提出跨样本误差比Re，如式(1)，Re去除了量纲单位的影响，变成无量纲表达式，成为纯数，而且消除了样本均值水平对样本值比较指标的影响，将单纯的均方误差改造为Re这个可以进行跨样本比较的误差评价统计量，从而使得不同单位或者量级的指标能够放在同一数量级下进行比较和加权。
所以，可以使用Re评价不同掘进机刀具磨损预测模型在不同地层中预测精度的大小差异以及预测方法的泛化能力。式(1)中，MSE为一种预测方法应用于一组样本的预测后得到的均方误差，avg为一组样本中的样本实测值绝对值的算术平均值。
Figure BDA0003153726020000051
步骤三修正误差比影响因素
定义一个预测模型对一组实测样本进行预测并得到预测结果的全部过程为一次预测运算。
不同预测模型应用于不同样本时预测精度的差异，不但有数据前处理方法不同的因素，也有因消耗的计算资源差异而导致的精度差异。
所以，按式(2)对Re进行计算资源消耗差异的修正，得到跨样本修正误差比CRe，rc为同一次预测运算所消耗的计算资源总量。
一次预测运算所消耗的计算资源总量可取该次预测运算累计占用计算机CPU的主频总数。
CRe＝Re×rc (2)。
CRe已经对Re中的计算资源差异因素进行了修正，CRe可以表示一种数据前处理方法对一种地层的适用程度。
步骤四构造前处理深度适用性跨样本评价指标
定义CRea为一个预测模型应用于样本空间中所有各地层的样本实测值预测后得到的各CRe在样本空间内的算术平均值，sCRe为一个预测模型应用于样本空间中所有各地层的样本实测值预测后得到的各CRe在样本空间内分布的标准差。
构造前处理深度适用性跨样本评价指标SIMS，如式(3)，在考虑误差平均水平的同时，计入了误差分布离散程度对前处理方法泛化能力的影响。
当SIMS增大时，相应的数据前处理方法普适性降低，当SIMS降低时，相应的数据前处理方法普适性增强。
所以，SIMS指标可以反映均值水平差异较大的多类样本条件下的不同掘进机刀具磨损量预测模型的数据前处理方法的普适性。
SIMS＝|CRea+sCRe| (3)。
步骤五优选前处理深度
统计得到各类预测模型的SIMS与大数据样本前处理几何深度级别数值之间的映射关系，并对样本空间内的该映射关系进行拟合，得到以大数据样本前处理几何深度级别数值为输入、以SIMS为输出的SIMS预测模型，取样本空间内的SIMS为最小值时的大数据样本前处理几何深度作为优选的前处理深度。

Claims (4)

1.一种掘进机刀具磨损大数据样本前处理效果评价方法，其特征在于，包括以下步骤：
步骤一 定义刀具磨损大数据样本的前处理几何深度；
将掘进机刀具磨损量除以1进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度0级；
将掘进机刀具磨损量除以长度物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度1级；
将掘进机刀具磨损量除以面积物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度2级；
将掘进机刀具磨损量除以体积物理量进行刀具磨损数据样本前处理的前处理几何深度，定义为大数据样本前处理几何深度3级；
步骤二 构造跨样本误差比；
步骤三 修正误差比影响因素；
步骤四 构造前处理深度适用性跨样本评价指标；
定义CRea为一个预测模型应用于样本空间中所有各地层的样本实测值预测后得到的各CRe在样本空间内的算术平均值，sCRe为一个预测模型应用于样本空间中所有各地层的样本实测值预测后得到的各CRe在样本空间内分布的标准差；
构造前处理深度适用性跨样本评价指标SIMS，如式（3），在考虑误差平均水平的同时，计入了误差分布离散程度对前处理方法泛化能力的影响；
所以，SIMS指标可以反映均值水平差异较大的多类样本条件下的不同掘进机刀具磨损量预测模型的数据前处理方法的普适性；
Figure 623333DEST_PATH_IMAGE001
（3）；
步骤五 优选前处理深度。
2.根据权利要求1所述的一种掘进机刀具磨损大数据样本前处理效果评价方法，其特征在于，步骤二具体如下：
通过提出跨样本误差比Re，如式（1），Re去除了量纲单位的影响，变成无量纲表达式，成为纯数，而且消除了样本均值水平对样本值比较指标的影响，将单纯的均方误差改造为Re，进行跨样本比较的误差评价统计量，从而使得不同单位或者量级的指标能够放在同一数量级下进行比较和加权；
使用Re评价不同掘进机刀具磨损预测模型在不同地层中预测精度的大小差异以及预测方法的泛化能力；
Figure 354529DEST_PATH_IMAGE002
（1）
式（1）中，MSE为一种预测方法应用于一组样本的预测后得到的均方误差，avg为一组样本中的样本实测值绝对值的算术平均值。
3.根据权利要求1所述的一种掘进机刀具磨损大数据样本前处理效果评价方法，其特征在于，步骤三具体如下：
定义一个预测模型对一组实测样本进行预测并得到预测结果的全部过程为一次预测运算；
不同预测模型应用于不同样本时预测精度的差异，不但有数据前处理方法不同的因素，也有因消耗的计算资源差异而导致的精度差异；
按式（2）对Re进行计算资源消耗差异的修正，得到跨样本修正误差比CRe，rc为同一次预测运算所消耗的计算资源总量；
一次预测运算所消耗的计算资源总量可取该次预测运算累计占用计算机CPU的主频总数；
Figure 347893DEST_PATH_IMAGE003
（2）
CRe已经对Re中的计算资源差异因素进行了修正，CRe可以表示一种数据前处理方法对一种地层的适用程度。
4.根据权利要求1所述的一种掘进机刀具磨损大数据样本前处理效果评价方法，其特征在于，步骤五具体如下：
统计得到各类预测模型的SIMS与大数据样本前处理几何深度级别数值之间的映射关系，并对样本空间内的该映射关系进行拟合，得到以大数据样本前处理几何深度级别数值为输入、以SIMS为输出的SIMS预测模型，取样本空间内的SIMS为最小值时的大数据样本前处理几何深度作为优选的前处理深度。
CN202110774098.6A 2021-07-08 2021-07-08 一种掘进机刀具磨损大数据样本前处理效果评价方法 Active CN113849921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110774098.6A CN113849921B (zh) 2021-07-08 2021-07-08 一种掘进机刀具磨损大数据样本前处理效果评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110774098.6A CN113849921B (zh) 2021-07-08 2021-07-08 一种掘进机刀具磨损大数据样本前处理效果评价方法

Publications (2)

Publication Number Publication Date
CN113849921A CN113849921A (zh) 2021-12-28
CN113849921B true CN113849921B (zh) 2022-06-10

Family

ID=78975101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110774098.6A Active CN113849921B (zh) 2021-07-08 2021-07-08 一种掘进机刀具磨损大数据样本前处理效果评价方法

Country Status (1)

Country Link
CN (1) CN113849921B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378069A (zh) * 2019-08-01 2019-10-25 南京坤拓土木工程科技有限公司 一种预测掘进机刀具累计质量损失率的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5305836A (en) * 1992-04-08 1994-04-26 Baroid Technology, Inc. System and method for controlling drill bit usage and well plan
RU2327195C1 (ru) * 2004-01-27 2008-06-20 Асахи Касеи Кемикалз Корпорейшн Фоточувствительная смола для гравируемой лазером печатной матрицы
US20070244595A1 (en) * 2006-04-18 2007-10-18 U.I.T., Llc Method and means for ultrasonic impact machining of surfaces of machine components
CA2770230C (en) * 2009-08-07 2016-05-17 Exxonmobil Upstream Research Company Methods to estimate downhole drilling vibration amplitude from surface measurement
NL2016859B1 (en) * 2016-05-30 2017-12-11 Engie Electroproject B V A method of and a device for estimating down hole speed and down hole torque of borehole drilling equipment while drilling, borehole equipment and a computer program product.
CN107180016B (zh) * 2017-05-23 2018-08-24 南京工业大学 应用磨损比耗指数预测滚刀磨损量的分层求和法
CN109571141A (zh) * 2018-11-01 2019-04-05 北京理工大学 一种基于机器学习的刀具磨损状态监测方法
CN110059442B (zh) * 2019-05-07 2020-08-14 同济大学 一种基于零件表面粗糙度和功率信息的车削加工换刀方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378069A (zh) * 2019-08-01 2019-10-25 南京坤拓土木工程科技有限公司 一种预测掘进机刀具累计质量损失率的方法

Also Published As

Publication number Publication date
CN113849921A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN111046341A (zh) 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法
CN113488117B (zh) 一种具有深度学习能力的深部金矿床成矿找矿方法
CN112196559B (zh) 基于掘进速度与刀具消耗最优的tbm操作参数优化方法
CN107368463B (zh) 基于光纤光栅传感网络数据的巷道非线性变形预测方法
CN115345378B (zh) 一种基于机器学习的页岩气井产量评价方法
CN108470095B (zh) 基于数据驱动径向基函数模型的tbm推进力预测方法
CN113420506B (zh) 掘进速度的预测模型建立方法、预测方法及装置
CN116520772A (zh) 基于多任务迁移学习的薄板零件数控加工质量预测方法
CN113741362A (zh) 液化天然气接收站操作优化方法、系统、介质及计算设备
CN116305702A (zh) 分析数据波动页岩气井产量经验递减曲线的方法及系统
CN114004100B (zh) 一种油藏辅助历史拟合和优化模拟方法
CN113849921B (zh) 一种掘进机刀具磨损大数据样本前处理效果评价方法
CN118261454A (zh) 深层地热能动态评估方法
CN110413952A (zh) 油气区块勘探程度的预测方法及装置
CN113762614A (zh) 一种基于静态油气田数据的页岩气井产能预测的方法
CN114117654A (zh) 一种基于机器学习的水平井射孔优化设计方法及装置
CN113027433A (zh) 计算强非均质性砂砾岩储层渗透率的方法和装置
CN111580179B (zh) 一种有机碳含量确定方法、装置及系统
CN107679330B (zh) 一种tbm刀盘系统破岩性能损耗程度的实时评价方法
CN116910590A (zh) 基于自适应聚类的瓦斯传感器精度异常识别方法及系统
CN113158562B (zh) 基于物理约束与数据挖掘的tbm岩机映射构建方法及系统
Shi et al. Time series prediction model using LSTM-Transformer neural network for mine water inflow
CN114427451B (zh) 一种基于随钻资料获取页岩储层静态参数的方法
CN113420375B (zh) 基于Apriori建立工艺-质量-不平衡量关联关系模型的方法
Wang Prediction of Mine Pressure Appearance Based on Deep Learning

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