CN114037022A - 一种考虑监测数据时空特性的微震事件危险性分类方法 - Google Patents
一种考虑监测数据时空特性的微震事件危险性分类方法 Download PDFInfo
- Publication number
- CN114037022A CN114037022A CN202111519011.7A CN202111519011A CN114037022A CN 114037022 A CN114037022 A CN 114037022A CN 202111519011 A CN202111519011 A CN 202111519011A CN 114037022 A CN114037022 A CN 114037022A
- Authority
- CN
- China
- Prior art keywords
- microseismic
- event
- data
- microseismic event
- time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002123 temporal effect Effects 0.000 title description 2
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000011435 rock Substances 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种考虑监测数据时空特性的微震事件危险性分类方法，通过考虑微震监测数据的时空特征建立不同的特征指标，然后进行数据不平衡性和One‑Hot编码处理，以处理后的指标为特征，是否发生冲击地压或地表震动等危险灾害为标签，然后通过一维卷积神经网络建立微震事件的危险性分类模型。该分类方法充分利用监测数据的时空特性，训练时间快，分类效果好，解决了目前大部分研究中对矿井中微震事件危险性分类中依赖监测数据类型过多和忽略微震监测数据时空特性的问题。
Description
技术领域
本发明涉及矿井中冲击地压等危险灾害领域，具体为一种考虑监测数据时空特性的微震事件危险性分类方法。
背景技术
矿井中冲击地压等危险灾害的发生常常造成巷道的严重破坏和工作人员重大伤亡，甚至可能会引发地面的震动和小型地震。防治矿井中危险事件的发生需要准确可靠的分析微震事件危险性，根据危险程度将微震事件进行分类，才能采取适当措施来解除威胁。现有技术中，很多学者基于微震监测数据对微震事件危险性进行了分析和预测，但是在建立分析指标过程中依赖于能量、电磁辐射信号等监测值，未考虑数据的时空特征，对于微震监测数据要求高（考虑的指标多、指标的监测难度大），却不能充分利用数据之间的关系，加大了监测成本，且部分方法设计复杂，难以直接应用到工程中。如多数矿井中微震监测数据主要包含时序、地点和能量数据，没有应力监测数据或者应力监测数据难以准确映射到某一点，但多数研究中都将应力作为分析指标。
发明内容
针对上述现有技术中存在的不足，本发明提出一种考虑监测数据时空特性的微震事件危险性分类方法，包括如下步骤：
S1，建立微震事件危险性分类特征指标
以本次微震事件的能量、本次微震事件发生前的连续n次微震事件的时间密集度、本次微震事件发生前的连续n次微震事件的空间密集度作为微震事件危险性分类特征指标；其中时间密集度采用连续n次微震事件的两两之间时间间隔的均值表示，空间密集度采用连续n次微震事件的分别发生地点与这n次微震事件发生地点中心之间距离的方差表示；
S2，建立数据集并进行样本不平衡性处理
在连续M次微震事件中，以第m次至第m+n次微震事件的监测数据作为数据集中一个样本的数据源，1≤m≤M-n，最多建立M-n个样本，每个样本包括特征数据和标签数据，所述特征数据包括第m次至第m+n-1次微震事件的时间密集度、第m次至第m+n-1次微震事件的空间密集度和第m+n次微震事件的能量值；所述标签数据为第m+n次微震事件的危险类别，分为危险事件和不危险事件，对标签数据进行One-Hot编码处理；
样本不平衡性处理，在采样过程中对数据集中样本标签为危险事件的特征数据加入轻微扰动后复制，以使不同标签的样本数量平衡；
优选的，One-Hot编码处理后危险事件对应标签为1，不危险事件对应标签为0。
优选的，轻微扰动的方法为加上随机数。
S3，建立微震事件危险性分类模型
基于一维卷积神经网络建立一个三层的分类模型，每一层由卷积层、批正则化和激活层构成，以Relu函数为激活函数，分类模型的最后设置两层全连接层用于分类，最后使用Softmax函数进行分类标签的输出；
优选的，卷积层的作用是信息融合和提取，三个卷积层的卷积核个数分别为6、12和12，卷积核大小均为1×1，两层全连接层的神经元个数分别为4和2。
优选的，训练过程中选择Adam优化器来反向传播梯度信息从而更新网络的参数，使用MSELoss损失函数来表示模型计算结果与实际数据之间的差距程度。
S4，评价微震事件危险性分类模型的性能
采用混淆矩阵或建立含混合标签样本和单独含危险事件标签样本两个测试集评价微震事件危险性分类模型的性能；
S5，微震事件危险性分类应用
以本次微震事件的能量、本次微震事件发生前的连续n次微震事件的时间密集度、本次微震事件发生前的连续n次微震事件的空间密集度作为输入数据，代入微震事件危险性分类模型，输出标签数据，即可确定本次微震事件的类别是危险事件或不危险事件。
有益效果：本发明涉及一种考虑监测数据时空特性的微震事件危险性分析（分类）方法，通过考虑微震监测数据的时空特征建立不同的特征指标，然后进行数据不平衡性和One-Hot编码处理，以处理后的指标为特征，是否发生冲击地压事件或强烈震动为标签，然后通过一维卷积神经网络建立微震事件的分类模型。该分类方法充分利用监测数据的时空特性，训练时间快，分类效果好，解决了目前大部分研究中对微震事件危险性分析中依赖监测数据类型过多和忽略微震监测数据时空特性的问题。
附图说明
图1 本发明微震事件危险性分类方法步骤S1-S3的流程图，其中，图1（a）、图1（b）、图1（c）分别对应微震事件危险性分类方法的步骤S1、S2、S3；
图2 基于卷积神经网络的微震事件危险性分类模型（B为批大小）；
图3 利用某矿井微震监测数据评价微震事件危险性分类模型的性能实例。
具体实施方式
下面结合附图，对本发明的技术方案进行更为详细的描述。
如图1-2所示，一种考虑监测数据时空特性的微震事件危险性分类方法，用于确定某一次已经发生的微震事件是危险事件或不危险事件，包括如下步骤：
S1，建立微震事件危险性分类特征指标
对不同矿井微震监测数据进行研究后发现，冲击地压等危险事件发生前，由于围岩系统与外界的能量交换，围岩系统处于非稳定调整期，因此有一段明显的微震活跃期，该微震活跃期主要表现为本次冲击地压等危险灾害发生前的连续多次微震事件的时间密集度和空间密集度更加集中，如这连续多次微震事件的时间间隔较小、空间位置上相对集中；且通过研究发现本次微震事件的能量也是对冲击地压等危险事件进行分类的重要指标。
据此确定，以本次微震事件的能量、本次微震事件发生前的连续n次微震事件的时间密集度、本次微震事件发生前的连续n次微震事件的空间密集度作为微震事件危险性分类特征指标；其中时间密集度采用连续n次微震事件的两两之间时间间隔（时间差）的均值表示，空间密集度采用连续n次微震事件的分别发生地点与这n次微震事件发生地点中心之间距离的方差表示；
S2，建立数据集并进行样本不平衡性处理
在连续M次微震事件中，以第m次至第m+n次微震事件的监测数据作为数据集中一个样本的数据源，1≤m≤M-n，则最多可以建立M-n个样本，每个样本包括特征数据和标签数据，其中特征数据包括第m次至第m+n-1次微震事件的时间密集度（两两之间时间间隔的均值）、第m次至第m+n-1次微震事件的空间密集度（连续n次微震事件的分别发生地点与这n次微震事件发生地点中心之间距离的方差）和第m+n次微震事件的能量值；所述标签数据为第m+n次微震事件的危险类别，即标签数据为是否发生了危险事件（冲击地压或地面震动），标签数据需进行One-Hot编码处理，处理后危险事件对应标签为1，不危险事件对应标签为0；
例如，在连续7次微震事件中，以第m次至第m+5次微震事件的监测数据作为数据集中一个样本的数据源，1≤m≤7-5，则最多可以建立2条数据；第1个样本的特征数据包括第1次至第5次微震事件的时间密集度、第1次至第5次微震事件的空间密集度和第6次微震事件的能量值，所述标签数据为第6次微震事件的危险类别；第2个样本的特征数据包括第2次至第6次微震事件的时间密集度、第2次至第6次微震事件的空间密集度和第7次微震事件的能量值，所述标签数据为第7次微震事件的危险类别。
样本不平衡性处理，矿井微震事件中危险事件数量要远远小于不危险事件数量，故使用上采样法，在采样过程中对数据集中样本标签为危险事件的特征数据加入轻微扰动（如加上随机数）后复制，以使不同标签（危险类别）的样本数量平衡；
S3，建立微震事件危险性分类模型
基于一维卷积神经网络建立一个三层的分类模型，每一层由卷积层、批正则化（Batch Normalization）和激活层构成，卷积层的作用是信息融合和提取，三个卷积层的卷积核个数分别为6、12和12，卷积核大小均为1×1，以Relu函数为激活函数，分类模型的最后设置两层全连接层用于分类，神经元个数分别为4和2，最后使用Softmax函数进行分类标签的输出；
优选的，训练过程中选择Adam优化器来反向传播梯度信息从而更新网络的参数，使用MSELoss损失函数来表示模型计算结果与实际数据之间的差距程度。
S4，评价微震事件危险性分类模型的性能
考虑到对冲击地压等危险事件分类正确的重要性，采用混淆矩阵或建立含混合标签样本和单独含危险事件标签样本两个测试集评价微震危险性分类模型的性能；
如图3所示，基于某矿井微震事件监测数据对分类模型的性能进行评价，随机选取训练样本进行了20次实验，每次实验中训练模型在含混合标签样本测试集和单独含危险事件标签样本测试集上同时达到的最高准确率，最高准确率分别为0.957和0.893。
S5，微震事件危险性分类应用
以本次微震事件的能量、本次微震事件发生前的连续n次微震事件的时间密集度、本次微震事件发生前的连续n次微震事件的空间密集度作为输入数据，代入微震事件危险性分类模型，输出标签数据，即本次微震事件的类别是危险事件、不危险事件。
Claims (5)
1.一种考虑监测数据时空特性的微震事件危险性分类方法，其特征在于，包括如下步骤：
S1，建立微震事件危险性分类特征指标
以本次微震事件的能量、本次微震事件发生前的连续n次微震事件的时间密集度、本次微震事件发生前的连续n次微震事件的空间密集度作为微震事件危险性分类特征指标；其中时间密集度采用连续n次微震事件的两两之间时间间隔的均值表示，空间密集度采用连续n次微震事件的分别发生地点与这n次微震事件发生地点中心之间距离的方差表示；
S2，建立数据集并进行样本不平衡性处理
在连续M次微震监测事件中，以第m次至第m+n次微震事件的监测数据作为数据集中一个样本的数据源，1≤m≤M-n，最多建立M-n个样本，每个样本包括特征数据和标签数据，所述特征数据包括第m次至第m+n-1次微震事件的时间密集度、第m次至第m+n-1次微震事件的空间密集度和第m+n次微震事件的能量值；所述标签数据为第m+n次微震事件的危险类别，分为危险事件和不危险事件，对标签数据进行One-Hot编码处理；
样本不平衡性处理，在采样过程中对数据集中样本标签为危险事件的特征数据加入轻微扰动后复制，以使不同标签的样本数量平衡；
S3，建立微震事件危险性分类模型
基于一维卷积神经网络建立一个三层的分类模型，每一层由卷积层、批正则化和激活层构成，以Relu函数为激活函数，分类模型的最后设置两层全连接层用于分类，最后使用Softmax函数进行分类标签的输出；
S4，评价微震事件危险性分类模型的性能
采用混淆矩阵或建立含混合标签样本和单独含危险事件标签样本两个测试集来评价微震事件危险性分类模型的性能；
S5，微震事件危险性分类应用
以本次微震事件的能量、本次微震事件发生前的连续n次微震事件的时间密集度、本次微震事件发生前的连续n次微震事件的空间密集度作为输入数据，代入微震事件危险性分类模型，输出标签数据，即可确定本次微震事件的类别是危险事件或不危险事件。
2.根据权利要求1所述的微震事件危险性分类方法，其特征在于，步骤S2中，One-Hot编码处理后危险事件对应标签为1，不危险事件对应标签为0。
3.根据权利要求1或2所述的微震事件危险性分类方法，其特征在于，步骤S2中，轻微扰动的方法为加上随机数。
4.根据权利要求1所述的微震事件危险性分类方法，其特征在于，步骤S3中，卷积层的作用是信息融合和提取，三个卷积层的卷积核个数分别为6、12和12，卷积核大小均为1×1，两层全连接层的神经元个数分别为4和2。
5.根据权利要求1或4所述的微震事件危险性分类方法，其特征在于，步骤S3中，训练过程中选择Adam优化器来反向传播梯度信息从而更新网络的参数，使用MSELoss损失函数来表示模型计算结果与实际数据之间的差距程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519011.7A CN114037022A (zh) | 2021-12-14 | 2021-12-14 | 一种考虑监测数据时空特性的微震事件危险性分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519011.7A CN114037022A (zh) | 2021-12-14 | 2021-12-14 | 一种考虑监测数据时空特性的微震事件危险性分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037022A true CN114037022A (zh) | 2022-02-11 |
Family
ID=80146751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111519011.7A Pending CN114037022A (zh) | 2021-12-14 | 2021-12-14 | 一种考虑监测数据时空特性的微震事件危险性分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037022A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519392A (zh) * | 2022-02-14 | 2022-05-20 | 煤炭科学研究总院有限公司 | 冲击地压的预警方法及装置、电子设备和存储介质 |
| CN114994760A (zh) * | 2022-08-08 | 2022-09-02 | 煤炭科学研究总院有限公司 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
| CN114997742A (zh) * | 2022-07-19 | 2022-09-02 | 煤炭科学研究总院有限公司 | 基于注意力机制和聚类算法的微震事件危险性分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140019057A1 (en) * | 2012-07-16 | 2014-01-16 | Nanoseis Llc | Microseismic Event Verification Using Sub-stacks |
| CN112594008A (zh) * | 2020-12-17 | 2021-04-02 | 中国矿业大学 | 一种基于动静载扰动叠加的冲击地压预警方法 |
| CN113723595A (zh) * | 2021-09-02 | 2021-11-30 | 重庆大学 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
-
2021
- 2021-12-14 CN CN202111519011.7A patent/CN114037022A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140019057A1 (en) * | 2012-07-16 | 2014-01-16 | Nanoseis Llc | Microseismic Event Verification Using Sub-stacks |
| CN112594008A (zh) * | 2020-12-17 | 2021-04-02 | 中国矿业大学 | 一种基于动静载扰动叠加的冲击地压预警方法 |
| CN113723595A (zh) * | 2021-09-02 | 2021-11-30 | 重庆大学 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519392A (zh) * | 2022-02-14 | 2022-05-20 | 煤炭科学研究总院有限公司 | 冲击地压的预警方法及装置、电子设备和存储介质 |
| CN114997742A (zh) * | 2022-07-19 | 2022-09-02 | 煤炭科学研究总院有限公司 | 基于注意力机制和聚类算法的微震事件危险性分析方法 |
| CN114994760A (zh) * | 2022-08-08 | 2022-09-02 | 煤炭科学研究总院有限公司 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
| CN114994760B (zh) * | 2022-08-08 | 2022-10-14 | 煤炭科学研究总院有限公司 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114037022A (zh) | 一种考虑监测数据时空特性的微震事件危险性分类方法 | |
| Zaliapin et al. | Clustering analysis of seismicity and aftershock identification | |
| CN113947197B (zh) | 基于cnn考虑冲击地压前兆信息的微震事件危险性预测方法 | |
| Alarifi et al. | Earthquakes magnitude predication using artificial neural network in northern Red Sea area | |
| Reasenberg | Second‐order moment of central California seismicity, 1969–1982 | |
| Kumazawa et al. | Nonstationary ETAS models for nonstandard earthquakes | |
| Lippiello et al. | Spatial organization of foreshocks as a tool to forecast large earthquakes | |
| CN112613096B (zh) | 一种面向强震前后不同阶段的地质灾害评价方法 | |
| CN111915865A (zh) | 一种基于采动震源参数的煤矿复合地质灾害预警方法 | |
| Christophersen et al. | Progress and challenges in operational earthquake forecasting in New Zealand | |
| CN114994760B (zh) | 基于Transformer和自监督算法的微震事件危险性分析方法 | |
| Holliday et al. | Using earthquake intensities to forecast earthquake occurrence times | |
| CN114966845B (zh) | 一种无监督聚类的地震波形实时分类检测方法 | |
| Kossobokov | Are mega earthquakes predictable? | |
| CN113470316A (zh) | 一种基于自编码单分类模型的泥石流监测预警方法 | |
| CN116595335A (zh) | 一种岩爆微震参数多元多时步输出预测模型 | |
| CN115329092A (zh) | 电力监控系统威胁分析的知识图谱生成方法、系统及介质 | |
| Orfanogiannaki et al. | Identifying seismicity levels via Poisson hidden Markov models | |
| da Silva et al. | Microseismic event detection in noisy environments with instantaneous spectral Shannon entropy | |
| Ren et al. | Research on identification of natural and unnatural earthquake events based on AlexNet convolutional neural network | |
| Nanda et al. | A tri-stage cluster identification model for accurate analysis of seismic catalogs | |
| CN116561536A (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
| CN116707918A (zh) | 基于CBAM- EfficientNet异常检测的网络安全态势评估方法 | |
| Zhang et al. | Test of the Predictability of the PI Method for Recent Large Earthquakes in and near Tibetan Plateau | |
| Luongo et al. | A fractal approach to clustering of the 1983–1984 seismicity in the Campi Flegrei Caldera, Southern Italy |
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 |