CN114994760A - 基于Transformer和自监督算法的微震事件危险性分析方法 - Google Patents
基于Transformer和自监督算法的微震事件危险性分析方法 Download PDFInfo
- Publication number
- CN114994760A CN114994760A CN202210940965.3A CN202210940965A CN114994760A CN 114994760 A CN114994760 A CN 114994760A CN 202210940965 A CN202210940965 A CN 202210940965A CN 114994760 A CN114994760 A CN 114994760A
- Authority
- CN
- China
- Prior art keywords
- microseismic
- analysis
- data
- event
- microseismic event
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012502 risk assessment Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000011435 rock Substances 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为基于Transformer和自监督算法的微震事件危险性分析方法,属于矿井冲击地压等危险灾害领域,依次包括选取本次微震事件与上次微震事件的时间间隔,时序集中度、空间密集度,本次微震事件的能量和能量集中度为分析特征;建立无标签数据集和有标签数据集;构建基础深度学习模型;对分析特征数据进行掩码处理,建立自监督算法预训练模型并利用无标签数据集训练;建立微调模型;将训练后的基础深度学习模型的权重迁移到微调模型,利用有标签数据集进行训练;进行微震事件危险性分析。本发明可充分利用大规模无危险性标签微震监测数据对预训练模型进行训练,利用小规模有危险性标签微震监测数据对微调模型进行训练,数据利用度高,危险性分析准确。
Description
技术领域
本发明涉及矿井冲击地压等危险灾害领域,具体为一种基于Transformer和自监督算法的微震事件危险性分析。
背景技术
煤矿冲击地压会造成井巷严重破坏和人员重大伤亡,甚至引起地表破坏和局部地震。微震监测技术可以为其危险性的分析提供重要数据,业内学者对微震事件危险性分析和预测的研究也取得了一些有益进展,但仍存在以下问题有待解决。首先,多数算法试图简单融合应力、钻屑等多类型数据,但上述数据的空间覆盖尺度差异显著,缺乏可靠的融合基础;其次,微震的空间覆盖能力较强,但煤矿中往往仅有微震事件的时间、地点、能量等信息,且算法往往只能利用已标定危险性的微震数据,然而,工程实际中绝大多数的微震事件并未标定危险性;最后,在算法设计方面,多数算法没有充分挖掘样本特征之间的关系,不能直接利用监测信息对微震事件的危险性进行分析。
发明内容
针对现有微震事件危险性分析方法对监测数据类型丰富度要求高,且不能利用大规模的无危险性标签监测数据的技术问题,本发明基于Transformer和自监督算法,提出了一种可充分利用无危险性标签和有危险性标签监测数据的微震事件危险性分析方法,用于确定某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,选取分析特征,包括本次微震事件与上次微震事件的时间间隔,时序集中度Q T 、空间密集度D,本次微震事件的能量E和能量集中度Q E ;其中,时序集中度Q T 表示连续n次微震事件中相邻微震事件时间间隔的方差与平均值的比值、空间密集度D表示连续n次微震事件中各微震事件发生地点与连续n次微震事件发生地点中心之间距离的方差与平均值的比值、能量集中度Q E 表示连续n次微震事件中各微震事件能量的方差与平均值的比值;
建立数据集,包括无标签数据集和有标签数据集;所述无标签数据集为:在连续M次微震事件中,以第m次至第m+n-1次微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,每个样本仅包括分析特征数据,所述分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;
所述有标签数据集为:在连续M次微震事件中,以第m次至第m+n-1次微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,每个样本包括分析特征数据和标签数据,所述分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;所述标签数据为第m+n-1次微震事件的危险性类型,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;
S2,基于CNN和Transformer算法构建基础深度学习模型;对微震事件的分析特征数据进行掩码处理,建立自监督算法预训练模型,预训练模型以带有掩码的分析特征为输入,以分析特征的真实值为标签;利用无标签数据集训练预训练模型;
S3,在基础深度学习模型的基础上增加一个分类头建立微调模型,微调模型的分类头由两层多层感知机组成,前后两层多层感知机的神经元个数分别为24和2,其中后层多层感知机的输出经过softmax计算后为微震事件的有危险性和无危险性对应的置信度;
利用迁移学习算法将步骤S2中预训练模型中基础深度学习模型的权重迁移到微调模型,然后利用有标签数据集,以样本的五个分析特征为输入,以微震事件危险性类型为标签进行训练;
以待分析微震事件及其之前的连续n-1次微震事件,共计连续n次微震事件的数据为基础建立一个仅包含分析特征数据、不包含标签数据的待分析样本,将该待分析样本的分析特征数据输入微调模型进行微震事件危险性分析。
优选的,步骤S1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。
优选的,步骤S2中,基础深度学习模型由5层CNN和3层Transformer模型联合组成,其中CNN中每层由卷积层、批正则化层和激活层组成,以Relu函数为激活函数,每层卷积核个数分别为12、12、12、24、24;输入Transformer模型的变量维度为[24,Batch,1]。
优选的,步骤S2中,随机对无标签数据集中样本的五个分析特征进行掩码处理,即在输入过程中随机的将五个分析特征中的几个分析特征的数值用0或其他常量代替;将分析特征带有掩码的样本输入预训练模型,然后预训练模型会输出对所有分析特征的预测值,最后利用分析特征真实值对预测值进行监督,完成预训练模型权重的更新。
有益效果:本发明可充分利用大规模无危险性标签微震监测数据对预训练模型进行训练,利用小规模有危险性标签微震监测数据对微调模型进行训练,数据利用度高,危险性分析准确,应用范围广,泛化能力强。
附图说明
图1基于Transformer和自监督算法的微震事件危险性分析方法框架图;
图2 选取分析特征并建立数据集框架图;
图3 基础深度学习模型、预训练模型示意图;
图4 微调模型示意图。
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1-4所示,基于Transformer和自监督算法的微震事件危险性分析方法,用于确定某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,选取分析特征并建立数据集,如图1-2所示,包括
S11,选取析特征
处理矿井中已经发生的微震事件的监测数据,包括微震事件的时间、能量和地点;考虑冲击地压等危险事件的前兆信息和发生机理选取分析特征,包括本次微震事件与上次微震事件的时间间隔,时序集中度Q T 、空间密集度D,本次微震事件的能量E和能量集中度Q E ;其中,时序集中度Q T 表示连续n次微震事件中相邻微震事件时间间隔的方差与平均值的比值、空间密集度D表示连续n次微震事件中各微震事件发生地点与连续n次微震事件发生地点中心之间距离的方差与平均值的比值、能量集中度Q E 表示连续n次微震事件中各微震事件能量的方差与平均值的比值;
S12,建立数据集
包括无标签数据集和有标签数据集,微震监测数据是建立数据集的基础,各条监测数据对应的危险性为标签;无标签数据集含有大规模样本,这些样本仅含样本的分析特征数据,没有标签数据;有标签数据集中样本数量相对较少,这些样本同时含有分析特征数据和标签数据;所述标签数据为微震事件的危险性类型,即标签数据为是否发生了危险事件(冲击地压或地面震动等),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;
具体的,对于无标签数据集,在连续M次没有危险性标签的微震事件中,以第m次至第m+n-1次(连续n次)微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,则最多可以建立M-n+1个样本,每个样本仅包括分析特征数据,其中分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;
例如,在连续7次微震事件中,以第m次至第m+5-1次微震事件的监测数据作为数据集中一个样本的数据源(M=7,n=5),1≤m≤7-5+1=3,则最多可以建立3个样本;第1个样本的分析特征数据包括第1次至第5次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第5次微震事件的能量值E、第5次与第4次微震事件的时间间隔;第2个样本的分析特征数据包括第2次至第6次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第6次微震事件的能量值E、第6次与第5次微震事件的时间间隔;第3个样本的分析特征数据包括第3次至第7次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第7次微震事件的能量值E、第7次与第6次微震事件的时间间隔。
具体的,对于有标签数据集,在连续M次有危险性标签的微震事件中,以第m次至第m+n-1次(连续n次)微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,则最多可以建立M-n+1个样本,每个样本包括分析特征数据和标签数据,其中分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;所述标签数据为第m+n-1次微震事件的危险性类型,即标签数据为是否发生了危险事件(冲击地压或地面震动等),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+5-1次微震事件的监测数据作为数据集中一个样本的数据源(M=7,n=5),1≤m≤7-5+1=3,则最多可以建立3个样本;第1个样本的分析特征数据包括第1次至第5次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第5次微震事件的能量值E、第5次与第4次微震事件的时间间隔;所述标签数据为第5次微震事件的危险性类型;第2个样本的分析特征数据包括第2次至第6次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第6次微震事件的能量值E、第6次与第5次微震事件的时间间隔,所述标签数据为第6次微震事件的危险性类型;第3个样本的分析特征数据包括第3次至第7次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第7次微震事件的能量值E、第7次与第6次微震事件的时间间隔,所述标签数据为第7次微震事件的危险性类型。
S2,建立基础深度学习模型、建立预训练模型并训练
如图1、3所示,首先基于一维卷积模型(CNN)和Transformer算法构建微震事件危险性分析的基础深度学习模型;如图3中L型虚线框所示,基础深度学习模型由5层一维卷积模型(CNN)和3层Transformer模型联合组成;其中一维卷积模型(CNN)中每层由卷积层、批正则化层(Batch Normalization)和激活层组成,以Relu函数为激活函数,每层卷积核个数分别为12、12、12、24、24;输入Transformer模型的变量维度为[24,Batch,1],其中Batch为训练过程所选数据的批大小,Transformer模型中的Multi-Head Attention模块可充分挖掘样本分析特征之间的关系;
根据微震事件的分析特征数据设计辅助任务(进行掩码处理)、建立自监督算法预训练模型;预训练模型以带有掩码的分析特征为输入,以分析特征的真实值为标签;
利用无标签数据集训练预训练模型,随机对无标签数据集中样本的五个分析特征进行掩码处理,即在输入过程中随机的将五个分析特征中的几个分析特征的数值用0或其他常量代替;将分析特征带有掩码的样本输入预训练模型,然后预训练模型会输出对所有分析特征的预测值,最后利用分析特征真实值对预测值进行监督,完成预训练模型权重的更新;
S3,建立微调模型并进行微震事件危险性分析
如图1、4所示,在基础深度学习模型的基础上增加一个分类头建立微调模型;微调模型的分类头由两层多层感知机组成,前后两层多层感知机的神经元个数分别为24和2,其中后层多层感知机的输出经过softmax计算后为微震事件的有危险性和无危险性对应的置信度,即被分析微震事件为危险和不危险事件的可信范围;
利用迁移学习算法将步骤S2中预训练模型中基础深度学习模型的权重迁移到微调模型的基础深度学习模型;然后利用有标签数据集,以样本的五个分析特征为输入,以微震事件危险性类型为标签进行训练;
利用微调模型进行微震事件危险性分析;以待分析微震事件及其之前的连续n-1次微震事件,共计连续n次微震事件的数据为基础建立一个仅包含分析特征数据、不包含标签数据的待分析样本,将该待分析样本的分析特征数据输入微调模型。
Claims (4)
1.基于Transformer和自监督算法的微震事件危险性分析方法,其特征在于,包括如下步骤:
S1,选取分析特征,包括本次微震事件与上次微震事件的时间间隔,时序集中度Q T 、空间密集度D,本次微震事件的能量E和能量集中度Q E ;其中,时序集中度Q T 表示连续n次微震事件中相邻微震事件时间间隔的方差与平均值的比值、空间密集度D表示连续n次微震事件中各微震事件发生地点与连续n次微震事件发生地点中心之间距离的方差与平均值的比值、能量集中度Q E 表示连续n次微震事件中各微震事件能量的方差与平均值的比值;
建立数据集,包括无标签数据集和有标签数据集;所述无标签数据集为:在连续M次微震事件中,以第m次至第m+n-1次微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,每个样本仅包括分析特征数据,所述分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;
所述有标签数据集为:在连续M次微震事件中,以第m次至第m+n-1次微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,每个样本包括分析特征数据和标签数据,所述分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;所述标签数据为第m+n-1次微震事件的危险性类型,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;
S2,基于CNN和Transformer算法构建基础深度学习模型;对微震事件的分析特征数据进行掩码处理,建立自监督算法预训练模型,预训练模型以带有掩码的分析特征为输入,以分析特征的真实值为标签;利用无标签数据集训练预训练模型;
S3,在基础深度学习模型的基础上增加一个分类头建立微调模型,微调模型的分类头由两层多层感知机组成,前后两层多层感知机的神经元个数分别为24和2,其中后层多层感知机的输出经过softmax计算后为微震事件的有危险性和无危险性对应的置信度;
利用迁移学习算法将步骤S2中预训练模型中基础深度学习模型的权重迁移到微调模型,然后利用有标签数据集,以样本的五个分析特征为输入,以微震事件危险性类型为标签进行训练;
以待分析微震事件及其之前的连续n-1次微震事件,共计连续n次微震事件的数据为基础建立一个仅包含分析特征数据、不包含标签数据的待分析样本,将该待分析样本的分析特征数据输入微调模型进行微震事件危险性分析。
2.根据权利要求1所述的微震事件危险性分析方法,其特征在于,步骤S1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所述的微震事件危险性分析方法,其特征在于,步骤S2中,基础深度学习模型由5层CNN和3层Transformer模型联合组成,其中CNN中每层由卷积层、批正则化层和激活层组成,以Relu函数为激活函数,每层卷积核个数分别为12、12、12、24、24;输入Transformer模型的变量维度为[24,Batch,1],其中Batch为训练过程所选数据的批大小。
4.根据权利要求3所述的微震事件危险性分析方法,其特征在于,步骤S2中,随机对无标签数据集中样本的五个分析特征进行掩码处理,即在输入过程中随机的将五个分析特征中几个特征的数值用0或其他常量代替;将分析特征带有掩码的样本输入预训练模型,然后预训练模型会输出对所有分析特征的预测值,最后利用分析特征真实值对预测值进行监督,完成预训练模型权重的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210940965.3A CN114994760B (zh) | 2022-08-08 | 2022-08-08 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210940965.3A CN114994760B (zh) | 2022-08-08 | 2022-08-08 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994760A true CN114994760A (zh) | 2022-09-02 |
CN114994760B CN114994760B (zh) | 2022-10-14 |
Family
ID=83023266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210940965.3A Active CN114994760B (zh) | 2022-08-08 | 2022-08-08 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994760B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990865A (zh) * | 2023-09-28 | 2023-11-03 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
CN117611894A (zh) * | 2023-11-24 | 2024-02-27 | 中国矿业大学 | 一种基于自监督学习的微震有效信号智能识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507728A (zh) * | 2018-11-08 | 2019-03-22 | 长沙矿山研究院有限责任公司 | 一种基于微震监测的地压灾害预警方法 |
EP3619560A1 (en) * | 2017-05-05 | 2020-03-11 | ConocoPhillips Company | Stimulated rock volume analysis |
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 |
CN113947197A (zh) * | 2021-12-20 | 2022-01-18 | 煤炭科学研究总院 | 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 |
CN114037022A (zh) * | 2021-12-14 | 2022-02-11 | 煤炭科学研究总院 | 一种考虑监测数据时空特性的微震事件危险性分类方法 |
CN114528990A (zh) * | 2020-11-23 | 2022-05-24 | 暗物智能科技(广州)有限公司 | 一种神经网络搜索方法及系统 |
-
2022
- 2022-08-08 CN CN202210940965.3A patent/CN114994760B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3619560A1 (en) * | 2017-05-05 | 2020-03-11 | ConocoPhillips Company | Stimulated rock volume analysis |
CN109507728A (zh) * | 2018-11-08 | 2019-03-22 | 长沙矿山研究院有限责任公司 | 一种基于微震监测的地压灾害预警方法 |
CN114528990A (zh) * | 2020-11-23 | 2022-05-24 | 暗物智能科技(广州)有限公司 | 一种神经网络搜索方法及系统 |
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 |
CN114037022A (zh) * | 2021-12-14 | 2022-02-11 | 煤炭科学研究总院 | 一种考虑监测数据时空特性的微震事件危险性分类方法 |
CN113947197A (zh) * | 2021-12-20 | 2022-01-18 | 煤炭科学研究总院 | 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 |
Non-Patent Citations (1)
Title |
---|
马天辉 等: "基于微震监测技术的岩爆预测机制研究", 《岩石力学与工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990865A (zh) * | 2023-09-28 | 2023-11-03 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
CN116990865B (zh) * | 2023-09-28 | 2024-01-16 | 中国石油大学(华东) | 基于深度迁移学习的微地震事件检测方法及系统 |
CN117611894A (zh) * | 2023-11-24 | 2024-02-27 | 中国矿业大学 | 一种基于自监督学习的微震有效信号智能识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114994760B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114994760B (zh) | 基于Transformer和自监督算法的微震事件危险性分析方法 | |
Tewari et al. | Ensemble-based big data analytics of lithofacies for automatic development of petroleum reservoirs | |
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
Yang et al. | Seismic horizon tracking using a deep convolutional neural network | |
Esposito et al. | Automatic discrimination among landslide, explosion-quake, and microtremor seismic signals at Stromboli volcano using neural networks | |
Brazell et al. | A machine-learning-based approach to assistive well-log correlation | |
CN109740655B (zh) | 基于矩阵分解及神经协同过滤的物品评分预测方法 | |
US11808906B2 (en) | Method for predicting subsurface features from seismic using deep learning dimensionality reduction for segmentation | |
US20230306725A1 (en) | Automatic seismic facies identification method based on combination of self-attention mechanism and u-shape network architecture | |
CN113568043B (zh) | 基于深度卷积神经网络的三阶段震相拾取方法 | |
Feng et al. | Edgephase: A deep learning model for multi‐station seismic phase picking | |
Song et al. | Recognition of microseismic and blasting signals in mines based on convolutional neural network and stockwell transform | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
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 | |
Qin et al. | Evaluation of goaf stability based on transfer learning theory of artificial intelligence | |
Zhao et al. | A hybrid recognition model of microseismic signals for underground mining based on CNN and LSTM networks | |
Zhou et al. | Sequential data-driven cross-domain lithology identification under logging data distribution discrepancy | |
Vikara et al. | Machine learning classification approach for formation delineation at the basin-scale | |
CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
Wu et al. | Coarse-graining research of the thermal infrared anomalies before earthquakes in the Sichuan area on Google Earth engine | |
CN114997742B (zh) | 基于注意力机制和聚类算法的微震事件危险性分析方法 | |
CN113850185A (zh) | 井下声发射源多分类方法、装置、终端、存储介质 | |
Liu et al. | Discriminant analysis of mine quake type and intensity based on a deep neural network | |
Wevill et al. | Relative performance of support vector machine, decision trees, and random forest classifiers for predicting production success in US unconventional shale plays | |
Prochnow et al. | An Innovative and Simple Approach to Spatially Evaluate a Proxy for Stress Shadow Effect of Unconventional Reservoir Completion Activity |
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 |