CN115565623B - 一种煤地质成分的分析方法、系统、电子设备及存储介质 - Google Patents
一种煤地质成分的分析方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115565623B CN115565623B CN202211281199.0A CN202211281199A CN115565623B CN 115565623 B CN115565623 B CN 115565623B CN 202211281199 A CN202211281199 A CN 202211281199A CN 115565623 B CN115565623 B CN 115565623B
- Authority
- CN
- China
- Prior art keywords
- coal
- data
- correlation
- coal seam
- clustering
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
Abstract
本发明公开了一种基于自组织映射的煤地质成分数据分析方法及系统,涉及煤炭地质成分数据分析技术领域。所述方法包括:对获取的原始成分数据进行数据预处理,得到转换数据;并将转换数据分别输入第一自组织映射神经网络和第二自组织映射神经网络中,得到目标煤矿区中各元素对应的煤层相关性和目标煤矿区中各元素间的元素相关性,最后根据各元素对应的煤层相关性绘制各元素的煤层相关性热力图,以及各元素间的元素相关性绘制煤层的元素相关性热力图,进而通过各元素的煤层相关性热力图和煤层的元素相关性热力图确定元素赋存状态,元素赋存状态用于分析煤地质成分。本发明能够精准确定煤地质成分的赋存状态,进而提高煤的加工和利用效率。
Description
技术领域
本发明涉及煤炭地质成分数据分析技术领域,特别是涉及一种煤地质成分的分析方法、系统、电子设备及存储介质。
背景技术
煤含有自然界中所有元素和200多种矿物,具有复杂的化学结构,使其成为最复杂的地质物质之一。煤中的无机物包括矿物(其中的元素浓度可能从微量到主要不等)、非结晶类矿物和与非矿物结合的元素。理解煤中元素的赋存状态是重要的,研究煤中元素的赋存状态有助于准确评价有害元素对环境的影响,推断煤中元素的赋存状态,为从煤和煤灰中回收关键金属元素提供技术指导,从而提高煤的加工和利用效率;同时,可以帮助理解泥炭沉积和煤化作用过程,对煤中矿物质的富集成因解释也有重要意义。
然而,煤的物质组成来源和成煤过程复杂,导致煤中元素赋存状态多样,给赋存状态的精准确定造成很大困难,目前主流的煤炭地质成分数据处理方法包括传统统计(如皮尔逊相关、欧氏距离)和层次聚类算法,但由于前者可能会导致误解,后者受到算法原理的局限,因此存在聚类的呈现效果单一,一维合并无法真实展现元素间复杂关系的缺点,因而当前煤的加工和利用效率并不高。
发明内容
本发明的目的是提供一种煤地质成分的分析方法、系统、电子设备及存储介质,能够精准确定煤地质成分的赋存状态,展现元素间复杂关系,进而提高煤的加工和利用效率。
为实现上述目的,本发明提供了如下方案:
一种煤地质成分的分析方法,包括:
获取目标煤矿区的原始成分数据;
对所述原始成分数据进行数据预处理,得到转换数据;
根据所述转换数据和第一自组织映射神经网络,得到所述目标煤矿区中各元素对应的煤层相关性;所述第一自组织映射神经网络包括皮尔逊相关性运算和Q型聚类运算;
根据所述各元素对应的煤层相关性绘制各元素的煤层相关性热力图;
根据所述转换数据和第二自组织映射神经网络,得到所述目标煤矿区中各元素间的元素相关性;所述第二自组织映射神经网络包括协同聚类运算和R型聚类运算;
根据所述各元素间的元素相关性绘制煤层的元素相关性热力图;
根据所述各元素的煤层相关性热力图和所述煤层的元素相关性热力图确定元素赋存状态;所述元素赋存状态用于分析煤地质成分。
可选地,所述对所述原始成分数据进行数据预处理,得到元素数据,具体包括:
对所述原始成分数据进行清洗筛选,得到完整成分数据;
对所述完整成分数据进行统一量纲处理,得到元素数据;
对所述元素数据进行等距对数比转换,得到由非欧式空间转换为欧式空间的转换数据。
可选地,所述根据所述转换数据和第一自组织映射神经网络,得到所述目标煤矿区中各元素对应的煤层相关性,具体包括:
根据所述转换数据和预设层次聚类图确定第一网络输入数据;
将所述第一网络输入数据输入所述第一自组织映射神经网络依次进行皮尔逊相关性运算和Q型聚类运算,得到所述目标煤矿区中各元素对应的煤层相关性。
可选地,所述根据所述转换数据和第二自组织映射神经网络,得到所述目标煤矿区中各元素间的元素相关性,具体包括:
根据所述转换数据和预设层次聚类图确定第二网络输入数据;
将所述第二网络输入数据输入所述第二自组织映射神经网络依次进行协同聚类运算和R型聚类运算,得到所述目标煤矿区中各元素间的元素相关性。
本发明还公开了一种煤地质成分的分析系统,包括:
数据采集单元,用于获取目标煤矿区的原始成分数据;
预处理单元,用于对所述原始成分数据进行数据预处理,得到转换数据;
第一自组织映射神经网络单元,用于根据所述转换数据和第一自组织映射神经网络,得到所述目标煤矿区中各元素对应的煤层相关性;所述第一自组织映射神经网络包括皮尔逊相关性运算和Q型聚类运算;
第一绘制单元,用于根据所述各元素对应的煤层相关性绘制各元素的煤层相关性热力图;
第二自组织映射神经网络单元,用于根据所述转换数据和第二自组织映射神经网络,得到所述目标煤矿区中各元素间的元素相关性;所述第二自组织映射神经网络包括协同聚类运算和R型聚类运算;
第二绘制单元,用于根据所述各元素间的元素相关性绘制煤层的元素相关性热力图;
分析单元,用于根据所述各元素的煤层相关性热力图和所述煤层的元素相关性热力图确定元素赋存状态;所述元素赋存状态用于分析煤地质成分。
可选地,所述预处理单元,具体包括:
清洗筛选模块,用于对所述原始成分数据进行清洗筛选,得到完整成分数据;
统一量纲模块,用于对所述完整成分数据进行统一量纲处理,得到元素数据;
空间转换模块,用于对所述元素数据进行等距对数比转换,得到由非欧式空间转换为欧式空间的转换数据。
可选地,所述第一自组织映射神经网络单元,具体包括:
第一网络输入数据确定模块,用于根据所述转换数据和预设层次聚类图确定第一网络输入数据;
第一运算模块,用于将所述第一网络输入数据输入所述第一自组织映射神经网络依次进行皮尔逊相关性运算和Q型聚类运算,得到所述目标煤矿区中各元素对应的煤层相关性。
可选地,所述第二自组织映射神经网络单元,具体包括:
第二网络输入数据确定模块,用于根据所述转换数据和预设层次聚类图确定第二网络输入数据;
第二运算模块,用于将所述第二网络输入数据输入所述第二自组织映射神经网络依次进行协同聚类运算和R型聚类运算,得到所述目标煤矿区中各元素间的元素相关性。
本发明还公开了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的煤地质成分的分析方法。
本发明还公开了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述的煤地质成分的分析方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种煤地质成分的分析方法、系统、电子设备及存储介质,所述方法包括对获取的原始成分数据进行数据预处理,得到转换数据;并将转换数据分别输入第一自组织映射神经网络和第二自组织映射神经网络中,得到目标煤矿区中各元素对应的煤层相关性和目标煤矿区中各元素间的元素相关性,其中,第一自组织映射神经网络包括皮尔逊相关性运算和Q型聚类运算,第二自组织映射神经网络包括协同聚类运算和R型聚类运算,最后根据各元素对应的煤层相关性绘制各元素的煤层相关性热力图,以及各元素间的元素相关性绘制煤层的元素相关性热力图,进而通过各元素的煤层相关性热力图和煤层的元素相关性热力图确定元素赋存状态,元素赋存状态用于分析煤地质成分。本发明能够精准确定煤地质成分的赋存状态,展现元素间复杂关系,进而提高煤的加工和利用效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明煤地质成分的分析方法的流程示意图;
图2为本发明实施例中的层次聚类图;
图3为本发明实施例中的煤矿区R型聚类图;
图4为本发明实施例中的Q型聚类图;
图5为本发明实施例中铝元素的煤层相关性热力图;
图6为本发明实施例中硅元素的煤层相关性热力图;
图7为本发明实施例中煤层的元素相关性热力图1;
图8为本发明实施例中煤层的元素相关性热力图2;
图9为本发明实施例中煤层的元素相关性热力图3;
图10为本发明实施例中煤层的元素相关性热力图4;
图11为本发明煤地质成分的分析系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种煤地质成分的分析方法、系统、电子设备及存储介质,能够精准确定煤地质成分的赋存状态,展现元素间复杂关系,进而提高煤的加工和利用效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供的煤地质成分的分析方法,包括:
步骤100:获取目标煤矿区的原始成分数据。
步骤200:对所述原始成分数据进行数据预处理,得到转换数据。
作为步骤200的一种具体的实施方式,具体包括:
第一步,对所述原始成分数据进行清洗筛选,得到完整成分数据。具体过程为:在这一部分,首先对煤炭化学数据进行清洗,删除缺失样本并对于低于检测限的元素数据赋予最低检测限。
第二步,对所述完整成分数据进行统一量纲处理,得到元素数据。具体过程为:将完整成分数据统一量纲(原始成分数据中,主量元素由%表示,微量元素以ug/g表示),转换数据加和为1,如表1所示。
表1
Table 5
Concentrations of major element oxides and trace elementsin coalbenches,partings,and roof samples from the Adaohai Mine(elements inμg/g,oxdesin%:on whole-coal basis).
第三步,对所述元素数据进行等距对数比转换,得到由非欧式空间转换为欧式空间的转换数据。具体过程为:将元素数据经转换公式由非欧式空间转换为欧式空间。
转换公式具体如下:
其中,xi,xi表示数据集中的两个不同元素,其中i,j的取值在1到D-1范围内,D表示数据集总的元素个数(维数)。
将非欧式空间转换为欧式空间的理由如下:
成分数据(Compositional data)是一种特殊的数据,主要区分于欧式数据(欧式空间中的数据)。欧式数据是最常见的数据,简单的说就是“平面”空间中一个点的数据(很不严谨)。例如,地图上一个点的经纬度,图片上一个像素的位置。
在现有技术中,很多算法都是为欧式数据设计的,只适用于欧式空间。比如求一个图形的质心、求两点间的距离,还有机器学习领域的卷积神经网络(CNN)等等,这些算法如果直接应用于成分数据会造成很多问题,或者效果很差。
并且,在煤地质研究中,有大量的成分数据。比如非常常见的煤样的测试结果,其单位要么是%,要么是ug/g,都是成分数据。而在后续的研究过程中,经常用到层次聚类的方法来分析元素的赋存模式。层次聚类算法有两个重要的步骤:一是计算单个元素之间的“距离”,二是计算簇(一组元素)之间的距离。在计算的过程中经常会用到欧式空间中的算法,但大多数情况下研究者都不会评估这样做的后果,直接套用欧式数据的计算方法,则会导致计算结果不精确。
步骤300:根据所述转换数据和第一自组织映射神经网络,得到所述目标煤矿区中各元素对应的煤层相关性;所述第一自组织映射神经网络包括皮尔逊相关性运算和Q型聚类运算。
作为步骤300的一种具体的实施方式,具体包括:
第一步,根据所述转换数据和预设层次聚类图确定第一网络输入数据。
第二步,将所述第一网络输入数据输入所述第一自组织映射神经网络依次进行皮尔逊相关性运算和Q型聚类运算,得到所述目标煤矿区中各元素对应的煤层相关性,如图4所示,其中,在热力图中的颜色深浅代表与邻近神经元相关性的远近,颜色越深即相关性越大,颜色越浅,相关性越小。
其中自组织映射神经网络(SOM)是一种无监督的人工神经网络。不同于一般神经网络基于损失函数的反向传递来训练,它运用竞争学习(competitive learning)策略,依靠神经元之间互相竞争逐步优化网络。且使用近邻关系函数(neighborhood function)来维持输入空间的拓扑结构。
在本申请中对其进行了如下改进:
改进1:传统的SOM算法其结果往往具有不稳定性,其原因主要是由两个原因造成的:1.算法的初始化时往往采用随机数的形式初始化,每次聚类初始化值不同,引起后续迭代生成的自组织映射图不同。2.传统SOM算法迭代时,往往采用随机输入的方式,因输入顺序不同,最终的自组织映射图不同。这种不稳定的输入方法易造成元素聚类结果不稳定,元素赋存关系难以解释的问题(尤其是在元素数据的R型聚类中)。因此本申请采用如图2所示的层次聚类图以确定输入顺序,通过该层次聚类图可以将相似元素聚簇并产生一维的相关序列。以该序列代替随机序列进行输入,可以解决以上的问题,并相当于以先验知识的形式,加快算法的收敛。
改进2:算法以皮尔逊相关性代替欧式距离进行距离计算。
步骤400:根据所述各元素对应的煤层相关性绘制各元素的煤层相关性热力图。具体过程为:通过网络神经元对不同元素的敏感性差异,并根据各元素对应的煤层相关性绘制各元素的煤层相关性热力图。
步骤500:根据所述转换数据和第二自组织映射神经网络,得到所述目标煤矿区中各元素间的元素相关性;所述第二自组织映射神经网络包括协同聚类运算和R型聚类运算。
作为步骤500的一种具体的实施方式,具体包括:
第一步,根据所述转换数据和预设层次聚类图确定第二网络输入数据。
第二步,将所述第二网络输入数据输入所述第二自组织映射神经网络依次进行协同聚类运算和R型聚类运算,得到所述目标煤矿区中各元素间的元素相关性。
其中,协同聚类运算包括对煤矿区进行R型聚类和对煤层进行R型聚类,且顺序为先对煤矿区进行R型聚类,再对煤层进行R型聚类。
在对煤矿区进行R型聚类时,各元素的煤层相关性热力图的具体过程为:采用预设相关性阈值,根据所述各元素对应的煤层相关性绘制各元素的煤层相关性热力图。该预设相关性阈值的取值为各元素对应的煤层相关性均值。在对煤层进行R型聚类时,采用基于迁移学习协同聚类的自组织映射神经网络算法。
由于煤层数据的聚类目前存在样本量少,聚类效果差,聚类结果和总体数据不一致的缺点,这使得对煤层的数据分析难以实现。煤层数据同矿区的整体数据是部分与整体的联系,其元素关联的情况往往存在一致性,即整体相似的元素,在局部也大多相似,即在矿区整体数据中聚在一起的元素,在煤层数据中也往往聚在一起。因此,我们引入了协同聚类的概念以解决该问题。因此,步骤500中在聚类煤层数据前,先聚类整体矿区的元素数据。将煤矿区R型聚类图(如图3所示)作为煤层数据元素位置的先验知识。
煤层数据中元素激活的神经元,距离图3该元素所在激活位置越远,则受到的约束衰减越大。通过该方法,煤层中与整体矿区赋存情况相近的元素将仍具有相似的聚类情况;与整体赋存相异的元素将会呈现新的聚类情况。
该方法的核心在于改变原算法的目标函数,新算法的目标函数如下:
Dnew=[(1-I)*d1+I*d2]*[1-0.25*(1-I)*(1-q2)]
其中,I是辅助数据(矿区)与目标数据(煤层)的协同系数,d1是辅助数据中元素与待计算神经元的距离,d2是目标数据中的距离。q是该元素的当前待计算神经元与矿区R型聚类图中该元素激活神经元的距离。
I即协同系数的计算方法,我们采用了JS散度作为衡量辅助与目标关系的度量。JS散度的计算需要以原始的百分比数据进行计算。
步骤600:根据所述各元素间的元素相关性绘制煤层的元素相关性热力图。
步骤700:根据所述各元素的煤层相关性热力图和所述煤层的元素相关性热力图确定元素赋存状态;所述元素赋存状态用于分析煤地质成分。
实施例1
本实施例以内蒙古大青山煤田阿刀亥矿区元素数据分析为例:
首先对原始数据进行处理,转换为百分比数据,如表2所示。
对百分比数据进行对数比转换,如表3所示。
表2
表3
然后根据图2所示的层次聚类图对矿区数据使用层次聚类进行R型聚类,以确定输入顺序,并执行上述步骤300-步骤600。
其中,在步骤400中,绘制各元素的敏感性热力图,此处以铝(如图5所示)硅(如图6所示)为例。
对阿刀亥矿区的四个煤层使用改良算法进行R型聚类,热力图结果如图7-图10所示。通过聚类结果图的组合分析可以很好的分析煤中元素的赋存状态。
如图11所示,本发明还公开了一种煤地质成分的分析系统,包括:
数据采集单元,用于获取目标煤矿区的原始成分数据。
预处理单元,用于对所述原始成分数据进行数据预处理,得到转换数据。
第一自组织映射神经网络单元,用于根据所述转换数据和第一自组织映射神经网络,得到所述目标煤矿区中各元素对应的煤层相关性;所述第一自组织映射神经网络包括皮尔逊相关性运算和Q型聚类运算。
第一绘制单元,用于根据所述各元素对应的煤层相关性绘制各元素的煤层相关性热力图。
第二自组织映射神经网络单元,用于根据所述转换数据和第二自组织映射神经网络,得到所述目标煤矿区中各元素间的元素相关性;所述第二自组织映射神经网络包括协同聚类运算和R型聚类运算。
第二绘制单元,用于根据所述各元素间的元素相关性绘制煤层的元素相关性热力图。
分析单元,用于根据所述各元素的煤层相关性热力图和所述煤层的元素相关性热力图确定元素赋存状态;所述元素赋存状态用于分析煤地质成分。
其中,所述预处理单元,具体包括:
清洗筛选模块,用于对所述原始成分数据进行清洗筛选,得到完整成分数据。
统一量纲模块,用于对所述完整成分数据进行统一量纲处理,得到元素数据。
空间转换模块,用于对所述元素数据进行等距对数比转换,得到由非欧式空间转换为欧式空间的转换数据。
所述第一自组织映射神经网络单元,具体包括:
第一网络输入数据确定模块,用于根据所述转换数据和预设层次聚类图确定第一网络输入数据。
第一运算模块,用于将所述第一网络输入数据输入所述第一自组织映射神经网络依次进行皮尔逊相关性运算和Q型聚类运算,得到所述目标煤矿区中各元素对应的煤层相关性。
所述第二自组织映射神经网络单元,具体包括:
第二网络输入数据确定模块,用于根据所述转换数据和预设层次聚类图确定第二网络输入数据。
第二运算模块,用于将所述第二网络输入数据输入所述第二自组织映射神经网络依次进行协同聚类运算和R型聚类运算,得到所述目标煤矿区中各元素间的元素相关性。
本发明还公开了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的煤地质成分的分析方法。
本发明还公开了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述的煤地质成分的分析方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种煤地质成分的分析方法,其特征在于,包括:
获取目标煤矿区的原始成分数据;
对所述原始成分数据进行数据预处理,得到转换数据;
根据所述转换数据和第一自组织映射神经网络,得到所述目标煤矿区中各元素对应的煤层相关性,具体包括:根据所述转换数据和预设层次聚类图确定第一网络输入数据,通过该层次聚类图将相似元素聚簇并产生一维的相关序列;将所述第一网络输入数据输入所述第一自组织映射神经网络依次进行皮尔逊相关性运算和Q型聚类运算,从而得到所述目标煤矿区中各元素对应的煤层相关性;
根据所述各元素对应的煤层相关性绘制各元素的煤层相关性热力图;
根据所述转换数据和第二自组织映射神经网络,得到所述目标煤矿区中各元素间的元素相关性,具体包括:根据所述转换数据和预设层次聚类图确定第二网络输入数据;将所述第二网络输入数据输入所述第二自组织映射神经网络依次进行协同聚类运算和R型聚类运算,其中,协同聚类运算包括对煤矿区进行R型聚类和对煤层进行R型聚类,且顺序为先对煤矿区进行R型聚类,将煤矿区R型聚类图作为煤层数据元素位置的先验知识,再对煤层进行R型聚类,从而得到所述目标煤矿区中各元素间的元素相关性;
根据所述各元素间的元素相关性绘制煤层的元素相关性热力图;
根据所述各元素的煤层相关性热力图和所述煤层的元素相关性热力图确定元素赋存状态;所述元素赋存状态用于分析煤地质成分。
2.根据权利要求1所述的煤地质成分的分析方法,其特征在于,所述对所述原始成分数据进行数据预处理,得到转换数据,具体包括:
对所述原始成分数据进行清洗筛选,得到完整成分数据;
对所述完整成分数据进行统一量纲处理,得到元素数据;
对所述元素数据进行等距对数比转换,得到由非欧式空间转换为欧式空间的转换数据。
3.一种煤地质成分的分析系统,其特征在于,包括:
数据采集单元,用于获取目标煤矿区的原始成分数据;
预处理单元,用于对所述原始成分数据进行数据预处理,得到转换数据;
第一自组织映射神经网络单元,用于根据所述转换数据和第一自组织映射神经网络,得到所述目标煤矿区中各元素对应的煤层相关性,具体包括:
第一网络输入数据确定模块,用于根据所述转换数据和预设层次聚类图确定第一网络输入数据,通过该层次聚类图将相似元素聚簇并产生一维的相关序列;
第一运算模块,用于将所述第一网络输入数据输入所述第一自组织映射神经网络依次进行皮尔逊相关性运算和Q型聚类运算,从而得到所述目标煤矿区中各元素对应的煤层相关性;
第一绘制单元,用于根据所述各元素对应的煤层相关性绘制各元素的煤层相关性热力图;
第二自组织映射神经网络单元,用于根据所述转换数据和第二自组织映射神经网络,得到所述目标煤矿区中各元素间的元素相关性,具体包括:
第二网络输入数据确定模块,用于根据所述转换数据和预设层次聚类图确定第二网络输入数据;
第二运算模块,用于将所述第二网络输入数据输入所述第二自组织映射神经网络依次进行协同聚类运算和R型聚类运算,其中,协同聚类运算包括对煤矿区进行R型聚类和对煤层进行R型聚类,且顺序为先对煤矿区进行R型聚类,将煤矿区R型聚类图作为煤层数据元素位置的先验知识,再对煤层进行R型聚类,从而得到所述目标煤矿区中各元素间的元素相关性;
第二绘制单元,用于根据所述各元素间的元素相关性绘制煤层的元素相关性热力图;
分析单元,用于根据所述各元素的煤层相关性热力图和所述煤层的元素相关性热力图确定元素赋存状态;所述元素赋存状态用于分析煤地质成分。
4.根据权利要求3所述的煤地质成分的分析系统,其特征在于,所述预处理单元,具体包括:
清洗筛选模块,用于对所述原始成分数据进行清洗筛选,得到完整成分数据;
统一量纲模块,用于对所述完整成分数据进行统一量纲处理,得到元素数据;
空间转换模块,用于对所述元素数据进行等距对数比转换,得到由非欧式空间转换为欧式空间的转换数据。
5.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至2中任一项所述的煤地质成分的分析方法。
6.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的煤地质成分的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211281199.0A CN115565623B (zh) | 2022-10-19 | 2022-10-19 | 一种煤地质成分的分析方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211281199.0A CN115565623B (zh) | 2022-10-19 | 2022-10-19 | 一种煤地质成分的分析方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115565623A CN115565623A (zh) | 2023-01-03 |
CN115565623B true CN115565623B (zh) | 2023-06-09 |
Family
ID=84767535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211281199.0A Active CN115565623B (zh) | 2022-10-19 | 2022-10-19 | 一种煤地质成分的分析方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565623B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595399B (zh) * | 2023-06-14 | 2024-01-05 | 中国矿业大学(北京) | 一种煤中元素相关性不一致问题的分析方法 |
CN116779055B (zh) * | 2023-06-26 | 2024-03-15 | 中国矿业大学(北京) | 一种基于图模型的煤成分数据分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815063A (zh) * | 2020-07-17 | 2020-10-23 | 中国环境科学研究院 | 一种井工煤矿开采环境风险预测分级方法 |
CA3132346A1 (en) * | 2020-09-29 | 2022-03-29 | 10353744 Canada Ltd. | User abnormal behavior recognition method and device and computer readable storage medium |
CN114757306A (zh) * | 2022-06-14 | 2022-07-15 | 中国煤炭地质总局勘查研究总院 | 煤系沉积型锂资源的分类方法、装置、设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101466475B1 (ko) * | 2013-03-29 | 2014-12-01 | 현대제철 주식회사 | 코크스의 회분 예측방법 |
CN106355011B (zh) * | 2016-08-30 | 2018-11-20 | 有色金属矿产地质调查中心 | 一种地球化学数据元素序结构分析方法及装置 |
EA201800031A1 (ru) * | 2017-08-21 | 2019-02-28 | Азимхан КУРМАНКОЖАЕВ | Способ квалиметрической подготовки геологических запасов твердого ископаемого по горизонтам рудника |
CN108416686B (zh) * | 2018-01-30 | 2021-10-19 | 中国矿业大学 | 一种基于煤炭资源开发的生态地质环境类型划分方法 |
US11834943B2 (en) * | 2019-11-15 | 2023-12-05 | Peck Tech Consulting Ltd. | Systems, apparatuses, and methods for determining rock-coal transition with a drilling machine |
CN112308306A (zh) * | 2020-10-27 | 2021-02-02 | 贵州工程应用技术学院 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
CN112668622A (zh) * | 2020-12-22 | 2021-04-16 | 中国矿业大学(北京) | 煤地质成分数据的分析方法以及分析计算设备 |
CN113625358B (zh) * | 2021-08-11 | 2024-01-19 | 中国石油化工股份有限公司 | 判别岩石组分对致密砂岩储层物性影响程度的方法 |
-
2022
- 2022-10-19 CN CN202211281199.0A patent/CN115565623B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815063A (zh) * | 2020-07-17 | 2020-10-23 | 中国环境科学研究院 | 一种井工煤矿开采环境风险预测分级方法 |
CA3132346A1 (en) * | 2020-09-29 | 2022-03-29 | 10353744 Canada Ltd. | User abnormal behavior recognition method and device and computer readable storage medium |
CN114757306A (zh) * | 2022-06-14 | 2022-07-15 | 中国煤炭地质总局勘查研究总院 | 煤系沉积型锂资源的分类方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115565623A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115565623B (zh) | 一种煤地质成分的分析方法、系统、电子设备及存储介质 | |
CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
Leonardsson et al. | Theoretical and practical aspects on benthic quality assessment according to the EU-Water Framework Directive–examples from Swedish waters | |
CN109060617B (zh) | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 | |
CN108334987B (zh) | 一种基于小波分解-神经网络的海浪波高预测方法 | |
CN103049669B (zh) | 基于多元周期平稳时序分析及灰色理论的水华预测及因素分析方法 | |
CN109886409A (zh) | 一种多维时间序列的定量因果关系判定方法 | |
CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
CN116861347A (zh) | 一种基于深度学习模型的磁力异常数据计算方法 | |
Davis et al. | Diversity biases in terrestrial mammalian assemblages and quantifying the differences between museum collections and published accounts: a case study from the Miocene of Nevada | |
Hohmann | Incorporating information on varying sedimentation rates into paleontological analyses | |
Christlein | The dependence of the galaxy luminosity function on environment | |
Berke | Estimation and prediction in the spatial linear model | |
Eo et al. | Deep learning framework with essential pre-processing techniques for improving mixed-gas concentration prediction | |
Deline et al. | The role of preservation on the quantification of morphology and patterns of disparity within Paleozoic echinoderms | |
Deline | Echinoderm morphological disparity: Methods, patterns, and possibilities | |
Xu et al. | EM estimation of nanostructure interactions with incomplete feature measurement and its tailored space filling designs | |
CN113095579A (zh) | 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法 | |
Cai et al. | ANOCE: Analysis of causal effects with multiple mediators via constrained structural learning | |
Hakim et al. | Automatic rain detection system based on digital images of CCTV cameras using convolutional neural network method | |
Terres et al. | Spatial process gradients and their use in sensitivity analysis for environmental processes | |
Caruso et al. | The effects of spatial scale on the assessment of soil fauna diversity: data from the oribatid mite community of the Pelagian Islands (Sicilian Channel, southern Mediterranean) | |
Coca-de-la-Iglesia et al. | Inferring ancestral climatic niches in a world without clear-cut climatic boundaries | |
LU503076B1 (en) | High-precision method for inverting concentration of carbon dioxide | |
Rusanen et al. | A novel probabilistic source apportionment approach: Bayesian auto-correlated matrix factorization |
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 |