CN115587191A - 一种煤矿矿脉走势推理系统 - Google Patents
一种煤矿矿脉走势推理系统 Download PDFInfo
- Publication number
- CN115587191A CN115587191A CN202211266691.0A CN202211266691A CN115587191A CN 115587191 A CN115587191 A CN 115587191A CN 202211266691 A CN202211266691 A CN 202211266691A CN 115587191 A CN115587191 A CN 115587191A
- Authority
- CN
- China
- Prior art keywords
- coal
- mining
- coal mine
- reasoning
- data
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 596
- 210000003462 vein Anatomy 0.000 title claims abstract description 92
- 238000005065 mining Methods 0.000 claims abstract description 197
- 239000004575 stone Substances 0.000 claims abstract description 123
- 230000005540 biological transmission Effects 0.000 claims description 87
- 238000009826 distribution Methods 0.000 claims description 40
- 238000005070 sampling Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 20
- 239000011435 rock Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000000034 method Methods 0.000 description 20
- 239000000463 material Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 239000002864 coal component Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- KFACHLANPCGTFI-FVSJBQLASA-N (1S,2S)-2-[(1S)-1-amino-1-carboxyethyl]-1-cyclopropanecarboxylic acid Chemical compound OC(=O)[C@](N)(C)[C@H]1C[C@@H]1C(O)=O KFACHLANPCGTFI-FVSJBQLASA-N 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000010879 coal refuse Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000010878 waste rock Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Computational Linguistics (AREA)
- Mining & Mineral Resources (AREA)
- Animal Behavior & Ethology (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种煤矿矿脉走势推理系统,基于煤矿文献资料与煤矿开采数据进行煤矿矿脉走势的推理,包括开采数据单元、知识图谱单元以及推理单元,开采数据单元对各个开采煤层的已开采原煤进行煤石分类并生成煤矿开采数据,煤矿开采数据包括每个开采煤层的煤石比例、品质信息、开采位置、开采时段以及开采方向;基于煤矿文献资料及煤矿开采数据生成煤矿领域知识图谱;推理单元基于煤矿开采数据和煤矿领域知识图谱进行煤矿矿脉走势的推理。本申请提供的煤矿矿脉走势推理系统,综合利用现有的煤矿文献资料形成知识图谱,并与实际煤矿开采数据结合进行煤矿矿脉走势的推理,能够实现对煤矿开采的有效规划与引导,显著地提升开采效率及开采品质。
Description
技术领域
本申请涉及矿产评估与探测技术领域,具体地,涉及一种煤矿矿脉走势推理系统。
背景技术
煤炭在可见的未来,仍将是我国乃至世界最重要的不可再生资源之一。由于通过开采得到的原煤含有各种杂质,因此在对其利用前必须利用人工法、重介法、跳汰法等方法进行煤炭洗选工作,并通过矸石回填等手段将分选出的矸石等废弃物重新回填入煤矿区。显然,所开采的原煤物料中煤石比例以及煤炭的富集程度的高低将极大程度地影响对原煤进行分选以及回填所需要投入的资源及成本。如过能够在开采过程中对煤矿的矿脉走势进行准确的预测,并根据矿脉走势选择富煤煤层进行开采,将有效地降低开采成本,并减少对环境的破坏。
现有的各种对煤矿等矿产资源的探测技术,一般需要经过普查、详查、勘探等阶段,勘探周期长,工作量大且投入成本高,因此一般勘探完成并制定开采计划后往往就不再进行变更。然而,由于实际煤矿矿脉走势往往与预先勘探结果存在差异,如不能根据实际开采情况对预先勘探结果进行修正,往往导致预先制定的开采方向出现判断失误并造成开采成本不必要的上升。
发明内容
本申请的目的在于解决上述现有技术中存在的问题,提供一种既能够根据既往数据对矿脉走势进行推理,又能够根据实际开采数据情况对推理结果进行灵活修正的煤矿矿脉走势推理系统。
本申请的实施例可以通过以下技术方案实现:
一种煤矿矿脉走势推理系统,基于煤矿文献资料与煤矿开采数据进行煤矿矿脉走势的推理,包括开采数据单元、知识图谱单元以及推理单元,所述开采数据单元对每个开采煤层的已开采原煤进行煤石分类并生成煤矿开采数据,所述煤矿开采数据包括每个开采煤层的煤石比例、品质分布信息、开采位置、开采时段以及开采方向;所述知识图谱单元基于煤矿文献资料及煤矿开采数据生成煤矿领域知识图谱;所述推理单元基于所述煤矿开采数据和所述煤矿领域知识图谱进行煤矿矿脉走势的推理。
进一步地,所述开采数据单元包括:识别模块,基于每个开采煤层中已开采原煤的X射线透射数据生成该煤层中已开采原煤的透射图像并从中识别多个煤石目标;分类模块,基于所述X射线透射数据确定每个煤石目标的煤石类别和品质系数;统计模块,对各个煤石目标的煤石类别进行统计,得到每个开采煤层的煤石比例和品质分布信息并生成所述煤矿开采数据;开采数据管理模块,对所述煤矿开采数据进行存储、编辑及删除操作。
优选地,所述X射线透射数据基于X射线的高能透射强度与低能透射强度生成。
进一步地,所述分类模块通过以下步骤确定每个煤石目标的煤石类别:
A2.基于所述能量检测向量计算该煤石目标的煤分类系数rc与矸石分类系数rg,
A3.基于所述rc、rg确定该煤石目标的煤石类别。
进一步地,所述统计模块基于下式确定每个开采煤层的煤石比例Ratioc,
其中,M为该开采煤层的已开采原煤中被分类为煤的煤石目标的个数,Lj、Wj分别为第j个被分类为煤的煤石目标的长度和宽度,S为被分类为矸石的煤石目标的个数,L′k、Wk′分别为第k个被分类为矸石的煤石目标的长度和宽度。
进一步地,每个开采煤层的品质分布信息包括该开采煤层中富煤、正常煤和贫煤的分布情况,所述每个开采煤层的品质分布信息通过对该开采煤层中已开采原煤的各个煤石目标进行簇聚类确定。
优选地,所述识别模块还通过以下步骤对识别出的煤石目标进行优化:
B1.将每个煤石目标从中心到边缘等间距地划分为多个采样环;
B2.删除该煤石目标最外侧的采样环;
B3.基于该煤石目标的剩余部分的面积选择保留的采样环;
B4.遍历每个保留的采样环;
B5.基于遍历结果生成经过优化的煤石目标。
进一步地,所述知识图谱单元包括:预处理模块,用于对所述煤矿文献资料及所述煤矿开采数据进行预处理以构建语料库;知识抽取模块,从所述语料库中进行实体/属性联合抽取和关系抽取以形成煤矿知识三元组;知识融合模块,对所述煤矿知识三元组进行知识融合;知识管理模块,对所述煤矿知识三元组进行结构化存储以形成所述煤矿领域知识图谱,以及对所述煤矿知识三元组进行编辑及删除操作。
优选地,所述实体/属性联合抽取通过基于BiLSTM-CRF的深度学习模型进行;所述关系抽取通过基于R-BERT的深度学习模型进行。
优选地,所述知识抽取模块还从所述煤矿开采数据中进行实体/属性联合抽取和关系抽取以形成煤矿知识三元组。
进一步地,所述推理单元通过以下步骤进行煤矿矿脉走势的推理:
C1.构造初始的煤层节点;
C2.构造推理节点并将其与初始的煤层节点关联,所述推理节点包括所关联的煤层节点的推理矿脉走势以及沿推理矿脉走势的煤层的推理煤石比例与推理品质系数;
C3.将初始的煤层节点设置为当前的煤层节点,读取初始的开采煤层的煤矿开采数据并设置为当前开采数据;
C4.基于所述当前开采数据更新当前的煤层节点;
C5.根据当前的煤层节点以及所述煤矿领域知识图谱执行预设的推理规则并更新推理节点;
C5.生成新的煤层节点并将推理节点与其关联;
C6.将该新生成的煤层节点设置为当前的煤层节点,读取下一开采煤层的煤矿开采数据并设置为当前开采数据;
C7.返回步骤C4,直到完成开采。
进一步地,所述预设的推理规则包括:
规则一,如果当前的煤层节点的煤石比例大于推理节点中的推理煤石比例,则基于当前的煤层节点的开采方向更新所述推理节点中的推理矿脉走势,同时基于当前的煤层节点的煤矿开采数据更新所述推理煤石比例与推理品质分布信息,否则执行规则二;
规则二,基于当前的煤层节点的煤矿开采数据以及所述推理品质分布信息,通过路径排序算法从煤矿领域知识图谱中推理得到最可能的矿脉走势,基于推理结果更新推理节点中的推理矿脉走势。
优选地,所述煤矿矿脉走势推理系统还包括:检索单元,用于查询及检索所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果;显示单元,用于在显示设备上显示所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果;用户管理单元,用于设置及管理用户信息;数据库,用于存储所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果。
本申请的实施例提供的一种煤矿矿脉走势推理系统至少具有以下有益效果:
(1)本申请实施例所提供的煤矿矿脉走势推理系统,能够综合利用实际开采数据以及煤矿领域知识图谱进行矿脉走势推理,既可以利用各个已完成勘探或开采的矿区先验性的煤层位置、地质结构、品质属性信息及其相互之间的关系,对将要开采区域的矿脉走势进行预测及推理,从而有效地减少了对矿区进行大面积勘测的投入及成本,又能够基于随实际开采进度所获取的真实数据及时地对推理情况进行修正,有效地避免了前期勘测误差对后续开采造成的影响;
(2)本申请实施例所提供的煤矿矿脉走势推理系统,通过对已开采原煤进行X射线透射以识别其中包含的各个煤石目标,并基于透射强度数据构造煤石目标的能量检测向量以进行煤石分类,能够实时且精确地确定已开采原煤的煤石比例、品质系数,利用上述煤石比例与品质系数对推理结果进行修正,能够在推理得到矿脉走势的基础上基于实测数据对推理结果进行及时调整,大大增强了对实际开采计划的指导意义。
附图说明
图1为根据本申请实施例的煤矿矿脉走势推理系统的框架示意图;
图2为对已开采原煤进行X射线照射以生成X射线透射数据的设备布设图;
图3为根据本申请实施例的识别模块所生成的透射图像以及从中确定的煤石目标的示意图;
图4为根据本申请的一个具体实施例对煤石目标划分采样环的示意图;
图5为多个实测得到的煤与矸石的能量检测向量分布结果;
图6为根据本申请实施例的构建煤矿领域知识图谱的具体流程;
图7为在本申请实施例中所使用的BiLSTM-CRF模型的结构;
图8为根据本申请实施例的对文本进行标注的情况;
图9为在本申请实施例中所使用的R-BERT模型的结构;
图10为根据本申请实施例的知识管理模块导入煤矿知识三元组并构造煤矿领域知识图谱的具体过程;
图11a、11b为根据本申请的一些实施例的可视化地显示的煤矿领域知识图谱的局部示意图;
图12为根据本申请实施例的对煤矿矿脉走势进行推理的示意图。
具体实施方式
以下,基于优选的实施方式并参照附图对本申请进行进一步说明。
此外,为了方便理解,放大或者缩小了图纸上的各种构件,但这种做法不是为了限制本申请的保护范围。
单数形式的词汇也包括复数含义,反之亦然。
在本申请实施例中的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是本申请实施例的产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,本申请的描述中,为了区分不同的单元,本说明书上用了第一、第二等词汇,但这些不会受到制造的顺序限制,也不能理解为指示或暗示相对重要性,其在本申请的详细说明与权利要求书上,其名称可能会不同。
本说明书中词汇是为了说明本申请的实施例而使用的,但不是试图要限制本申请。还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,可以是直接相连,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的技术人员而言,可以具体理解上述术语在本申请中的具体含义。
本申请的实施例提供一种煤矿矿脉走势推理系统,基于煤矿文献资料与煤矿开采数据进行煤矿矿脉走势的推理。图1示出了根据本申请实施例的煤矿矿脉走势推理系统的框架示意图,如图1 所示,本申请提供的系统包括开采数据单元、知识图谱单元以及推理单元。
其中,所述开采数据单元对每个开采煤层的已开采原煤进行煤石分类并生成煤矿开采数据,所述煤矿开采数据包括每个开采煤层的煤石比例、品质分布信息、开采位置、开采时段以及开采方向;
所述知识图谱单元基于煤矿文献资料及煤矿开采数据生成煤矿领域知识图谱;所述推理单元基于所述煤矿开采数据和所述煤矿领域知识图谱进行煤矿矿脉走势的推理。
本申请实施例提供的煤矿矿脉走势推理系统,通过对现有的各类煤矿文献资料进行语义分析,并结合实际煤矿开采数据进行知识抽取融合以形成煤矿领域知识图谱,在此基础上,实时地对开采中的煤矿矿脉走势进行推理,以及通过对推理结果与实际开采数据进行比较以不断修正对矿脉走势的推理。使用本申请提供的系统,能够根据煤矿的实际开采进度同步地进行矿脉走势预测,大大提高了对煤矿矿脉走势的预测精度,实现了对煤矿开采的精准引导,有效地提升了开采效率与开采品质。
如图1所示,在本申请的优选的实施例中,上述系统还包括检索单元、显示单元、用户管理单元以及数据库。其中,检索单元用于查询及检索所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果;显示单元用于在显示设备上显示所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果;用户管理单元用于设置及管理用户信息;数据库用于存储所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果。
以下结合附图及实施例详细说明开采数据单元、知识图谱单元和推理单元的具体实施方式以及进行煤矿矿脉走势推理的过程。
具体地,在本申请的实施例中,开采数据单元对各个开采煤层(显然地,不同的开采煤层对应于不同的开采时段)的已开采原煤的成分进行目标识别以提取多个煤石目标,进而对各个煤石目标进行煤石分类,并通过统计分析确定已开采原煤的煤石比例以及品质分布信息。其中,煤石比例 (在本申请的实施例中,以Ratioc表示煤石比例)代表了每个开采煤层的已开采原煤中被识别为煤的煤石目标在所有煤石目标中的占比,煤石比例越高意味着该开采煤层中整体上含有越多的煤炭成分;品质分布信息则代表了每个开采煤层中不同富集程度的原煤的分布情况,由于煤炭资源分布的不均匀性,即使是同一开采煤层,在不同的开采周期(如以一天或一周为一个开采周期)所开采的原煤中,其煤炭成分的富集程度也是不同的,且呈现出区域聚集的特性,按照各个聚集区域中煤炭的富集程度,可以分为富煤、正常煤、贫煤,上述富煤、正常煤、贫煤在同一开采煤层中的分布情况即构成了该开采煤层的品质分布信息。对每个开采煤层的煤石比例、品质分布信息进行统计,结合其对应的开采位置、开采时段(进一步地,一个开采时段可包括多个细分的开采周期) 与开采方向即构成了各个开采煤层的煤矿开采数据。
在本申请的实施例中,上述各个开采煤层的煤矿开采数据可以根据实际开采进度定期地进行采集,例如,可以将一个季度作为一个开采时段,确定对应的开采煤层并获取该开采煤层对应的煤矿开采数据(如上所述,一个开采时段内可以按照1个月或一个星期为一个开采周期,将该开采时段进一步分为多个开采周期),又如,也可以将一个月作为一个开采时段,确定对应的开采煤层并获取该开采煤层对应的煤矿开采数据。显然,设置不同的开采时段时长将得到不同的煤矿开采数据。
具体地,如图1所示,开采数据单元包括:识别模块、分类模块、统计模块及开采数据管理模块。其中,识别模块基于每个开采煤层中已开采原煤的X射线透射数据生成该煤层中已开采原煤的透射图像并从中识别多个煤石目标;分类模块基于所述X射线透射数据确定每个煤石目标的煤石类别;统计模块对各个煤石目标的煤石类别进行统计,得到每个开采煤层的煤石比例和品质分布信息并生成所述煤矿开采数据;开采数据管理模块对所述煤矿开采数据进行存储、编辑及删除操作。
图2示出了在一些具体的实施例中,通过对已开采原煤进行X射线照射以生成X射线透射数据的设备布设图。如图2所示,皮带机在电机的带动下进行已开采原煤的传送;X射线源与X射线探测装置(包括X射线探测器与数据采集卡)对向设置于皮带机的传送面两侧,X射线源向已开采原煤发射X射线,X射线穿透已开采原煤后由X射线探测装置采集其透射强度以生成X射线透射数据。在一些实施例中,上述X射线透射数据可以实时地传输至识别模块以同步地进行已开采原煤的透射图像的生成以及煤石目标的识别,在另一些实施例中,也可以先将上述X射线透射数据存储入数据库,并在合适的时间由识别模块读取并进行相应的处理。
下表1给出了一个具体的实施例中用于采集X射线透射数据的设备参数:
表1采集X射线透射数据的设备参数
上述X射线探测器包括20个探测卡,每个探测卡可以对64个采样点的透射强度进行采集,每个采样点的宽度为1.5mm。20个探测卡每次采样能够采集1280×1个采样点的透射强度以形成 Z射线透射数据。在上述实施例中,上述透射强度可以按照其强度范围由模拟信号映射为8位数字信号(0~255)。
识别模块读取上述各个采样时间对应的X射线透射数据后,根据上述设备参数进行数据拼接,即可生成已开采原煤的透射图像。例如,在上述实施例中,可以每次提取320个采样时间的X射线透射数据,形成一幅1280×320像素的透射图像,其中各个像素的灰度值即反映了对应的采样点的透射强度。上述基于各个采样点的信号强度进行模数转换以及生成灰度图像的技术已为本领域技术人员所知晓。
在获取上述透射图像后,识别模块即可以利用目标识别算法从中识别多个煤石目标,从灰度图像中识别目标的方法已为本领域技术人员所知晓,例如,识别模块可以首先通过空间平滑处理对透射图像进行降噪,然后基于多算子融合的边缘检测算法生成二值化边缘图像,最后通过聚类算法从二值化边缘图像中确定煤石目标。图3示出了在一些具体的实施例中,识别模块所生成的透射图像以及从中确定的煤石目标的示意图。
在本申请的一些实施例中,上述X射线透射数据基于X射线的高能透射强度与低能透射强度生成。在实际的X射线透射及煤石目标识别的过程中,由于的成分复杂,其质量、密度、厚度分布范围大,单纯地采用高能透射强度或低能透射强度构造的透射图像均可能无法准确地反映X射线透射过程中的衰减特性。例如当某些原煤物料的厚度较大时,X射线的高能部分可能存在同时无法穿透煤及矸石部分的问题;当某些原煤物料的厚度较小时,X射线的低能部分穿透煤及矸石部分后,则可能存在强度衰减区别不大,使得强度数据区分度较小的问题。
为此,在本申请的一些优选的实施例中,上述X射线透射数据还包括X射线的等效透射强度。具体地,在一些优选的实施例中,X射线探测器可以选用双能探测器,上述双能探测器能够同时探测并获取X射线的高能透射强度IH与低能透射强度IL,对每个采样点处的高能透射强度IH及低能透射强度IL进行处理,能够得到该采样点对应的“等效”的透射强度Ie,以上述X射线的高能透射强度等效的透射强度作为X射线透射数据,即可以有效地表征不同质量、密度、厚度的原煤物料对于X射线的高能部分与低能部分透射的综合衰减特性,从而大大增加的所生成的透射图像的对于不同物料的区分度,有利于后续目标提取过程中边缘检测及聚类处理。
在实际的对煤石目标进行识别的过程中,由于原煤物料中不同的煤石目标的尺寸分布跨度大,尤其是X射线在照射尺寸较大的物料时,可能出现透射强度数据失真的问题。通过对各个尺寸的煤石石物料的形状进行统计,发现物料从中心到边缘呈楔型,即中心厚边缘薄,且中心厚度随尺寸的增加而增加。上述特点使得不同尺寸、厚度物料的透射强度数据呈现不同的可用性,如对于部分中心厚度较高的大尺寸物料,其厚度过大区域可能无法穿透,使得该部分区域的透射强度数据无法真实反应X射线的衰减特性;其边缘区域的X射线穿透率较高,但相应地其透射强度受噪声影响程度也较高高;此外,较大的物料在图像中所包含的采样点过多,使得分类计算时间过长,严重影响分类的实时性,因此,在本申请的一些优选的实施例中,识别模块还通过以下步骤对识别出的煤石目标进行优化:
B1.将每个煤石目标从中心到边缘等间距地划分为多个采样环;
B2.删除该煤石目标最外侧的采样环;
B3.基于该煤石目标的剩余部分的面积选择保留的采样环;
B4.遍历每个保留的采样环;
B5.基于遍历结果生成经过优化的煤石目标。
图4示出了一个具体的对煤石目标划分采样环的示意图,如图4所示,上述步骤中采样环的数量可以根据煤石目标的尺寸分布范围以及煤石目标图像的分辨率等进行设置(例如:对于大部分物料尺寸分布在[10mm,300mm]的情况,可以设置划分的采样环数量为10,上采样时,可在每两环间插入采样环),将煤石目标划分为多个采样环后,首先剔除边缘部分,然后根据剩余部分的面积选择用于后续的煤石分类的采样环,再从中剔除掉没有被X射线穿透的采样点(即透射强度为0 的采样点),最后得到经过优化的用于后续煤石分类的煤石目标。
识别模块通过上述步骤识别出各个煤石目标后,即可以通过分类模块确定每个煤石目标的煤石类别。在本申请的实施例中,对于煤石目标的分类是基于煤与矸石对于X射线的透射呈现不同的衰减特征进行的。统计发现,煤炭的真密度约为1.3-1.5,矸石的真密度约为1.7-1.9。煤和矸石的密度有着很大的区别,上述区别使得煤与矸石对于X射线的穿透衰减呈现出不同特性,从而决定了可利用X射线对煤和矸石进行分类。
具体地,在本申请的实施例中,分类模块通过以下步骤确定每个煤石目标的煤石类别:
A2.基于所述能量检测向量计算该煤石目标的煤分类系数rc与矸石分类系数rg,
A3.基于所述rc、rg确定该煤石目标的煤石类别;
对于透射衰减特性不同的煤与矸石,其能量检测向量呈现出不同的R~IL对应关系,图5示出了多个实测得到的煤与矸石的能量检测向量分布结果,从图5可以看出煤与矸石的能量检测向量在其R~IL特征空间中呈现出明显的聚类特征,且其聚集区分离度较好,因此,本申请所构造的上述能量检测向量能够有效地应用于煤与矸石的分类。
为便于进行煤石分类,可以通过y=a·ebx函数关系对实测的煤与矸石的多个能量检测向量进行曲线拟合,得到煤的拟合曲线与矸石的拟合曲线然后在步骤A2中分别求出每个煤石目标对应于煤分类系数rc和矸石分类系数的分类相关系数rg。
在得到每个煤石目标的rc与rg后,就可以在步骤A3中确定每个煤石目标的煤石类别,在一些具体的实施例中,对已得到rc与rg值的煤石目标的分类可以通过预设的分类策略进行,例如,可以采用以下各种分类策略中的一种进行煤石目标的分类:
简单分类策略,若rc>rg,则煤矸目标为煤,否则煤矸目标为矸石;
减小含矸策略,若rc>第一阈值,则煤矸目标为煤,否则煤矸目标为矸石;
减小含煤策略,若rg>第二阈值,则煤矸目标为矸石,否则煤矸目标为煤。
通过分类模块完成对每个煤石目标的分类后,即可通过统计模块统计对各个煤石目标的煤石类别进行统计,通过统计将得到每个开采煤层的煤石比例和品质分布信息,最终并生成该开采煤层的煤矿开采数据。
具体地,在本申请的实施例中,统计模块基于下式确定煤石比例Ratioc,
其中,M为被分类为煤的煤石目标的个数,Lj、Wj分别为第j个被分类为煤的煤石目标的长度和宽度,S为被分类为矸石的煤石目标的个数,L′k、Wk′分别为第k个被分类为矸石的煤石目标的长度和宽度。
如上文所述,煤石比例从整体上表征了一个开采煤层中煤炭成分占全部已开采原煤的比例,然而即使是同一煤层,在不同的开采周期所开采的原煤中煤炭成分的富集程度仍有显著差别,不同的富集程度对应了各个开采位置不同的矿产品质,结合煤石比例,能够综合地能够反映出矿脉的整体走势及局部细节特征。因此,在本申请的实施例中,统计模块还对各个开采煤层的品质分布信息进行统计。
具体地,品质分布信息包括该开采煤层中富煤、正常煤和贫煤的分布情况。一种可选的确定品质分布信息的实施方式是利用簇聚类算法对该开采煤层中已开采原煤的各个煤石目标进行簇聚类确定,例如,随着已开采原煤中的各个煤石目标不断地被上述识别模块识别并被分类模块进行煤石分类,其透射强度及rc、rg等信息等不断地被统计模块所获取,统计模块通过簇聚类算法不断地将具有相同或相近性质的煤石目标进行聚类,最终得到多个煤石目标簇,每个煤石目标簇中的各个煤石目标具有相似的性质,进一步地对各个煤石目标簇的簇内煤石比例进行统计,根据其比例高低可以将其归类为富煤、正常煤或贫煤。上述对已开采原煤中的煤石成分进行簇聚类以确定原煤品质的方法已为本领域技术人员所知晓,在此不再赘述。
统计模块在对每个开采煤层的煤石比例以及品质分布信息进行统计后,即可以结合其对应的开采位置、开采时段(进一步地,一个开采时段可包括多个细分的开采周期)与开采方向,最终构成各个开采煤层的煤矿开采数据。
以上对开采数据单元的具体实施方式进行了详细介绍,以下结合附图对知识图谱单元的具体实施方式进行介绍。
具体地,在本申请的实施例中,如图1所示,知识图谱单元包括预处理模块、知识抽取模块、知识融合模块以及知识管理模块。其中,预处理模块用于对煤矿文献资料及煤矿开采数据进行预处理以构建语料库;知识抽取模块对语料库进行实体/属性联合抽取和关系抽取以形成煤矿知识三元组;知识融合模块,对煤矿知识三元组进行知识融合并形成煤矿领域知识图谱;知识管理模块对煤矿领域知识图谱进行存储、编辑及删除操作。
随着互联网的迅猛发展,大量的数据在互联网上产生,为了迅速地从海量数据中获取需要的有效数据,需要对数据进行清洗、去噪,并基于数据之间的存在的相互关系进行数据之间的整合。知识图谱这一概念便是在这个背景条件下产生的,其本质是一种有向图形式的数据结构,其基本组成是由实体、关系和属性组成的数据结构,具有属性的实体之间通过关系进行联结,并以此构成知识图谱的基本结构。
利用互联网等渠道获取的数据中提取与煤层特征、煤层赋存特征等相关的煤矿文献资料,结合实际开采获取的煤矿开采数据,利用知识图谱构建流程即可以生成针对煤矿的煤矿领域知识图谱。上述煤矿领域知识图谱包含了不同煤矿的不同煤层所具有的属性以及煤层之间的关系,通过其包含的先验的属性及关系信息为煤矿矿脉走势提供推理依据。图6示出了在一些实施例中,构建煤矿领域知识图谱的具体流程。
在本申请的一些具体的实施例中,预处理模块对从各种渠道检索并下载的煤矿相关数据进行分析,从中提取与煤层特征、煤层赋存特征等相关的煤矿文献资料,同时获取开采数据单元得到的煤矿开采数据,对上述煤矿文献资料与煤矿开采数据进行预处理,如利用正则表达式等相关语法构建需要过滤的特殊符号,最终形成自建的语料库。
在本申请的一些具体的实施例中,知识抽取模块通过基于BiLSTM-CRF的深度学习模型对所述语料库进行实体/属性联合抽取和关系抽取以形成煤矿知识三元组。BiLSTM-CRF模型就是将一个BiLSTM模型和一个CRF模型结合起来,BiLSTM(即双向LSTM)解决了LSTM模型只能捕捉到从前往后传递的信息的缺陷,可以同时捕捉正向信息和反向信息,使得对文本信息的利用更全面,效果也更好;CRF(Conditional Random Fields,条件随机场)为给定输入序列的条件下,求解输出序列的条件概率分布模型,两个模型相结合可以更好的完成实体、属性识别的任务。
图7示出了在一些具体的实施例中所使用的BiLSTM-CRF模型的结构,如图7所示,BiLSTM- CRF模型的输入层就是Embedding层,该层主要是将输入的文本序列转换成模型训练所需要的特征向量;BiLSTM-CRF模型的BiLSTM层,由两个LSTM组成。BiLSTM利用前向LSTM层学习上文信息,利用后向LSTM层学习下文信息,将上下文信息结合进行训练。之后将前向LSTM和后向LSTM得到的向量按位置在隐藏层中进行拼接,之后将拼接后的向量输入到下一层进行处理; BiLSTM-CRF模型中的CRF层主要是对隐藏层输入进来的预测结果添加一定的约束规则,来降低模型预测出错的概率。
在本申请的一些具体实施例中,可以选用BIO标注工具--Daccano对语料库中所包含的多篇文献构成的文本以及煤矿开采数据进行标注,标注的信息为文本及数据中包含的实体以及相关属性信息,表3、表4分别示出了一些具体的实施例中煤矿实体类型及属性定义,图8示出了在一些具体的实施例中对文本进行标注的情况。
表3煤矿实体类型
标签 | 实体类型 |
KQ | 矿区 |
MX | 煤系 |
MC | 煤层 |
表4煤矿属性定义
标签 | 属性类型 | 标签 | 属性类型 |
DLGM | 定量规模 | MXLX | 煤岩类型 |
DC | 地层 | JG | 夹矸 |
SJ | 时间 | JGYX | 夹矸岩性 |
YS | 颜色 | MCJG | 煤层结构 |
KJ | 空间 | MCCG | 煤层产状 |
CJX | 沉积相 | MYGZ | 煤岩构造 |
MCXT | 煤层形态 | MYZF | 煤岩组分 |
DBYX | 顶板岩性 | MCWDX | 煤层稳定性 |
DBYX1 | 顶板岩性1 | MZ | 煤种 |
DK | 断口 | MCKXC | 煤层可采性 |
LX | 裂隙 | YX | 岩性 |
完成数据标注后,以6∶2∶2的比例划分训练集、验证集、测试集,并对上述BiLSTM-CRF 模型进行训练,最后即可使用通过测试的BiLSTM-CRF模型进行实体/属性联合抽取。
在一些优选的实施例中,关系抽取通过基于R-BERT的深度学习模型进行。R-BERT模型是 BERT模型用于关系抽取的一个衍生模型,可以应用于多种关系抽取任务中。图9示出了在一些具体的实施例中所使用的R-BERT模型的结构。
如图8所示,R-BERT模型由三部分组成,第一部分为BERT模型,该部分主要用于提起文本的向量;第二部分为FCLayer层,该部分是对从BERT模型获取的句向量进行处理,目的是为了获得实体、属性向量表示(需要注意的是,由于实体、属性向量可能不止包含一个词,所以R-BERT模型将实体所包含的词向量进行加和求平均值来代表实体、属性向量表示);第三部分为label_classifier,其作用是将实体、属性的向量表示进行拼接得到矩阵,将该矩阵经过一个全连接层后接一个softmax,通过交叉熵获取其损失函数。
在本申请的一些具体实施例中,从已完成实体\属性联合抽取的数据中选取多条含有至少两个实体、属性的语句进行数据标注,数据标注的格式为(实体1,实体2,关系类型、原始语句),其中关系类型体现了不同实体之间的关系,表5示出了根据煤矿文献的实体、属性数据特点总结的煤矿关系类型。
表5煤矿关系类型
关系类型 | 关系释义 |
包含关系 | 三种煤矿实体间的相互关系 |
空间属性关联关系 | 三种煤矿实体与空间 |
时间属性关联关系 | 三种煤矿实体与时间 |
基本特征关联关系 | 三种煤矿实体与定量规模、结构、形态、产状等 |
煤质特征关联关系 | 三种煤矿实体与煤岩的颜色、断口、裂隙、结构、构造等 |
沉积环境 | 三种煤矿实体和沉积相 |
构造控制 | 三种煤矿实体和地质构造 |
依据上述关系类型即可以对语句进行标注,得到形如:“(七泉湖矿区,吐鲁番坳陷中的台北凹陷,空间属性关联关系,七泉湖矿区区域位于吐哈盆地的西北角构造分区属吐鲁番坳陷中的台北凹陷)”标注数据。
得到上述多个标注数据后,同样使用上述标注数据构造训练集、验证集与测试集并对上述R- BERT模型进行训练,最后即可使用通过测试的R-BERT模型从含有至少两个实体、属性的语句中进行关系抽取,并生成对应的煤矿知识三元组。
在本申请的实施例中,知识图谱单元构建知识图谱所使用的语料库不仅来自于各种煤矿文献资料,还来自于实际开采所获取的煤矿开采数据。通过实际的煤矿开采数据进行煤矿知识三元组的构造,并将其加入煤矿资源知识图谱中,能够使得煤矿资源知识图谱进一步包含正在开采的矿区的煤层地质结构、品质属性等信息及其关联关系,更加有利于提高对开采中的矿区的矿脉走势进行推理的准确度。
在本申请的实施例中,知识融合模块用于对生成的煤矿知识三元组进行知识融合操作。进行知识融合操作得原因在于煤矿文献资源来源多样,同一实体或属性在不同文献中存在不同的别称、缩写等情况,需要对其进行处理以使得来自多个来源的关于同一个实体或属性的描述信息融合起来。
具体地,在本申请的一些实施例中,可以使用相似度算法去计算两个实体或者属性的相似度来进行实体、属性的对齐,保证一个煤矿实体或者属性在知识库中的唯一性。例如,可以使用余弦相似度算法进行属性对齐操作,使用实体名称相似度和其属性相似度加权算法进行实体对齐操作,并在融合过程中加入人工辅助手段以控制融合精确度。上述基于相似度算法进行知识融合的方法已为本领域技术人员所知晓,在此不再赘述。
在本申请的实施例中,知识管理模块用于将经过知识抽取及知识融合所得到的煤矿知识三元组进行导入与存储,以形成结构化的煤矿领域知识图谱,并对上述煤矿知识三元组进行编辑、删除等操作。图10示出了在一些具体的实施例中,知识管理模块导入煤矿知识三元组并构造煤矿领域知识图谱的具体过程,图11a、11b分别示出了在一些具体的实施例中可视化地显示的煤矿领域知识谱图的局部示意图。
如上文所详细说明的,在本申请的实施例中,开采数据单元与知识图谱单元分别根据实际开采进度获取不同煤层的实际煤矿开采数据,以及根据煤矿文献资料获取先验性的不同矿区、不同煤层的实体、属性之间的关系并形成结构化的煤矿领域知识图谱。进一步地,在本申请的实施例中,推理单元综合利用上述煤矿开采数据与煤矿领域知识图谱,基于预设的推理规则进行演绎推理,以完成对煤矿矿脉走势的推理。
具体地,在一些实施例中,推理单元通过以下步骤进行煤矿矿脉走势的推理:
C1.构造初始的煤层节点;
C2.构造推理节点并将其与初始的煤层节点关联,所述推理节点包括所关联的煤层节点的推理矿脉走势以及沿推理矿脉走势的煤层的推理煤石比例与推理品质系数;
C3.将初始的煤层节点设置为当前的煤层节点,读取初始的开采煤层的煤矿开采数据并设置为当前开采数据;
C4.基于所述当前开采数据更新当前的煤层节点;
C5.根据当前的煤层节点以及所述煤矿领域知识图谱执行预设的推理规则并更新推理节点;
C5.生成新的煤层节点并将推理节点与其关联;
C6.将该新生成的煤层节点设置为当前的煤层节点,读取下一开采煤层的煤矿开采数据并设置为当前开采数据;
C7.返回步骤C4,直到完成开采。
进一步地,所述预设的推理规则包括:
规则一,如果当前的煤层节点的煤石比例大于推理节点中的推理煤石比例,则基于当前的煤层节点的开采方向更新所述推理节点中的推理矿脉走势,同时基于当前的煤层节点的煤矿开采数据更新所述推理煤石比例与推理品质分布信息,否则执行规则二;
规则二,基于当前的煤层节点的煤矿开采数据以及所述推理品质分布信息,通过路径排序算法从煤矿领域知识图谱中推理得到最可能的矿脉走势,基于推理结果更新推理节点中的推理矿脉走势。
具体地,当通过对某一已开采的煤层节点的煤矿开采数据进行统计后得到的煤石比例大于推理节点中的推理煤石比例时,则认为当前开采方向相较于推理的矿脉走势,更加趋近于正确的矿脉方向,此时应保持当前的开采方向不变,并利用该当前的开采方向对推理节点中的推理矿脉方向进行修正,同时将推理节点中的推理煤石比例与推理品质分布信息更新为当前的煤层节点的实际开采数据;当通过对某一已开采的煤层节点的煤矿开采数据进行统计后得到的煤石比例不大于推理节点中的推理煤石比例时,则可以认为当前的开采方向偏离了矿脉方向,使得开采原煤的整体含煤量未能达到最优值,此时,应基于煤矿领域知识图谱进行推理,以获得最有可能开采到具有推理品质分布信息的原煤的矿脉走势。
在本申请的实施例中,上述基于煤矿知识图谱进行的矿脉走势推理通过路径排序算法实现。路径排序算法(PRA)是一种数据驱动的推理算法,其基于知识图谱的知识建立并训练关系学习模型后,利用经过训练的关系学习模型对实体之间可能的有效关联路径(即实体之间可能存在的关系) 进行推理,并通过排序确定最有可能存在的有效关联路径(即实体之间最可能存在的关系)。
具体地,在本申请的一些实施例中,可以通过以下步骤进行矿脉走势的推理:
首先,基于知识图谱的多个煤矿知识三元组(h,r,t)构造首实体集合E、关系集合R以及尾实体集合T,其中r为连接实体对(h,t)的关系,r连接的知识图谱局部子图为Gi,r关联的实体集为Ei,由hk∈Ei出发与r关联的尾实体构成的集合为Tk,子图Gi的关联有效路径被定义为子图Gi的特征集ψi。
其次,定义知识图谱实体关系簇{Re},计算簇间相似度,合并相似度高的簇,同时更新合并簇的共享特征集。簇间相似度度量如下:
其中,Ren和Rem分别为n,m簇基于单个煤石目标簇的煤石比例ratioc的描述,bn为簇偏差,wc为个体偏差权重,可以通过关系学习模型的共享权重矩阵进行计算。当Ren和Rem的相似度高时,将进行聚类的合并操作,同时更新合并聚类的特征集,即ΠRe=ΠRen∪ΠRem。
在完成上述簇聚类融合的基础上,基于路径排序算法搜索当前煤层开采节点的煤矿开采数据 (以三元组形式进行抽象的煤石比例、品质分布信息、开采位置等)与推理节点中的推理数据(同样以三元组形式进行抽象的推理煤石比例、推理品质分布信息)之间最有可能的有效关联路径,该有效关联路径即为对矿脉走势的推理结果。具体地,将知识图谱的实体和属性信息表示为一个嵌入向量,通过计算实体相似度,判断实体对之间关联存在的可能性,过滤掉部分无效路径查找。将实体相似度信息作为随机游走的约束条件,在知识图谱对应的全局图上进行目标驱动的启发式随机游走,获取关系的路径特征集。通过对路径特征的计算和训练,完成关系学习模型的建模。在一些具体的实施例中,关系学习模型可以定义为:
其中,xi,c,yi,c分别为欲推理其关系的两个实体/属性信息嵌入向量,L(xi,c,yi,c)为训练损失函数的逻辑回归形式,其具体表达式为L(xic,yic)=log(1+exp(-yicfc(xic))),其中 fc(xic)=(w0+wc)xic+b0,μ1和μ2为正则化参数,用来控制不同关系间的参数共享度。
最后,将抽象为实体及属性信息的上述煤矿开采数据与推理数据分别作为实体/属性信息嵌入向量输入经过训练的关系学习模型,即可输出最优的矿脉走势推理结果。图12示出了根据一个具体实施例的对煤矿矿脉走势进行推理的示意图。
通过以上对推理单元的推理方式的详细说明可以看出,综合利用实际开采数据以及煤矿领域知识图谱进行矿脉走势推理,既可以利用各个已完成勘探或开采的矿区先验性的煤层位置、地质结构、品质属性信息及其相互之间的关系,对将要开采区域的矿脉走势进行预测及推理,从而有效地减少了对矿区进行大面积勘测的投入及成本,又能够基于随实际开采进度所获取的真实数据及时地对推理情况进行修正,有效地避免了前期勘测误差对后续开采造成的影响。
以上对本申请的具体实施方式作了详细介绍,对于本技术领域的技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也属于本申请权利要求的保护范围。
Claims (12)
1.一种煤矿矿脉走势推理系统,基于煤矿文献资料与煤矿开采数据进行煤矿矿脉走势的推理,包括知识图谱单元、开采数据单元以及推理单元,其特征在于:
所述开采数据单元对每个开采煤层的已开采原煤进行煤石分类并生成煤矿开采数据,所述煤矿开采数据包括每个开采煤层的煤石比例、品质分布信息、开采位置、开采时段以及开采方向;
所述知识图谱单元基于煤矿文献资料及煤矿开采数据生成煤矿领域知识图谱;
所述推理单元基于所述煤矿开采数据和所述煤矿领域知识图谱进行煤矿矿脉走势的推理。
2.根据权利要求1所述的煤矿矿脉走势推理系统,其特征在于,所述开采数据单元包括:
识别模块,基于每个开采煤层中已开采原煤的X射线透射数据生成该煤层中已开采原煤的透射图像并从中识别多个煤石目标;
分类模块,基于所述X射线透射数据确定每个煤石目标的煤石类别;
统计模块,对各个煤石目标的煤石类别进行统计,得到每个开采煤层的煤石比例和品质分布信息并生成所述煤矿开采数据;
开采数据管理模块,对所述煤矿开采数据进行存储、编辑及删除操作。
3.根据权利要求2所述的煤矿矿脉走势推理系统,其特征在于:
所述X射线透射数据基于X射线的高能透射强度与低能透射强度生成。
4.根据权利要求2所述的煤矿矿脉走势推理系统,其特征在于,所述分类模块通过以下步骤确定每个煤石目标的煤石类别:
A2.基于所述能量检测向量计算该煤石目标的煤分类系数rc与矸石分类系数rg,
A3.基于所述rc、rg确定该煤石目标的煤石类别。
6.根据权利要求4所述的煤矿矿脉走势推理系统,其特征在于:
每个开采煤层的品质分布信息包括该开采煤层中富煤、正常煤和贫煤的分布情况,所述每个开采煤层的品质分布信息通过对该开采煤层中已开采原煤的各个煤石目标进行簇聚类确定。
7.根据权利要求2所述的煤矿矿脉走势推理系统,其特征在于,所述识别模块还通过以下步骤对识别出的煤石目标进行优化:
B1.将每个煤石目标从中心到边缘等间距地划分为多个采样环;
B2.删除该煤石目标最外侧的采样环;
B3.基于该煤石目标的剩余部分的面积选择保留的采样环;
B4.遍历每个保留的采样环;
B5.基于遍历结果生成经过优化的煤石目标。
8.根据权利要求1所述的煤矿矿脉走势推理系统,其特征在于,所述知识图谱单元包括:
预处理模块,用于对所述煤矿文献资料及所述煤矿开采数据进行预处理以构建语料库;
知识抽取模块,对所述语料库进行实体/属性联合抽取和关系抽取以形成煤矿知识三元组;
知识融合模块,对所述煤矿知识三元组进行知识融合;
知识管理模块,对所述煤矿知识三元组进行结构化存储以形成所述煤矿领域知识图谱,以及对所述煤矿知识三元组进行编辑及删除操作。
9.根据权利要求8所述的煤矿矿脉走势推理系统,其特征在于:
所述实体/属性联合抽取通过基于BiLSTM-CRF的深度学习模型进行;
所述关系抽取通过基于R-BERT的深度学习模型进行。
10.根据权利要求1所述的煤矿矿脉走势推理系统,其特征在于,所述推理单元通过以下步骤进行煤矿矿脉走势的推理:
C1.构造初始的煤层节点;
C2.构造推理节点并将其与初始的煤层节点关联,所述推理节点包括所关联的煤层节点的推理矿脉走势以及沿推理矿脉走势的煤层的推理煤石比例与推理品质分布信息;
C3.将初始的煤层节点设置为当前的煤层节点,读取初始的开采煤层的煤矿开采数据并设置为当前开采数据;
C4.基于所述当前开采数据更新当前的煤层节点;
C5.根据当前的煤层节点以及所述煤矿领域知识图谱执行预设的推理规则并更新推理节点;
C5.生成新的煤层节点并将推理节点与其关联;
C6.将该新生成的煤层节点设置为当前的煤层节点,读取下一开采煤层的煤矿开采数据并设置为当前开采数据;
C7.返回步骤C4,直到完成开采。
11.根据权利要求10所述的煤矿矿脉走势推理系统,其特征在于,所述预设的推理规则包括:
规则一,如果当前的煤层节点的煤石比例大于推理节点中的推理煤石比例,则基于当前的煤层节点的开采方向更新所述推理节点中的推理矿脉走势,同时基于当前的煤层节点的煤矿开采数据更新所述推理煤石比例与推理品质分布信息,否则执行规则二;
规则二,基于当前的煤层节点的煤矿开采数据以及所述推理品质分布信息,通过路径排序算法从煤矿领域知识图谱中推理得到最可能的矿脉走势,基于推理结果更新推理节点中的推理矿脉走势。
12.根据权利要求1所述的煤矿矿脉走势推理系统,其特征在于,所述煤矿矿脉走势推理系统还包括:
检索单元,用于查询及检索所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果;
显示单元,用于在显示设备上显示所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果;
用户管理单元,用于设置及管理用户信息;
数据库,用于存储所述煤矿开采数据、煤矿领域知识图谱以及对煤矿矿脉走势的推理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211266691.0A CN115587191A (zh) | 2022-10-17 | 2022-10-17 | 一种煤矿矿脉走势推理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211266691.0A CN115587191A (zh) | 2022-10-17 | 2022-10-17 | 一种煤矿矿脉走势推理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587191A true CN115587191A (zh) | 2023-01-10 |
Family
ID=84780319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211266691.0A Pending CN115587191A (zh) | 2022-10-17 | 2022-10-17 | 一种煤矿矿脉走势推理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587191A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579747A (zh) * | 2023-07-11 | 2023-08-11 | 国网信通亿力科技有限责任公司 | 一种基于大数据的形象进度管理方法 |
CN116681407A (zh) * | 2023-07-20 | 2023-09-01 | 华夏天信物联科技有限公司 | 基于煤矿开采的工业物联网平台 |
-
2022
- 2022-10-17 CN CN202211266691.0A patent/CN115587191A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579747A (zh) * | 2023-07-11 | 2023-08-11 | 国网信通亿力科技有限责任公司 | 一种基于大数据的形象进度管理方法 |
CN116681407A (zh) * | 2023-07-20 | 2023-09-01 | 华夏天信物联科技有限公司 | 基于煤矿开采的工业物联网平台 |
CN116681407B (zh) * | 2023-07-20 | 2023-10-20 | 华夏天信物联科技有限公司 | 基于煤矿开采的工业物联网平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115587191A (zh) | 一种煤矿矿脉走势推理系统 | |
Chatterjee et al. | Image-based quality monitoring system of limestone ore grades | |
Alnahwi et al. | Mineralogical composition and total organic carbon quantification using x-ray fluorescence data from the Upper Cretaceous Eagle Ford Group in southern Texas | |
US20220207079A1 (en) | Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks | |
CN109902390B (zh) | 一种基于小样本扩充的有利储层发育区预测方法 | |
CN113344050B (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
Fuentes et al. | 3D lithological mapping of borehole descriptions using word embeddings | |
US11670073B2 (en) | System and method for detection of carbonate core features from core images | |
Zheng et al. | Fully connected deep network: An improved method to predict TOC of shale reservoirs from well logs | |
Houshmand et al. | Rock type classification based on petrophysical, geochemical, and core imaging data using machine and deep learning techniques | |
Mohamed et al. | Streamline rock facies classification with deep learning cognitive process | |
Masoudi et al. | Identifying productive zones of the Sarvak formation by integrating outputs of different classification methods | |
Chen et al. | Rock image classification using deep residual neural network with transfer learning | |
Brown et al. | Machine learning on Crays to optimize petrophysical workflows in oil and gas exploration | |
Leung et al. | Sample truncation strategies for outlier removal in geochemical data: the MCD robust distance approach versus t-SNE ensemble clustering | |
Rammelkamp et al. | Clustering supported classification of ChemCam data from Gale crater, Mars | |
CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
Ismailova et al. | Automated drill cuttings size estimation | |
Nwaila et al. | Constraints on the geometry and gold distribution in the Black Reef Formation of South Africa using 3D reflection seismic data and Micro-X-ray computed tomography | |
Davletshin et al. | Detection of framboidal pyrite size distributions using convolutional neural networks | |
Abildin et al. | A hybrid framework for modelling domains using quantitative covariates | |
Egorov et al. | Applying machine learning methods to search for missing net pay zones in mature oilfields wells | |
CN114972906A (zh) | 一种土压平衡盾构开挖面土质类型识别方法 | |
Li et al. | Automatic coal mine roof rating calculation using machine learning | |
Simán et al. | Rock classification with machine learning: a case study from the Zinkgruvan Zn-Pb-Ag deposit, Bergslagen, Sweden |
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 |