CN116821656A - 一种矿井突水水源识别方法、装置及可存储介质 - Google Patents

一种矿井突水水源识别方法、装置及可存储介质 Download PDF

Info

Publication number
CN116821656A
CN116821656A CN202310763723.6A CN202310763723A CN116821656A CN 116821656 A CN116821656 A CN 116821656A CN 202310763723 A CN202310763723 A CN 202310763723A CN 116821656 A CN116821656 A CN 116821656A
Authority
CN
China
Prior art keywords
water
source identification
water inrush
inrush source
quality 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
Application number
CN202310763723.6A
Other languages
English (en)
Inventor
刘玲
徐翰
方惠明
郭婵妤
杜斌
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.)
General Survey and Research Institute of China Coal Geology Bureau
Original Assignee
General Survey and Research Institute of China Coal Geology Bureau
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 General Survey and Research Institute of China Coal Geology Bureau filed Critical General Survey and Research Institute of China Coal Geology Bureau
Priority to CN202310763723.6A priority Critical patent/CN116821656A/zh
Publication of CN116821656A publication Critical patent/CN116821656A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Food Science & Technology (AREA)

Abstract

本发明公开了一种矿井突水水源识别方法、装置及可存储介质，涉及水源识别技术领域，其中方法包括以下步骤：获取矿井含水层的多个水质数据，并对所述水质数据进行预处理；利用经过预处理的所述水质数据构建数据集；构建突水水源识别模型，利用所述数据集处理所述突水水源识别模型；利用处理过的所述突水水源识别模型进行突水水源识别；本发明综合采用多种识别方法进行突水水源识别，提高了水源识别过程的准确性及快速性。

Description

一种矿井突水水源识别方法、装置及可存储介质
技术领域
本发明涉及水源识别技术领域，更具体的说是涉及一种矿井突水水源识别方法、装置及可存储介质。
背景技术
目前，矿井突水是煤矿生产过程最具威胁的灾害之一，列于煤矿三大事故的榜首。一旦矿井发生突水，如何及时准确地判断突水成因，查找突水水源，是解决和进一步预防突水灾害的关键问题。
但是，现有的矿井突水识别的主要方法有地下水水化学法、水位动态观测法、同位素法、水温度分析法等，而上述方法均是单一使用的且最终在识别的过程中实际需要的数据类型较多，识别效率较低。
因此，如何提供一种能够解决上述问题的矿井突水水源识别方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种矿井突水水源识别方法、装置及可存储介质，综合采用多种识别方法进行突水水源识别，提高了水源识别过程的准确性及快速性。
为了实现上述目的，本发明采用如下技术方案：
一种矿井突水水源识别方法，包括以下步骤：
获取矿井含水层的多个水质数据，并对所述水质数据进行预处理；
利用经过预处理的所述水质数据构建数据集；
构建突水水源识别模型，利用所述数据集处理所述突水水源识别模型；
利用处理过的所述突水水源识别模型进行突水水源识别。
优选的，利用经过预处理的所述水质数据构建数据集的具体处理过程包括：
将经过预处理的所述水质数据构建进行特征提取后构建特征向量，并根据所述特征向量求解得到对应的相关系数矩阵；
利用主成分分析法处理所述特征向量以及所述相关系数矩阵，对所述水质数据进行筛选，得到主分析水质数据以及对应的种类数量；
将所述主分析水质数据以及种类数量作为数据集。
优选的，构建突水水源识别模型，利用所述数据集处理所述突水水源识别模型的具体处理过程包括：
根据所述主分析水质数据的种类数量确定突水水源识别模型的类型；
利用所述数据集处理所述突水水源识别模型。
优选的，根据所述主分析水质数据的种类数量确定突水水源识别模型的类型的具体处理过程包括：
当所述种类数量小于等于预设阈值时，所述突水水源识别模型采用贝叶斯判别模型；
利用所述主分析水质数据利用贝叶斯判别法构建判别函数模型，根据所述判别函数模型进行突水水源识别。
优选的，根据所述主分析水质数据的种类数量确定突水水源识别模型的类型的具体处理过程还包括：
当所述种类数量大于预设阈值时，所述突水水源识别模型采用神经网络模型；
将所述数据集按照比例划分为训练集和测试集，利用所述训练集训练所述神经网络模型，利用所述测试集测试所述神经网络模型；
利用经过训练及测试的所述神经网络模型用于后续的水源识别。
优选的，所述预处理的过程采用归一化方法。
本发明还提供一种利用上述任一项所的一种矿井突水水源识别方法的识别装置，包括：
获取模块，用于获取矿井含水层的多个水质数据，并对所述水质数据进行预处理；
处理模块，用于利用经过预处理的所述水质数据构建数据集；
构建模块，用于构建突水水源识别模型，利用所述数据集处理所述突水水源识别模型；
识别模块，用于利用处理过的所述突水水源识别模型进行突水水源识别。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述中任一项所述的识别方法。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种矿井突水水源识别方法、装置及可存储介质，通过对采集的多种类型的水质数据进行筛选，得到主成分水质数据，并根据主成分水质数据的种类数量选取及构建不同类型的识别模型，综合采用多种识别方法进行突水水源识别，提高了水源识别过程的准确性及快速性，避免了信息冗余给结果带来的误差。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种矿井突水水源识别方法的整体流程图
图2为本发明提供的一种矿井突水水源识别装置的结构原理框图。
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。
参见附图1所示，本发明实施例公开了一种矿井突水水源识别方法，包括以下步骤：
获取矿井含水层的多个水质数据，并对水质数据进行预处理；
利用经过预处理的水质数据构建数据集；
构建突水水源识别模型，利用数据集处理突水水源识别模型；
利用处理过的突水水源识别模型进行突水水源识别。
在一个具体的实施例中，利用经过预处理的水质数据构建数据集的具体处理过程包括：
将经过预处理的水质数据构建进行特征提取后构建特征向量，并根据特征向量求解得到对应的相关系数矩阵；
利用主成分分析法处理特征向量以及相关系数矩阵，对水质数据进行筛选，得到主分析水质数据以及对应的种类数量；
将主分析水质数据以及种类数量作为数据集。
在一个具体的实施例中，构建突水水源识别模型，利用数据集处理突水水源识别模型的具体处理过程包括：
根据主分析水质数据的种类数量确定突水水源识别模型的类型；
利用数据集处理突水水源识别模型。
在一个具体的实施例中，根据主分析水质数据的种类数量确定突水水源识别模型的类型的具体处理过程包括：
当种类数量小于等于预设阈值时，突水水源识别模型采用贝叶斯判别模型；
利用主分析水质数据利用贝叶斯判别法构建判别函数模型，根据判别函数模型进行突水水源识别。
具体的，根据判别函数模型进行突水水源识别的具体过程包括：
将对应的实际采集的水质参数代入判别函数模型，在判别时哪一水样的判别函数值越大，那么该水样即可判别突水水源类型。
在一个具体的实施例中，根据主分析水质数据的种类数量确定突水水源识别模型的类型的具体处理过程还包括：
当种类数量大于预设阈值时，突水水源识别模型采用神经网络模型，其中神经网络模型可以采用BP神经网络或SOM神经网络；
将数据集按照比例划分为训练集和测试集，划分比例可以为7:3；
利用训练集训练神经网络模型，利用测试集测试神经网络模型，其中在训练时，获取当训练集损失最小时对应的网络为突水水源识别模型；
利用经过训练及测试的神经网络模型用于后续的水源识别。
在一个具体的实施例中，预处理的过程采用归一化方法。
参见附图2所示，本发明实施例还提供一种利用上述任一项所的一种矿井突水水源识别方法的识别装置，包括：
获取模块，用于获取矿井含水层的多个水质数据，并对水质数据进行预处理；
处理模块，用于利用经过预处理的水质数据构建数据集；
构建模块，用于构建突水水源识别模型，利用数据集处理突水水源识别模型；
识别模块，用于利用处理过的突水水源识别模型进行突水水源识别。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上述中任一项的识别方法。
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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种矿井突水水源识别方法，其特征在于，包括以下步骤：
获取矿井含水层的多个水质数据，并对所述水质数据进行预处理；
利用经过预处理的所述水质数据构建数据集；
构建突水水源识别模型，利用所述数据集处理所述突水水源识别模型；
利用处理过的所述突水水源识别模型进行突水水源识别。
2.根据权利要求1所述的一种矿井突水水源识别方法，其特征在于，利用经过预处理的所述水质数据构建数据集的具体处理过程包括：
将经过预处理的所述水质数据构建进行特征提取后构建特征向量，并根据所述特征向量求解得到对应的相关系数矩阵；
利用主成分分析法处理所述特征向量以及所述相关系数矩阵，对所述水质数据进行筛选，得到主分析水质数据以及对应的种类数量；
将所述主分析水质数据以及种类数量作为数据集。
3.根据权利要求2所述的一种矿井突水水源识别方法，其特征在于，构建突水水源识别模型，利用所述数据集处理所述突水水源识别模型的具体处理过程包括：
根据所述主分析水质数据的种类数量确定突水水源识别模型的类型；
利用所述数据集处理所述突水水源识别模型。
4.根据权利要求3所述的一种矿井突水水源识别方法，其特征在于，根据所述主分析水质数据的种类数量确定突水水源识别模型的类型的具体处理过程包括：
当所述种类数量小于等于预设阈值时，所述突水水源识别模型采用贝叶斯判别模型；
利用所述主分析水质数据利用贝叶斯判别法构建判别函数模型，根据所述判别函数模型进行突水水源识别。
5.根据权利要求3所述的一种矿井突水水源识别方法，其特征在于，根据所述主分析水质数据的种类数量确定突水水源识别模型的类型的具体处理过程还包括：
当所述种类数量大于预设阈值时，所述突水水源识别模型采用神经网络模型；
将所述数据集按照比例划分为训练集和测试集，利用所述训练集训练所述神经网络模型，利用所述测试集测试所述神经网络模型；
利用经过训练及测试的所述神经网络模型用于后续的水源识别。
6.根据权利要求1所述的一种矿井突水水源识别方法，其特征在于，所述预处理的过程采用归一化方法。
7.一种利用权利要求1-6任一项所的一种矿井突水水源识别方法的识别装置，其特征在于，包括：
获取模块，用于获取矿井含水层的多个水质数据，并对所述水质数据进行预处理；
处理模块，用于利用经过预处理的所述水质数据构建数据集；
构建模块，用于构建突水水源识别模型，利用所述数据集处理所述突水水源识别模型；
识别模块，用于利用处理过的所述突水水源识别模型进行突水水源识别。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的识别方法。
CN202310763723.6A 2023-06-27 2023-06-27 一种矿井突水水源识别方法、装置及可存储介质 Pending CN116821656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310763723.6A CN116821656A (zh) 2023-06-27 2023-06-27 一种矿井突水水源识别方法、装置及可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310763723.6A CN116821656A (zh) 2023-06-27 2023-06-27 一种矿井突水水源识别方法、装置及可存储介质

Publications (1)

Publication Number Publication Date
CN116821656A true CN116821656A (zh) 2023-09-29

Family

ID=88126965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310763723.6A Pending CN116821656A (zh) 2023-06-27 2023-06-27 一种矿井突水水源识别方法、装置及可存储介质

Country Status (1)

Country Link
CN (1) CN116821656A (zh)

Similar Documents

Publication Publication Date Title
CN109408389B (zh) 一种基于深度学习的代码缺陷检测方法及装置
CN107145445B (zh) 软件自动化测试的报错日志的自动分析方法和系统
CN109189767B (zh) 数据处理方法、装置、电子设备及存储介质
CN113792936A (zh) 一种随钻岩性智能识别方法、系统、设备和存储介质
CN111177655B (zh) 一种数据处理方法、装置及电子设备
CN112035345A (zh) 一种基于代码片段分析的混合深度缺陷预测方法
CN115456107A (zh) 一种时间序列异常检测系统及方法
CN113822336A (zh) 一种云硬盘故障预测方法、装置、系统及可读存储介质
CN112052161B (zh) 一种接口测试方法、装置、电子设备及介质
CN116091496B (zh) 基于改进Faster-RCNN的缺陷检测方法及装置
CN116821656A (zh) 一种矿井突水水源识别方法、装置及可存储介质
CN110808947B (zh) 一种自动化的脆弱性量化评估方法及系统
CN103984756B (zh) 基于半监督概率潜在语义分析的软件变更日志分类方法
CN113627553B (zh) 一种用于电能表异常标签识别的图像识别方法及系统
CN109977400A (zh) 一种校验处理的方法、装置、计算机存储介质及终端
CN113268419B (zh) 测试用例优化信息的生成方法、装置、设备和存储介质
CN112561306B (zh) 一种基于Hankel矩阵的滚动轴承健康状态评价方法
CN111538669B (zh) 一种基于历史问题回溯分析的测试案例抽取方法及装置
CN114120043A (zh) 一种基于生产动态数据和示功图检测异常抽油井的方法
CN113239075A (zh) 一种施工数据自检方法及系统
CN114118305A (zh) 一种样本筛选方法、装置、设备及计算机介质
CN112488479A (zh) 一种天然气数据分析的方法及系统
CN111108516B (zh) 使用深度学习算法来评价输入数据
Han et al. Empirical investigation of code and process metrics for defect prediction
CN104778479A (zh) 一种基于稀疏编码提取子的图像分类方法及系统

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