CN116821770A - 断层区巷道围岩变形智能预测及分类方法 - Google Patents
断层区巷道围岩变形智能预测及分类方法 Download PDFInfo
- Publication number
- CN116821770A CN116821770A CN202310874288.4A CN202310874288A CN116821770A CN 116821770 A CN116821770 A CN 116821770A CN 202310874288 A CN202310874288 A CN 202310874288A CN 116821770 A CN116821770 A CN 116821770A
- Authority
- CN
- China
- Prior art keywords
- fault
- deformation
- roadway
- data set
- surrounding rock
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000011065 in-situ storage Methods 0.000 claims abstract description 12
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 6
- 230000001502 supplementing effect Effects 0.000 claims abstract description 3
- 239000003245 coal Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 230000005641 tunneling Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种断层区巷道围岩变形智能预测及分类方法，包括：通过断层与巷道位置关系提取特征变量与目标变量，并进行敏感性分析，并根据分析结果构建初始变形识别数据集；在工程现场原位采集各断层的特征变量与目标变量，获得补充数据集，将补充数据集补入初始变形识别数据集，获得综合变形识别数据集；基于综合变形识别数据集、若干机器学习算法进行有监督的机器学习训练，选取针对目标变量的最优算法；基于综合变形识别数据集与最优算法建立断层区巷道围岩变形自主判识模型，实现断层区围岩变形智能预测与分类。本发明有效解决了断层区巷道围岩控制问题，可实现围岩的提前干预与精准控制，为智能化掘进提供技术支撑。
Description
技术领域
本发明属于围岩智能化控制领域，特别是涉及一种断层区巷道围岩变形智能预测及分类方法。
背景技术
断层是煤巷掘进当中常见的地质现象，因其附近岩体应力环境复杂，碎裂化程度高，时常造成巷道的破坏失稳。同时，出于掘进效率及沉积岩层形成属性考虑，同一煤层巷道所采用支护方案基本一致，这对掘进期间偶发性揭露断层适应性差，是造成断层区巷道围岩变形的主要因素。此外，当前主流的煤巷顶板智能支护决策系统缺乏对断层等异常区的综合考虑，这不利于煤矿智能化的发展，因此对断层区巷道围岩变形的精准预测与识别就显得尤为重要。
现有技术主要围绕断层相关参数的识别，包含采用回归算法建立数据集获取断层相关参数的机器学习模型，还有基于断层图像识别断层落差以及倾角的相关方法。然而针对巷道掘进过程中揭露的断层对围岩变形效果的自主预测方法是缺乏的。这不能实现断层区巷道围岩的早期及时控制，更不利于智能化矿山建设的发展。
发明内容
本发明的目的是提供一种断层区巷道围岩变形智能预测及分类方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种断层区巷道围岩变形智能预测及分类方法，包括：
通过断层与巷道位置关系提取特征变量与目标变量，基于特征变量与目标变量进行变量敏感性分析，并根据分析结果构建初始变形识别数据集；
在工程现场原位采集各断层的特征变量与目标变量，获得补充数据集，将补充数据集进行敏感性分析后补入初始变形识别数据集，获得综合变形识别数据集；
基于综合变形识别数据集、若干机器学习算法进行有监督的机器学习训练，选取针对目标变量的最优算法；
基于综合变形识别数据集与所述最优算法建立断层区巷道围岩变形自主判识模型，实现断层区围岩变形智能预测与分类。
可选的，所述特征变量包括断层类型、倾角、落差、断层走向与巷道走向夹角、断层与前后临近断层的距离、临近2条断层的类型、临近2条断层的落差及临近2条断层走向与巷道走向的夹角；
所述目标变量包括断层区不同位置的巷道顶板下沉量、两帮移进量及底板鼓起量。
可选的，特征变量中的离散变量包括断层类型、临近2条断层的类型，绘制每一个离散变量与目标变量的核密度图，并通过不同变形阶段断层类型的分布情况分析离散变量与目标变量的敏感性。
可选的，特征变量中的连续变量包括倾角、落差、断层走向与巷道走向夹角、断层与前后临近断层的距离、临近2条断层的落差及临近2条断层走向与巷道走向的夹角，绘制全部连续变量与目标变量的相关性矩阵热力图，设定显著性各个分级的取值范围，根据连续变量的显著性值划分所属的显著性分级，并根据预设的分级限制对所述连续变量进行筛选。
可选的，原位采集各断层的特征变量与目标变量的过程包括：
根据煤巷揭露断层的具体情况对特征变量中的断层类型、倾角、落差、断层走向与巷道走向夹角、临近2条断层的类型、临近2条断层的落差及临近2条断层走向与巷道走向的夹角进行现场原位采集；基于矿用井下全站仪采集监测断层与前后临近断层的距离；
通过煤巷十字布点法获取目标变量包括的顶板下沉量、两帮移进量及底板鼓起量。
可选的，获得最优算法的过程包括；
将综合变形识别数据集按预设比例划分为训练集与测试集；将训练集与测试集中的特征变量作为输入，分别以顶板下沉量、两帮移进量及底鼓变形量为监督值对若干种机器学习算法进行机器学习训练，并根据可靠性评价指标选取顶板下沉量、两帮移进量及底鼓变形量的最优算法。
可选的，建立断层区巷道围岩变形自主判识模型过程还包括：
基于综合变形识别数据集，以顶板下沉量为标准采用k-means算法对综合变形识别数据集中所有样本进行聚类分析。
本发明的技术效果为：
本发明提出的一种断层区巷道围岩变形智能预测及分类方法，通过断层与巷道位置关系提取特征变量与目标变量，建立断层区围岩变形识别数据集，在工程现场原位采集不同断层的所有特征变量以及目标变量用于丰富数据集，进而采用人工智能算法开展有监督的机器学习训练，实现对断层区围岩变形的智能化预测，最终采用人工智能算法对数据库围岩变形进行聚类分析，实现断层区围岩的自主分类。本发明方法的实现可为断层区巷道围岩分类分级精准控制提供路径，有效解决了断层区巷道围岩控制问题，可实现围岩的提前干预与精准控制，为智能化掘进提供技术支撑。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的方法流程示意图；
图2为本发明实施例中的获取最优算法的方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1-2所示，本实施例中提供一种断层区巷道围岩变形智能预测及分类方法，包括：
S1、针对断层在煤层巷道可能存在的赋存形式展开分析，提取煤巷断层区影响围岩变形的特征变量与目标变量；
S2、所述特征变量包含断层类型、倾角、落差、断层走向与巷道走向夹角、断层与前后临近断层的距离、临近2条断层的类型、临近2条断层的落差以及临近2条断层走向与巷道走向的夹角，累计12组特征变量，所述目标变量包含断层区不同位置巷道顶板下沉量、两帮移进量以及底板鼓起量；
S3、针对所述特征变量与目标变量值在煤矿井下巷道进行广泛采集，用于丰富数据集；
S4、针对数据库特征变量中的离散变量，绘制核密度图，分析离散特征变量与目标变量的敏感性，针对特征变量中的连续变量，绘制相关性矩阵热力图，分析连续特征变量与目标变量之间敏感性，并依据分析结果建立断层区巷道围岩变形识别数据集；
S5、针对收集好的数据集，基于典型的人工智能算法(回归/分类)开展训练学习，最终优选出能够实现断层区巷道围岩精准识别的算法；
S6、基于前述围岩变形预测算法与分类算法，建立断层区巷道围岩变形自主判识模型，实现断层区围岩变形智能预测与分类。
分析提取的断层区影响围岩变形的特征变量与目标变量均依靠真实工程现场来进行分析提取所有可能影响断层区围岩变形的变量，这一过程是认为提取，不乏存在一些相关性较低的变量，因此需要做数据集的敏感性分析，对采集的变量进行优化。
所述步骤S2中特征变量考虑了断层群叠加对巷道围岩变形的影响，主要包含断层类型、倾角、落差、断层走向与巷道走向夹角、与前后临近断层的距离、临近2条断层的类型、临近2条断层的落差、临近2条断层走向与巷道走向的夹角。
所述步骤S2中目标变量考虑了常见的围岩变形数据形式，包含顶板下沉量、两帮移进量以及底板鼓起量。
所述步骤S3离散变量主要包含断层类型、临近2条断层类型，主要采用Python-Matplotlib绘制每一个离散变量与目标变量的核密度图，通过不同变形阶段断层类型的分布情况判别两者敏感性。
所述步骤S3连续变量包含倾角、落差、断层走向与巷道走向夹角、与前后临近断层的距离、临近2条断层的落差、临近2条断层走向与巷道走向的夹角，主要采用Python-Matplotlib绘制所有连续变量与目标变量的相关性矩阵热力图，设定*p≤0.05为比较显著，**p≤0.01为显著的，***p≤0.001为非常显著。选取比较显著及以上水平的连续变量作为数据集特征变量。
所述步骤S4原位采集大量数据中，断层类型、倾角、落差、断层走向与巷道走向夹角、临近2条断层的类型、临近2条断层的落差、临近2条断层走向与巷道走向的夹角等数据通过矿井地质科技术人员依据煤巷揭露断层的具体情况现场原位采集，特征变量“与前后临近断层的距离”基于矿用井下全站仪采集监测。
所述步骤S4原位采集数据中，目标变量“顶板下沉量、两帮移进量以及底板鼓起量”通过煤巷十字布点法，分别在顶板及两帮布置固定监测点，拉线监测得出。
所述步骤S5基于典型人工智能算法(回归/分类)开展训练学习包含以下步骤：S501建立断层区围岩变形智能预测数据库，数据库包含所有案例样本的特征变量与目标变量数据；S502将数据库样本随机挑选70％建立训练数据集；S503将数据库样本随机挑选30％建立测试数据集；S504采用典型有监督机器学习算法基于训练集和测试集开展训练测试，所用算法包含但不限于Linear Regression、Gradient Boosting Decision Tree、Random Forest、Extreme Gradient Boosting等典型机器学习算法；S505以所有样本特征变量为训练测试集，分别以顶板下沉量、两帮移进量以及底鼓变形量为监督值，实现断层区围岩变形的训练测试；S506基于回归类任务常见可靠性评价指标分别选取顶板下沉量、两帮移进量以及底鼓变形量的最优算法，所述可靠性评价指标分别为R2、MAE、RMSE；S507基于选取好的算法选取数据库外工程试验点开展跨工程验证，并且进一步丰富数据库的样本量，进而不断提高算法适应性与泛化能力；S508基于数据库所有样本数据，以顶板下沉量为标准采用k-means算法对所有样本进行聚类分析，分为4类，以便后期对断层区巷道的精准分类分级控制。
所述步骤S506中R2、MAE、RMSE分别为：
式中n为数据样本总量，ymeasured为实际值，代表预测值，/>为实际值平均值。
所述步骤S6基于前述结果建立断层区巷道围岩变形自主判识模型，实现断层区围岩变形智能预测与分类。
本发明首次提取了煤巷断层区影响围岩变形的特征变量与目标变量，建立了用于判断断层区围岩变形的数据库；基于原位采集数据训练测试了4种典型机器学习算法，选取可靠性评价指标，得出梯度提升决策树(Gradient Boosting Decision Tree)在顶板下沉量与两帮变形量具有优势，极限梯度提升树(Extreme Gradient Boosting)在底板鼓起量上具有优势；提出了以顶板下沉量、两帮移进量以及底板鼓起量为目标变量的预测方法，实现了断层区巷道围岩变形精准预测；采用k-means等人工智能算法(分类)建立断层区巷道围岩分类模型，为不同区域巷道分类分级控制提供技术参考。本发明有效解决了断层区巷道围岩控制问题，可实现围岩的提前干预与精准控制，为智能化掘进提供技术支撑。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种断层区巷道围岩变形智能预测及分类方法，其特征在于，包括以下步骤：
通过断层与巷道位置关系提取特征变量与目标变量，基于特征变量与目标变量进行变量敏感性分析，并根据分析结果构建初始变形识别数据集；
在工程现场原位采集各断层的特征变量与目标变量，获得补充数据集，将补充数据集进行敏感性分析后补入初始变形识别数据集，获得综合变形识别数据集；
基于综合变形识别数据集、若干机器学习算法进行有监督的机器学习训练，选取针对目标变量的最优算法；
基于综合变形识别数据集与所述最优算法建立断层区巷道围岩变形自主判识模型，实现断层区围岩变形智能预测与分类。
2.根据权利要求1所述的断层区巷道围岩变形智能预测及分类方法，其特征在于，
所述特征变量包括断层类型、倾角、落差、断层走向与巷道走向夹角、断层与前后临近断层的距离、临近2条断层的类型、临近2条断层的落差及临近2条断层走向与巷道走向的夹角；
所述目标变量包括断层区不同位置的巷道顶板下沉量、两帮移进量及底板鼓起量。
3.根据权利要求2所述的断层区巷道围岩变形智能预测及分类方法，其特征在于，
特征变量中的离散变量包括断层类型、临近2条断层的类型，绘制每一个离散变量与目标变量的核密度图，并通过不同变形阶段断层类型的分布情况分析离散变量与目标变量的敏感性。
4.根据权利要求2所述的断层区巷道围岩变形智能预测及分类方法，其特征在于，
特征变量中的连续变量包括倾角、落差、断层走向与巷道走向夹角、断层与前后临近断层的距离、临近2条断层的落差及临近2条断层走向与巷道走向的夹角，绘制全部连续变量与目标变量的相关性矩阵热力图，设定显著性各个分级的取值范围，根据连续变量的显著性值划分所属的显著性分级，并根据预设的分级限制对所述连续变量进行筛选。
5.根据权利要求2所述的断层区巷道围岩变形智能预测及分类方法，其特征在于，
原位采集各断层的特征变量与目标变量的过程包括：
根据煤巷揭露断层的具体情况对特征变量中的断层类型、倾角、落差、断层走向与巷道走向夹角、临近2条断层的类型、临近2条断层的落差及临近2条断层走向与巷道走向的夹角进行现场原位采集；基于矿用井下全站仪采集监测断层与前后临近断层的距离；
通过煤巷十字布点法获取目标变量包括的顶板下沉量、两帮移进量及底板鼓起量。
6.根据权利要求2所述的断层区巷道围岩变形智能预测及分类方法，其特征在于，
获得最优算法的过程包括；
将综合变形识别数据集按预设比例划分为训练集与测试集；将训练集与测试集中的特征变量作为输入，分别以顶板下沉量、两帮移进量及底鼓变形量为监督值对若干种机器学习算法进行机器学习训练，并根据可靠性评价指标选取顶板下沉量、两帮移进量及底鼓变形量的最优算法。
7.根据权利要求2所述的断层区巷道围岩变形智能预测及分类方法，其特征在于，
建立断层区巷道围岩变形自主判识模型过程还包括：
基于综合变形识别数据集，以顶板下沉量为标准采用k-means算法对综合变形识别数据集中所有样本进行聚类分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874288.4A CN116821770A (zh) | 2023-07-17 | 2023-07-17 | 断层区巷道围岩变形智能预测及分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874288.4A CN116821770A (zh) | 2023-07-17 | 2023-07-17 | 断层区巷道围岩变形智能预测及分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116821770A true CN116821770A (zh) | 2023-09-29 |
Family
ID=88139260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310874288.4A Pending CN116821770A (zh) | 2023-07-17 | 2023-07-17 | 断层区巷道围岩变形智能预测及分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821770A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663417A (zh) * | 2012-03-19 | 2012-09-12 | 河南工业大学 | 一种小样本数据模式识别的特征选择方法 |
| CN106251241A (zh) * | 2016-08-02 | 2016-12-21 | 贵州电网有限责任公司信息中心 | 一种基于特征选择改进的LR‑Bagging算法 |
| CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
| CN112232522A (zh) * | 2020-11-19 | 2021-01-15 | 山东科技大学 | 一种深部巷道支护方案智能推荐及动态优化方法 |
| CN114282730A (zh) * | 2021-12-29 | 2022-04-05 | 天津大学 | 一种用于建筑负荷预测的数据完备性检验与特征学习方法 |
| US20230144184A1 (en) * | 2021-11-11 | 2023-05-11 | Shandong University | Advanced geological prediction method and system based on perception while drilling |
| CN116151799A (zh) * | 2023-02-23 | 2023-05-23 | 国网河南省电力公司 | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 |
-
2023
- 2023-07-17 CN CN202310874288.4A patent/CN116821770A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663417A (zh) * | 2012-03-19 | 2012-09-12 | 河南工业大学 | 一种小样本数据模式识别的特征选择方法 |
| CN106251241A (zh) * | 2016-08-02 | 2016-12-21 | 贵州电网有限责任公司信息中心 | 一种基于特征选择改进的LR‑Bagging算法 |
| CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
| CN112232522A (zh) * | 2020-11-19 | 2021-01-15 | 山东科技大学 | 一种深部巷道支护方案智能推荐及动态优化方法 |
| US20230144184A1 (en) * | 2021-11-11 | 2023-05-11 | Shandong University | Advanced geological prediction method and system based on perception while drilling |
| CN114282730A (zh) * | 2021-12-29 | 2022-04-05 | 天津大学 | 一种用于建筑负荷预测的数据完备性检验与特征学习方法 |
| CN116151799A (zh) * | 2023-02-23 | 2023-05-23 | 国网河南省电力公司 | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| 中国煤炭工业协会 等: "《全国煤矿千米深井开采技术》", 中国矿业大学出版社, pages: 280 - 155 * |
| 朱群雄;耿志强;徐圆;贺彦林;韩永明;: "数据和知识融合驱动的智能过程系统工程研究进展", 北京化工大学学报(自然科学版), no. 05 * |
| 陈健峰: "矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型", 《金属矿山》, vol. 2017, no. 7, pages 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111858803B (zh) | 一种滑坡地灾风险区划图生成方法 | |
| CN110991075B (zh) | 一种金属矿产快速勘查评价方法 | |
| CN101770038A (zh) | 矿山微震源智能定位方法 | |
| CN112232522B (zh) | 一种深部巷道支护方案智能推荐及动态优化方法 | |
| CA2873816C (en) | Systems and methods for processing geophysical data | |
| CN111062544A (zh) | 一种铀成矿远景区的预测方法 | |
| CN112906940A (zh) | 一种基于深度学习的嗅探智能找矿预测方法 | |
| Zhou et al. | Novel approach to evaluate rock mass fragmentation in block caving using unascertained measurement model and information entropy with flexible credible identification criterion | |
| CN113191642B (zh) | 一种基于最优组合策略的区域滑坡敏感性分析方法 | |
| Zhang et al. | Risk identification for coal and gas outburst in underground coal mines: A critical review and future directions | |
| CN114219134A (zh) | 一种盾构施工引起地面沉降的预测方法及系统 | |
| CN116821770A (zh) | 断层区巷道围岩变形智能预测及分类方法 | |
| CN109236292A (zh) | 一种掘进机截割轨迹规划系统与方法 | |
| CN115200540B (zh) | 一种矿井巷道形变监测与预警方法及系统 | |
| CN110717618A (zh) | 基于多指标综合要素的海底热液硫化物资源评价预测方法 | |
| CN114266179B (zh) | 基于有限单元的矿床钻探信息处理及分析方法和装置 | |
| CN115907151A (zh) | 一种基于地质大数据的智能成矿预测方法 | |
| CN115661186A (zh) | 一种光弹试验力链信息自动提取方法 | |
| CN114972906A (zh) | 一种土压平衡盾构开挖面土质类型识别方法 | |
| Wu et al. | Detection of Spatiotemporal Changes of Surface Mining Area in Changting County Southeast China | |
| Koperska et al. | Machine learning methods in the inclinometers readings anomaly detection issue on the example of tailings storage facility | |
| Dindarloo et al. | Ground rippability classification by decision trees | |
| Huang et al. | Slope shape and edge intelligent recognition technology based on deep neural sensing network | |
| McGaughey | 4D data management and modelling in the assessment of deep underground mining hazard | |
| Guo et al. | Autonomous prediction of rock deformation in fault zones of coal roadways using supervised machine learning |
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 |