CN116861789A - 微震参数多输入序列预测模型的岩爆预测方法 - Google Patents
微震参数多输入序列预测模型的岩爆预测方法 Download PDFInfo
- Publication number
- CN116861789A CN116861789A CN202310860490.1A CN202310860490A CN116861789A CN 116861789 A CN116861789 A CN 116861789A CN 202310860490 A CN202310860490 A CN 202310860490A CN 116861789 A CN116861789 A CN 116861789A
- Authority
- CN
- China
- Prior art keywords
- rock burst
- microseismic
- prediction model
- value
- parameter
- 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 96
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000000691 measurement method Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 208000013201 Stress fracture Diseases 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种微震参数多输入序列预测模型的岩爆预测方法,包括:选取微震评价指标;将每一次岩爆灾害作为一个独立研究对象,构建岩爆灾害危险度指标;结合相似性度量方法构建表示岩爆危险性相似程度的数据类型;进行归一化,计算岩爆灾害形成全过程其余时刻的参数信息与岩爆发生时刻的欧氏距离进行相似度度量,结合已有的微震参数指标,利用多变量输入序列预测模型建立其与岩爆发生风险之间的映射关系,多变量输入序列预测模型中输入的多变量时间序列包括观测值和预测值,输出的时间序列均为新变量的预测值。
Description
技术领域
本发明涉及岩爆预测技术领域,特别是一种微震参数多输入序列预测模型的岩爆预测方法。
背景技术
传统的预测模型为单变量时间序列预测模型或多元平行时间序列预测模型;单变量时间序列预测模型:岩爆发育过程中,不同微震参数值一直在变化着,如事件数、微震能量、视体积及其累积值等,为获取下一时刻的微震参数值,将时序数据中单个微震参数演变的预测模型称为“单变量时序预测模型”;多元平行时间序列预测模型:根据多个参数变量的时序观测值获得其下一时间步长的预测值。首先将具有n个时间步长的多元变量的实际观测值(以两个变量为例输入模型,输出则为下一时间步长的多元变量的预测值;然后下一步的输入中包含上一步骤计算出的预测值,并依次递推下去,最终模型的输入和输出中可均为多元参数预测值。
单变量序列预测模型是定义单变量微震参数在时间序列上演化趋势的预测模型,其序列模型样本须有某单变量已观测的时间序,还需有预测的时间序列,因此需要建立一个从过去观测值序列中学习以预测未来观测值的映射或模型。具体实现过程可描述为:在第1步计算中,模型的输入为时间步长为n的时间序列观测值,输出为下一步的时间序列预测值,即根据观测值推断预测值;在第2步的计算中,模型的输入包含上一步的预测值结果;在第n步的计算中,模型的输入和输出可能均为时间序列预测值,即根据预测值推断预测值。
卷积神经网络的单变量序列预测模型输入的向量为观测值序列,紧接着连接卷积层、池化层、展平层和全连接层。输入向量(以输入长度8为例)进行卷积操作并补零,卷积操作将拓展特征的深度(例如从1层加深为64层);某些情况下,第一次卷积层(Convolution)之后可能是第二卷积层,然后接着池化层(MaxPooling),其作用是从卷积层的输出提取到最显著的特征。在池化层和全连接层之间使用展平层(Flatten)将特征映射简化为一个一维向量。最后是全连接层(Dense),用于解释模型卷积部分提取的特征,并获得输出结果(下一步预测值)。
单变量序列预测模型只能考虑当前变量的历史值,而不能考虑与其相关的其他变量的历史值,因此无法利用多个变量之间的相互关系。这会导致模型无法捕捉到数据之间的更深层次的关联;单变量序列预测模型只能考虑当前变量的历史值,无法利用其他相关变量的信息来抵消数据中的噪声。这可能导致模型对数据噪声过于敏感,从而影响其预测性能其精度也会受到限制,由于单变量序列预测模型无法考虑多个变量之间的相互关系,因此它在预测时往往只能考虑当前变量的历史值。这可能导致模型的预测精度受到限制,因为它无法充分利用其他相关变量的信息来进行更准确的预测。
且多输入序列预测模型由于单变量序列预测模型无法考虑多个变量之间的相互关系,因此它在预测时往往只能考虑当前变量的历史值。这可能导致模型的预测精度受到限制,因为它无法充分利用其他相关变量的信息来进行更准确的预测;还能可以利用多个相关变量的信息来抵消数据中的噪声,从而使得模型对数据噪声的影响降低。
发明内容
为解决现有技术中存在的问题,本发明的目的是提供一种微震参数多输入序列预测模型的岩爆预测方法。
为实现上述目的,本发明采用的技术方案是:一种微震参数多输入序列预测模型的岩爆预测方法,包括以下步骤:
步骤1、选取微震评价指标;
步骤2、将每一次岩爆灾害作为一个独立研究对象,选取岩爆形成全过程事件数、能量释放和视体积构建岩爆灾害危险度指标;
步骤3、以岩爆灾害形成全过程所采集到的微破裂事件数、能量释放和视体积为基础结合相似性度量方法构建表示岩爆危险性相似程度的数据类型;
步骤4、对每一次岩爆灾害形成全过程的微破裂事件数、能量释放和视体积进行归一化,使其值均分布于0到1之间;选取岩爆发生时刻所对应的事件数、能量释放和视体积量值为基准点,计算岩爆灾害形成全过程其余时刻的参数信息与岩爆发生时刻的欧氏距离进行相似度度量,最终再将计算的欧式距离度量值归一化[0,1]之间,该数值越小表示该时刻的震源参数与岩爆发生时刻参数距离越近,相似度越高,则表明岩爆发生风险可能性越大,岩爆发生时刻该数值为0;最后,将岩爆危险度定义为(1-归一化后的欧氏距离)×100%,即岩爆发生时刻的危险度为100%;
步骤5、结合已有的微震参数指标,利用多变量输入序列预测模型建立其与岩爆发生风险之间的映射关系,多变量输入序列预测模型中输入的多变量时间序列包括观测值和预测值,输出的时间序列均为新变量的预测值。
作为本发明的进一步改进,在步骤1中,所述微震评价指标包括:能量释放EP,ES、视体积VA和能量指数EI,其中:
式中,EP,S为EP和ES的和,即微震能量释放的平均值,EP和ES分别为P波和S波释放的能量,ρ为岩石密度,vP,S为P波、S波的波速,R为到震源的距离,μ2(t)为波形速度脉冲的时间函数;
式中,μ和P分别为岩石的剪切模量和微震体变势,E为微震释放能量。
作为本发明的进一步改进,在步骤5中,所述多变量输入序列预测模型在第1步计算,需要输入时间步长n的多变量观测值序列,输出为当前时间步的新变量预测值;第2步计算输入时需要包含当前时间步多变量的预测值,输出为当前时间步的多变量预测新值;在第n步计算,输入均为多变量的预测值或预测值序列,输出为当前时间步的新变量预测新值,且将不同变量时间序列分别由不同卷积方式处理。
本发明的有益效果是:
本发明使用基于卷积神经网络的多目标岩爆微震指标时间序列预测模型的多输入预测模型可将将不同变量时间序列进行输入、处理,实现预测模型的更好性能及灵活性,实现对未来微震参数的准确预测,为后续岩爆灾害动态预警提供数据基础和支撑。
附图说明
图1为本发明实施例中能量指数EI的计算示意图;
图2为本发明实施例中单变量序列模型对累计能量释放测试集的预测结果示意图;
图3为本发明实施例中单变量序列模型对累计视体积测试集的预测结果示意图;
图4为多输入序列模型预测结果示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
一种微震参数多输入序列预测模型的岩爆预测方法,包括:
微震评价指标的选取:岩石破裂会以弹性波的形式释放能量,如果该信号同时被4个以上的接收器触发则会形成一个微破裂事件,且该微破裂事件可进行定位。通常,基于地震学理论可以计算微破裂事件的震源参数,其一般可以用来对微破裂事件进行评价,主要的微震评价指标有:
(1)微震释放能量E:微震释放能量是由于岩体开裂所形成的弹性变形向非弹性变形转化过程中产生的。基于波形传播速度、各传感器之间到时以及震源到每个传感器之间的距离R,参数R可结合微震传感器阵列和波形到时求解出来。因此微震能量释放计算如下:式中,EP,S为EP和ES的和,即微震能量释放的平均值,EP和ES分别为P波和S波释放的能量,ρ为岩石密度,vP,S为P波、S波的波速,R为到震源的距离,μ2(t)为波形速度脉冲的时间函数。
(2)视体积VA:在地震学理论中,视体积在描述地震孕育过程占据了重要的位置,对地震发生前岩体变换情况有很好的显示,可以说是一个较为常用和稳健的用于地震评价的震源参数,其计算公式如下:
其中μ和P分别为岩石的剪切模量和微震体变势,E为微震释放能量。
(3)如图1所示,能量指数EI:一个地震事件的能量释放大小与具有同样大小地震矩的事件所释放的平均能量大小的比值称为该地震事件的能量指数EI,反应了震源应力水平大小,公式为其中/>其中,M0为地震矩。
前人结合岩爆灾害形成全过程的震源参数变化情况在岩爆预警方面做了大量的研究工作。其中,大多数研究表明微破裂事件数、微震能量释放、视体积、能量指数等震源参数在岩爆预警研究中起到了良好的效果。同时,在水电工程岩爆风险评估技术规范中提出了将能量释放、视体积、事件数这3个参数及其累计值作为岩爆预警的微震信息。另外一些研究表明,累计视体积与能量指数的变化规律可作为岩爆发生的前兆信息,常常也用于岩爆预警。综合上述,选取事件数、能量释放、视体积及其累计值和能量指数构建岩爆微震指标库进行岩爆预警研究。
在实际岩爆微震监测过程中,不同的围岩条件、地应力情况、埋深和施工工艺等均会导致岩爆灾害形成全过程中上述震源参数变化趋势的不同。因此,为了能够准确构建岩爆危险度,将每一次岩爆灾害作为一个独立研究对象,选取岩爆形成全过程事件数、能量释放和视体积进行岩爆灾害危险度指标的构建。结合震源定位计算和现场实际岩爆灾害发生位置,将属于整个岩爆灾害形成全过程的微破裂事件与其他非岩爆区域的微破裂事件进行区分。对岩爆灾害形成全过程实现等时化,以1个小时为间隔,即每天均匀划分为24个小时,岩爆灾害形成全过程的微破裂事件参数信息分布于等时化后的时间坐标轴下。对于1个小时内多次发生的微破裂事件,以事件数、能量释放和视体积的累计值作为该小时所对应参数的数值,对于未发生微破裂事件的时间段则为0,最终,每一个小时会对应一个事件数、能量释放视体积的值。
为了能够进一步度量岩爆发生的危险程度,以岩爆灾害形成全过程所采集到的微破裂事件数、能量释放和视体积为基础结合相似性度量方法构建表示岩爆危险性相似程度(简称岩爆危险度)的数据类型,相似性度量就是比较不同目标之间的相互关系。对于时间序列数据,就是度量不同时间节点所对应的时间序列之间的相似性,主要的时间序列相似性度量方法有欧氏距离、动态时间弯曲、符号化距离、基于模型和压缩的距离度量以及其他距离度量方法等等,其中,欧式距离是在相似性度量方法中得到应用最为广泛的方法,通常,欧式距离只能用来度量两个相等长度的时间序列,不能计算不同长度时间序列的相似性。同时,受限于时间序列数据噪声或突变影响,常常需要进行数据归一化等操作。因此,多数情况下,采用结合时间序列特征表示来进行欧式距离度量。
更多地,由于事件数、能量释放和视体积的量纲往往差距较大,不利于采用欧氏距离进行相似性度量,而每一次岩爆灾害是作为独立的研究对象进行岩爆危险度构建,因此可以对每一次岩爆灾害形成全过程的微破裂事件数、能量释放和视体积进行归一化,使其值均分布于0到1之间;选取岩爆发生时刻所对应的事件数、能量释放和视体积量值为基准点,计算岩爆灾害形成全过程其余时刻的参数信息与岩爆发生时刻的欧氏距离进行相似度度量,最终再将计算的欧式距离度量值归一化[0,1]之间,该数值越小表示该时刻的震源参数与岩爆发生时刻参数距离越近,相似度越高,则表明岩爆发生风险可能性越大,岩爆发生时刻该数值为0。最后,将岩爆危险度定义为(1-归一化后的欧氏距离)×100%,即岩爆发生时刻的危险度为100%。
基于已有的多变量观测值序列来预测一个新变量的演化趋势,新变量与已有多变量之间满足一个映射或函数关系式。结合已有的微震参数指标(如事件数、能量释放、视体积及其累计值等),建立其与岩爆发生风险之间的映射关系,多变量输入序列预测模型中输入的多变量时间序列包括观测值和预测值,输出的时间序列均为新变量的预测值。变量输入序列预测模型的实施过程为:在第1步计算,需要输入时间步长n的多变量观测值序列(三变量为例),输出为当前时间步的新变量预测值;第2步计算输入时需要包含当前时间步多变量的预测值,输出为当前时间步的多变量预测新值;在第n步计算,输入均为多变量的预测值或预测值序列,输出为当前时间步的新变量预测新值。更多地,作为多变量时间序列输入的预测值可以基于单变量序列模型的预测结果获取。多变量输入序列预测模型的网络结构需经过一些特别的处理,首先,输入的多变量时间序列(以输入长度8为例)不再仅由一种卷积方式处理,而是将不同变量时间序列分别由不同卷积方式处理,可称之为多输入序列预测模型。根据所建模问题的具体情况,它可能提供更大的灵活性或更好的性能。例如,它允许您为每个输入序列配置不同的子模型,设置不同的过滤器映射数量和核大小。在卷积、池化、扁平化操作完成后,将不同序列的提取特征进行拼接(Concatenate)。最后,通过全连接层降低特征分辨率并输出单变量,即新变量的单步预测值。
下面对本实施例做进一步说明:
构建基于卷积神经网络的微震指标预测模型(单变量序列预测模型、多输入序列预测模型、多平行序列预测模型和多步输出序列预测模型)进行训练,在对所有岩爆灾害迭代训练过程中,每一次迭代模型训练过程中当Loss小于0.01时认为此次迭代模型训练趋于拟合,并将训练好的模型对测试集进行测试,结果如下。
单变量序列模型对测试集的预测结果(如图2和图3所示)可以发现累计能量释放、累计视体积、累计事件数的观测值和预测值之间的拟合效果都较好,然而,其却只能观察观测值和预测值的拟合趋势,受主观因素影响较大,由于各个微震指标的量纲不同且差异较大,所以选取决定系数R2对单个模型的预测性能进行定量评价。通过计算,单变量序列预测模型针对累计能量释放、累计视体积和累计事件数的决定系数R2分别为0.978、0.962和0.982,表明预测效果比较理想。
而多变量输入序列模型对测试集的预测结果(如图4所示)可以发现,岩爆危险度的观测真实值和预测值之间的拟合效果较好,且计算的决定系数R2为0.847也证明了该模型的预测效果。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (3)
1.一种微震参数多输入序列预测模型的岩爆预测方法,其特征在于,包括以下步骤:
步骤1、选取微震评价指标;
步骤2、将每一次岩爆灾害作为一个独立研究对象,选取岩爆形成全过程事件数、能量释放和视体积构建岩爆灾害危险度指标;
步骤3、以岩爆灾害形成全过程所采集到的微破裂事件数、能量释放和视体积为基础结合相似性度量方法构建表示岩爆危险性相似程度的数据类型;
步骤4、对每一次岩爆灾害形成全过程的微破裂事件数、能量释放和视体积进行归一化,使其值均分布于0到1之间;选取岩爆发生时刻所对应的事件数、能量释放和视体积量值为基准点,计算岩爆灾害形成全过程其余时刻的参数信息与岩爆发生时刻的欧氏距离进行相似度度量,最终再将计算的欧式距离度量值归一化[0,1]之间,该数值越小表示该时刻的震源参数与岩爆发生时刻参数距离越近,相似度越高,则表明岩爆发生风险可能性越大,岩爆发生时刻该数值为0;最后,将岩爆危险度定义为(1-归一化后的欧氏距离)×100%,即岩爆发生时刻的危险度为100%;
步骤5、结合已有的微震参数指标,利用多变量输入序列预测模型建立其与岩爆发生风险之间的映射关系,多变量输入序列预测模型中输入的多变量时间序列包括观测值和预测值,输出的时间序列均为新变量的预测值。
2.根据权利要求1所述的微震参数多输入序列预测模型的岩爆预测方法,其特征在于,在步骤1中,所述微震评价指标包括:能量释放EP,S、视体积VA和能量指数EI,其中:
式中,EP,S为EP和ES的和,即微震能量释放的平均值,EP和ES分别为P波和S波释放的能量,ρ为岩石密度,vP,S为P波、S波的波速,R为到震源的距离,μ2(t)为波形速度脉冲的时间函数;
式中,μ和P分别为岩石的剪切模量和微震体变势,E为微震释放能量。
3.根据权利要求1所述的微震参数多输入序列预测模型的岩爆预测方法,其特征在于,在步骤5中,所述多变量输入序列预测模型在第1步计算,需要输入时间步长n的多变量观测值序列,输出为当前时间步的新变量预测值;第2步计算输入时需要包含当前时间步多变量的预测值,输出为当前时间步的多变量预测新值;在第n步计算,输入均为多变量的预测值或预测值序列,输出为当前时间步的新变量预测新值,且将不同变量时间序列分别由不同卷积方式处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860490.1A CN116861789A (zh) | 2023-07-13 | 2023-07-13 | 微震参数多输入序列预测模型的岩爆预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860490.1A CN116861789A (zh) | 2023-07-13 | 2023-07-13 | 微震参数多输入序列预测模型的岩爆预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861789A true CN116861789A (zh) | 2023-10-10 |
Family
ID=88228258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860490.1A Pending CN116861789A (zh) | 2023-07-13 | 2023-07-13 | 微震参数多输入序列预测模型的岩爆预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861789A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094235A (zh) * | 2023-10-20 | 2023-11-21 | 北京科技大学 | 一种基于多任务学习的地压灾害预测方法及装置 |
-
2023
- 2023-07-13 CN CN202310860490.1A patent/CN116861789A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094235A (zh) * | 2023-10-20 | 2023-11-21 | 北京科技大学 | 一种基于多任务学习的地压灾害预测方法及装置 |
CN117094235B (zh) * | 2023-10-20 | 2024-02-20 | 北京科技大学 | 一种基于多任务学习的地压灾害预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5657209B2 (ja) | ノベルティ検出 | |
CN110455490B (zh) | 超声速和高超声速风洞流场湍流度的计算方法及装置 | |
CN104407328B (zh) | 基于空间脉冲响应匹配的封闭空间声源定位方法及系统 | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
Rundle et al. | Nowcasting earthquakes by visualizing the earthquake cycle with machine learning: A comparison of two methods | |
CN116861789A (zh) | 微震参数多输入序列预测模型的岩爆预测方法 | |
CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
JP2018087799A (ja) | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 | |
CN115688046A (zh) | 一种岩爆预测方法、装置及计算机设备 | |
CN115545272A (zh) | 冲击地压矿井微震频次和能量长短期智能预测预警方法 | |
CN116484209A (zh) | 大坝结构监测异常识别方法及装置 | |
CN114442190A (zh) | 一种基于电磁和地声信号的地震预测方法 | |
Luzyanina et al. | Distributed parameter identification for a label-structured cell population dynamics model using CFSE histogram time-series data | |
Ge et al. | Rapid post-earthquake damage assessment of ageing reinforced concrete bridge piers using time-frequency analysis | |
CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
CN113111416A (zh) | 基于数据驱动的钢筋混凝土结构地震损伤量化评估方法 | |
CN116187153B (zh) | 基于层次贝叶斯的水工结构数字孪生模型更新方法 | |
CN116011183B (zh) | 在役油气管道检测方法、装置、设备和存储介质 | |
CN114841892B (zh) | 一种基于全连接网络的稀疏导波数据恢复方法 | |
CN104156339B (zh) | 一种利用二次排列熵识别周期微弱脉冲信号的方法 | |
CN110779477A (zh) | 一种用于实时识别物体形状的声学方法 | |
CN115375025A (zh) | 冲击地压矿井微震事件时空强三要素定量预测方法 | |
CN115856080A (zh) | 一种基于深度学习的各向异性复合材料板声发射源定位方法 | |
CN114693151A (zh) | 基于分布式应变空间相关性的桥梁桩基础状态诊断方法 | |
Lee et al. | Seismic Acceleration Estimation Method at Arbitrary Position Using Observations and 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 |