CN117432414B - 顶板磨砂射流成缝的调控方法及系统 - Google Patents

顶板磨砂射流成缝的调控方法及系统 Download PDF

Info

Publication number
CN117432414B
CN117432414B CN202311757857.3A CN202311757857A CN117432414B CN 117432414 B CN117432414 B CN 117432414B CN 202311757857 A CN202311757857 A CN 202311757857A CN 117432414 B CN117432414 B CN 117432414B
Authority
CN
China
Prior art keywords
regulation
data
target
neural network
jet
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
Application number
CN202311757857.3A
Other languages
English (en)
Other versions
CN117432414A (zh
Inventor
杜涛涛
孙秉成
夏永学
杨伟
潘俊锋
孙如达
李红平
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.)
Ccteg Coal Mining Research Institute Co ltd
CHN Energy Group Xinjiang Energy Co Ltd
Original Assignee
Ccteg Coal Mining Research Institute Co ltd
CHN Energy Group Xinjiang Energy Co Ltd
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 Ccteg Coal Mining Research Institute Co ltd, CHN Energy Group Xinjiang Energy Co Ltd filed Critical Ccteg Coal Mining Research Institute Co ltd
Priority to CN202311757857.3A priority Critical patent/CN117432414B/zh
Publication of CN117432414A publication Critical patent/CN117432414A/zh
Application granted granted Critical
Publication of CN117432414B publication Critical patent/CN117432414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21C—MINING OR QUARRYING
    • E21C45/00—Methods of hydraulic mining; Hydraulic monitors
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请提出了一种顶板磨砂射流成缝的调控方法及系统，该方法包括：通过实验获取第一数量组磨砂射流成缝数据作为小样本训练数据；根据各个调控特征的重要程度对小样本训练数据进行泛化，基于扩充后的第二数量组训练数据训练基础神经网络模型；针对目标顶板岩石，收集第三数量组数据，并将第三数量组数据扩充至第四数量组目标数据；基于第四数量组目标数据对基础神经网络模型进行参数迁移，获得目标神经网络；将多个预期调控目标输入目标神经网络，按照模型输出的多个调控特征参数进行磨砂射流成缝处理。该方法依靠少量的数据样本可以得到精准的磨砂射流成缝能力的快速调控参数，提高了磨砂射流成缝快速调控的便捷性和准确性。

Description

顶板磨砂射流成缝的调控方法及系统
技术领域
本申请涉及采矿工程技术领域，尤其涉及一种顶板磨砂射流成缝的调控方法及系统。
背景技术
目前，冲击地压是采矿工程中常见的动力灾害之一，而坚硬顶板是产生煤矿冲击地压的主要致灾因素之一。坚硬顶板提供了冲击地压发生的动静载荷，主要表现为静载荷主导型、动载荷主导型和动静载叠加型，当载荷诱发冲击地压时，会严重威胁井下工作人员和设备的安全。
为了避免冲击地压对煤矿安全产生的影响，目前主要是进行基于井下解危的防御性治理手段。由于造成动力灾害的最主要原因是应力集中和能量积聚以及坚硬顶板的赋存，而坚硬顶板的磨砂射流轴向切顶技术对于改变地质动力环境能够起到积极的作用。因此，通过磨砂射流技术对坚硬顶板进行外部作用，破坏原有岩石的结构，主动释放硬脆型岩体中积聚的弹性应变能，是降低冲击地压灾害的重要手段。而在实际应用中为了能够取得预期的坚硬砂岩顶板条件下的高压水射流切割效果，需要先进行顶板高压水射流割缝实验，以确定磨砂射流成缝的调控参数，再按照获得的调控参数对砂岩顶板进行磨砂射流切顶。
相关技术中，通常是研究在煤样或自制水砂相似材料的条件下，试样破坏形态和水力化参数对破岩效果的影响，对于原始顶板岩样的研究较少。并且，对于每一种类型的目标岩石都需要进行大量的实验，才能对磨砂射流成缝能力进行可行的评估。
然而，上述相关技术中的实验方式，由于在不同的目标岩石上研究出的磨砂射流调控参数不可通用，对于各种类型的顶板岩石，每次想实现定量的成缝宽度和深度，都需要分别进行进行实验测试，导致实验成本较高。并且，相关技术中仅是单一通过实验得到磨砂射流成缝调控参数，获得的结果可能存在偏差，无法实现精准的磨砂射流成缝。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种顶板磨砂射流成缝的调控方法，该方法基于小样本数据的泛化迁移，实现了磨砂射流成缝的快速调控，该方法所需数据量少，可快速应用于不同目标岩石进行磨砂射流成缝，并且对磨砂射流在目标岩石上的成缝能力可以进行精准评估。该方法可以根据实际所需的成缝宽度与成缝深度，快速求解所需要的多个调控参数，提高了顶板磨砂射流成缝调控的及时性、精准性和稳定性，能够在各类目标岩石上实现定量宽度调控和定量深度调控的磨砂射流成缝。
本申请的第二个目的在于提出一种顶板磨砂射流成缝的调控系统。
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请的第一方面在于提出一种顶板磨砂射流成缝的调控方法，该方法包括以下步骤：
通过实验获取第一数量组磨砂射流成缝数据作为小样本训练数据，其中，每组所述磨砂射流成缝数据包括多个调控特征和多个调控目标；
根据各个所述调控特征的重要程度对所述小样本训练数据进行泛化，获得扩充后的第二数量组训练数据，并基于所述第二数量组训练数据训练出基础神经网络模型，所述基础神经网络模型用于根据输入的多个调控目标输出多个调控特征；
针对当前待处理的目标顶板岩石，收集第三数量组磨砂射流成缝数据，并根据调控特征的重要程度将所述第三数量组磨砂射流成缝数据扩充至第四数量组目标数据；
基于所述第四数量组目标数据对所述基础神经网络模型进行参数迁移，获得适用于所述目标顶板岩石的目标神经网络；
将对所述目标顶板岩石的多个预期调控目标输入所述目标神经网络，获得所述目标神经网络输出的多个调控特征参数，并按照所述多个调控特征参数对所述目标顶板岩石进行磨砂射流成缝处理。
可选地，在本申请的一个实施例中，所述多个调控特征，包括：射流压力、靶距、喷嘴直径、重复切割次数和移动速度；所述多个调控目标，包括：成缝宽度和成缝深度。
可选地，在本申请的一个实施例中，各个所述调控特征的重要程度按照以下公式所示的顺序依次降低：所述射流压力＞所述靶距＞所述喷嘴直径＞所述重复切割次数＞所述移动速度；所述根据各个所述调控特征的重要程度对所述小样本训练数据进行泛化，包括：根据每个所述调控特征的重要程度等级，为每个所述调控特征分配相应数量的正态噪声数据，其中，重要程度等级越高的调控特征对应的正态噪声数据的数量越多。
可选地，在本申请的一个实施例中，所述基础神经网络模型包括：节点数量为2的输入层、节点数量为6隐含层的和节点数量为5的输出层，所述基于所述第二数量组训练数据训练出基础神经网络模型，包括：基于所述第二数量组训练数据进行误差计算，以优化所述基础神经网络模型的参数，直至误差值减少至期望值，其中，在误差计算过程中，重要程度等级越高的调控特征对应获得更多的损失权重。
可选地，在本申请的一个实施例中，在所述基于所述第二数量组训练数据进行误差计算之前，还包括：对所述第二数量组训练数据进行归一化处理；设置所述基础神经网络模型的输入层到隐含层，以及隐含层到输出层均采用ReLU激活函数。
可选地，在本申请的一个实施例中，所述基于所述第四数量组目标数据对所述基础神经网络模型进行参数迁移，包括：固定所述基础神经网络模型中输入层到隐含层的参数矩阵；通过所述第四数量组目标数据训练所述基础神经网络模型中隐含层到输出层的参数矩阵。
可选地，在本申请的一个实施例中，所述获得所述目标神经网络输出的多个调控特征参数，包括：通过训练完成的隐含层到输出层的参数矩阵和激活函数，对所述多个预期调控目标进行非线性运算，获得适用于所述多个预期调控目标的多个调控特征参数。
为达上述目的，本申请的第二方面还提出了一种顶板磨砂射流成缝的调控系统，包括以下模块：
第一获取模块，用于通过实验获取第一数量组磨砂射流成缝数据作为小样本训练数据，其中，每组所述磨砂射流成缝数据包括多个调控特征和多个调控目标；
泛化模块，用于根据各个所述调控特征的重要程度对所述小样本训练数据进行泛化，获得扩充后的第二数量组训练数据，并基于所述第二数量组训练数据训练出基础神经网络模型，所述基础神经网络模型用于根据输入的多个调控目标输出多个调控特征；
第二获取模块，用于针对当前待处理的目标顶板岩石，收集第三数量组磨砂射流成缝数据，并根据调控特征的重要程度将所述第三数量组磨砂射流成缝数据扩充至第四数量组目标数据；
参数迁移模块，用于基于所述第四数量组目标数据对所述基础神经网络模型进行参数迁移，获得适用于所述目标顶板岩石的目标神经网络；
处理模块，用于将对所述目标顶板岩石的多个预期调控目标输入所述目标神经网络，获得所述目标神经网络输出的多个调控特征参数，并按照所述多个调控特征参数对所述目标顶板岩石进行磨砂射流成缝处理。
可选地，在本申请的一个实施例中，参数迁移模块，具体用于：固定所述基础神经网络模型中输入层到隐含层的参数矩阵；通过所述第四数量组目标数据训练所述基础神经网络模型中隐含层到输出层的参数矩阵。
为了实现上述实施例，本申请第三方面还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面中的顶板磨砂射流成缝的调控方法。
本申请的实施例提供的技术方案至少带来以下有益效果：本申请基于小样本数据的泛化迁移，整体上实现了磨砂射流成缝能力的快速定量调控，在给定实际需要的成缝宽度和成缝深度的目标后，即可得到对应的射流压力、靶距、喷嘴直径、重复切割次数和移动速度等多个调控参数。其中，本申请通过注意力机制方法泛化扩充通过少量实验收集的小样本数据，降低对成缝能力调控对实验次数的需求，缩短了生成调控参数耗费的时间，实现了对目标岩石成缝的快速调控。并且，本申请通过对神经网络隐含层到输出层的参数迁移，实现了预先训练出的已有模型在不同岩石上的应用，提升了磨砂射流成缝的调控方法在不同目标岩石上的适用性，极大程度上降低了在不同目标岩石上进行磨砂射流所需的前期准备工作的工作量，并且能提供更加精准的成缝结果。由此，本申请提高了磨砂射流成缝快速调控的便捷性、及时性和准确性，降低了调控耗费的成本。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提出的一种顶板磨砂射流成缝的调控方法的流程图；
图2为本申请实施例提出的一种目标神经网络的结构示意图；
图3为本申请实施例提出的一种具体的顶板磨砂射流成缝的调控方法的流程图；
图4为本申请实施例提出的一种顶板磨砂射流成缝的调控系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，在相关实施例中，进行顶板高压水射流割缝实验需要耗费大量时间、设备和人力，成本较高，并且针对每一种目标岩石都需要进行充分实验才能对磨砂射流成缝能力有可行的评估。为此，本申请提出一种顶板磨砂射流成缝的调控方法及系统，仅通过少量实验，在小样本数据集条件下就能够完成磨砂射流成缝能力的评估。并在此基础上，依托少量数据样本，进一步完成磨砂射流成缝能力的快速参数调控。
下面参考附图详细描述本申请实施例所提出的一种顶板磨砂射流成缝的调控方法及系统。
图1为本申请实施例提出的一种顶板磨砂射流成缝的调控方法的流程图，如图1所示，该方法包括以下步骤：
步骤S101，通过实验获取第一数量组磨砂射流成缝数据作为小样本训练数据，其中，每组磨砂射流成缝数据包括多个调控特征和多个调控目标。
具体的，先选取少量的磨砂射流成缝数据，作为磨砂射流成缝快速调控模型的训练数据，本申请选取的第一数量组磨砂射流成缝数据的数据组数不需要过多，即仅采集小样本数据。每组磨砂射流成缝数据中均包括多个调控特征和多个调控目标。
其中，调控目标是在岩石顶板上进行磨砂射流成缝的结果的状态参数，调控特征是决定调控目标的数值的关键因素。本申请根据对岩石顶板成缝效果的要求，确定几个调控目标，并选取影响成调控目标的几个关键因素作为主要的调控特征。
在本申请一个实施例中，多个调控特征，包括：射流压力、靶距、喷嘴直径、重复切割次数和移动速度；多个调控目标，包括：成缝宽度和成缝深度。
具体实施时，可以通过现有技术中开展顶板高压水射流割缝实验的实现方式，预先进行实验，获取实验得到的磨砂射流成缝参数，或者，也可以通过调取已有的历史实验数据的方式，采集到第一数量组磨砂射流成缝数据。
作为一种示例，通过实验选取16组磨砂射流成缝数据，每组数据中将影响成缝宽度和成缝深度的5大关键因素作为5个主要调控特征，分别是射流压力C1（MPa）、靶距C2（mm）、喷嘴直径C3（mm）、重复切割次数C4（次）和移动速度C5（mm/s）。并且，将成缝宽度A1（mm）和成缝深度A2（mm）两个关键特征作为调控目标。
在本示例中，实验收集的16组磨砂射流成缝能力数据如下表1所示：
表1 第一数量组磨砂射流成缝数据表
需要说明的是，本申请实施例中“第一数量”和“第二数量”等，仅用于区分不同组数的数据，具体的数量值可以根据实际情况调整，本申请对此不做限制。
步骤S102，根据各个调控特征的重要程度对小样本训练数据进行泛化，获得扩充后的第二数量组训练数据，并基于第二数量组训练数据训练出基础神经网络模型，基础神经网络模型用于根据输入的多个调控目标输出多个调控特征。
具体的，根据小样本训练数据的每组数据中各个调控特征的重要程度，扩充小样本训练数据，对每一组磨砂射流成缝数据进行泛化，扩充形成更多组新数据作为基础神经网络模型的训练数据，即第二数量大于大于第一数量。
在本申请一个实施例中，各个调控特征的重要程度按照以下公式所示的顺序依次降低：
射流压力＞靶距＞喷嘴直径＞重复切割次数＞移动速度。进而，在此基础上进行泛化时，可以根据每个调控特征的重要程度等级，为每个调控特征分配相应数量的正态噪声数据，其中，重要程度等级越高的调控特征对应的正态噪声数据的数量越多。
具体而言，在本实施例中，依次设定射流压力C1、靶距C2、喷嘴直径C3、重复切割次数C4和移动速度C5的特征重要程度分别为5、4、3、2和1，其中第5等级代表最重要，第1等级代表最不重要，并按照数字由大到小的顺序，重要程度依次降低。
进而，针对每组磨砂射流成缝数据，根据调控特征的重要程度等级，通过分别相应数量的正态噪声数据的方式进行扩充。
举例而言，针对步骤S101的示例中16组数据的每一组数值，在射流压力数值上加以方差为0.01的正态噪声50个，在靶距数值上加以方差为0.001的正态噪声40个，在喷嘴直径数值上加以方差为0.0001的正态噪声30个，在重复切割次数值上加以方差为0.0001的正态噪声20个，在移动速度数值上加以方差为0.01的正态噪声10个。由此，每一组数据通过小样本泛化和扩充，形成150组新数据，而16组数据通过扩充，共计得到2400组训练数据。
在本示例中，以上述表1中的第一组数据为例，对其中的射流压力这一个调控特征进行注意力泛化扩成，得到对应的50条扩充数据如以下表2所示：
表2 射流压力扩充数据表
由此，本实施例设定调控特征的重要程度由重要到不重要分为5~1共5个等级，对应特征分别为射流压力、靶距、喷嘴直径、重复切割次数和移动速度。根据调控特征重要程度结合正态噪声实现小样本数据扩充。在本实施例中，不同等级的调控特征获得不同数量的噪声数据，重要程度越高调控特征的噪声数据越多，进而形成了多组注意力机制的数据集，有助于在后续调控模型构建时获得更多的学习信息。
进一步的，将对小样本训练数据进行泛化后得到的第二数量组训练数据作为基础神经网络模型的训练数据，并基于注意力损失机制训练完成基础神经网络模型。
其中，基础神经网络模型可适用于不同类型的岩石顶板，基础神经网络模型用于根据输入的多个调控目标输出多个调控特征，即，基础神经网络模型的输入节点为多个调控目标，输出节点为多个调控特征。但在实际调控过程中，在针对每种岩石顶板进行磨砂射流成缝调控时，需要根据当前岩石顶板的特性在基础神经网络模型的基础上进行调整，即可保持基础神经网络模型的结构不便，对模型参数进行迁移。
继续参照上述示例中得到的训练数据，提取上一步骤中2400组数据的调控特征数据与调控目标数据，其中，调控特征数据维度为2400×5，调控目标数据维度为2400×2。在本示例中，需建立2个调控目标与5个调控特征的基础神经网络模型，待训练的基础神经网络模型共有3层，输入层为2个节点，对应成缝深度和成缝宽度，隐含层包括6个节点 ，输出层包括5个节点，分别对应5个调控参数特征，训练完毕后得到的神经网络参数为Wb，Wb为2×6×5的矩阵。
其中，隐含层的节点数量根据训练数据的样本数量确定，需要设置最适合的隐含层个数。由于在本实施例中，每组训练数据中包含5个调控特征，因此，设置隐含层节点数量为6 个，从而可以较好完成对调控特征的表征。
在本申请一个实施例中，基于第二数量组训练数据训练出基础神经网络模型，包括：基于第二数量组训练数据进行误差计算，以优化基础神经网络模型的参数，直至误差值减少至期望值，其中，在误差计算过程中，重要程度等级越高的调控特征对应获得更多的损失权重。并且，在基于所述第二数量组训练数据进行误差计算之前，还包括：对第二数量组训练数据进行归一化处理；设置基础神经网络模型的输入层到隐含层，以及隐含层到输出层均采用ReLU激活函数。
具体而言，在本实施例中，先使用各种归一化方法，比如，使用最大最小值方法，对扩充得到的训练数据进行归一化处理。然后，设置基础神经网络模型从输入层到隐含层、从隐含层到输出层均使用ReLU激活函数，以解决训练过程中的梯度消失问题。再将第二数量组训练数据依次代入预先确定的误差函数公式进行误差计算，通过根据计算结果不断优化基础神经网络模型的参数，可以减小计算出的误差值，直至误差逐步减少到期望。此时，可以表明基础神经网络模型已训练完成，最终得到基础神经网络模型的参数为Wb，Wb为2×6×5的矩阵。
作为一种可能的实现方式，可以通过以下公式表示上述误差计算公式：
其中，J（θ）表示误差计算结果，C 1至C 5对应的调控特征如上述实施例中所述。
由该公式可知，该误差计算方式依据小样本扩充的数据，通过泛化实现了注意力损失，近似于重要程度越高的数据获得更多的损失权重，训练得到的神经网络也更倾向于依次优先调整从C 1至C 5，即优先调整重要程度等级更高的C 1。
举例而言，通过上述训练方式得到的训练完成的基础神经网络模型的神经网络参数Wb为：
。
步骤S103，针对当前待处理的目标顶板岩石，收集第三数量组磨砂射流成缝数据，并根据调控特征的重要程度将第三数量组磨砂射流成缝数据扩充至第四数量组目标数据。
具体的，收集当前待进行磨砂射流的顶板岩石的少量成缝数据，作为对基础神经网络模型进行调整的训练数据，以便于后续能够确定适合于当前待处理的目标顶板岩石的磨砂射流成缝调控特征参数。
其中，第三数量可以小于第一数量，即收集的目标顶板岩石的磨砂射流成缝数据的组数更少，以降低调控成本。并且，可以按照上述实施例中对小样本训练数据进行泛化的实现方式，对收集的第三数量组磨砂射流成缝数据进行泛化，以扩充至第四数量组目标数据
举例而言，对于当前的目标岩石，任意采用2组参数进行磨砂射流成缝能力实验，收集2组数据，包括5个调控特征：射流压力、靶距、喷嘴直径、重复切割次数和移动速度，以及2个调控目标：成缝宽度和成缝深度的数据。
其中，收集的2组磨砂射流成缝能力数据如下表3所示：
表3 第三数量组磨砂射流成缝数据表
进一步的，根据调控特征的重要程度将第三数量组磨砂射流成缝数据扩充至第四数量组目标数据。
具体的，可以采用与步骤步骤S102相同的根据调控特征的重要程度的扩充方式，对第三数量组磨砂射流成缝数据进行小样本数据的泛化扩充。
举例而言，每一组数据通过小样本泛化和扩充，形成150组新数据，2组数据通过扩充，得到300组目标数据。
其中，以表3中的第一组数据为例，对其中的射流压力特征进行注意力泛化扩成，得到对应的50条数据如下表4所示：
表4另一种射流压力扩充数据表
由此，依据特征重要程度完成目标数据的小样本扩充，获得了用于后续对基础神经网络模型进行调整的目标数据。
步骤S104，基于第四数量组目标数据对基础神经网络模型进行参数迁移，获得适用于目标顶板岩石的目标神经网络。
具体的，使用当前待处理的目标顶板岩石对应的目标数据对基础神经网络模型进行参数迁移，包括使用第四数量组目标数据对基础神经网络模型中的部分层进行训练，微调完成的目标神经网络可输出适用于目标顶板岩石特性的多个调控特征。
在本申请一个实施例中，基于第四数量组目标数据对基础神经网络模型进行参数迁移，包括：固定基础神经网络模型中输入层到隐含层的参数矩阵；通过第四数量组目标数据训练基础神经网络模型中隐含层到输出层的参数矩阵。
具体而言，在本实施例中，由于已经得到了步骤S102中的2400组训练数据中各个数据特征的分布，以及步骤S103中的300组目标数据中各个数据特征的分布，通过对比各组数据特征的分布，可以得到目标数据的分布变化，即对于当前的目标顶板岩石而言，采集的数据中的各个特征间关系的差异。再固定基础神经网络模型中输入层到隐含层的参数矩阵，基于得到的数据特征分布差异，用新得到的目标数据训练隐含层到输出层的参数矩阵，得到调整后的隐含层到输出层的参数矩阵。从而，求解出基础神经网络的参数迁移结果，完成基础神经网络模型的迁移，得到目标神经网络。
继续以上述实施例中的基础神经网络参数Wb而言，固定基础神经网络参数Wb中输入层到隐含层的参数矩阵Wbi，Wbi的维度为2×6，通过300组数据训练基础神经网络参数Wb中隐含层到输出层的参数矩阵Wbo，Wbo的维度为6×5，据此实现目标神经网络的快速训练，并得到目标神经网络参数为Wg，Wg为2×6×5的矩阵。该目标神经网络输入和输出，与上述实施例中的基础神经网络模型相同。在本示例中得到的目标神经网络如图2所示，图2中使用不同灰度的线条区分各层对应的固定参数和迁移参数。
步骤S105，将对目标顶板岩石的多个预期调控目标输入目标神经网络，获得目标神经网络输出的多个调控特征参数，并按照多个调控特征参数对目标顶板岩石进行磨砂射流成缝处理。
具体的，获取本轮对目标顶板岩石的磨砂射流成缝任务所需的多个预期调控目标，比如，目标成缝宽度和目标成缝深度，并将其输入目标神经网络，获得目标神经网络输出的多个关键的调控特征参数，按照多个调控特征参数进行精准磨砂射流应用。
在本申请一个实施例中，根据实际需求，设定目标成缝宽度和目标成缝深度，输入给目标神经网络，目标神经网络通过上一步骤中训练得到的隐含层到输出层的参数矩阵Wg和激活函数进行非线性运算，求得最适合当前的目标成缝宽度和目标成缝深度的5个关键调控参数。
作为一种示例，向目标神经网络输入：需要成缝深度为8mm，成缝宽度为2mm。调控模型经过运算，输出：喷嘴直径2mm、射流压力14.22MPa、靶距1d、移动速度30mm/s和重复切割次数2次。
由此，本申请依据Wg参数矩阵对应可以在仅进行2组目标岩石成缝能力实验的基础上实现快速的成缝宽度和成缝深度调控，仅需设定所需成缝宽度和成缝深度，即可通过目标神经网络，快速求解喷嘴直径、射流压力、靶距、移动速度、重复切割次数5个调控参数，完成磨砂射流的精准成缝。可以实现任意目标岩石的磨砂射流成缝快速精准调控，满足现场需求。
基于上述描述可知，本申请通过以下三个方面实现顶板磨砂射流成缝的快速调控：第一，通过注意力机制方法泛化扩充少量实验收集的小样本数据，解决少次数实验数据信息不足的问题。第二，设定5个调控特征和2个调控目标，并通过3层神经网络反向建立2个调控目标与5个调控特征间的基础模型，通过基础模型和目标模型间的迁移减少对目标岩石数据的依赖，实现已有模型在不同岩石上的应用。第三，通过目标神经网络实现定量调控目标所需调控特征的快速求解，实现精准的、快速的磨砂射流成缝能量调控。从而极大程度上降低了在不同目标岩石上进行磨砂射流所需前期准备工作的工作量，并且能提供更加精准的成缝能力。
综上所述，本申请实施例的顶板磨砂射流成缝的调控方法，基于小样本数据的泛化迁移，整体上实现了磨砂射流成缝能力的快速定量调控，在给定实际需要的成缝宽度和成缝深度的目标后，即可得到对应的射流压力、靶距、喷嘴直径、重复切割次数和移动速度等多个调控参数。其中，该方法通过注意力机制方法泛化扩充通过少量实验收集的小样本数据，降低对成缝能力调控对实验次数的需求，缩短了生成调控参数耗费的时间，实现了对目标岩石成缝的快速调控。并且，该方法通过对神经网络隐含层到输出层的参数迁移，实现了预先训练出的已有模型在不同岩石上的应用，提升了磨砂射流成缝的调控方法在不同目标岩石上的适用性，极大程度上降低了在不同目标岩石上进行磨砂射流所需的前期准备工作的工作量，并且能提供更加精准的成缝结果。由此，该方法提高了磨砂射流成缝快速调控的便捷性、及时性和准确性，降低了调控耗费的成本。
基于上述实施例。为了更加清楚地说明本申请实施例的顶板磨砂射流成缝的调控方法在实际应用中的实现流程，下面以一个具体的快速调控方法的实施例进行详细说明。图3为本申请实施例提出的一种具体的顶板磨砂射流成缝的调控方法的流程图，如图3所示，该方法包括以下步骤：
步骤S301，实验选取16组磨砂射流成缝参数，作为磨砂射流成缝能力快速调控模型的训练数据集。
具体的，获取包含C1、C2、C3、C4、C5、A1和A2的16组实验数据。
步骤S302，通过小样本泛化模块依据调控特征重要程度扩充小样本训练数据。
具体的，通过注意力机制泛化扩充16组实验数据为2400组。
步骤S303，依据小样本泛化注意力损失建立2个调控目标与5个调控特征的基础神经网络模型。
具体的，建立基础神经网络，求得网络参数矩阵Wb。
步骤S304，收集待磨砂射流岩石的成缝数据2组，用以训练并快速选定适合的磨砂射流成缝调控特征参数。
具体的，获取目标岩石的包含C1、C2、C3、C4、C5、A1和A2的共2组实验数据。以便后续在目标岩石上形成指定深度和宽度的磨砂射流成缝。
步骤S305，通过小样本泛化模块依据调控特征重要程度扩充目标岩石的数据。
具体的，将目标岩石的2组实验数据通过注意力机制泛化扩充为300组。
步骤S306，固定部分神经网络参数，完成神经网络的参数迁移，求得目标神经网络。
具体的，将基础神经网络模型Wb的2×6参数矩阵设置为固定，6×5参数矩阵设置为不固定，依据目标岩石的300组数据训练6×5参数矩阵，形成目标神经网络的新参数矩阵Wg。
步骤S307，设定目标成缝宽度和目标成缝深度，输出选定的5个关键调控特征参数，进行精准磨砂射流应用。
具体的，向目标神经网络输入成缝宽度和成缝深度，获取目标神经网络输出的射流压力、靶距、喷嘴直径、重复切割次数和移动速度的最优参数。
需要说明的是，本方法实施例中各步骤的具体实现方式可参照上述实施例中的相关描述，此处不再赘述。
为了实现上述实施例，本申请还提出了一种顶板磨砂射流成缝的调控系统，图4为本申请实施例提出的一种顶板磨砂射流成缝的调控系统的结构示意图，如图4所示，该系统包括第一获取模块100、泛化模块200、第二获取模块300、参数迁移模块400和处理模块500。
其中，第一获取模块100，用于通过实验获取第一数量组磨砂射流成缝数据作为小样本训练数据，其中，每组磨砂射流成缝数据包括多个调控特征和多个调控目标。
泛化模块200，用于根据各个调控特征的重要程度对小样本训练数据进行泛化，获得扩充后的第二数量组训练数据，并基于第二数量组训练数据训练出基础神经网络模型，基础神经网络模型用于根据输入的多个调控目标输出多个调控特征。
第二获取模块300，用于针对当前待处理的目标顶板岩石，收集第三数量组磨砂射流成缝数据，并根据调控特征的重要程度将第三数量组磨砂射流成缝数据扩充至第四数量组目标数据。
参数迁移模块400，用于基于第四数量组目标数据对基础神经网络模型进行参数迁移，获得适用于目标顶板岩石的目标神经网络。
处理模块500，用于将对目标顶板岩石的多个预期调控目标输入目标神经网络，获得目标神经网络输出的多个调控特征参数，并按照多个调控特征参数对目标顶板岩石进行磨砂射流成缝处理。
可选地，在本申请的一个实施例中，泛化模块200，具体用于：根据每个调控特征的重要程度等级，为每个调控特征分配相应数量的正态噪声数据，其中，重要程度等级越高的调控特征对应的正态噪声数据的数量越多。
可选地，在本申请的一个实施例中，泛化模块200，还用于：基于第二数量组训练数据进行误差计算，以优化基础神经网络模型的参数，直至误差值减少至期望值，其中，在误差计算过程中，重要程度等级越高的调控特征对应获得更多的损失权重。
可选地，在本申请的一个实施例中，泛化模块200，还用于：对第二数量组训练数据进行归一化处理；设置基础神经网络模型的输入层到隐含层，以及隐含层到输出层均采用ReLU激活函数。
可选地，在本申请的一个实施例中，参数迁移模块400，还用于：固定基础神经网络模型中输入层到隐含层的参数矩阵；通过第四数量组目标数据训练基础神经网络模型中隐含层到输出层的参数矩阵。
可选地，在本申请的一个实施例中，处理模块500，具体用于：通过训练完成的隐含层到输出层的参数矩阵和激活函数，对多个预期调控目标进行非线性运算，获得适用于多个预期调控目标的多个调控特征参数。
需要说明的是，前述对顶板磨砂射流成缝的调控方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述。
综上所述，本申请实施例的顶板磨砂射流成缝的调控系统，通过对神经网络隐含层到输出层的参数迁移，实现了预先训练出的已有模型在不同岩石上的应用，提升了磨砂射流成缝的调控方法在不同目标岩石上的适用性，极大程度上降低了在不同目标岩石上进行磨砂射流所需的前期准备工作的工作量，并且能提供更加精准的成缝结果。由此，该系统提高了磨砂射流成缝快速调控的便捷性、及时性和准确性，降低了调控耗费的成本。
为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的顶板磨砂射流成缝的调控方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种顶板磨砂射流成缝的调控方法，其特征在于，包括以下步骤：
通过实验获取第一数量组磨砂射流成缝数据作为小样本训练数据，其中，每组所述磨砂射流成缝数据包括多个调控特征和多个调控目标；
根据各个所述调控特征的重要程度对所述小样本训练数据进行泛化，获得扩充后的第二数量组训练数据，并基于所述第二数量组训练数据训练出基础神经网络模型，所述基础神经网络模型用于根据输入的多个调控目标输出多个调控特征，其中，所述多个调控特征，包括：射流压力、靶距、喷嘴直径、重复切割次数和移动速度，所述多个调控目标，包括：成缝宽度和成缝深度；
针对当前待处理的目标顶板岩石，收集第三数量组磨砂射流成缝数据，并根据调控特征的重要程度将所述第三数量组磨砂射流成缝数据扩充至第四数量组目标数据；
基于所述第四数量组目标数据对所述基础神经网络模型进行参数迁移，获得适用于所述目标顶板岩石的目标神经网络；
将对所述目标顶板岩石的多个预期调控目标输入所述目标神经网络，获得所述目标神经网络输出的多个调控特征参数，并按照所述多个调控特征参数对所述目标顶板岩石进行磨砂射流成缝处理；
其中，各个所述调控特征的重要程度按照以下公式所示的顺序依次降低：
所述射流压力＞所述靶距＞所述喷嘴直径＞所述重复切割次数＞所述移动速度；
所述根据各个所述调控特征的重要程度对所述小样本训练数据进行泛化，包括：
根据每个所述调控特征的重要程度等级，为每个所述调控特征分配相应数量的正态噪声数据，其中，重要程度等级越高的调控特征对应的正态噪声数据的数量越多。
2.根据权利要求1所述的顶板磨砂射流成缝的调控方法，其特征在于，所述基础神经网络模型包括：节点数量为2的输入层、节点数量为6的隐含层和节点数量为5的输出层，所述基于所述第二数量组训练数据训练出基础神经网络模型，包括：
基于所述第二数量组训练数据进行误差计算，以优化所述基础神经网络模型的参数，直至误差值减少至期望值，其中，在误差计算过程中，重要程度等级越高的调控特征对应获得更多的损失权重。
3.根据权利要求2所述的顶板磨砂射流成缝的调控方法，其特征在于，在所述基于所述第二数量组训练数据进行误差计算之前，还包括：
对所述第二数量组训练数据进行归一化处理；
设置所述基础神经网络模型的输入层到隐含层，以及隐含层到输出层均采用ReLU激活函数。
4.根据权利要求1所述的顶板磨砂射流成缝的调控方法，其特征在于，所述基于所述第四数量组目标数据对所述基础神经网络模型进行参数迁移，包括：
固定所述基础神经网络模型中输入层到隐含层的参数矩阵；
通过所述第四数量组目标数据训练所述基础神经网络模型中隐含层到输出层的参数矩阵。
5.根据权利要求4所述的顶板磨砂射流成缝的调控方法，其特征在于，所述获得所述目标神经网络输出的多个调控特征参数，包括：
通过训练完成的隐含层到输出层的参数矩阵和激活函数，对所述多个预期调控目标进行非线性运算，获得适用于所述多个预期调控目标的多个调控特征参数。
6.一种顶板磨砂射流成缝的调控系统，其特征在于，包括以下模块：
第一获取模块，用于通过实验获取第一数量组磨砂射流成缝数据作为小样本训练数据，其中，每组所述磨砂射流成缝数据包括多个调控特征和多个调控目标；
泛化模块，用于根据各个所述调控特征的重要程度对所述小样本训练数据进行泛化，获得扩充后的第二数量组训练数据，并基于所述第二数量组训练数据训练出基础神经网络模型，所述基础神经网络模型用于根据输入的多个调控目标输出多个调控特征，其中，所述多个调控特征，包括：射流压力、靶距、喷嘴直径、重复切割次数和移动速度，所述多个调控目标，包括：成缝宽度和成缝深度；
第二获取模块，用于针对当前待处理的目标顶板岩石，收集第三数量组磨砂射流成缝数据，并根据调控特征的重要程度将所述第三数量组磨砂射流成缝数据扩充至第四数量组目标数据；
参数迁移模块，用于基于所述第四数量组目标数据对所述基础神经网络模型进行参数迁移，获得适用于所述目标顶板岩石的目标神经网络；
处理模块，用于将对所述目标顶板岩石的多个预期调控目标输入所述目标神经网络，获得所述目标神经网络输出的多个调控特征参数，并按照所述多个调控特征参数对所述目标顶板岩石进行磨砂射流成缝处理；
其中，各个所述调控特征的重要程度按照以下公式所示的顺序依次降低：
所述射流压力＞所述靶距＞所述喷嘴直径＞所述重复切割次数＞所述移动速度；
所述根据各个所述调控特征的重要程度对所述小样本训练数据进行泛化，包括：
根据每个所述调控特征的重要程度等级，为每个所述调控特征分配相应数量的正态噪声数据，其中，重要程度等级越高的调控特征对应的正态噪声数据的数量越多。
7.根据权利要求6所述的顶板磨砂射流成缝的调控系统，其特征在于，所述参数迁移模块，具体用于：
固定所述基础神经网络模型中输入层到隐含层的参数矩阵；
通过所述第四数量组目标数据训练所述基础神经网络模型中隐含层到输出层的参数矩阵。
8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的顶板磨砂射流成缝的调控方法。
CN202311757857.3A 2023-12-20 2023-12-20 顶板磨砂射流成缝的调控方法及系统 Active CN117432414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311757857.3A CN117432414B (zh) 2023-12-20 2023-12-20 顶板磨砂射流成缝的调控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311757857.3A CN117432414B (zh) 2023-12-20 2023-12-20 顶板磨砂射流成缝的调控方法及系统

Publications (2)

Publication Number Publication Date
CN117432414A CN117432414A (zh) 2024-01-23
CN117432414B true CN117432414B (zh) 2024-03-19

Family

ID=89553915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311757857.3A Active CN117432414B (zh) 2023-12-20 2023-12-20 顶板磨砂射流成缝的调控方法及系统

Country Status (1)

Country Link
CN (1) CN117432414B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980897A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法
CN109063403A (zh) * 2018-10-22 2018-12-21 西安石油大学 一种滑溜水压裂优化设计方法
CN109689836A (zh) * 2016-07-22 2019-04-26 通用电气(Ge)贝克休斯有限责任公司 使用远场转向体系增强裂缝复杂性的方法
CN110705179A (zh) * 2019-09-30 2020-01-17 山东大学 基于融合神经网络的导水裂缝带高度精确预测方法及系统
CN110952978A (zh) * 2019-12-20 2020-04-03 西南石油大学 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
CN114488140A (zh) * 2022-01-24 2022-05-13 电子科技大学 一种基于深度迁移学习的小样本雷达一维像目标识别方法
CN114912364A (zh) * 2022-05-31 2022-08-16 中海石油（中国）有限公司天津分公司 天然气井流量预测方法、装置、设备及计算机可读介质
CN115977615A (zh) * 2023-01-03 2023-04-18 上海达坦能源科技股份有限公司 压裂效果评价方法、系统、介质及电子设备
CN115977633A (zh) * 2022-12-20 2023-04-18 山东科技大学 一种基于多信息融合反馈的射流与截割协同调控的方法
CN116186641A (zh) * 2023-04-26 2023-05-30 四川轻化工大学 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法
CN116232923A (zh) * 2022-12-23 2023-06-06 中国联合网络通信集团有限公司 模型训练方法、装置以及网络流量预测方法、装置
CN116432385A (zh) * 2023-02-15 2023-07-14 山东大学 磨料水射流-滚刀联合破岩刀盘设计方法、系统、刀盘及tbm
CN116749085A (zh) * 2023-07-19 2023-09-15 嘉兴云切在线科技有限公司 一种钢板切割的智能控制方法及系统
CN116786948A (zh) * 2023-06-27 2023-09-22 上海交通大学 一种搭接接头焊接工艺参数调节方法及系统
CN116796648A (zh) * 2023-07-13 2023-09-22 西北工业大学 一种基于物理神经网络的流场掺混计算方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2818742B1 (fr) * 2000-12-22 2003-02-14 Inst Francais Du Petrole Methode pour former un module a reseaux neuronaux optimise, destine a simuler le mode d'ecoulement d'une veine de fluides polyphasiques
US10970620B2 (en) * 2017-09-08 2021-04-06 Halliburton Energy Services, Inc. Optimizing production using design of experiment and reservoir modeling
LU100936B1 (en) * 2018-09-26 2020-03-27 Univ Luxembourg Wear monitoring device and process for an abrasive waterjet cutting head
CN110472483B (zh) * 2019-07-02 2022-11-15 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
US20230228901A1 (en) * 2022-01-19 2023-07-20 Halliburton Energy Services, Inc. Correlating true vertical depths for a measured depth
CN114925813B (zh) * 2022-05-25 2024-10-18 支付宝(杭州)信息技术有限公司 目标检测系统的训练方法及装置

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109689836A (zh) * 2016-07-22 2019-04-26 通用电气(Ge)贝克休斯有限责任公司 使用远场转向体系增强裂缝复杂性的方法
CN106980897A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法
CN109063403A (zh) * 2018-10-22 2018-12-21 西安石油大学 一种滑溜水压裂优化设计方法
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
CN110705179A (zh) * 2019-09-30 2020-01-17 山东大学 基于融合神经网络的导水裂缝带高度精确预测方法及系统
CN110952978A (zh) * 2019-12-20 2020-04-03 西南石油大学 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法
CN114488140A (zh) * 2022-01-24 2022-05-13 电子科技大学 一种基于深度迁移学习的小样本雷达一维像目标识别方法
CN114912364A (zh) * 2022-05-31 2022-08-16 中海石油（中国）有限公司天津分公司 天然气井流量预测方法、装置、设备及计算机可读介质
CN115977633A (zh) * 2022-12-20 2023-04-18 山东科技大学 一种基于多信息融合反馈的射流与截割协同调控的方法
CN116232923A (zh) * 2022-12-23 2023-06-06 中国联合网络通信集团有限公司 模型训练方法、装置以及网络流量预测方法、装置
CN115977615A (zh) * 2023-01-03 2023-04-18 上海达坦能源科技股份有限公司 压裂效果评价方法、系统、介质及电子设备
CN116432385A (zh) * 2023-02-15 2023-07-14 山东大学 磨料水射流-滚刀联合破岩刀盘设计方法、系统、刀盘及tbm
CN116186641A (zh) * 2023-04-26 2023-05-30 四川轻化工大学 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法
CN116786948A (zh) * 2023-06-27 2023-09-22 上海交通大学 一种搭接接头焊接工艺参数调节方法及系统
CN116796648A (zh) * 2023-07-13 2023-09-22 西北工业大学 一种基于物理神经网络的流场掺混计算方法
CN116749085A (zh) * 2023-07-19 2023-09-15 嘉兴云切在线科技有限公司 一种钢板切割的智能控制方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于人工神经网络的磨料水射流精密特种加工;雷玉勇等;四川大学学报(工程科学版);20051128(第06期);第155-159页 *
磨料水射流切割可视化BP神经网络模型研究;汤积仁等;四川大学学报(工程科学版);20130520(第03期);第164-170页 *
磨料水射流切割深度的神经网络模型;王宗龙等;煤矿机械;20090115(第01期);第51-53页 *

Also Published As

Publication number Publication date
CN117432414A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
Javad et al. Application of artificial neural networks to the prediction of tunnel boring machine penetration rate
CN101344389B (zh) 一种利用神经网络预测隧道围岩位移的方法
CN106910002B (zh) 地铁隧道结构安全评估的方法
Chanda et al. A comparative study of truck cycle time prediction methods in open‐pit mining
Naghadehi et al. Face stability analysis of mechanized shield tunneling: An objective systems approach to the problem
CN110442979B (zh) 基于bp神经网络的盾构施工隧道的全变形预测方法及系统
CN103995947A (zh) 改进的煤层底板突水脆弱性评价方法
DE102011051457A1 (de) Verbesserte Planiersteuerung für ein Erdbewegendessystem bei höheren Maschinengeschwindigkeiten
CN103839106B (zh) 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法
Böhmer et al. Plastic deformation of corrugated rails—a numerical approach using material data of rail steel
Mahdiabadi et al. Prediction of uniaxial compressive strength and modulus of elasticity in calcareous mudstones using neural networks, fuzzy systems, and regression analysis
Mikaeil et al. Multifactorial fuzzy approach to the penetrability classification of TBM in hard rock conditions
Schafer et al. Future research needs in soil compaction
Kay Safety factor evaluation for single piles in sand
Gajewski et al. Towards the identification of worn picks on cutterdrums based on torque and power signals using Artificial Neural Networks
CN117432414B (zh) 顶板磨砂射流成缝的调控方法及系统
CN115577645B (zh) 一种燃爆压裂破裂范围预测模型的构建方法及预测方法
DE102016201559A1 (de) Verfahren und Vorrichtung zum Vermessen eines zu testenden Systems
Samadi et al. Developing the empirical models for predicting the EPB operating parameters in strong Limestone
CN115577619A (zh) 基于机器学习预测液化土残余抗剪强度的方法
CN105718668A (zh) 一种露天矿抛爆效果分析方法
Liu et al. Data-driven Optimal Control of Earth Pressure Balance for Shield Tunneling Machine.
Schubert et al. The guideline for the geomechanical design of underground structures with conventional excavation.
CN113901939A (zh) 基于模糊修正的冲击地压危险等级预测方法、存储介质及设备
Chen et al. Critical geometric parameters of slope and their sensitivity analysis: a case study in Jilin, Northeast China

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