CN117892092A - 基于大数据实现矿山数据的智能采集方法及系统 - Google Patents
基于大数据实现矿山数据的智能采集方法及系统 Download PDFInfo
- Publication number
- CN117892092A CN117892092A CN202410283562.5A CN202410283562A CN117892092A CN 117892092 A CN117892092 A CN 117892092A CN 202410283562 A CN202410283562 A CN 202410283562A CN 117892092 A CN117892092 A CN 117892092A
- Authority
- CN
- China
- Prior art keywords
- mine
- information
- risk
- acquisition
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 3
- 239000011707 mineral Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002341 toxic gas Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training 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
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及远程监控领域,揭露了一种基于大数据实现矿山数据的智能采集方法及系统,所述方法包括:分析待采集矿山的地质条件和矿山环境,构建待采集矿山的矿山内部虚拟模型;对矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别时间演化矿山模型的矿山演化系数,标记时间演化矿山模型的矿山风险场景;计算矿山风险场景的场景风险系数,识别待采集矿山的安全采集区域,分析安全采集区域的采集焦点;分析采集焦点的焦点特征,配置采集焦点的信息采集设备,构建信息采集设备的信息智能采集网络,通过信息智能采集网络执行所述待采集矿山的信息智能采集。本发明可以提高对矿山进行信息智能采集的效果。
Description
技术领域
本发明涉及远程监控领域,尤其涉及一种基于大数据实现矿山数据的智能采集方法及系统。
背景技术
矿山数据智能采集是指通过智能化手段对矿山数据进行采集的过程。通过矿山数据智能采集可以实现对矿山环境参数数据的实时监测、分析和预测,提高矿山运营效率和安全性。
目前所述矿山数据智能采集主要是通过利用传感器、无人机等智能采集设备对矿山内部和外部进行信息采集,这种方法没有考虑矿山可能存在的爆炸、坍塌、有毒气体等突发事件,突发事件会使得设备损坏,从而导致矿山数据的智能采集效果不佳。
发明内容
本发明提供一种基于大数据实现矿山数据的智能采集方法及系统,其主要目的在于提高对矿山进行信息智能采集的效果。
为实现上述目的,本发明提供的一种基于大数据实现矿山数据的智能采集方法,包括:
获取待采集矿山的矿山场景,基于所述矿山场景,分析所述待采集矿山的矿山类型,基于所述矿山类型,采集所述待采集矿山的矿山基础信息;
提取所述矿山基础信息的信息特征,基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境,基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型;
对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别所述时间演化矿山模型的矿山演化系数,基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景;
计算所述矿山风险场景的场景风险系数,基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域,分析所述安全采集区域的采集焦点;
分析所述采集焦点的焦点特征,基于所述焦点特征,配置所述采集焦点的信息采集设备,构建所述信息采集设备的信息智能采集网络,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集。
可选地,所述基于所述矿山类型,采集所述待采集矿山的矿山基础信息,包括:
分析所述矿山类型的类型特征;
通过所述类型特征,制定所述待采集矿山的基础信息采集方式;
基于所述基础信息采集方式,配置所述待采集矿山的初始采集器;
通过所述初始采集器,采集所述待采集矿山的矿山基础信息。
可选地,所述提取所述矿山基础信息的信息特征,包括:
对所述矿山基础信息进行数据预处理,得到处理矿山信息;
识别所述处理矿山信息的矿山信息属性;
基于所述矿山信息属性,对所述矿山基础信息进行分类,得到分类矿山信息;
提取所述分类矿山信息的初始信息特征;
对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征。
可选地,所述对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征,包括:
分析所述初始信息特征的特征系数;
基于所述特征系数,利用下述公式构建所述初始信息特征的特征目标函数:
;
其中,表示初始信息特征的特征目标函数,/>表示损失函数,/>表示正则化强度超参数,/>表示第i个初始信息特征的特征系数;
通过所述特征目标函数对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征。
可选地,所述基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型,包括:
基于所述地质条件,识别所述待采集矿山的矿床地基;
基于所述矿床地基,构建所述待采集矿山的地质矿床模型;
基于所述矿山环境,构建所述待采集矿山的矿山环境模型;
将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型。
可选地,所述将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型,包括:
构建所述地质矿床模型和所述矿山环境模型的融合函数;
基于所述融合函数,利用下述公式将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型:
;
其中,表示待采集矿山的矿山内部虚拟模型,/>表示融合函数,/>表示地质矿床模型,/>表示矿山环境模型,/>表示融合修正系数。
可选地,所述识别所述时间演化矿山模型的矿山演化系数,包括:
识别所述时间演化矿山模型的演化时间轴;
标记所述时间演化矿山模型在所述演化时间轴的演变起始点;
通过所述演变起始点,分析所述时间演化矿山模型对应待采集矿山的矿山演变初始特征和矿山演变终止特征;
基于所述矿山演变初始特征和所述矿山演变终止特征,分析所述时间演化矿山模型的矿山演化系数。
可选地,所述计算所述矿山风险场景的场景风险系数,包括:
识别所述矿山风险场景的风险因子;
分析所述风险因子的风险因子特征;
基于所述风险因子特征,配置所述风险因子的因子权重;
基于所述风险因子和所述因子权重,计算所述矿山风险场景的场景风险系数。
可选地,所述基于所述风险因子和所述因子权重,计算所述矿山风险场景的场景风险系数,包括:
基于所述风险因子和所述因子权重,利用下述公式计算所述矿山风险场景的场景风险系数:
;
其中,表示矿山风险场景的场景风险系数,/>表示第/>个风险因子,/>表示第/>个风险因子对应的因子权重,/>表示第/>个风险因子的波及范围,/>表示风险因子的数量,/>表示矿山风险场景对第/>个风险因子的环境影响系数。为了解决上述问题,本发明还提供一种基于大数据实现矿山数据的智能采集系统,所述系统包括:
矿山信息获取模型,用于获取待采集矿山的矿山场景,基于所述矿山场景,分析所述待采集矿山的矿山类型,基于所述矿山类型,采集所述待采集矿山的矿山基础信息;
矿山内部模拟模块,用于提取所述矿山基础信息的信息特征,基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境,基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型;
矿山风险场景识别模块,用于对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别所述时间演化矿山模型的矿山演化系数,基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景;
风险场景分析模块,用于计算所述矿山风险场景的场景风险系数,基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域,分析所述安全采集区域的采集焦点;
矿山信息智能采集模块,用于分析所述采集焦点的焦点特征,基于所述焦点特征,配置所述采集焦点的信息采集设备,构建所述信息采集设备的信息智能采集网络,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集。
本发明实施例基于所述矿山类型,采集所述待采集矿山的矿山基础信息可以提高信息采集的可靠性,为后期进行数据分析提供数据依据;本发明实施例通过提取所述矿山基础信息的信息特征可以筛选出所述矿山基础信息中的关键信息特征,为后期进行矿山内部结构分析提供数据基础;进一步地,本发明实施例基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型可以对矿山的内部场景可视化,提高了对所述待采集矿山的内部识别效果;进一步地,本发明实施例通过识别所述时间演化矿山模型的矿山演化系数可以识别矿山可能存在的风险,从而为进行矿山的数据采集布置,提供了数据依据,进一步地,本发明实施例通过基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景可以标记矿山的风险场景,提高了后期进行数据采集的安全性,最后,本发明实施例基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域可以为后期进行矿山信息采集提供安全采集区域,提高了对矿山进行信息智能采集的安全性,本发明实施例构建所述信息采集设备的信息智能采集网络可以实现采集数据的传输,从而进一步保障了矿山数据的安全采集,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集可以实现所述待采集矿山的高效且安全的信息智能采集。因此本发明提出的基于大数据实现矿山数据的智能采集方法及系统,可以提高对矿山进行信息智能采集的效果。
附图说明
图1为本发明一实施例提供的基于大数据实现矿山数据的智能采集方法的流程示意图;
图2为本发明一实施例提供的基于大数据实现矿山数据的智能采集系统的功能模块图;
图3为本发明一实施例提供的基于大数据实现矿山数据的智能采集系统的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于大数据实现矿山数据的智能采集方法。所述基于大数据实现矿山数据的智能采集方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于大数据实现矿山数据的智能采集方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于大数据实现矿山数据的智能采集方法的流程示意图。在本实施例中,所述基于大数据实现矿山数据的智能采集方法包括:
S1、获取待采集矿山的矿山场景,基于所述矿山场景,分析所述待采集矿山的矿山类型,基于所述矿山类型,采集所述待采集矿山的矿山基础信息。
本发明实施例中,所述待采集矿山是指需要进行信息采集的矿山,所述矿山场景是指所述待采集矿山相关的各种具体情境和环境,包括矿山的地理位置、矿山范围等。
进一步地,本发明实施例通过基于所述矿山场景,分析所述待采集矿山的矿山类型可以制定所述待采集矿山的矿山摸底工作,从而提高矿山信息的可靠性。其中,所述矿山类型是指所述待采集矿山的类型,矿山可以分为地下矿山和露天矿山两种类型。所述分析所述待采集矿山的矿山类可以通过场景类别识别来分析。
进一步地,本发明实施例基于所述矿山类型,采集所述待采集矿山的矿山基础信息可以提高信息采集的可靠性,为后期进行数据分析提供数据依据。其中,所述矿山基础信息是指可以描述所述待采集矿山的矿山基础数据,例如,矿山地质、矿山深度、矿石资源等数据。
作为本发明的一个实施例,所述基于所述矿山类型,采集所述待采集矿山的矿山基础信息,包括:分析所述矿山类型的类型特征;通过所述类型特征,制定所述待采集矿山的基础信息采集方式;基于所述基础信息采集方式,配置所述待采集矿山的初始采集器;通过所述初始采集器,采集所述待采集矿山的矿山基础信息。
其中,所述类型特征是指不同所述矿山类型的特征属性,例如露天矿山的容易观察、易开采,地下矿山的地质条件复杂、探测风险高等特征,所述基础信息采集方式是指为了了解所述待采集矿山所制定的矿山信息采集规则,例如空中拍摄、激活扫描等规则,所述初始采集器是指对所述待采集矿山进行信息采集的初始设备,例如,激光扫描仪、无人机等设备。
S2、提取所述矿山基础信息的信息特征,基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境,基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型。
本发明实施例通过提取所述矿山基础信息的信息特征可以筛选出所述矿山基础信息中的关键信息特征,为后期进行矿山内部结构分析提供数据基础。其中,所述信息特征是指与矿山相关的各种信息的特点和属性,例如矿山的空间性、复杂性等属性。
作为本发明的一个实施例,所述提取所述矿山基础信息的信息特征,包括:对所述矿山基础信息进行数据预处理,得到处理矿山信息;
识别所述处理矿山信息的矿山信息属性;基于所述矿山信息属性,对所述矿山基础信息进行分类,得到分类矿山信息;提取所述分类矿山信息的初始信息特征;对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征。
其中,所述处理矿山信息是指对所述矿山基础信息进行数据缺失值补充、无效值删除等操作后得到的数据集合,所述矿山信息属性是指所述处理矿山信息的数据属性,所述初始信息特征是指所述分类矿山信息的特点,例如地质构造特征(如断裂、褶皱等)、岩性特征、矿石品位特征、水文地质特征(如水位、水质等)、气象特征(如温度、降水量等)等特征。
进一步地,本发明一可选实施例中,所述对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征,包括:分析所述初始信息特征的特征系数;基于所述特征系数,利用下述公式构建所述初始信息特征的特征目标函数:
;
其中,表示初始信息特征的特征目标函数,/>表示损失函数,/>表示正则化强度超参数,/>表示第i个初始信息特征的特征系数;
通过所述特征目标函数对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征。
其中,所述损失函数可以是线性回归、逻辑回归等,可以衡量了模型在训练数据上的预测结果与真实标签之间的差异或误差,α是正则化强度超参数,控制了正则化项的惩罚程度。
进一步地,本发明实施例基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境可以为后期进行矿山的场景模拟提供数据基础。其中,所述地质条件是指所述待采集矿山的地质状态,例如包括地层结构、岩性、断裂带、脆弱带等状态,所述矿山环境是指所述待采集矿山的矿山内外部的矿山情景,例如矿石分布、矿山高度等情景。
作为本发明的一个实施例,所述基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境可以通过特征分析来分析所述待采集矿山的矿床的形成机制、矿石的分布规律、岩石的物理力学性质等来确定所述待采集矿山的地质条件,分析所述待采集矿山的水文地质特征和气象特征,了解水资源、水质、气候条件等来确定所述待采集矿山的矿山环境。
进一步地,本发明实施例基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型可以对矿山的内部场景可视化,提高了对所述待采集矿山的内部识别效果。其中,所述矿山内部虚拟模型是指所述待采集矿山内部结构和环境相结合的虚拟模型。
作为本发明的一个实施例,所述基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型,包括:基于所述地质条件,识别所述待采集矿山的矿床地基;基于所述矿床地基,构建所述待采集矿山的地质矿床模型;基于所述矿山环境,构建所述待采集矿山的矿山环境模型;将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型。
其中,所述矿床地基是指所述待采集矿山矿床的形态、岩性、断层结构等地基信息,所述地质矿床模型是指可以描述所述待采集矿山矿床地质形态的三维地质模型,所述矿山环境模型是指可以描述所述待采集矿山的环境气象的模型。
进一步地,本发明一可选实施例中,所述将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型,包括:构建所述地质矿床模型和所述矿山环境模型的融合函数;基于所述融合函数,利用下述公式将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型:
;
其中,表示待采集矿山的矿山内部虚拟模型,/>表示融合函数,/>表示地质矿床模型,/>表示矿山环境模型,/>表示融合修正系数。
其中,所述融合函数是指将多个独立的模型结合起来,以获得更准确和鲁棒的预测结果的模型,所述融合修正系数是指在进行模型融合时对模型出现的误差项进行修复的系数,其中,所述误差项包括模型偏差误差、过拟合误差、数据不一致误差等误差。
S3、对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别所述时间演化矿山模型的矿山演化系数,基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景。
本发明实施例对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型可以通过对模型进行时间推演从而得到矿山演变过程,其中,所述时间演化矿山模型是指可以设置时间轴记录所述待采集矿山结构变换的模型。所述对所述矿山内部虚拟模型进行时间演化可以通过对所述矿山内部虚拟模型添加时间轴,记录模型运行记录来实现。
进一步地,本发明实施例通过识别所述时间演化矿山模型的矿山演化系数可以识别矿山可能存在的风险,从而为进行矿山的数据采集布置,提供了数据依据。其中,所述矿山演化系数是指通过所述时间演化矿山模型记录矿山在经过时间流逝发生变换的演化程度。
作为本发明的一个实施例,所述识别所述时间演化矿山模型的矿山演化系数,包括:识别所述时间演化矿山模型的演化时间轴;标记所述时间演化矿山模型在所述演化时间轴的演变起始点;通过所述演变起始点,分析所述时间演化矿山模型对应待采集矿山的矿山演变初始特征和矿山演变终止特征;基于所述矿山演变初始特征和所述矿山演变终止特征,分析所述时间演化矿山模型的矿山演化系数。
其中,所述演化时间轴是指所述时间演化矿山模型对所述待采集矿山进行时间演变的时间轴,所述演变起始点是指矿山进行演变的时间起点和时间终点,所述矿山演变初始特征和所述矿山演变终止特征是指所述矿山在演变前和演变后的矿山特征,其中,所述矿山演变初始特征包括矿山资源品位、矿山储量、矿山生产能力等特征,所述矿山演变终止特征是指矿山资源枯竭程度、矿山生产规模等特征。
其中,所述基于所述矿山演变初始特征和所述矿山演变终止特征,分析所述时间演化矿山模型的矿山演化系数可以通过定义为矿山演变初始特征与矿山演变终止特征的比值。例如,矿山资源演化系数可以表示为:矿山资源演化系数 = 矿山演变终止特征中的矿山资源品位 / 矿山演变初始特征中的矿山资源品位。
进一步地,本发明实施例通过基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景可以标记矿山的风险场景,提高了后期进行数据采集的安全性。其中,所述矿山风险场景是指在所述时间演化矿山模型中存在安全风险的场景。所述矿山风险场景可以通过预设的矿山演化阈值来判断,所述矿山演化阈值是指矿山变换的程度。
S4、计算所述矿山风险场景的场景风险系数,基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域,分析所述安全采集区域的采集焦点。
本发明实施例通过计算所述矿山风险场景的场景风险系数可以进一步地判断矿山内部的风险程度,从而提高了对矿山进行数据采集的安全程度。其中,所述场景风险系数是指所述矿山风险场景存在的安全风险程度。
作为本发明的一个实施例,所述计算所述矿山风险场景的场景风险系数,包括:识别所述矿山风险场景的风险因子;分析所述风险因子的风险因子特征;基于所述风险因子特征,配置所述风险因子的因子权重;基于所述风险因子和所述因子权重,计算所述矿山风险场景的场景风险系数。
其中,所述风险因子是指所述矿山风险场景中影响矿山安全的因素,例如有毒气体、地质崩坍等因素,所述风险因子特征是指所述风险因子的特征属性,例如可扩散性、高危险性等属性,所述因子权重是指所述风险因子对安全风险的重要程度。
进一步地,本发明一可选实施例中,所述基于所述风险因子和所述因子权重,计算所述矿山风险场景的场景风险系数,包括:基于所述风险因子和所述因子权重,利用下述公式计算所述矿山风险场景的场景风险系数:
;
其中,表示矿山风险场景的场景风险系数,/>表示第/>个风险因子,/>表示第/>个风险因子对应的因子权重,/>表示第/>个风险因子的波及范围,/>表示风险因子的数量,/>表示矿山风险场景对第/>个风险因子的环境影响系数。
其中,所述波及范围是指所述风险因子对矿山造成的损失面积,所述环境影响系数是指所述矿山风险场景的场景环境对所述风险因子的影响程度。
进一步地,本发明实施例基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域可以为后期进行矿山信息采集提供安全采集区域,提高了对矿山进行信息智能采集的安全性。其中,所述安全采集区域是指所述待采集矿山未产生安全风险的区域。
作为本发明的一个实施例,所述基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域可以通过预设的场景风险系数阈值来判断是否存在风险,当所述场景风险系数大于所述场景风险系数阈值,判断该场景存在风险,当所述场景风险系数小于所述场景风险系数阈值,判断该场景不存在风险,将不存在风险的场景和所述矿山演化系数对应的时间轴进行映射,标记所述待采集矿山的安全采集区域。
进一步地,本发明实施例通过分析所述安全采集区域的采集焦点可以标记出采集信息最佳的矿山坐标点,从而提高了对矿山进行信息采集的效率。其中,所述采集焦点是指在所述安全采集区域中进行矿山信息采集最具优势的坐标点,例如制高点、中心点等位置。所述采集焦点可以通过视野网格化技术进行分析实现。
S5、分析所述采集焦点的焦点特征,基于所述焦点特征,配置所述采集焦点的信息采集设备,构建所述信息采集设备的信息智能采集网络,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集。
本发明实施例通过分析所述采集焦点的焦点特征可以针对性配置采集设备,从而提高了对所述待采集矿山信息采集的效果。其中,所述焦点特征是指所述采集焦点的特征属性,例如,地势高、视野广阔等属性。所述焦点特征可以通过采集所述采集焦点的焦点数据进行分析。
进一步地,本发明实施例基于所述焦点特征,配置所述采集焦点的信息采集设备可以实现焦点的信息最佳采集,从而提高矿山信息采集的效率。其中,所述信息采集设备是指根据所述采集焦点配置对应的矿山信息采集设备,例如温度传感器、摄像头、无人机等设备。
进一步地,本发明实施例构建所述信息采集设备的信息智能采集网络可以实现采集数据的传输,从而进一步保障了矿山数据的安全采集,其中,所述信息智能采集网络是指构建设备之间进行相互通信的网络。所述信息智能采集网络可以通过网络协议实现和网络设备实现。
进一步地,本发明实施例通过所述信息智能采集网络执行所述待采集矿山的信息智能采集可以实现所述待采集矿山的高效且安全的信息智能采集。
本发明实施例基于所述矿山类型,采集所述待采集矿山的矿山基础信息可以提高信息采集的可靠性,为后期进行数据分析提供数据依据;本发明实施例通过提取所述矿山基础信息的信息特征可以筛选出所述矿山基础信息中的关键信息特征,为后期进行矿山内部结构分析提供数据基础;进一步地,本发明实施例基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型可以对矿山的内部场景可视化,提高了对所述待采集矿山的内部识别效果;进一步地,本发明实施例通过识别所述时间演化矿山模型的矿山演化系数可以识别矿山可能存在的风险,从而为进行矿山的数据采集布置,提供了数据依据,进一步地,本发明实施例通过基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景可以标记矿山的风险场景,提高了后期进行数据采集的安全性,最后,本发明实施例基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域可以为后期进行矿山信息采集提供安全采集区域,提高了对矿山进行信息智能采集的安全性,本发明实施例构建所述信息采集设备的信息智能采集网络可以实现采集数据的传输,从而进一步保障了矿山数据的安全采集,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集可以实现所述待采集矿山的高效且安全的信息智能采集。因此本发明提出的基于大数据实现矿山数据的智能采集方法,可以提高对矿山进行信息智能采集的效果。
如图2所示,是本发明一实施例提供的基于大数据实现矿山数据的智能采集系统的功能模块图。
本发明所述基于大数据实现矿山数据的智能采集系统200可以安装于电子设备中。根据实现的功能,所述基于大数据实现矿山数据的智能采集系统200可以包括矿山信息获取模型201、矿山内部模拟模块202、矿山风险场景识别模块203、风险场景分析模块204及矿山信息智能采集模块205。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述矿山信息获取模型201,用于获取待采集矿山的矿山场景,基于所述矿山场景,分析所述待采集矿山的矿山类型,基于所述矿山类型,采集所述待采集矿山的矿山基础信息;
所述矿山内部模拟模块202,用于提取所述矿山基础信息的信息特征,基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境,基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型;
所述矿山风险场景识别模块203,用于对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别所述时间演化矿山模型的矿山演化系数,基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景;
所述风险场景分析模块204,用于计算所述矿山风险场景的场景风险系数,基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域,分析所述安全采集区域的采集焦点;
所述矿山信息智能采集模块205,用于分析所述采集焦点的焦点特征,基于所述焦点特征,配置所述采集焦点的信息采集设备,构建所述信息采集设备的信息智能采集网络,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集。
详细地,本发明实施例中所述基于大数据实现矿山数据的智能采集系统200中所述的各模块在使用时采用与附图中所述的基于大数据实现矿山数据的智能采集方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
本发明一实施例提供了实现基于大数据实现矿山数据的智能采集方法的电子设备。
参见图3所示,所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33,还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序,如基于大数据实现矿山数据的智能采集方法程序。
其中,所述处理器在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块(例如执行基于大数据实现矿山数据的智能采集程序等),以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述存储器至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于基于大数据实现矿山数据的智能采集程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
所述通信接口用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理系统与所述至少一个处理器逻辑相连,从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器存储的基于大数据实现矿山数据的智能采集程序是多个指令的组合,在所述处理器中运行时,可以实现:
获取待采集矿山的矿山场景,基于所述矿山场景,分析所述待采集矿山的矿山类型,基于所述矿山类型,采集所述待采集矿山的矿山基础信息;
提取所述矿山基础信息的信息特征,基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境,基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型;
对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别所述时间演化矿山模型的矿山演化系数,基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景;
计算所述矿山风险场景的场景风险系数,基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域,分析所述安全采集区域的采集焦点;
分析所述采集焦点的焦点特征,基于所述焦点特征,配置所述采集焦点的信息采集设备,构建所述信息采集设备的信息智能采集网络,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集。
具体地,所述处理器对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待采集矿山的矿山场景,基于所述矿山场景,分析所述待采集矿山的矿山类型,基于所述矿山类型,采集所述待采集矿山的矿山基础信息;
提取所述矿山基础信息的信息特征,基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境,基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型;
对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别所述时间演化矿山模型的矿山演化系数,基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景;
计算所述矿山风险场景的场景风险系数,基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域,分析所述安全采集区域的采集焦点;
分析所述采集焦点的焦点特征,基于所述焦点特征,配置所述采集焦点的信息采集设备,构建所述信息采集设备的信息智能采集网络,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.基于大数据实现矿山数据的智能采集方法,其特征在于,所述方法包括:
获取待采集矿山的矿山场景,基于所述矿山场景,分析所述待采集矿山的矿山类型,基于所述矿山类型,采集所述待采集矿山的矿山基础信息;
提取所述矿山基础信息的信息特征,基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境,基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型;
对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别所述时间演化矿山模型的矿山演化系数,基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景;
计算所述矿山风险场景的场景风险系数,基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域,分析所述安全采集区域的采集焦点;
分析所述采集焦点的焦点特征,基于所述焦点特征,配置所述采集焦点的信息采集设备,构建所述信息采集设备的信息智能采集网络,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集。
2.如权利要求1所述的基于大数据实现矿山数据的智能采集方法,其特征在于,所述基于所述矿山类型,采集所述待采集矿山的矿山基础信息,包括:
分析所述矿山类型的类型特征;
通过所述类型特征,制定所述待采集矿山的基础信息采集方式;
基于所述基础信息采集方式,配置所述待采集矿山的初始采集器;
通过所述初始采集器,采集所述待采集矿山的矿山基础信息。
3.如权利要求1所述的基于大数据实现矿山数据的智能采集方法,其特征在于,所述提取所述矿山基础信息的信息特征,包括:
对所述矿山基础信息进行数据预处理,得到处理矿山信息;
识别所述处理矿山信息的矿山信息属性;
基于所述矿山信息属性,对所述矿山基础信息进行分类,得到分类矿山信息;
提取所述分类矿山信息的初始信息特征;
对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征。
4.如权利要求3所述的基于大数据实现矿山数据的智能采集方法,其特征在于,所述对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征,包括:
分析所述初始信息特征的特征系数;
基于所述特征系数,利用下述公式构建所述初始信息特征的特征目标函数:
;
其中,表示初始信息特征的特征目标函数,/>表示损失函数,/>表示正则化强度超参数,/>表示第i个初始信息特征的特征系数;
通过所述特征目标函数对所述初始信息特征进行特征选择,得到所述矿山基础信息的信息特征。
5.如权利要求1所述的基于大数据实现矿山数据的智能采集方法,其特征在于,所述基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型,包括:
基于所述地质条件,识别所述待采集矿山的矿床地基;
基于所述矿床地基,构建所述待采集矿山的地质矿床模型;
基于所述矿山环境,构建所述待采集矿山的矿山环境模型;
将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型。
6.如权利要求5所述的基于大数据实现矿山数据的智能采集方法,其特征在于,所述将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型,包括:
构建所述地质矿床模型和所述矿山环境模型的融合函数;
基于所述融合函数,利用下述公式将所述地质矿床模型和所述矿山环境模型进行融合,得到所述待采集矿山的矿山内部虚拟模型:
;
其中,表示待采集矿山的矿山内部虚拟模型,/>表示融合函数,/>表示地质矿床模型,/>表示矿山环境模型,/>表示融合修正系数。
7.如权利要求1所述的基于大数据实现矿山数据的智能采集方法,其特征在于,所述识别所述时间演化矿山模型的矿山演化系数,包括:
识别所述时间演化矿山模型的演化时间轴;
标记所述时间演化矿山模型在所述演化时间轴的演变起始点;
通过所述演变起始点,分析所述时间演化矿山模型对应待采集矿山的矿山演变初始特征和矿山演变终止特征;
基于所述矿山演变初始特征和所述矿山演变终止特征,分析所述时间演化矿山模型的矿山演化系数。
8.如权利要求1所述的基于大数据实现矿山数据的智能采集方法,其特征在于,所述计算所述矿山风险场景的场景风险系数,包括:
识别所述矿山风险场景的风险因子;
分析所述风险因子的风险因子特征;
基于所述风险因子特征,配置所述风险因子的因子权重;
基于所述风险因子和所述因子权重,计算所述矿山风险场景的场景风险系数。
9.如权利要求8所述的基于大数据实现矿山数据的智能采集方法,其特征在于,所述基于所述风险因子和所述因子权重,计算所述矿山风险场景的场景风险系数,包括:
基于所述风险因子和所述因子权重,利用下述公式计算所述矿山风险场景的场景风险系数:
;
其中,表示矿山风险场景的场景风险系数,/>表示第/>个风险因子,/>表示第/>个风险因子对应的因子权重,/>表示第/>个风险因子的波及范围,/>表示风险因子的数量,/>表示矿山风险场景对第/>个风险因子的环境影响系数。
10.一种基于大数据实现矿山数据的智能采集系统,其特征在于,用于执行如权利要求1-9中任意一项所述的基于大数据实现矿山数据的智能采集方法,所述系统包括:
矿山信息获取模型,用于获取待采集矿山的矿山场景,基于所述矿山场景,分析所述待采集矿山的矿山类型,基于所述矿山类型,采集所述待采集矿山的矿山基础信息;
矿山内部模拟模块,用于提取所述矿山基础信息的信息特征,基于所述信息特征,分析所述待采集矿山的地质条件和矿山环境,基于所述地质条件和所述矿山环境,构建所述待采集矿山的矿山内部虚拟模型;
矿山风险场景识别模块,用于对所述矿山内部虚拟模型进行时间演化,得到时间演化矿山模型,识别所述时间演化矿山模型的矿山演化系数,基于所述矿山演化系数,标记所述时间演化矿山模型的矿山风险场景;
风险场景分析模块,用于计算所述矿山风险场景的场景风险系数,基于所述场景风险系数和矿山演化系数,识别所述待采集矿山的安全采集区域,分析所述安全采集区域的采集焦点;
矿山信息智能采集模块,用于分析所述采集焦点的焦点特征,基于所述焦点特征,配置所述采集焦点的信息采集设备,构建所述信息采集设备的信息智能采集网络,通过所述信息智能采集网络执行所述待采集矿山的信息智能采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283562.5A CN117892092B (zh) | 2024-03-13 | 2024-03-13 | 基于大数据实现矿山数据的智能采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283562.5A CN117892092B (zh) | 2024-03-13 | 2024-03-13 | 基于大数据实现矿山数据的智能采集方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892092A true CN117892092A (zh) | 2024-04-16 |
CN117892092B CN117892092B (zh) | 2024-06-04 |
Family
ID=90645927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410283562.5A Active CN117892092B (zh) | 2024-03-13 | 2024-03-13 | 基于大数据实现矿山数据的智能采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892092B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934858A (zh) * | 2017-03-14 | 2017-07-07 | 中国地质科学院矿产资源研究所 | 一种矿集区尺度区域三维地质建模方法及系统 |
CN111445569A (zh) * | 2019-11-28 | 2020-07-24 | 成都理工大学 | 一种沉积地质演化动态模拟方法 |
CN112488469A (zh) * | 2020-11-16 | 2021-03-12 | 马鞍山矿山研究总院股份有限公司 | 一种矿山自然灾害危险源风险预防机制管理系统及方法 |
CN112859710A (zh) * | 2021-02-04 | 2021-05-28 | 南京渐起网络科技有限公司 | 基于人工智能和物联网的矿山地质安全在线实时监测预警云平台 |
RU2759071C1 (ru) * | 2021-02-12 | 2021-11-09 | Акционерное общество "СУЭК-Кузбасс" | Автоматизированная система прогнозирования аварийных ситуаций в шахте и способ автоматизированного прогнозирования аварийных ситуаций в шахте |
CN114692456A (zh) * | 2022-03-28 | 2022-07-01 | 中国矿业大学 | 一种诱发矿井强动力灾害地应力临界判据的确定方法 |
US11492891B1 (en) * | 2022-02-16 | 2022-11-08 | Liaoning University | Method and apparatus of controlling drilling for rock burst prevention in coal mine roadway |
WO2023185735A1 (zh) * | 2022-03-28 | 2023-10-05 | 中国矿业大学 | 全时空采掘过程的矿山应力场孪生建模同化系统及方法 |
CN117150619A (zh) * | 2023-09-05 | 2023-12-01 | 贵州大学 | 智能化的矿山灾害预警方法及装置 |
CN117196350A (zh) * | 2023-11-06 | 2023-12-08 | 天津市地质研究和海洋地质中心 | 一种矿山地质环境特征监测与恢复治理方法及系统 |
CN117495595A (zh) * | 2024-01-02 | 2024-02-02 | 北京中矿大地地球探测工程技术有限公司 | 一种矿山地质环境智能监测预警方法及系统 |
-
2024
- 2024-03-13 CN CN202410283562.5A patent/CN117892092B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934858A (zh) * | 2017-03-14 | 2017-07-07 | 中国地质科学院矿产资源研究所 | 一种矿集区尺度区域三维地质建模方法及系统 |
CN111445569A (zh) * | 2019-11-28 | 2020-07-24 | 成都理工大学 | 一种沉积地质演化动态模拟方法 |
CN112488469A (zh) * | 2020-11-16 | 2021-03-12 | 马鞍山矿山研究总院股份有限公司 | 一种矿山自然灾害危险源风险预防机制管理系统及方法 |
CN112859710A (zh) * | 2021-02-04 | 2021-05-28 | 南京渐起网络科技有限公司 | 基于人工智能和物联网的矿山地质安全在线实时监测预警云平台 |
RU2759071C1 (ru) * | 2021-02-12 | 2021-11-09 | Акционерное общество "СУЭК-Кузбасс" | Автоматизированная система прогнозирования аварийных ситуаций в шахте и способ автоматизированного прогнозирования аварийных ситуаций в шахте |
US11492891B1 (en) * | 2022-02-16 | 2022-11-08 | Liaoning University | Method and apparatus of controlling drilling for rock burst prevention in coal mine roadway |
CN114692456A (zh) * | 2022-03-28 | 2022-07-01 | 中国矿业大学 | 一种诱发矿井强动力灾害地应力临界判据的确定方法 |
WO2023185735A1 (zh) * | 2022-03-28 | 2023-10-05 | 中国矿业大学 | 全时空采掘过程的矿山应力场孪生建模同化系统及方法 |
CN117150619A (zh) * | 2023-09-05 | 2023-12-01 | 贵州大学 | 智能化的矿山灾害预警方法及装置 |
CN117196350A (zh) * | 2023-11-06 | 2023-12-08 | 天津市地质研究和海洋地质中心 | 一种矿山地质环境特征监测与恢复治理方法及系统 |
CN117495595A (zh) * | 2024-01-02 | 2024-02-02 | 北京中矿大地地球探测工程技术有限公司 | 一种矿山地质环境智能监测预警方法及系统 |
Non-Patent Citations (4)
Title |
---|
DYLAN MATHIESEN等: "Geological Visualisation with Augmented Reality", 《2012 15TH INTERNATIONAL CONFERENCE ON NETWORK-BASED INFORMATION SYSTEMS》, 20 December 2012 (2012-12-20), pages 172 - 179 * |
曾凌方等: "基于三维模型的矿山开采方式优选", 《矿业研究与开发》, vol. 31, no. 6, 31 December 2011 (2011-12-31), pages 5 - 7 * |
涂观海: "基于人工智能算法的紫金山铜矿经营参数优化研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 6, 15 June 2018 (2018-06-15), pages 140 - 41 * |
赖自力: "北京威克露天铁矿山地质环境动态监测研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑)》, no. 8, 15 August 2018 (2018-08-15), pages 027 - 179 * |
Also Published As
Publication number | Publication date |
---|---|
CN117892092B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Urban street lighting infrastructure monitoring using a mobile sensor platform | |
CN112950773A (zh) | 基于建筑信息模型的数据处理方法与装置、处理服务器 | |
CN106133756A (zh) | 用于过滤、分割并且识别无约束环境中的对象的系统 | |
CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
CN108182218B (zh) | 一种基于地理信息系统的视频人物识别方法、系统及电子设备 | |
Soilán et al. | Semantic segmentation of point clouds with pointnet and kpconv architectures applied to railway tunnels | |
CN114418021B (zh) | 模型优化方法、装置及计算机程序产品 | |
CN116847222B (zh) | 应用于石油测井下的设备远程监控方法及系统 | |
CN114818056A (zh) | 基于bim技术的交通数据集成方法、装置、设备及介质 | |
CN114049568B (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
AU2019349986A1 (en) | Apparatus and method for three-dimensional object recognition | |
Tohidi et al. | A review of the machine learning in gis for megacities application | |
CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
CN114168795A (zh) | 建筑三维模型映射及存储方法、装置、电子设备及介质 | |
CN117371949B (zh) | 基于三维可视化模型的输电线路施工安全监测方法及系统 | |
CN117892092B (zh) | 基于大数据实现矿山数据的智能采集方法及系统 | |
CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 | |
CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
CN115757987B (zh) | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 | |
CN116383929A (zh) | 一种适用于隧道预警的方法、系统、设备及可读存储介质 | |
CN116307736A (zh) | 风险画像自动生成的方法、装置、设备及存储介质 | |
CN113850836B (zh) | 基于行为轨迹的员工行为识别方法、装置、设备及介质 | |
Kumar et al. | Cellular automata calibration model to capture urban growth | |
CN118014310B (zh) | 应用于园区巡检下的点位巡更方法及系统 | |
CN113191455B (zh) | 边缘计算盒子选举方法、装置、电子设备及介质 |
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 |