NL2032832B1 - Intelligent pre-warning method for coal mine rock burst based on quantitative prediction of microseismic event - Google Patents
Intelligent pre-warning method for coal mine rock burst based on quantitative prediction of microseismic event Download PDFInfo
- Publication number
- NL2032832B1 NL2032832B1 NL2032832A NL2032832A NL2032832B1 NL 2032832 B1 NL2032832 B1 NL 2032832B1 NL 2032832 A NL2032832 A NL 2032832A NL 2032832 A NL2032832 A NL 2032832A NL 2032832 B1 NL2032832 B1 NL 2032832B1
- Authority
- NL
- Netherlands
- Prior art keywords
- model
- msnet
- microseismic
- microseismic event
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000003245 coal Substances 0.000 title claims abstract description 15
- 239000011435 rock Substances 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 15
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009172 bursting Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000000306 recurrent effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 239000000543 intermediate Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 229920000136 polysorbate Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Claims (1)
1. Intelligente pre-waarschuwingsmethode voor het barsten van ge- steente van een koolmijn op basis van kwantitatieve voorspelling van een microseismische gebeurtenis, gekenmerkt doordat deze de volgende stappen omvat: S1, gegevens verzamelen: tijd, energie, driedimensionale ruimteco- ordinaat en golfvorminformatie, verkregen door ingebouwde gege- vensverwerkingssoftware van een microseismisch monitoringsysteem van een kolenmijn, van een microseismische gebeurtenis op een be- paald werkvlak binnen een bepaalde tijdsperiode en die wordt ge- bruikt als gegevensbron voor model pre-waarschuwing; S2, het bouwen van een MSNet-model voor het verkrijgen van een ti- mingswet van een microseismische gebeurtenis op korte afstand en lange afstand: het MSNet-model is verdeeld in een lineair pad- module en een niet-lineair pad-module volgens een gegevensstroom- richting, en een definitief voorspellingsresultaat van de MSNet- model is een som van een lineair pad-resultaat en een niet-lineair pad-resultaat; 33, verdelen van een dataset : een ondergronds verkregen gegevens- set van een microseismische gebeurtenis wordt handmatig verdeeld in een trainingsset en een testset; de trainingsset wordt gebruikt voor het trainen van het MSNet-model om het MSNet-model in staat te stellen een best passend resultaat te behalen, en de testset wordt gebruikt voor het testen van de prestaties van het MSNet- model; S4, trainen van het model: gegevens van de trainingsset worden in het MSNet-model gebracht; het model wordt uitgevoerd met behulp van een laboratorium Personal Computer (PC); coördinaten, energie en tijdverschuivingen van zes microseismische gebeurtenissen wor- den gebruikt na 12 continue voorspellingen van microseismische ge- beurtenissen; in een trainingsproces worden modelparameters bijge- werkt met behulp van een gradiëntafdalingsmethode met kleine bat- ches; attributen van zes continue microseismische gebeurtenissen die worden uitgevoerd door middel van modeltraining worden respec- tievelijk beschouwd als zes vectoren met een lengte van 5; simila-
riteiten tussen voorspelde waarden en werkelijke waarden van de attributen worden gemeten met behulp van de cosinus-similariteit; de similariteit wordt berekend met behulp van de volgende formule: B 2A4xB, == 4-8 pr CE Te Ras PL ZG Similariteit= Jel tut waarbij A; een reële attribuutvector van een microseismische ge- beurtenis voorstelt; B; een voorspelde attribuutvector van het mo- del vertegenwoordigt; n staat voor de lengte van de vector;
S5, ontwikkelen van een op MSNet-model gebaseerd pre- waarschuwingsplatform: driedimensionale geologische gegevens van een mijn worden verkregen; en een ondergronds driedimensionaal ge- ologisch precisiemodel van de kolenmijn wordt gebouwd met Unity3D om realtime informatie over microseismische gebeurtenissen weer te geven en een voorspellingsresultaat van het MSNet-model te tonen.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| NL2032832A NL2032832B1 (en) | 2022-08-23 | 2022-08-23 | Intelligent pre-warning method for coal mine rock burst based on quantitative prediction of microseismic event |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| NL2032832A NL2032832B1 (en) | 2022-08-23 | 2022-08-23 | Intelligent pre-warning method for coal mine rock burst based on quantitative prediction of microseismic event |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| NL2032832B1 true NL2032832B1 (en) | 2024-03-04 |
Family
ID=90106932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| NL2032832A NL2032832B1 (en) | 2022-08-23 | 2022-08-23 | Intelligent pre-warning method for coal mine rock burst based on quantitative prediction of microseismic event |
Country Status (1)
| Country | Link |
|---|---|
| NL (1) | NL2032832B1 (nl) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133906A (zh) * | 2024-05-10 | 2024-06-04 | 煤炭科学研究总院有限公司 | 煤矿冲击地压强度分级预测模型的训练方法及预测方法 |
-
2022
- 2022-08-23 NL NL2032832A patent/NL2032832B1/en active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133906A (zh) * | 2024-05-10 | 2024-06-04 | 煤炭科学研究总院有限公司 | 煤矿冲击地压强度分级预测模型的训练方法及预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723595B (zh) | 基于微震事件定量预测的煤矿冲击地压智能预警方法 | |
| Asadzadeh et al. | Sensor-based safety management | |
| Baloyi et al. | The development of a mining method selection model through a detailed assessment of multi-criteria decision methods | |
| Porwal et al. | Introduction to the special issue: mineral prospectivity analysis and quantitative resource estimation | |
| Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
| Chen et al. | A quantitative pre-warning for coal burst hazardous zones in a deep coal mine based on the spatio-temporal forecast of microseismic events | |
| Zhou et al. | Performance evaluation of rockburst prediction based on PSO-SVM, HHO-SVM, and MFO-SVM hybrid models | |
| Li et al. | Stability prediction of hard rock pillar using support vector machine optimized by three metaheuristic algorithms | |
| US11315228B2 (en) | System and method for mineral exploration | |
| Wang et al. | AdaBoost-driven multi-parameter real-time warning of rock burst risk in coal mines | |
| NL2032832B1 (en) | Intelligent pre-warning method for coal mine rock burst based on quantitative prediction of microseismic event | |
| Gan et al. | A new spatial modeling method for 3D formation drillability field using fuzzy c-means clustering and random forest | |
| Demirkan et al. | Evaluation of time series artificial intelligence models for real-time/near-real-time methane prediction in coal mines | |
| Wu et al. | An improved fractal prediction model for forecasting mine slope deformation using GM (1, 1) | |
| CN113283806A (zh) | 企业信息评估方法、装置、计算机设备及存储介质 | |
| Kant et al. | A review of approaches used for the selection of optimum stoping method in hard rock underground mine | |
| Long et al. | Probability prediction method for rockburst intensity based on rough set and multidimensional cloud model uncertainty reasoning | |
| CN106033126A (zh) | 一种油气单元勘探程度的定量划分方法 | |
| CN113947309A (zh) | 基于建造大数据的盾构隧道施工标准工时测算及评分方法 | |
| Elfes et al. | Extending the START framework: Computation of optimal capability development portfolios using a decision theory approach | |
| Sulaiman et al. | A predictive model for the population growth of refugees in Asia: a multiple linear regression approach | |
| Nanditha et al. | Optimized defect prediction model using statistical process control and Correlation-Based feature selection method | |
| Al-Ansi et al. | Intelligent risk analysis of investment projects in the extractive industry | |
| Novianto et al. | Implementation of Orange Data Mining to Predict Student Graduation on Time at Pringsewu Muhammadiyah University | |
| Shnaydman | Industry drug development portfolio forecasting: productivity, risk, innovation, sustainability |