-
公开(公告)号：CN119671248A
公开(公告)日：2025-03-21
申请号：CN202411592905.2
申请日：2024-11-08
Applicant: 中南大学
IPC: G06Q10/0635 , G01V3/38 , G06Q50/02 , G06F17/10
Abstract: 本发明属于地球物理领域，提供一种地下深部封存矿井水渗漏风险评估方法与应用，先获取目的层内岩体物理学参数，然后采用广域电磁法测得地下岩体在矿井水封存前后的电阻率，确定低阻异常体后计算得到目的层内低阻异常体的总体积，根据Archie公式推导得到岩体含水体积计算公式，进而得到封存矿井水的计算体积，根据封存矿井水的计算体积与实际体积的关系，目的层内封存矿井水的渗漏风险进行评估。本发明采用广域电磁法探测目的层电阻率，基于Archie公式计算封存矿井水体积，对比封存矿井水体积与实际封存体积的差别，来评估封存矿井水渗漏风险，具有探测效率高、计算方法简单可靠、风险评估可靠度高等优势，应用范围广，绿色环保。
-
Patent Agency Ranking
公开(公告)号：CN118585916B
公开(公告)日：2025-02-07
申请号：CN202410969727.4
申请日：2024-07-19
Applicant: 中南大学
IPC: G06F18/243 , G06N3/044 , G06N3/0464 , G06N3/09 , G06F18/2131 , G06F123/02
Abstract: 本发明涉及一种基于深度学习的时间序列智能识别方法及系统，方法包括：基于深度学习的CNN和RNN，结合STFT算法，构建TF‑DCRNN模型；构建用于信号分类的时间序列数据集及对应的信号类型标签，时间序列数据集包括训练集、验证集和测试集；利用训练集、验证集和测试集，依次对TF‑DCRNN模型进行训练、验证和测试，输出分类标签；将分类标签与信号类型标签进行比较，得到时间序列识别结果。TF‑DCRNN模型继承了CNN和RNN的优势，有效降低网络超参数训练量，防止过拟合情况发生；结合了信号的时频特征，增加了网络的可解释性，提升了网络整体性能。
-
公开(公告)号：CN117688836A
公开(公告)日：2024-03-12
申请号：CN202311700687.5
申请日：2023-12-12
Applicant: 中南大学
IPC: G06F30/27 , G06N3/0464 , G06N3/0499 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种地下结构多电性参数信息的反演方法、设备及介质，方法：利用已有的正演代码/软件模拟不同地电模型的多种电磁响应构建训练样本；所述多种电磁响应是指单一或多种电磁方法所采集到的电磁数据；以电磁响应和电性参数分别作为输入、输出，基于自适应多任务损失函数训练多头多任务深度学习模型，得到多电性参数反演模型；其中，多种电磁响应与模型的多头输入对应，多种电性参数与模型的多任务输出对应；使用多电性参数反演模型对待反演区域点的电性参数进行反演输出。本发明基于深度学习实现电磁法多电性参数反演问题，同时避免人工手动调整每个任务的损失权重，反演的参数较为准确，能够满足多尺度的电磁法勘探数据解释。
-
公开(公告)号：CN118091753A
公开(公告)日：2024-05-28
申请号：CN202311555202.8
申请日：2023-11-21
Applicant: 中南大学
Abstract: 本发明公开了一种基于稀疏反褶积与时频分析的强干扰环境震源初至拾取方法、装置、设备及介质，其中方法包括：输入监测获得的微震信号，根据其监测区域前期收集资料中相关微震子波的时频信息，设计预测子波和带通滤波器；使用带通滤波器对原始输入的微震信号进行带通滤波，获得去噪后的微震信号；利用预测子波对去噪后的微震信号进行稀疏反褶积，得到反褶积后的微震信号；对反褶积后的全时段微震信号进行连续小波变换，获得全时段微震信号的时频谱；将时频谱中所有频段振幅之和的极大值处所对应的时间，确定为震源初至。本发明通过带通滤波与稀疏反褶积实现噪声压制，利用时频分析实现震源初至拾取，从而提高微震数据质量与震源初至拾取准确率。
-
公开(公告)号：CN118091753B
公开(公告)日：2024-09-13
申请号：CN202311555202.8
申请日：2023-11-21
Applicant: 中南大学
Abstract: 本发明公开了一种基于稀疏反褶积与时频分析的强干扰环境震源初至拾取方法、装置、设备及介质，其中方法包括：输入监测获得的微震信号，根据其监测区域前期收集资料中相关微震子波的时频信息，设计预测子波和带通滤波器；使用带通滤波器对原始输入的微震信号进行带通滤波，获得去噪后的微震信号；利用预测子波对去噪后的微震信号进行稀疏反褶积，得到反褶积后的微震信号；对反褶积后的全时段微震信号进行连续小波变换，获得全时段微震信号的时频谱；将时频谱中所有频段振幅之和的极大值处所对应的时间，确定为震源初至。本发明通过带通滤波与稀疏反褶积实现噪声压制，利用时频分析实现震源初至拾取，从而提高微震数据质量与震源初至拾取准确率。
-
公开(公告)号：CN118585916A
公开(公告)日：2024-09-03
申请号：CN202410969727.4
申请日：2024-07-19
Applicant: 中南大学
IPC: G06F18/243 , G06N3/044 , G06N3/0464 , G06N3/09 , G06F18/2131 , G06F123/02
Abstract: 本发明涉及一种基于深度学习的时间序列智能识别方法及系统，方法包括：基于深度学习的CNN和RNN，结合STFT算法，构建TF‑DCRNN模型；构建用于信号分类的时间序列数据集及对应的信号类型标签，时间序列数据集包括训练集、验证集和测试集；利用训练集、验证集和测试集，依次对TF‑DCRNN模型进行训练、验证和测试，输出分类标签；将分类标签与信号类型标签进行比较，得到时间序列识别结果。TF‑DCRNN模型继承了CNN和RNN的优势，有效降低网络超参数训练量，防止过拟合情况发生；结合了信号的时频特征，增加了网络的可解释性，提升了网络整体性能。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
