一、基于MATLAB神经网络的岩性识别（论文文献综述）
王杰,席凯凯,郭禹伦[1]（2022）在《基于机器学习的岩性识别研究》文中提出钻井过程中的岩性识别是一个复杂且不断变化的非线性过程,很难建立准确的数学模型。由于传统识别方法存在解释精度低以及难以获得或丢失测井曲线的问题,直接通过传感器获取的钻速、钻压等每个与岩性有直接或间接关系的钻井参数,利用钻井参数进行岩石预测。基于机器学习技术,采用BP神经网络学习算法,根据地层岩性的特点,建立神经网络识别岩性模型,构造钻进参数样本并在MATLAB软件中利用神经网络工具箱进行岩性识别,分析训练集样本数量对模型识别准确率的影响。研究结果表明:BP神经网络输出非常准确,描述了采集到的钻井参数与岩性之间的关系,体现出神经网络的优越性;对钻井过程中岩性的识别具有积极的作用,有利于合理选择钻头类型、及时调整钻井参数和提高钻井效率。该岩性识别方法应用于仿生PDC钻头等方面,在试验和理论相互补充、支撑的同时便于利用该方法针对智能石油钻机开展更深层次的研究。
吴春,王成荣,朱时继,王恒太[2]（2021）在《BP神经网络在鸭西白垩系测井岩性识别中的应用》文中进行了进一步梳理鸭西白垩系储层岩性复杂,发育非常规砂泥岩,岩性识别难度大。传统的测井岩性识别方法以线性数学方法为基础,很难综合表征储层的真实特性,为解决研究区测井岩性识别难的问题,引入具有高度非线性和较强容错能力的BP神经网络。基于BP神经网络的基本原理,对研究区的岩心资料和实际测井资料进行深入分析,提取电阻率、自然伽马、密度、中子、声波时差五个特征参数,建立BP神经网络测井岩性识别模型,进行岩性识别的应用研究。结果表明,BP神经网络方法识别岩性客观可靠,准确率高,可用于解决研究区测井岩性识别问题,具有很好的推广应用前景,为研究区有效的利用测井信息进行岩性识别提供了一种新的方法。
王子明[3]（2021）在《台阶爆破信号时频特征影响因素分析与预测》文中指出台阶爆破振动信号时频分析和预测可达到控制台阶爆破振动的目的。大量工程实践表明,采用质点振动速度峰值和主振频率判据不能完全满足工程爆破振动安全的要求。为达到减小台阶爆破振动危害、避免爆破工程安全事故发生的目的,爆破振动监测需要全面考虑质点振动速度峰值和对应的主振频率、振动能量等振动信号特征。本文以台阶爆破振动信号特征为研究对象,采用数值模拟和信号处理的方法,分析台阶爆破振动信号时频特征分布特点;探讨爆破间隔时间与堵塞长度对振动信号特征的影响规律;基于BP神经网络预测算法建立振动信号特征预测模型,并开发出台阶爆破振动信号特征的预测系统。首先,以台阶爆破振动信号特征分布为研究对象,通过实际工程中台阶爆破振动实测信号发现,爆破振动信号在三个方向（垂向、径向、切向）上产生的能量基本处于低频段内（0～31Hz）,多数情况下其包含能量占总能量的比值高达90%以上,振动信号产生的能量基本集中在低频率的频带区段内。通过小波变换对振动能量频带分布进行分析并运用快速傅里叶变换法,计算得出台阶爆破产生的振动能量多集中在主振频率附近,但通过发现个别振动信号依然会发现振动能量集中分布于数个频带的现象,因此认为爆破振动安全标准中仅有质点振动速度峰值和对应的主振频率来判断振动能量集中分布的频段区间的方法不够完善;同时发现增加爆破主炮孔数量时,主频会向低频率收敛,能量集中于数个频带的现象会有所减少。其次,以微差爆破的间隔时间为研究对象,分析其对台阶爆破振动信号特征的影响。基于振动信号线性叠加原理,发现合成信号的振速幅值与包含能量值随时间间隔的变化的周期时长与子信号主频对应的周期时长近似,当两个子信号叠加间隔时间近似于△t=（2n-1）T/2时,合成信号在该间隔时间附近降振、降能效果显着。进一步分析子信号的质点振动峰值与主频对合成信号的降振、降能规律的影响,当子信号对应的频率所对应的正弦波振幅与子信号中其他子频对应正弦波的振幅差距明显时,可将主频对应的正弦波近似视为子信号,并根据式△t=（2n-1）T/2（T为主频对应的振动周期）计算最优降振时间间隔,其计算结果与线性叠加合成信号总能量到达极小值时对应的时间间隔相近似。再次,运用数值仿真的方法研究堵塞长度对台阶爆破振动信号特征的影响。由仿真结果得出在中远区收集的质点振动速度峰值与其包含的能量值随堵塞长度的增加而逐渐递增,堵塞长度对振动信号的振速峰值影响十分微弱,但对于爆破信号包含的能量值影响却较为显着。仿真结果表明质点振动速度峰值在中远区随爆源距的增加不断减小,且随着爆源距离的增加,爆破振速峰值的衰减速度逐渐减缓。最后,运用MATLAB开发台阶爆破信号特征预测系统。该系统实现了基于爆破振动信号线性叠加原理和BP神经网络的预测可视化操作,提升台阶爆破特征预测的可操性,为用户进行振动信号特征的预测提供便捷手段。本文研究台阶爆破的振动信号特征,运用信号处理算法,使用MATLAB和AUTODYN模拟软件,从理论到实践深入分析了台阶爆破振动信号的分布规律及影响因素,开发出振动特征预测系统,为台阶爆破振动安全控制标准提供了理论依据,为爆破振动的安全判据提供参考。
高帆[4]（2021）在《煤层瓦斯含量WKNN-FS-SVM模型预测方法研究及应用》文中认为近年来我国煤炭开采过程中瓦斯事故的发生频次呈下降趋势,但瓦斯灾害防控压力仍然较大,其中煤层瓦斯含量是瓦斯灾害防控的关键之一。论文综合利用基于距离加权的最近邻结点算法（Weight-K-Nearest Neighborhood,WKNN）和特征选择方法（Feature Selection）以及支持向量机（Support Vector Machine,SVM）建立 WKNN-FS-SVM瓦斯含量预测模型,并实现软件化。本文选取试验矿井实测井下煤层瓦斯含量以及地勘煤层瓦斯含量,建立了地勘煤层瓦斯含量合格筛选标准,计算得出校正系数为1.39,最终得到15件合格地勘煤层瓦斯含量和20件井下实测煤层瓦斯含量作为样本数据。使用WKNN算法对样本数据中井下实测瓦斯含量的影响因素缺失数据进行挖掘,得到WKNN算法中K值取5时误差最小,挖掘后的数据与原数据较为接近。通过基于顺序最优搜索策略的特征选择方法选取瓦斯含量预测指标,对比影响因素线性拟合结果分析影响因素对瓦斯含量的影响程度。结果表明煤层瓦斯含量影响因素之间非线性作用明显。通过特征选择方法在模型训练时为样本数据选择了131组特征组合,得到样本数据瓦斯含量预测指标。采用WKNN算法、基于顺序最优搜索策略的特征选择方法以及多核SVM算法构建了试验矿井WKNN-FS-SVM瓦斯含量预测模型,随机划分训练集与测试集进行模型训练,得到测试集瓦斯含量预测结果和训练误差,对比三种单核SVM模型、PSO-BP神经网络模型和BP神经网络模型的相对误差、绝对误差以及均方误差MSE等。得到WKNN-FS-SVM模型误差最小。对WKNN-FS-SVM模型进行软件化研发,绘制了试验工作面煤层瓦斯含量趋势面预测图,取得了良好的预测结果,为矿井瓦斯含量精准预测提供了一种依据。
孟中华[5]（2021）在《复杂地质条件下TBM掘进参数多目标优化方法及软件开发》文中认为随着我国资源开发和交通基础设施建设等工程重心向西部转移,深长隧道的修建必不可少,首选采用TBM工法。目前,TBM隧道施工过程中选择和调整掘进参数基本上依靠人为经验,在复杂地质条件下,掘进参数无法达到掘进效率、掘进成本等多个目标的最优解,导致掘进效率降低,掘进成本增加,造成不必要的资源浪费。因此,需要研究在复杂地质状况时TBM掘进参数多目标优化方法,为实际工程提供指导。论文在广泛调研TBM掘进参数、地质参数、掘进效率与成本、多目标优化方法相关研究的基础上,依托“超特长隧道TBM掘进关键技术研究”科研项目,主要采用理论分析和数值计算方法,对复杂地质状况时TBM掘进参数多目标优化方法进行研究,主要研究成果包括:（1）分析了主流多目标优化算法优劣,筛选出NSGA-Ⅱ、MOPSO和NSGA-Ⅲ算法。研究算法的核心代码、测试问题和性能指标,在MATLAB平台编程实现并测试及对比分析。结果表明,NSGA-Ⅲ算法适合高维多目标优化,MOPSO算法的分布性不如NSGA-Ⅱ算法,但整体收敛性和收敛速度更优。（2）总结了TBM工程中技术与掘进参数、地质参数获取与筛选方法,提出TBM地质数据实时获取方法;定义磨损系数以简化测量刀具磨损数量;建立了TBM掘进参数有效数据和稳定数据两个筛选集合;对筛选后的数据进行分析,得出稳定段推进速度趋于实际速度,调整段实际速度变化滞后于推进速度变化,只有在稳定段贯入度才是真实值。（3）通过统计分析得出推进速度和刀盘扭矩强相关;建立特定地质下掘进控制参数（刀盘转速、推进速度）和掘进载荷（总推进力、刀盘扭矩）的回归表达式;建立了针对喀双隧洞特定地质条件的掘进目标传统回归模型;使用支持向量机和决策树算法针对掘进参数进行二分类岩性识别,准确率在80%以上;引入BP神经网络预测掘进效率,准确率为86%,进而提出NSGAⅡ-BP多目标优化算法,实例验证中优化后数据比92%的原始数据要好。（4）建立了TBM掘进参数多目标优化数学模型,采用Visual Studio平台、SQL SERVER数据库以及Visual C#计算机语言开发“TBM掘进参数多目标优化分析软件”,案例验证中优化效果提高了15%以上。
王盛川[6]（2021）在《褶皱区顶板型冲击矿压“三场”监测原理及其应用》文中研究指明煤矿冲击矿压是煤岩动力灾害之一,已成为制约煤矿安全生产的关键因素。我国诸多地区存在“褶皱发育、顶板坚硬”等特殊地质条件,导致冲击矿压频发。为此研究坚硬顶板诱发褶皱巷道冲击机理,对采掘范围内的应力场、能量场及震动场进行区域、在线监测预警具有重要的理论意义及实用价值。论文综合采用理论分析、数值模拟、相似模拟、神经网络、工程实践等手段,开展了褶皱区顶板型冲击矿压“三场”监测原理及其应用研究。建立了应力、能量、震动耦合模型,提出了冲击矿压“三场”监测原理,研究了应力阈值、能量组成以及震动扰动造成煤岩动力破坏特征,分析了冲击显现过程中三个物理量需分别满足超限性、大尺度及瞬时性条件。基于耦合模型提出了“三场”监测预警技术,确定了“三场”监测预警指标。建立了褶皱区背斜、向斜及翼部围岩静载应力及其顶板断裂释能力学模型,推导出巷道围岩应力分布及顶板破断释放能量表达式。向斜、背斜轴部及翼部区域围岩静载应力依次减小,背斜轴部顶板破断能量最大;提出了最大最小主应力差冲击准则,揭示了褶皱区顶板型冲击机理,向斜轴、背斜及翼部巷道冲击类型分别为“高静载、弱扰动”、“低静载、强扰动”及“动静平衡”型。在此基础上分析了顶板厚度、顶板硬度、褶皱曲度、侧压系数、动载传播距离等因素对巷道围岩动静载应力的影响。研究了褶皱巷道动静组合加载冲击致灾过程及巷道局部应力场震动场演化特征,动载扰动增强加剧了巷道围岩的加速度、声发射等动态响应特征,得到了褶皱不同区域冲击破坏的加速度临界条件,得出向斜轴部巷道动态响应剧烈程度以及显现强度均最严重。探究了工作面回采过程中褶皱区煤岩在坚硬顶板影响下的“三场”演化及冲击孕育规律,分析了工作面向斜、背斜轴部俯采、仰采及翼部仰采时应力、能量、塑性区和震动事件分布演化特征,并分析了围岩、构造等影响因素。分析了试验及现场观测冲击时的“三场”前兆信息,筛选得到监测预警指标。用于应力场预警指标为震动波层析成像;用于能量场预警指标为冲击变形能;用于震动场监测的b值、活动度等4个预警效果较好指标及断层总面积、震中集中度等4个预警效果中等指标。基于MATLAB神经网络模型得到震动场各指标权重,模型预警准确率为87%,利用熵权法计算各场指标综合权重,建立了褶皱区顶板型冲击综合预警模型及准则。提出了褶皱区巷道坚硬顶板诱冲监测与防治思路,包括针对“三场”的综合监测预警体系以及降低褶皱区巷道及顶板煤岩动静载强度的卸压措施。研究成果在胡家河矿401111工作面进行了工程实践,减冲效果显着,取得了良好的社会经济效益。本论文有图151幅,表16个,参考文献184篇。
李恒丽[7]（2021）在《基于人工神经网络模型的丽江黑龙潭泉群断流分析》文中指出地下水资源是地球水资源的重要组成部分,是人类赖以生存和发展的重要条件。我国西南部地区居民生活用水和工农业生产用水的主要水源就是地下水,地下水资源的合理开发和利用也是影响生态环境的关键因素。位于云南省丽江市古城区的黑龙潭泉群,是丽江古城居民生活用水的源头,随着社会的发展,地下水开采量不断增加,开采不合理等问题的出现,黑龙潭泉群地下水位呈现持续下降的现象,尤其在降雨偏少或干旱时泉群会发生断流,特别是近年来由于城镇扩建,工农产业兴起,井采也越来越严重,导致泉群断流情况越来越严重,断流次数逐渐增多、时长也增长,给丽江市的发展造成一定的影响,破坏了当地的生态环境,给当地居民生产生活用水带来不便,增加了当地居民用水的成本。因此如何合理的开发,利用,保护泉群地下水资源是当前水资源管理工作的重点,如何有效的解决泉群断流问题及查明泉群断流原因提前做好断流防治措施是当前的首要任务。研究各种水利工程及人为活动影响下的地下水动态,建立变化条件下的地下水流数值模拟模型,对地下水均衡状况作出预测很有必要,对地下水资源开发利用有着重要的意义。本文采用人工神经网络方法分析当地降雨量与黑龙潭泉群流量变化的关系。通过野外地质调查,查明研究区的地质环境条件,水文地质条件,地下水系统补径排特征,系统研究分析黑龙潭泉群的断流原因及断流过程,查阅相关文献资料及结合历年的监测数据,利用MATLAB人工神经网络方法展开对黑龙潭泉群流量及水位的分析研究,对黑龙潭的断流时间作出预测,给黑龙潭补水时间提供依据。使用MATLAB作为工具载体,应用最小二乘法非线性回归分析黑龙潭泉群流量与水位之间的关系;应用三次指数平滑法预测黑龙潭泉群水位;应用BP神经网络预测方法及神经网络拟合工具箱对黑龙潭泉群流量进行预测;应用神经网络模式识别进行黑龙潭泉群断流分析。使用标准化作为训练样本,并使用大量实际样本数据进行测试,将各方法得出的结论与实际结果进行对比,以流量和水位为突破口,进行断流分析。主要研究结果如下:（1）黑龙潭泉群的主要补给来源为大气降水,大气降水集中在九子海通过九子海径流补给黑龙潭。（2）通过统计分析得出丽江的水平衡自2004年起发生了很大变化,是水平衡状态的一个分界年。在这之前,黑龙潭的断流情况严重依赖于降水量;在这之后,由于平衡被打破,断流情况越来越严重。而地下水开采量增大是打破丽江水平衡的关键原因,由于深部排泄越来越大,使黑龙潭井水位逐渐下降,达不到出水水位,黑龙潭就发生断流。（3）通过模型模拟得出黑龙潭流量与降雨量呈正相关,持续的降雨量会使黑龙潭流量变大。而井水位与流量也呈高度相关,降雨量较少时,井水位会持续下降,计算得出九子海当月往前一个月的降雨量对井水位的影响更大,其相关性系数为0.7876,往前两个月的相关性系数为0.6466,说明九子海降雨在1-2月后会到达黑龙潭。（4）黑龙潭的井水位决定了其断流是否发生,当井水位低于一定的值,无论九子海降雨多少,都要先补充地下水位,使其达到出水水位黑龙潭才会有流量。（5）人工神经网络模型对黑龙潭流量和断流预测都取得了一定成效,预测值与实际值基本相符,该模型可以用于对黑龙潭流量及断流情况的监测,为黑龙潭补水提供时间依据。（6）经综合分析计算得出黑龙潭可在预测出断流时就进行补水,其补水量根据其断流的影响因素来计算。
严欢[8]（2020）在《综采工作面瓦斯涌出量AQPSO-RBF预测方法及其应用研究》文中指出在矿井的生产中,瓦斯灾害问题变得越来越严重,掌握瓦斯涌出量预测方法,实现对瓦斯涌出量精准预测是对掌握井下瓦斯涌出规律及其瓦斯防治的基础,对矿井瓦斯灾害的治理及其井下作业人员的安全具有重要意义。针对瓦斯涌出量影响因素多元且非线性以及预测的神经网络精度欠佳等问题。本文以山西某瓦斯试验矿井为研究对象,分别从地质因素和开采因素出发,分析工作面瓦斯涌出量影响因素与工作面瓦斯涌出量之间的作用关系。通过拟合分析得出影响因素作用众多,作用程度不一,又相互影响,它们之间存在着复杂而且非线性的关系。针对这些特点,经过研究和分析对比众多预测方法,采用了一种基于因子分析的预测指标提取方法。通过对因子进行旋转,在不降低原始信息的情况下,最大程度的提取有效信息,实现对原始变量的简化降维,减少信息重叠,提高数据有效性。针对影响因素时变性以及瓦斯涌出量预测效果精度等问题,通过研究分析构建自适应量子粒子群优化径向基函数神经网络的瓦斯涌出量预测模型,粒子群不仅对预测指标实现了非线性识别以及全局寻优,还对径向基函数的参数进行了修正与优化,使得瓦斯涌出量预测指标由非线性到线性的识别和输出产生最优结果。随着工作面的推进,进而实现对瓦斯涌出量的动态预测。通过研究总结因子分析、自适应量子粒子群以及径向基函数神经网络等相关理论,以MATLAB软件为平台,利用自带的工具箱,以GUI作为图形界面,设计开发出基于因子分析及自适应量子粒子群优化径向基函数的瓦斯涌出量动态预测软件。该软件包括了因子分析对预测指标的选取模块,也包括了自适应量子粒子群优化径向基函数瓦斯涌出量预测等相关模块。通过现场应用对比分析,因子分析法对于预测指标选取有很好的简化降维和可解释性,而且通过建立的模型与传统其他算法相比,预测精度提高,全局搜索能力增强,运算速度快等优点。基于此模型建立的软件具有操作方便快捷、数据处理能力强、预测精度高等特点,满足矿井工作面瓦斯涌出量的实时预测要求。
李朝阳[9]（2020）在《基于数据学习的岩溶隧道突涌水风险评估及预警研究》文中研究指明岩溶隧道突涌水灾害是严重制约岩溶隧道安全施工的瓶颈,一旦引发,将造成经济损失、工期延误以及人员伤亡等严重后果。由于地下工程环境的多变性和复杂性,岩溶隧道突涌水灾害发生概率一直无法得到准确计算。因此,建立新的岩溶隧道突涌水风险评估模型,精确预测突水概率和灾害后果,提出基于岩溶隧道防灾设计的预警机制具有重要工程价值。本文详细统计了近年来发生的重要岩溶隧道突水案例,完善现有风险分级标准。引入可靠度理论、GA-BP神经网络、贝叶斯网络建立新的风险评估模型,通过自主编制程序实现风险定量评估,并自建数据库建立风险等级与防灾措施之间的预警关系。取得主要研究成果如下:（1）研究确定了诱发岩溶隧道突涌水的3类11个影响因素的主次排序,获得了致灾性最强的4个主控因素,即不良地质、地形地貌、可溶岩与非可溶岩接触带、地下水位。引入概率分级标准,完善风险等级制度,在现有岩溶隧道涌水量分级的基础上确定亚级分级,进一步提高评估结果精度。（2）针对高压富水溶腔型岩溶隧道突水灾害,建立了基于可靠性理论和GA-BP神经网络的新型定量评估模型。选取岩盘最小防突厚度作为显性功能函数,利用可靠性理论通过确定每个随机变量的概率密度分布来计算突水概率。并利用GA-BP神经网络预测了突水造成的灾害后果。选择水压、水力补给、裂缝类型、充填条件、富水程度和溶洞储量等六个因素作为神经网络的输入层,以灾害后果作为输出层。筛选同类案例以获取各指标的统计信息,并使用MATLAB中的Normand函数将该信息转换为定量数据。结合突水的可能性和灾害后果对野三关隧道602溶腔进行风险评估,并于实际情况和PASM法评价结果进行对比,验证了模型的可行性和可靠性。（3）基于未识别灾害源或是指标信息精度不够的情况,建立贝叶斯网络风险评估模型。基于解释结构模型进行手工建模,再用因果图法修正,确定网络节点之间的从属关系。并基于对抗网络和层次分析法来生成对应的未突水样本,进一步丰富网络数据库。在模型通过训练和验证后,通过总体精度（ACC）等4项指标来对训练结果进行评估。最后将评估模型应用于上高山隧道DK490+373突水案例,验证了模型的可行性和准确性。（4）基于Visual Basic编程工具,对新建风险评估模型进行程序实现。对突水的灾害防治原则和措施进行归纳、统计,建立风险预警等级和灾害防治指导之间的关系。基于自主编制的程序,建立岩溶隧道突涌水灾害案例数据库,便于在风险评估后查询相似的工程案例,为类似工程施工提供指导和借鉴。该论文有图48幅,表41个,参考文献166篇。
康乾坤[10]（2020）在《基于测井数据的砂岩型铀矿异常识别随机森林算法应用》文中认为为了快速有效的获取砂岩型铀矿矿区铀矿异常的分布信息,矿区岩性分布的基础资料,本文以砂岩型铀矿异常和不同岩性类别的地球物理测井响应特征为理论依据,利用集成机器学习方法—随机森林算法的非线性映射能力、决策分类能力,以已知铀矿异常信息和岩性录井定名的特征信息为训练样本,针对研究区构建基于随机森林算法的铀矿异常识别和岩性分类模型。对松辽盆地大庆长垣南端某铀矿矿区铀矿钻孔测井数据进行异常层和矿化层的识别提取以及岩性的分类识别,并将随机森林算法的识别结果与已知矿化层的特征信息进行验证分析。为了解决超参数的影响问题,采用遍历寻优的思路对随机森林算法的超参数进行筛选,利用最优算法参数组合进行分类识别。结果表明:在岩性识别中,随机森林决策树棵数为563棵,决策树节点个数为3个时,算法结构最优,识别准确率最高。训练样本的训练数据袋外误差验证准确率为93.39%,预测样本的预测准确率为93.31%。通过对比分析,随机森林算法的预测准确率优于支持向量机方法和BP神经网络方法,研究区内9口钻孔的预测准确率平均可达92.25%。根据随机森林算法的参数重要性分析:电阻率和自然电位对研究区岩性分类的贡献更大,密度和放射性测井重要性较低。在铀矿异常识别工作中:随机森林算法的袋外误差验证准确率为97.63%,通过变量筛选后可提升至97.97%。预测准确率99.21%,应用效果较好。矿化层以及异常层的识别结果同已知矿化层的特征信息重合度高。在等比例数据条件下,算法模型的训练数据袋外误差验证准确率和预测准确率分别为93.96%和94.8%。对于地质现象的学习能力较强,快速有效,相较于传统铀矿异常识别方法而言更加接近铀矿异常分布的真实形态。本文研究结果表明随机森林算法是岩性识别应用、铀矿异常识别应用中可靠的新方法,应用于铀矿勘查及其相关地质工作中具有良好的前景。本论文针对研究目标所做内容主要如下:（1）对研究区的区域地质概况和测井资料进行深入分析,选取了电阻率、自然伽马、密度、声波时差、定量伽马、自然电位、三侧向电阻率和井径共计8个特征参数,分析砂岩型铀矿异常的测井响应规律和不同岩性类别的测井响应规律。（2）构建针对研究区钻孔测井数据的随机森林算法识别模型,对研究区内的钻孔测井数据进行岩性自动分类。（3）构建针对研究区含矿目的层的随机森林算法识别模型,对研究区内的钻孔测井数据进行铀矿异常的识别提取。（4）将随机森林算法识别模型的岩性分类结果同BP神经网络和支持向量机方法的预测结果相比较。并分别分析了三种方法的优缺点和适应性。（5）将随机森林方法应用于研究区的铀矿异常工作中,通过变量重要性筛选提升算法性能,同传统的铀矿勘查方法作对比,取得了不错的效果。
二、基于MATLAB神经网络的岩性识别（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于MATLAB神经网络的岩性识别（论文提纲范文）
（1）基于机器学习的岩性识别研究（论文提纲范文）
| 1 机器学习理论 |
| 1.1 BP神经网络原理及学习 |
| 1.2 BP神经网络算法建模 |
| 1.3 改进算法 |
| 2 BP神经网络岩性识别 |
| 2.1 BP神经网络岩性识别模型 |
| 2.2 学习样本的选取 |
| 2.3 神经网络输出结果 |
| 3 应用实例 |
| 3.1 基于岩性识别的可伸缩耦合仿生智能钻头 |
| 3.2 基于岩性识别的小型智能钻机系统 |
| 4 结论 |
（3）台阶爆破信号时频特征影响因素分析与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 台阶爆破振动信号分析方法 |
| 1.2.2 台阶爆破时间间隔参数的设计及优化 |
| 1.2.3 台阶爆破的数值模拟 |
| 1.2.4 振动信号时频特征的预测 |
| 1.3 主要研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方案和技术路线 |
| 1.3.3 .研究创新点 |
| 2.台阶爆破振动信号时频特征分布分析 |
| 2.1 振动信号的收集 |
| 2.1.1 台阶梯段梯段爆破方案 |
| 2.1.2 爆破试验振动监测 |
| 2.2 深孔台阶微差爆破能量及主频分布规律分析 |
| 2.2.1 小波分层数目的确定及小波基的选择 |
| 2.2.2 振动信号各频段能量分布计算 |
| 2.2.3 振动信号主频分布计算 |
| 2.2.4 基于HHT法的振动能量时频分布分析 |
| 2.3 不同装药响数对振动信号能量与主频分布的影响 |
| 2.3.1 不同装药段数振动信号的能量分布对比分析 |
| 2.3.2 不同装药段数下振动信号时频特征对比分析 |
| 2.4 本章小结 |
| 3.间隔时间对振动信号特征及降振作用影响分析 |
| 3.1 爆破地震波线性叠加原理 |
| 3.1.1 原理简介 |
| 3.1.2 基于间隔时间识别法的线性叠加原理验证 |
| 3.2 相同子信号下不同间隔时间叠加信号特征影响规律分析 |
| 3.2.1 不同间隔时间下叠加信号最大幅值及降振效果变化规律分析 |
| 3.2.2 不同间隔时间下叠加信号的主频变化规律 |
| 3.2.3 不同间隔时间下叠加信号能量变化规律 |
| 3.3 .子信号特性对不同间隔时间合成信号降振效果影响分析 |
| 3.3.1 子信号主频对叠加信号降振效果影响分析 |
| 3.3.2 子信号振幅比对叠加信号降振效果影响分析 |
| 3.4 .本章小结 |
| 4.堵塞长度对台阶爆破信号特征及降振效果影响分析 |
| 4.1 数值模型的建立 |
| 4.1.1 建模平台及建模流程 |
| 4.1.2 材料模型 |
| 4.1.3 计算算法与边界条件 |
| 4.1.4 炮泥长度确定 |
| 4.1.5 仿真模型的建立 |
| 4.2 泡泥堵塞长度对爆破开挖效果对比分析 |
| 4.3 炮孔堵塞长度对测点振动信号特征的影响 |
| 4.4 不同堵塞长度下振速峰值衰减规律分析 |
| 4.5 本章小结 |
| 5.台阶微差爆破振动信号的时频特征预测 |
| 5.1 基于BP神经网络的微差爆破振动预测 |
| 5.1.1 BP模型的建立 |
| 5.1.2 数据采集 |
| 5.2 基于智能化编程的线性叠加及BP网络信号特征预测 |
| 5.2.1 开发环境及结构框架 |
| 5.2.2 系统的功能模块 |
| 5.3 本章小结 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 致谢 |
（4）煤层瓦斯含量WKNN-FS-SVM模型预测方法研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 煤层瓦斯含量预测方法研究现状 |
| 1.2.2 最近邻结点算法(KNN)和特征选择方法研究现状 |
| 1.2.3 支持向量机研究现状 |
| 1.2.4 问题与不足 |
| 1.3 研究内容、目标及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.3.3 研究方法及技术路线 |
| 2 煤层瓦斯含量样本数据确定 |
| 2.1 井下直接法测定煤层瓦斯含量 |
| 2.1.1 DGC实验瓦斯含量测定原理分析 |
| 2.1.2 井下煤层瓦斯含量测定结果 |
| 2.2 地勘煤层瓦斯含量测定 |
| 2.2.1 地勘瓦斯含量测定原理分析 |
| 2.2.2 地勘瓦斯含量测定结果 |
| 2.2.3 地勘瓦斯含量数据校正 |
| 2.3 基于WKNN算法的煤层瓦斯含量确定 |
| 2.3.1 煤层瓦斯含量影响因素 |
| 2.3.2 WKNN算法原理分析 |
| 2.3.3 基于WKNN算法的瓦斯含量影响因素缺失数据挖掘 |
| 2.4 本章小结 |
| 3 瓦斯含量影响因素及预测指标选取 |
| 3.1 瓦斯含量影响因素分析 |
| 3.2 瓦斯含量预测指标确定 |
| 3.2.1 基于顺序最优搜索策略的特征选择方法实现 |
| 3.2.2 瓦斯含量预测指标结果统计 |
| 3.3 本章小结 |
| 4 基于WKNN-FS-SVM算法的瓦斯含量预测模型构建 |
| 4.1 WKNN-FS-SVM预测模型构建 |
| 4.1.1 核函数选取对SVM模型的影响 |
| 4.1.2 WKNN-FS-SVM模型算法实现 |
| 4.2 WKNN-FS-SVM模型预测结果分析 |
| 4.2.1 WKNN-FS-SVM模型预测结果 |
| 4.2.2 WKNN-FS-SVM模型预测结果对比分析 |
| 4.3 本章小结 |
| 5 WKNN-FS-SVM瓦斯含量预测软件研发及应用 |
| 5.1 WKNN-FS-SVM软件功能实现 |
| 5.1.1 WKNN-FS-SVM软件主要功能介绍 |
| 5.1.2 WKNN-FS-SVM软件功能模块实现 |
| 5.2 WKNN-FS-SVM软件工程应用 |
| 5.2.1 工程背景介绍 |
| 5.2.2 瓦斯含量赋存趋势预测 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 论文展望 |
| 致谢 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
（5）复杂地质条件下TBM掘进参数多目标优化方法及软件开发（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 TBM掘进参数和地质参数 |
| 1.2.2 TBM掘进效率和掘进成本 |
| 1.2.3 多目标优化方法 |
| 1.2.4 目前存在的问题 |
| 1.3 研究内容与方法 |
| 1.4 研究路线 |
| 1.5 创新点 |
| 2 多目标优化算法及程序化 |
| 2.1 算法筛选 |
| 2.2 NSGA-Ⅱ算法 |
| 2.2.1 代码核心编写 |
| 2.2.2 算法测试问题 |
| 2.2.3 算法性能指标 |
| 2.2.4 测试结果与分析 |
| 2.3 NSGA-Ⅲ算法 |
| 2.3.1 代码核心编写 |
| 2.3.2 算法性能指标 |
| 2.3.3 测试结果与分析 |
| 2.4 MOPSO算法 |
| 2.4.1 代码核心编写 |
| 2.4.2 测试结果与分析 |
| 2.5 本章小结 |
| 3 TBM掘进数据分析和处理 |
| 3.1 数据获取及筛选 |
| 3.1.1 技术与掘进参数 |
| 3.1.2 工程地质参数 |
| 3.1.3 掘进目标参数 |
| 3.2 岩-机相互作用分析 |
| 3.2.1 相关性分析 |
| 3.2.2 掘进目标回归模型 |
| 3.3 掘进参数机器学习及NSGAⅡ-BP算法 |
| 3.3.1 岩性识别 |
| 3.3.2 神经网络模型 |
| 3.3.3 NSGAⅡ-BP算法 |
| 3.4 本章小结 |
| 4 TBM掘进参数多目标优化分析软件开发 |
| 4.1 多目标优化数学模型 |
| 4.1.1 设计变量 |
| 4.1.2 目标函数 |
| 4.1.3 约束条件 |
| 4.1.4 决策变量 |
| 4.2 软件总体设计 |
| 4.2.1 开发环境 |
| 4.2.2 系统设计 |
| 4.2.3 数据库设计 |
| 4.2.4 功能和技术特点 |
| 4.3 软件运行界面 |
| 4.3.1 系统登陆和注册 |
| 4.3.2 欢迎使用 |
| 4.3.3 第一步设置问题 |
| 4.3.4 第二步设置算法 |
| 4.3.5 第三步求解 |
| 4.3.6 第四步显示结果 |
| 4.3.7 用户管理 |
| 4.3.8 系统退出 |
| 4.4 本章小结 |
| 5 TBM掘进参数工程案例验证 |
| 5.1 工程介绍 |
| 5.2 案例验证一 |
| 5.3 案例验证二 |
| 5.4 案例验证三 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 TBM 掘进参数多目标优化分析软件核心代码 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）褶皱区顶板型冲击矿压“三场”监测原理及其应用（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究意义 |
| 1.2 褶皱顶板复合条件冲击显现特征 |
| 1.3 研究现状 |
| 1.4 主要研究内容和研究方法 |
| 2 冲击矿压“三场”耦合模型及监测预警原理 |
| 2.1 引言 |
| 2.2 应力-能量-震动耦合模型 |
| 2.3 应力-能量-震动物理量耦合冲击显现过程 |
| 2.4 “三场”概念提出及其监测预警原理 |
| 2.5 小结 |
| 3 坚硬顶板诱发褶皱区冲击机理 |
| 3.1 引言 |
| 3.2 褶皱区围岩应力分布力学模型 |
| 3.3 褶皱区坚硬顶板破断失稳及其动载扰动能量 |
| 3.4 顶板动载诱发褶皱巷道冲击机制 |
| 3.5 小结 |
| 4 动静组合加载褶皱区冲击破坏特征 |
| 4.1 引言 |
| 4.2 相似模拟试验设计 |
| 4.3 褶皱区巷道顶板动载诱发煤岩动力破坏特征 |
| 4.4 小结 |
| 5 坚硬顶板条件下褶皱区“三场”演化规律 |
| 5.1 数值模拟目的、内容及方案 |
| 5.2 褶皱不同回采方向、位置物理量演化特征 |
| 5.3 不同影响因素应力演化特征 |
| 5.4 小结 |
| 6 褶皱区坚硬顶板诱冲“三场”预警模型及准则 |
| 6.1 引言 |
| 6.2 相似模拟试验多参量指标演化规律及前兆信息识别 |
| 6.3 坚硬顶板诱发褶皱区巷道冲击显现特征及前兆信息识别 |
| 6.4 褶皱区坚硬顶板诱冲预警模型及准则 |
| 6.5 小结 |
| 7 褶皱区顶板型冲击危险监测预警工程实践 |
| 7.1 褶皱区巷道坚硬顶板诱冲监测与防治思路 |
| 7.2 胡家河煤矿401111 褶皱工作面开采监测与防冲实践 |
| 7.3 小结 |
| 8 结论与展望 |
| 8.1 研究结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）基于人工神经网络模型的丽江黑龙潭泉群断流分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地下水系统研究现状 |
| 1.2.2 人工神经网络模型研究现状 |
| 1.2.3 丽江黑龙潭泉群研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 研究区地质背景 |
| 2.1 自然地理概况 |
| 2.1.1 研究区位置及交通 |
| 2.1.2 地形地貌 |
| 2.1.3 气象、水文 |
| 2.2 区域地质条件 |
| 2.2.1 地层岩性 |
| 2.2.2 地质构造 |
| 第三章 泉域水文地质特征 |
| 3.1 水文地质条件 |
| 3.1.1 地下水类型及含水岩组划分 |
| 3.2 地下水补径排特征 |
| 3.2.1 补给特征 |
| 3.2.2 径流特征 |
| 3.2.3 排泄特征 |
| 3.2.4 泉域地下水系统分析 |
| 第四章 黑龙潭泉群动态分析 |
| 4.1 人工神经网络概述 |
| 4.1.1 人工神经网络分类 |
| 4.1.2 人工神经网络的原理 |
| 4.2 神经网络的特点及应用 |
| 4.3 黑龙潭主系统排泄特征和地下水动态 |
| 4.3.1 主系统排泄特征 |
| 4.3.2 地下水动态特征 |
| 4.4 黑龙潭补给量与流出量的计算 |
| 4.5 计算参数数据处理 |
| 4.5.1 统计学的间接推论 |
| 4.5.2 主要影响因素的确定 |
| 4.5.3 使用最小二乘法分析黑龙潭流量与井水位相关性 |
| 4.5.4 最佳拟合条件 |
| 4.5.5 直线的最小二乘拟合 |
| 4.5.6 线性回归误差的量化 |
| 4.6 三次指数平滑预测黑龙潭井水位 |
| 4.6.1 三次指数平滑过程介绍 |
| 4.6.2 三次指数平滑法预测黑龙潭井水位 |
| 第五章 黑龙潭断流分析 |
| 5.1 黑龙潭泉群断流初步分析 |
| 5.2 人工神经网络分析黑龙潭泉群流量 |
| 5.2.1 BP神经网络介绍 |
| 5.2.2 黑龙潭流量分析 |
| 5.2.3 使用MATLAB神经网络拟合工具箱预测流量 |
| 5.2.4 使用神经网络模式识别工具箱进行断流预测 |
| 5.3 黑龙潭断流过程和主要原因 |
| 5.4 黑龙潭断流补水量计算 |
| 5.5 黑龙潭保泉供水建议 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间发表的论文 |
| 附录B MATLAB最小二乘法主程序 |
| 附录C MATLAB三次指数平滑法主程序 |
| 附录D BP神经网络主程序 |
（8）综采工作面瓦斯涌出量AQPSO-RBF预测方法及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 矿井瓦斯涌出规律研究现状 |
| 1.2.2 传统矿井瓦斯涌出量预测方法 |
| 1.2.3 基于机器学习的矿井瓦斯涌出量预测方法 |
| 1.3 主要研究内容及研究目标 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究目标 |
| 1.4 研究思路及技术路线 |
| 1.4.1 研究思路 |
| 1.4.2 技术路线图 |
| 2 综采工作面瓦斯涌出规律及影响因素分析 |
| 2.1 矿井地质概况 |
| 2.1.1 矿井地质构造特征 |
| 2.1.2 主采煤层概况及煤层开采地质特征 |
| 2.1.3 主采工作面概况 |
| 2.2 瓦斯涌出量影响因素分析 |
| 2.2.1 瓦斯涌出量受地质因素影响分析 |
| 2.2.2 瓦斯涌出量受开采技术因素影响分析 |
| 2.3 瓦斯涌出量影响因素特征分析 |
| 2.4 本章小结 |
| 3 综采工作面瓦斯涌出因子分析预测指标选取 |
| 3.1 因子分析法简介 |
| 3.1.1 因子分析法的基本思想 |
| 3.1.2 因子分析的步骤 |
| 3.2 综采工作面瓦斯涌出量预测指标选取 |
| 3.2.1 原始数据的输入 |
| 3.2.2 原始数据的处理检验 |
| 3.2.3 公因子方差分析 |
| 3.2.4 公因子解释分析 |
| 3.2.5 得分矩阵分析 |
| 3.3 本章小结 |
| 4 综采工作面瓦斯涌出量AQPSO-RBF预测模型建立 |
| 4.1 RBF预测方法简介 |
| 4.1.1 RBF神经网络原理及其思想分析 |
| 4.1.2 RBF神经网络结构 |
| 4.1.3 RBF神经网络参数学习算法 |
| 4.2 粒子群预测算法简介 |
| 4.2.1 粒子群算法原理 |
| 4.2.2 粒子群算法流程 |
| 4.2.3 粒子群算法改进分析研究 |
| 4.2.4 解决方案 |
| 4.3 综采工作面瓦斯涌出量AQPSO-RBF预测模型 |
| 4.3.1 粒子群算法的优化 |
| 4.3.2 AQPSO-RBF预测模型构建及流程 |
| 4.4 本章小结 |
| 5 综采面瓦斯涌出量AQPSO-RBF预测软件研发及工程应用 |
| 5.1 软件开发环境简介 |
| 5.1.1 软件的环境 |
| 5.1.2 软件功能实现 |
| 5.2 软件的模块 |
| 5.2.1 数据的预处理 |
| 5.2.2 数据检验 |
| 5.2.3 因子分析及标准化处理 |
| 5.2.4 神经网络模型的预测 |
| 5.3 综采工作面瓦斯涌出量预测软件应用 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）基于数据学习的岩溶隧道突涌水风险评估及预警研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容、方法及技术路线 |
| 2 岩溶隧道突涌水风险等级划分及致灾因素分析 |
| 2.1 岩溶隧道突涌水案例统计及后果分类 |
| 2.2 岩溶隧道突涌水风险分级标准 |
| 2.3 岩溶隧道突涌水影响因素分析 |
| 2.4 本章小结 |
| 3 基于可靠度理论和神经网络的突水风险评估模型研究 |
| 3.1 岩溶隧道突涌水概率计算模型 |
| 3.2 岩溶隧道突涌水灾害后果预测模型 |
| 3.3 模型应用及预测结果分析 |
| 3.4 本章小结 |
| 4 基于贝叶斯网络的突水风险评估模型研究 |
| 4.1 贝叶斯网络基本原理 |
| 4.2 贝叶斯网络模型的构建 |
| 4.3 贝叶斯网络模型的数据学习与验证 |
| 4.4 本章小结 |
| 5 岩溶隧道突涌水风险评估预警程序 |
| 5.1 岩溶隧道突水灾害风险预警程序设计 |
| 5.2 岩溶隧道突水灾害防治措施总结 |
| 5.3 岩溶隧道突水灾害风险预警程序应用 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论与创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）基于测井数据的砂岩型铀矿异常识别随机森林算法应用（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于测井数据的岩性识别研究现状 |
| 1.2.2 基于测井数据的铀矿异常识别研究现状 |
| 1.2.3 随机森林算法的研究现状 |
| 1.3 研究内容与方法路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法与技术路线 |
| 1.4 论文结构 |
| 第2章 研究区概况与数据 |
| 2.1 地理位置与自然条件 |
| 2.2 区域地质概况 |
| 2.3 矿区数据概况 |
| 第3章 原理与方法 |
| 3.1 不同岩层的测井响应特征 |
| 3.2 砂岩型铀矿的测井响应特征 |
| 3.3 BP神经网络模型 |
| 3.3.1 神经元结构 |
| 3.3.2 BP神经网络原理 |
| 3.3.3 BP神经网络现存问题 |
| 3.4 随机森林算法 |
| 3.4.1 决策树结构 |
| 3.4.2 随机森林算法原理 |
| 3.4.3 随机森林算法的现存问题 |
| 第4章 基于测井数据的岩性识别应用 |
| 4.1 岩性识别总体设计 |
| 4.2 模型参数的选择与数据预处理 |
| 4.3 基于测井数据的岩性识别应用 |
| 4.3.1 基于随机森林算法的岩性识别 |
| 4.3.2 不同方法的对比分析 |
| 4.3.3 研究区内不同钻孔的岩性识别应用 |
| 4.3.4 实验结果分析 |
| 第5章 基于测井数据的砂岩型铀矿异常识别 |
| 5.1 铀矿异常识别总体设计 |
| 5.2 铀矿异常识别的模型参数选择与数据处理 |
| 5.3 基于测井数据的铀矿异常识别 |
| 5.3.1 单钻孔铀矿异常识别 |
| 5.3.2 等比例数据铀矿异常识别 |
| 5.3.3 铀矿异常识别结果分析 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
四、基于MATLAB神经网络的岩性识别（论文参考文献）
- [1]基于机器学习的岩性识别研究[J]. 王杰,席凯凯,郭禹伦. 科技和产业, 2022(01)
- [2]BP神经网络在鸭西白垩系测井岩性识别中的应用[A]. 吴春,王成荣,朱时继,王恒太. 2021油气田勘探与开发国际会议论文集(下册), 2021
- [3]台阶爆破信号时频特征影响因素分析与预测[D]. 王子明. 西安理工大学, 2021(01)
- [4]煤层瓦斯含量WKNN-FS-SVM模型预测方法研究及应用[D]. 高帆. 西安科技大学, 2021(02)
- [5]复杂地质条件下TBM掘进参数多目标优化方法及软件开发[D]. 孟中华. 北京交通大学, 2021(02)
- [6]褶皱区顶板型冲击矿压“三场”监测原理及其应用[D]. 王盛川. 中国矿业大学, 2021
- [7]基于人工神经网络模型的丽江黑龙潭泉群断流分析[D]. 李恒丽. 昆明理工大学, 2021(01)
- [8]综采工作面瓦斯涌出量AQPSO-RBF预测方法及其应用研究[D]. 严欢. 西安科技大学, 2020(01)
- [9]基于数据学习的岩溶隧道突涌水风险评估及预警研究[D]. 李朝阳. 中国矿业大学, 2020(01)
- [10]基于测井数据的砂岩型铀矿异常识别随机森林算法应用[D]. 康乾坤. 吉林大学, 2020(08)