Study on risk prediction of mine karst collapse under the influence of groundwater based on LOF-SMOTE algorithm
-
摘要: 矿山岩溶地表塌陷成因复杂，形式多样，为准确预测矿山岩溶塌陷，结合岩溶发育机理，本研究提出基于LOF和SMOTE算法的BP神经网络预测模型。首先通过LOF算法剔除因非自然原因而产生的异常数据，再通过SMOTE算法对剔除后的数据进行过采样，合成新数据，以增加样本数目，最后采用BP神经网络模型对矿山岩溶塌陷进行预测。结果表明，实际工程数据经过预处理后的预测模型，与部分小样本预测模型相比，具有更高的预测精度，可为在其他工程中应用提供参考。Abstract: The causes of mine karst surface collapse are complex and diverse. To accurately predict karst collapse in mines, combined with the karst development mechanism, a BP neural network prediction model based on the LOF and SMOTE algorithms is proposed. In this model, the abnormal data due to unnatural reasons were first removed by LOF algotithm. The removed data were then oversampled by SMOTE algorithm, thereby synthesizing new data to increase the number of samples. Finally, the BP neural network model was used to predict the mine karst collapse. The results show that the preprocessed prediction model of the actual engineering data has higher prediction accuracy than some small sample prediction models, which provides a reference for its application in other projects.
-
Keywords:
- karst collapse /
- LOF algorithm /
- SMOTE algorithm /
- neural network /
- support vector machine
-
钨是稀有的高熔点金属，钨及其合金是现代化工业、军火工业、国防及高科技技术应用中极为重要的功能材料之一，同时钨又是重要的战略资源，是国家保护开采的特定矿种.截至2005年底，我国共有钨矿区310个，基础储量260.46万t WO3，加上查明资源量，共有资源储量569.27万t.在钨矿查明资源储量中，黑钨矿约占20.8%，其中基础储量57.84万t，资源量60.68万t；白钨矿约占69.6%，其中基础储量186.89万t，资源量209.27万t；混合钨矿约占9.6%，其中基础储量15.72万t，资源量38.86万t.采选综合回收率按58.4%计算，现有钨矿基础储量只能满足开采23年的需要；即到2028年，我国钨矿基础储量将全部耗竭[1].但据统计，世界上每年约有20%的钨损失于钨细泥中，国内各选厂钨细泥的回收率按入选原矿计算为40% ~50%，进入尾矿中的细泥产率为10%~15%，但金属占有率高达40%~50%，相当于总收率的10%~12%.就江西省11个国有钨矿的数据而言，每年处理矿石量为800万t，其中细泥占10%以上，金属量占13%~15%[2-4].因此，对钨细泥进行开发利用研究，对我国钨资源储量的增加具有重要意义.
某钨矿日处理量为1000t，其主干工艺流程为“螺旋选矿+摇床选矿”的重选工艺，由于黑钨矿性脆，易产生过粉碎，在实际操作过程中，现场重选工艺的钨回收率小于63%，约30%的钨矿物损失于原生钨细泥和由于过粉碎产生的次生钨细泥中，现场采用浮选工艺处理该部分细泥矿物，但选矿指标不理想.为了提高资源利用效率，本研究以该钨矿山企业重选尾矿中的微细粒钨细泥为研究对象，对选矿新工艺进行对比试验研究，为实际生产提供技术依据.
1 矿石性质
本研究所用试样为矿山重选尾矿经水力旋流器分级后的溢流细泥矿物，细度为－0.04mm以下，经工艺矿物学研究可知，该细泥矿物中主要金属矿物为白钨矿、黑钨矿、辉钼矿，其次为自然铋、钨华、磁黄铁矿、黄铁矿、黄铜矿、磁铁矿、锡石等；主要脉石矿物为萤石，其次为石英、长石、钙铁榴石、白云母、黑云母.原矿多元素分析结果见表 1.从表 1可知，该细泥矿物含WO3 0.28%，经物相分析，其中白钨矿、黑钨矿和钨华中钨的分布率分别为25.31%、72.45%和2.24%.
表 1 试样多元素分析结果(质量分数) /%
2 试验方法和选矿方案的确定
对于微细粒级钨细泥的选矿，目前我国大部分老钨矿山企业主要采用集中、浓缩分级摇床-粗选-扫选，摇床尾矿绒毯溜槽回收、绒毯溜槽精矿采用摇床精选回收工艺，回收工艺机械化程度、自动化控制水平低[5-6].近年来，随着钨选矿技术进步和新设备的开发应用，出现了新型浮选工艺和药剂[7-10]、高梯度磁选、高效离心重选等新工艺和新设备，但这些新工艺和新设备主要应用于新建的大型钨选矿厂，在我国老钨矿山企业应用程度不高，本研究对上述钨细泥选矿新工艺进行对比试验研究，在不改变矿山现有主干工艺流程的前提下选择合适的钨细泥选矿工艺流程与矿山现有主干流程进行匹配，对我国老钨矿山企业具有较强适用性和可操作性.
3 试验结果与讨论
3.1 脱硫试验研究
从矿石性质可知，本研究试样中含有一定量的硫化矿，由于硫化矿可浮性好、比重大，对本研究拟主要回收的钨矿物分选有很大影响.因此，首先采用浮选工艺除去该部分硫化矿，脱硫试验采用丁黄药做捕收剂，对捕收剂用量进行了试验研究.从试验结果和试验现象可知，在丁黄用量为40g/t时，试样中的硫化矿基本去除；对得到的硫化矿化验分析可知，钨矿物在硫化矿中的含量为0.34%，损失率为2.90%.因此，后续试验均脱硫后进行.
3.2 磁选试验研究
磁选试验采用SLon高梯度磁选机进行，改变磁场强度，考查高梯度磁选对该钨细泥的分选效果，试验流程见图 1，试验结果见图 2.从图 2中可以看出，随着磁场强度的增加，得到的钨精矿回收率不断升高，但品位不断下降，但其选矿指标均不理想.
3.3 浮选试验研究
3.3.1 捕收剂条件试验
浮选是处理细粒级矿最为有效的方法，但由于钨矿物可浮性差，尤其是对于黑白钨共生的细泥矿物，浮选往往得不到理想的指标.近年来，随着选矿技术的发展，出现了一些新型钨矿物捕收剂，本研究对钨矿物捕收剂种类进行了筛选试验，主要考查了植物油酸、氧化石蜡皂、GYB+GYT、GYB+GYR等捕收剂对试样的捕收效果.试验表明，植物油酸和氧化石蜡皂对该钨细泥矿物的捕收效果不好，GYB+GYT选择性较好，但捕收剂能力太差，得到的钨粗精矿回收率很低，GYB+GYR选择性和捕收能力均较好，因此选择GYB+GYR为捕收剂做为后续试验条件.在此试验基础上，进行了GYB+GYR用量条件试验，试验流程见图 3，试验结果见图 4.从图 4可以看出，随着捕收剂用量的增加，得到的钨粗精矿回收率不断升高，但钨精矿中钨品位不断降低，并且当捕收剂用量达到280g/t以后，回收率增幅减小，以此综合考虑，选取捕收剂用量240g/t做为后续试验条件.
3.3.2 调整剂条件试验
从矿石性质可知，试样中含有一定量的硫化矿，虽然进行了脱硫处理，但仍有少量的硫化矿存在，对钨矿物的浮选会产生影响，由于在高碱条件下硫化矿会被抑制，可降低对钨矿物浮选过程的影响.因此，对于钨矿物的浮选需在碱性条件下进行，采用碳酸钠做为调整剂，一方面可以调节矿浆pH，另一方面碳酸钠对矿浆具有一定的分散作用.另外，试样为细泥矿物，含有大量的脉石细泥，易团聚凝结，不利于捕收剂与目的矿物中的钨矿钨接触，因此需在浮选过程中加入分散剂水玻璃.本试验对碳酸钠和水玻璃用量进行了试验研究，从试验现象和结果分析，当碳酸钠用量为800g/t，水玻璃用量为1500g/t时为宜，此时得到的钨粗精矿品位达到9.55%，回收率达到86.95%.
3.3.3 精选条件试验
前面条件试验得到的钨粗精矿达到了精选条件要求，本试验进行了精选条件试验，由于试样为细泥矿物，精选条件难以控制，对精选次数进行了试验研究.由于细泥脉石矿物大都在－0.04mm以下，难以被抑制，从试验结果和试验现象看，即使精选次数达到5次，得到的钨精矿品位仍没有大幅提高，达不到合格钨精矿的要求.因此可以判断，浮选对于钨细泥矿样粗选预富集效果较好，但精选指标得不到大幅提高，应考虑采用其他方法提高钨粗精矿品位.
3.4 离心机重选试验研究
细泥矿物虽然粒度很细，但其颗粒大小相对均匀，采用摇床、螺旋溜槽等重选设备虽然很难实现钨细泥矿物的分选，但近年来随着离心机的技术开发，其在处理微细粒细泥资源上的优势逐步得到体现.本研究采用赣州金环磁电设备公司研制的SLon-400变频离心选矿机进行了离心试验研究，试验条件及流程见图 5.对得到的钨粗精矿进行化验分析可知，钨粗精矿品位虽然达到16.35%，但回收率仅有32.14%.对钨粗精矿和离心尾矿进行显微镜下分析，发现钨精矿中有颗粒相对较粗的脉石矿物，离心尾矿中损失的多为粒度相对很细的钨矿物，结合试验现象分析可知，粒度相对较粗的脉石矿物是影响钨粗精矿品位和回收率的主要原因.由于粒度相对粗的脉石矿物其比重也相对较大，离心机无法将这部分脉石矿物分离，若加大冲洗水量，则粒度相对较细的钨矿物又被冲入离心尾矿中，试验现象也验证了显微镜下分析结果.因此，如若能将这部分较粗颗粒的脉石矿物去除后再进行离心重选，则能取得理想的试验结果.
3.5 “浮选-离心机重选”联合流程试验研究
从前面单独的浮选试验结果可知，浮选可以起到很好的粗选预富集作用，试样中大量脉石矿物被丢弃，但由于试样中含有大量的细泥，这部分细泥很难采用浮选工艺去除掉.从单一离心重选试验可知，离心重选可以大量的丢弃细泥，而对于颗粒相对较粗的脉石矿物则分离效果不理想，因此，本试验拟对两种选矿工艺结合，进行联合流程试验研究.
3.5.1 离心机重选给矿浓度条件试验
浮选试验研究已进行了浮选条件试验，因此联合流程试验只进行离心重选条件试验，本试验考查不同离心给矿浓度对离心重选指标的影响，试验流程见图 6.固定转鼓转速400r/min，冲洗水量2L/min，改变离心重选给矿浓度，试验结果见图 7.从图 7可以看出，随着给矿浓度的增大，得到的钨精矿回收率不断升高，但品位不断下降，并且当给矿浓度达到20%时，得到的钨精矿回收率也急剧下降，这是由于随着给矿浓度的增大，有效矿粒在离心机内作用时间短，得不到有效分选直接被排出.因此，选取给矿浓度16%作为后续条件试验.
3.5.2 离心机转鼓转速条件试验
离心机转鼓转速是影响离心重选指标的重要因素，离心机转鼓转速过低，得到的精矿品位低，离心机转鼓转速过高，得到的精矿产品回收率低.因此，本试验进行了离心机转鼓转速条件试验，以考查其转鼓转速对本研究试样选矿指标的影响，试验流程同图 6.固定给矿浓度16%、冲洗水量2L/min，改变转鼓转速，试验结果见图 8.从图 8中可以看出，随着转鼓转速的增大，离心重选获得的钨精矿中钨品位不断升高，但回收率却不断下降，说明随着离心机转鼓转速的增大，较轻的脉石矿物首先被甩出，当继续增大转速至500r/min后，由于转速过快，一些粒度相对较细的钨矿物也被甩出.综合考虑钨精矿品位和回收率，选取转鼓转速400r/min做为后续试验条件.
3.5.3 离心机冲洗水量条件试验
由于离心机为阶段式给矿，补加冲洗水量的大小直接影响其选矿指标，冲洗水过少，脉石矿物仍附着在转鼓璧上，冲洗水量过大，则钨矿物也会被冲走.因此，本试验对冲洗水量进行了条件试验，试验流程同图6.固定给矿浓度16%、转鼓转速400r/min，改变冲洗水量的大小，考查其对选矿指标的影响，试验结果见9.从图9可以看出，随着冲洗水量的增大，获得的钨精矿品位不断升高，但回收率逐渐降低.综合考虑，选取冲洗水量2.5L/min做为后续试验条件.
3.6 开路试验研究
为了验证条件试验所选各参数的稳定性，在条件试验的基础上进行了全开路试验，试验流程见图 6，试验结果见表 2.从表 2可以看出，各条件试验所确定的工艺参数是稳定的，试验取得了理想的指标.
表 2 全开路试验结果/%
4 结论
某钨矿重选尾矿经水力旋流器分级后的溢流细泥矿物，细度为－0.04mm以下，该细泥矿物中主要金属矿物为白钨矿、黑钨矿、辉钼矿，该细泥矿物含WO3 0.28%，其中白钨矿、黑钨矿和钨华中钨的分布率分别为25.31%、72.45%和2.24%.试验研究表明，由于该试样为黑白钨混合细泥矿物，采用单一的高梯度磁选、离心重选、浮选工艺无法获得的理想的选矿指标，采用“浮选-离心机重选”联合流程，即GYB+ GYR做捕收剂，浮选粗精矿再采用离心机重选精选，开路试验获得的钨精矿品位达到32.14%，回收率达到73.51%，试验取得了理想的指标，为该钨矿企业钨细泥的利用提供了技术依据，同时对于其他钨矿山企业钨细泥的回收具有一定的借鉴作用.
-
![]()
图 1 当k=5时，点o至点p1的可达距离示意
Fig 1. Schematic diagram of accessible distance from point o to point p1 when k=5
![]()
图 2 当k=5时，点o至点p2的可达距离示意
Fig 2. Schematic diagram of accessible distance from point o to point p2 when k=5
![]()
图 3 样本示意（其中星形为少数类样本）
Fig 3. Schematic diagram of sample (the stellate ones are a minority of class samples)
![]()
图 4 新样本示意（其中方形为新合成样本）
Fig 4. Schematic diagram of new sample (the square ones are new synthetic samples)
![]()
图 6 预测结果：（a）、（b）、（c）为节选的3组预测结果；（d）为10组平均预测结果
Fig 6. Prediction results: (a), (b) and (c) are three prediction groups of results excerpted; (d) is the average prediction result of ten groups
![]()
图 7 样本回归情况（回归值R表示实际与预测之间的相关性，越接近1表示关系越密切）
Fig 7. Sample regression (the regression value R represents the correlation between actual and forecast, and the closer it is to 1, the closer the relationship is)
表 1 地下水影响量化分级表
Table 1 Quantified grading table of groundwater impact
表 2 覆盖层影响量化分级表
Table 2 Quantitative grading table of overburden impact
表 3 降雨量影响量化分级表
Table 3 Quantitative grading table of rainfall impact
表 4 河流湖泊影响量化分级表
Table 4 Quantitative grading table of river and lake impact
表 5 矿坑涌水量影响量化分级表
Table 5 Quantitative classification table of mine water inflow effect
表 6 井下涌水点含沙率影响量化分级表
Table 6 Quantitative grading table of influence of sand content at underground water gushing point
表 7 期望输出参数分级
Table 7 Expected output parameter grading
表 8 原训练样本
Table 8 Original training samples
表 9 原预测样本
Table 9 Original prediction samples
表 10 预处理后实际输出与预测结果对比
Table 10 Comparison between the actual output results after pretreatment and predicted results
表 11 3种预测模型误差对比
Table 11 Error comparison of three prediction models
表 12 C级样本评价指标
Table 12 Evaluation indexes of grade C samples
表 13 C级3号样本未预处理与预处理后预测结果对比
Table 13 Comparison between the prediction results of grade C No.3 sample without pretreatment and after pretreatment
-
[1] 管佳林, 罗周全, 杨彪, 等. 矿区岩溶地表塌陷神经网络预测模型研究[J]. 中国安全科学学报, 2011, 21(9): 28-33. doi: 10.3969/j.issn.1003-3033.2011.09.005 [2] STRINGFIELD V T, RAPP J R, ANDERS R B. Effects of Karst and geologic structure on the circulation of water and permeability in carbonate aquifers[J]. Journal of Hydrology, 1979, 43(1/2/3/4): 313-332.
[3] 罗小燕, 黄祥海, 汤文聪. 基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法[J]. 有色金属科学与工程, 2021, 12(1): 99-107. doi: 10.13264/j.cnki.ysjskx.2021.01.013 [4] 卢耀如. 中国南方喀斯特发育基本规律的初步研究[J]. 地质学报, 1965, 39(1): 108-129. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXE196501008.htm [5] 任美锷, 刘振中, 王飞燕, 等. 中国岩溶发育规律的若干问题[J]. 南京大学学报(自然科学版), 1979, 15(4): 95-108. https://www.cnki.com.cn/Article/CJFDTOTAL-NJDZ197904011.htm [6] 罗小杰. 武汉地区浅层岩溶发育特征与岩溶塌陷灾害防治[J]. 中国岩溶, 2013, 32(4): 419-432. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201304009.htm [7] 官善友, 蒙核量, 周淼. 武汉市岩溶分布与发育规律[J]. 城市勘测, 2008(4): 145-149. doi: 10.3969/j.issn.1672-8262.2008.04.044 [8] 罗书文, 杨桃, 邓亚东, 等. 桂林岩溶地貌发育演化过程地文期的解析研究[J/OL]. 地质通报, 1-16[2022-05-08]. http://kns.cnki.net/kcms/detail/11.4648.p.20220304.1708.002.html. [9] 肖华, 张传英, 王彦明, 等. 嘉祥县红运水源地岩溶发育特征及富水规律研究[J]. 山东国土资源, 2021, 37(7): 44-48. https://www.cnki.com.cn/Article/CJFDTOTAL-SDDI202107008.htm [10] 董崇能. 大板桥-长水机场一线岩溶发育规律研究[D]. 昆明: 昆明理工大学, 2021. [11] 周宇成, 陈清华, 孙珂, 等. 湖南地区岩溶分布特征及其发育模式[J]. 中国石油大学学报(自然科学版), 2020, 44(4): 163-173. https://www.cnki.com.cn/Article/CJFDTOTAL-SYDX202004020.htm [12] CURRENS J. Hypothesized mechanism for the initiation of soil caviries and subsequent cover collapse in Karst terrain[J]. Journal of Cave and Karst Studies, 2018, 80(4): 172-180. doi: 10.4311/2016ES0148
[13] 王飞, 柴波, 徐贵来, 等. 武汉市岩溶塌陷的演化机理研究[J]. 工程地质学报, 2017, 25(3): 824-832. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201703030.htm [14] 张晓斌. 福建省大田县桃源镇前厝村岩溶塌陷发育特征及成因分析[J]. 地质灾害与环境保护, 2018, 29(4): 15-20. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB201804003.htm [15] 陈亮晶, 孙锡良, 皮景, 等. 湖南宁乡大成桥地区岩溶地面塌陷分布特征及影响因素分析[J]. 中国岩溶, 2014, 33(4): 490-497. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201404015.htm [16] 魏永耀, 孙树林, 黄敬军, 等. 徐州岩溶塌陷时空分布规律及成因分析[J]. 中国岩溶, 2015, 34(1): 52-57. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201501007.htm [17] 石树静, 张勤军, 康志强. 南宁市坛洛镇岩溶塌陷群成因机制分析[J]. 中国岩溶, 2015, 34(5): 507-514. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201505011.htm [18] 吴永华, 谢春波, 朱洵. 陆家街地区岩溶塌陷形成机制及预测评价[J]. 中国地质灾害与防治学报, 1994, 5(增刊1): 118-123. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDH4S1.018.htm [19] 周关学, 冯涛, 张广泽. 柳南铁路凤凰至来宾段地面塌陷机理及防治措施研究[J]. 公路工程, 2019, 44(4): 232-238. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL201904042.htm [20] 郑智, 简文彬. 龙岩市岩溶塌陷地质结构及其致塌机理[J]. 地质灾害与环境保护, 2017, 28(4): 38-43. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB201704009.htm [21] 李颜贵, 刘子龙, 于孝民, 等. 唐山黄庄岩溶塌陷形成条件和机理分析[J]. 中国岩溶, 2014, 33(3): 299-307. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201403007.htm [22] 邢宇健. 岩溶区地下水位动态变化诱发地表塌陷的机理研究[D]. 北京: 北京交通大学, 2018. [23] 罗小杰. 也论覆盖型岩溶地面塌陷机理[J]. 工程地质学报, 2015, 23(5): 886-895. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201505011.htm [24] 罗小杰, 沈建. 我国岩溶地面塌陷研究进展与展望[J]. 中国岩溶, 2018, 37(1): 101-111. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201801013.htm [25] 张杰, 毕攀, 魏爱华, 等. 基于模糊综合法的烟台市栖霞中桥岩溶塌陷易发性评价[J]. 中国岩溶, 2021, 40(2): 215-220. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR202102005.htm [26] HE K Q, JIA Y Y, CHEN W G, et al. Evaluation of Karst collapse risks induced by over-pumping and Karst groundwater resource protection in Zaozhuang region, China[J]. Environmental Earth Sciences, 2014, 71(8): 3443-3454.
[27] PERRIN J, CARTANNAZ C, NOURY G, et al. A multicriteria approach to Karst subsidence hazard mapping supported by weights-of-evidence analysis[J]. Engineering Geology, 2015, 197: 296-305.
[28] YAU K, PARASKEVOPOULOU C, KONSTANTIS S. Spatial variability of Karst and effect on tunnel lining and water inflow. A probabilistic approach[J]. Tunnelling and Underground Space Technology, 2020, 97: 103248.
[29] 朱庆杰, 刘挺权, 张秀彦. 唐山市岩溶塌陷的神经网络预测模型[J]. 辽宁工程技术大学学报, 2003, 22(6): 753-755. https://www.cnki.com.cn/Article/CJFDTOTAL-FXKY200306010.htm [30] 贺玉龙, 杨立中, 黄涛. 人工神经网络在岩溶塌陷预测中的应用研究[J]. 中国地质灾害与防治学报, 1999, 10(4): 86-90, 79. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDH199904013.htm [31] 包惠明, 胡长顺. 岩溶地面塌陷神经网络预测[J]. 工程地质学报, 2002, 10(3): 299-304. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ200203015.htm [32] 陈静, 马亚杰, 朱庆杰. 人工神经网络模型在岩溶塌陷安全评价中的应用[J]. 地质灾害与环境保护, 2005, 16(2): 139-142, 146. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB200502006.htm [33] 谭文侃, 叶义成, 胡南燕, 等. LOF与改进SMOTE算法组合的强烈岩爆预测[J]. 岩石力学与工程学报, 2021, 40(6): 1186-1194. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202106010.htm [34] 陈瑜. 离群点检测算法研究[D]. 兰州: 兰州大学, 2018. [35] CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16: 321-357.
[36] 崔鑫. 面向不均衡数据集的分类算法研究[D]. 无锡: 江南大学, 2021. [37] 杨彪. 矿山地下水害防治工程可视化及地表塌陷预测研究[D]. 长沙: 中南大学, 2011. [38] 周爱红, 牛鹏飞, 袁颖, 等. 基于PCA-PSO-SVM的凡口铅锌矿地区岩溶地表塌陷危险性预测[J]. 中国岩溶, 2020, 39(4): 622-628. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR202004018.htm [39] 赖永标, 乔春生. 基于支持向量机岩溶塌陷的智能预测模型[J]. 北京交通大学学报, 2008, 32(1): 36-39, 43. https://www.cnki.com.cn/Article/CJFDTOTAL-BFJT200801010.htm -
期刊类型引用(2)
1. 黄明发. 富水环境缓倾斜矿体采矿方法与突水防控研究. 中国矿山工程. 2024(06): 34-41 . 
百度学术
2. 范国栋，李博涵. 基于机器学习的工业机械设备故障预测方法. 自动化与信息工程. 2023(04): 13-18+50 . 百度学术
其他类型引用(2)
下载:
计量
- 文章访问数: 94
- HTML全文浏览量: 13
- PDF下载量: 9
- 被引次数: 4
