A method for constructing a knowledge graph of coal mine roof disaster prevention and control
-
摘要: 目前煤矿顶板灾害防治措施决策及事故原因分析等过程主要依赖人工经验,智能化水平较低。顶板灾害防治知识图谱可整合顶板灾害防治知识和经验,辅助顶板灾害事故原因分析和顶板灾害防治措施决策。提出了一种煤矿顶板灾害防治知识图谱构建方法。采用本体方法完成煤矿顶板灾害防治知识建模,将顶板灾害防治领域的概念分为矿井地质类、开采技术类、防治措施类和事故表征类,将概念之间的关系定义为使用、引发、易发、治理、预防和适用,为煤矿顶板灾害防治知识抽取(实体抽取和关系抽取)奠定基础;结合煤矿顶板灾害防治领域文本存在大量嵌套实体和关系之间存在实体重叠的特点,确定了基于跨度的实体抽取方法和基于依存句法树引导实体表示的关系抽取方法;构建了顶板灾害防治领域语料库,采用Neo4j图数据库存储数据,为顶板灾害防治知识图谱的应用提供数据来源支撑;展示了煤矿顶板灾害防治知识图谱局部构建结果,说明该知识图谱可辅助顶板灾害事故原因分析和防治措施决策,从而提高顶板管理的智能化水平;指出基于该知识图谱,结合自然语言处理和知识推理等技术,可实现顶板管理知识问答。Abstract: At present, the decision-making of coal mine roof disaster prevention and control measures and the analysis of accident causes mainly rely on manual experience, and the level of intelligence is relatively low. The knowledge graph of roof disaster prevention and control can integrate knowledge and experience of roof disaster prevention and control, assist in analyzing the causes of roof disaster accidents and making decisions on roof disaster prevention and control measures. A method for constructing a knowledge graph of coal mine roof disaster prevention and control has been proposed. The ontology method is used to complete the knowledge modeling of coal mine roof disaster prevention and control. The concepts in the field of roof disaster prevention and control are divided into mine geology, mining technology, prevention and control measures, and accident characterization. The relationships between concepts are defined as usage, triggering, susceptibility, control, prevention, and applicability. The knowledge modeling lays the foundation for the knowledge extraction of coal mine roof disaster prevention and control (entity extraction and relationship extraction). Based on the characteristics of entity overlapping between a large number of nested entities and relationships in the field of coal mine roof disaster prevention and control, a span based entity extraction method and a dependency syntax tree guided entity representation based relationship extraction method are determined. The method constructs a corpus in the field of roof disaster prevention and control, and uses the Neo4j graph database to store data, providing data source support for the application of knowledge graph of roof disaster prevention and control. The partial construction results of the knowledge graph of coal mine roof disaster prevention and control are displayed. It indicates that this knowledge graph can assist in the analysis of roof disaster accident causes and decision-making of prevention and control measures, thereby improving the intelligence level of roof management. It is pointed out that based on this knowledge graph, combined with natural language processing and knowledge reasoning technologies, knowledge Q&A on roof management can be achieved.
-
0. 引言
煤炭工业经历了从炮采、普通机械化、综合机械化向智能化发展的重大技术变革[1-3]。随着煤矿智能化进程的不断推进,综合机械化采煤技术迅速发展,回采速度加快,对巷道的掘进速度要求也相应提高[4]。随着我国浅部煤炭资源日益枯竭,煤矿开采转向深部[5],深部煤矿建井难度急剧增大,采掘接续问题愈发突出[6-7]。
长期以来,煤矿岩巷掘进主要以钻爆法施工为主,但其超挖量大,巷道成形质量差,作业环境恶劣,工序多且配套装备机械化程度低,工序衔接时间长,施工效率低。全断面硬岩掘进机(Tunnel Boring Machine,TBM)破岩效率高、能耗低,滚刀破岩超挖量小,巷道完整性好,矿压显现不明显,可实现掘进与支护平行作业[8],是解决岩巷快速掘进问题的必然选择,也是深部矿井未来智能化建设与生产的优选设备。近年来,我国已有多个矿井开展了岩巷TBM掘进实践,但煤矿复杂地层条件与地质构造严重限制了TBM掘进效率与优势的发挥[9-10],TBM对不良地质条件具有较差的适应性。
煤矿TBM掘进原则:有疑必探,先探后掘,先治后掘[11-13]。现有多地球物理方法综合探测加钻探验证的超前探测模式难以在TBM掘进时施工,无法满足其快速掘进的地质保障需求。以巷道掘进施工噪声震动为信号来源的随掘地震超前探测技术可实现探掘平行,能够充分发挥掘进机械的生产效率,为巷道快速智能掘进场景下实时、精准地质保障提供了可能[14-15]。
近年来,众多学者围绕随掘地震数值仿真、随掘地震信号脉冲化处理等方面对随掘地震技术进行了广泛研究。针对随掘地震数值仿真,在随掘地震波场[16]、随掘地震信号时频域特征[17]认知的基础上,Xu Xinji等[18]利用实测随掘地震数据中的参考信号作为震源项进行了随掘地震数据数值模拟;程久龙等[19]采用主频200 Hz的Ricker子波与离散随机反射序列褶积,并加入随机噪声,得到了模拟随掘震源;王保利等[20]选取50~150 Hz的带通子波作为震源项,分别模拟了纵轴式掘进机和横轴式掘进机震源信号;张平松等[21]基于随掘地震实测信号特征分析,并结合巷道掘进施工环境,构建了近似条件下可进行随掘地震数据正演模拟的震源时间函数。对于随掘地震信号脉冲化处理,F. Poletto等[22]提出了一种利用TBM随机振动自相关干涉进行超前探测的方法;程久龙等[23]提出了以互相关为核心,辅以低通滤波、极化滤波的随掘地震去噪方法;覃思等[24]、许新骥[25]、U. Harmankaya等[26]、王季等[27]开展了基于互相关方法的随掘地震超前探测试验研究。在互相关研究的基础上,我国研究人员提出了其他辅助性的处理方法。李圣林等[28-29]通过脉冲反褶积消除震源影响,再进行相对更加稳定的互相关。张凤凯[30]提出了基于子波估计和波形校正的互相关地震干涉方法。刘强[31]基于互相关处理后的随掘地震信号,提出在随掘地震信号噪声衰减过程中嵌入L1范数约束,然后通过快速迭代算法达到噪声衰减的目的。程久龙等[19]采用基于改进人工蜂群的独立分量分析方法,再结合互相关等来改善随掘地震信号脉冲化处理的质量。以上研究突破了随掘地震探测最大的技术瓶颈,能够进行工业性应用,但目前岩巷TBM随掘地震技术还处于起步研究阶段。由于随掘震源产生的是复杂、变频、连续信号,信号特征认知直接影响数据处理与成像精度,而对于岩巷TBM随掘地震探测,其信号特征认知仍不清晰,且暂时还没有针对性开展过信号处理与成像研究工作。
为完善岩巷TBM随掘地震探测理论与技术体系,明确信号响应特征,提出一种适用性数据处理与成像方法,更好支撑岩巷快速智能掘进。本文以淮河能源集团煤业分公司谢桥煤矿瓦斯治理巷TBM掘进为工程背景,在岩巷TBM随掘地震数据采集方式的基础上,分析了刀盘先导信号与巷道岩壁接收信号的时间域、频率域及时频域特征,并针对试验巷道数据开展了随掘地震信号脉冲化处理及其成像技术应用,通过掘进揭露验证了应用效果,证实了岩巷TBM随掘地震超前探测可提供有效地质保障。
1. 工区概况
谢桥煤矿位于安徽省阜阳市颍上县东北部,矿区内煤层储量丰富,赋存稳定,煤质好,但地质与水文地质条件复杂,属于高瓦斯矿井。因此,需开拓距离较长、工程量较大的深井巷道用于采区功能布局、瓦斯防治等。
试验巷道为谢桥煤矿二水平东翼4煤层下采区探查治理巷,巷道从二水平东翼B组采区排矸联巷拨门,按照101°30′方位,分别以3‰,1.5°,1.0°,1.5°,3‰上山施工至二水平东翼东部4号煤层底板巷,设计走向长为3 448.2 m。采用圆形断面,断面直径为4.53 m,利用EQC4530型敞开式TBM掘进。
掘进区段位于二叠系下石盒子组,施工中所遇岩性为细砂岩、砂泥岩互层、粉砂岩、泥岩、砂质泥岩、石英砂岩、铝质泥岩等。根据前期地质资料分析得出,巷道所处层位是一个走向近东西、向南倾斜的单斜构造,巷道掘进范围发育有10条断层,受断层影响,岩层产状变化大,断层附近岩层破碎,裂隙较发育。
2. 岩巷TBM掘进随掘地震信号特征
2.1 岩巷TBM随掘地震数据采集方式
区别于常规钻爆法施工,TBM实现了高效破岩、连续出渣、快速支护、通风除尘、供排水同步作业(图1)。TBM随掘地震超前探测利用TBM单一掘进行程中刀具破岩产生的强烈震动作为信号来源,以实现TBM掘进过程中的实时超前地质预报。从单一掘进行程开始到掘进结束,该时间段被定义为有效随掘地震数据时段,其他时段震动信号不参与超前成像数据处理。
随掘地震数据采集一般通过在线式实时监测系统实现,通过光纤以太网实现井上下数据传输。岩巷TBM随掘地震观测系统(图2)包括安装在刀盘附近的先导检波器(即参考检波器)与安装在巷道岩壁上的接收检波器,先导检波器获取破岩震动信号,接收检波器采集破岩后岩层中传播的地震信号。受巷道全空间及TBM设备大体积影响,接收检波器成线性排列;考虑施工效率及装备条件,一般情况下,先导检波器为三分量全波场接收,接收检波器选用波场较为单一的Y分量(即垂直于巷道走向的分量)接收,其他如检波器道数、道间距、采样频率等根据现场条件进行优选。
另外,TBM掘进过程中,除破岩外,还存在空转、停机等状态,因此,需根据采集信号的平均振幅大小来优选有效随掘地震数据。TBM停机−空转−破岩−空转−停机全过程先导随掘地震信号如图3所示,可看出破岩状态下的信号振幅远大于空转状态下的信号振幅。
2.2 TBM随掘地震信号特征
使用KJ2207−F型矿用地震电法监测系统进行数据采集,该系统包括井上分系统和井下采集系统。井上分系统主要由数据采集服务器、数据处理服务器和时间服务器组成,负责控制井下采集系统,并进行数据处理等;井下采集系统安装在TBM尾部车上,包括网络交换机、矿用本安型数据监测主站与分站、本安电源等,采集的数据通过光纤以太网传输到井上分系统。
井下数据采集采用线性排列观测系统,沿巷道走向布置测点。先导检波器选用三分量,安装在刀盘后方主轴附近,强磁吸附,距离掘进工作面2 m;岩壁接收检波器选用单分量(Y),在巷道顶部轴线附近施工专用钻孔,孔深1.2 m,使用ϕ20×1 000 mm型锚杆,孔内里端塞0.6 m黄泥,外端塞入锚固剂,锚杆外端部使用专用转接头连接检波器,强磁吸附,6道接收,道间距为3.6 m,首道接收检波器与先导检波器直线距离为5 m;使用自然频率为28 Hz的动圈式检波器,采样频率为4 kHz。
优选1组TBM切割岩层时的随掘地震信号,以1 000 ms单道记录为分析单元,在同一时段针对信号时频特征对刀盘先导信号与岩壁接收信号进行对比分析,信号时间域特征如图4所示。
从图4可看出,TBM随掘地震信号是一种非周期连续信号,波形不规则,接近于噪声,整体上表现出随机性和连续性特点,无明显特征规律。以信号最大振幅为基准,将信号按照能量大小分为5个等级,通过统计分析,得出刀盘先导信号X分量5级能量从小到大分别占比51.3%,30.9%,13.3%,3.6%,0.9%,信号偏态为1.02,其中占比51.3%中的最大振幅为19.2 mV;刀盘先导信号Y分量5级能量从小到大分别占比49.7%,32.7%,12.8%,4.3%,0.5%,信号偏态为0.99,其中占比49.7%中的最大振幅为16.4 mV;刀盘先导信号Z分量5级能量从小到大分别占比46.0%,32.7%,15.3%,5.1%,0.9%,信号偏态为0.96,其中占比46.0%中的最大振幅为12.2 mV;岩壁接收信号Y分量5级能量从小到大分别占比47.7%,32.6%,14.6%,4.3%,0.8%,信号偏态为0.94。 从而可发现,地震信号中不同能量成分比例呈现金字塔形,但它们的分布却表现出明显的随机性,不对称程度较高;刀盘先导信号3个分量之间能量分布比例基本类似,但实际能量值有较大差异。刀盘先导信号强度是岩壁接收信号的200倍左右,刀盘先导信号最大振幅达100 mV,岩壁接收信号最大振幅仅为0.5 mV左右,表明机械运转信号能量较大,岩壁传播信号能量相对较小。从图4还可发现地震信号中不同时间点处波形起伏缓急程度存在差异,表明随着时间变化其频率成分存在差异,呈现变频特征。
进一步分析刀盘先导信号(Y分量)与岩壁接收信号的频率域特征,得出归一化频谱曲线,如图5所示。可看出刀盘先导信号主频为36.99 Hz,岩壁接收信号主频为137.97 Hz。计算以上2种信号的频率概率密度,得出刀盘先导信号频率成分主要集中在10~80 Hz与150~200 Hz,其中低于10 Hz的比例为0.2%,10~50 Hz的比例为40.2%,50~80 Hz的比例为13.7%,150~200 Hz的比例为36.9%;而岩壁接收信号频率成分主要集中在50~200 Hz,其中低于10 Hz的比例为0.006%,10~50 Hz的比例为1.3%,50~200 Hz的比例为81.2%。进而可得出刀盘先导信号较岩壁接收信号主频范围要低,表明机械运转信号基础频率较低,岩壁传播信号频率相对较高。
对刀盘先导信号(Y分量)与岩壁接收信号时频域特征进行分析(图6),发现时频谱中都存在较多能量团,但刀盘先导信号较岩壁接收信号能量团分布更为规则,显示出了多次震源激发的现象,另外,能量团之间的差异性特征表明了多次震源激发时振幅能量与持续时间的随机性。
3. 随掘地震偏移成像应用
3.1 TBM随掘地震信号脉冲化处理
与传统的脉冲震源方法相比,TBM破岩产生的震动具有随机性、不可控性和时间持续性等特征,且TBM刀盘面积较大、用于破岩的滚刀数量众多,不同滚刀之间的破岩震动相互影响,这些因素进一步加剧了破岩震源波场的复杂性。因此,随掘地震信号脉冲化处理是随掘地震技术实施的首要环节。
地震干涉技术是目前随掘地震信号脉冲化处理最常用的方法,被广泛应用于被动源面波勘探、随钻地震技术等数据预处理中。另外,由于特殊的震源形式,随掘地震超前探测数据需分不同时段进行处理,在处理硬件允许情况下,处理分段时长越长,数据处理效果越好,因此,需根据实际条件,在优选有效随掘地震数据后,选取处理分段时长,一般为30~120 s,并将所有分段处理结果垂直叠加为脉冲化单炮记录。
$$ \begin{split} C_{xy}^{\mathrm{d}}(\tau ) =& \sum\limits_{t = - \infty }^\infty {A(t - \tau )B(t)} =\\& \sum\limits_{t = - \infty }^\infty { {\left[ {\sum\limits_{s = 0}^m {{a_x}(s)x(t - \tau - s)} } {\sum\limits_{s = 0}^m {{a_y}(s)y(t - s)} } \right]} } \end{split} $$ (1) 式中:$C_{xy}^{\mathrm{d}}(\tau )$为地震数据$x$与地震数据$y$的脉冲化运算;$\tau $为互相关运算的时间延迟;$t$为互相关运算的时长;$A$为地震数据$x$的脉冲反褶积运算;$B$为地震数据$y$的脉冲反褶积运算;$s$为脉冲反褶积运算的时间延迟;$m$为脉冲反褶积运算的时长;${a_x}(s)$,${a_y}(s)$为运算的脉冲反褶积因子。
利用脉冲化算法[28-29]对选取的试验巷道有效随掘地震信号进行处理,结果如图7所示。可看出脉冲化单炮记录与利用常规震源得到的超前探测单炮记录特征一致性较强,同相轴清晰且连续性较好,可满足现场探测分析需要。
3.2 绕射叠加偏移成像
数据成像是地震勘探获取地下地质情况的主要工作环节,由于特殊的全空间探测条件,本文TBM随掘地震成像选择绕射叠加偏移成像技术。绕射叠加偏移成像[32-33]主要依据几何地震学原理,将巷道掘进前方空间划分为网格,认为每个网格点都是绕射点,根据假定绕射点的坐标及相应的速度值计算出绕射波时距曲线,得到地震波从不同炮点经绕射点到不同接收点的旅行时间(式2);然后,按照时间值在相应地震道上选取相应的瞬时振幅值,将它们叠加后放置在该绕射点网格处,作为偏移后该点的输出振幅值。如果计算网格点是真正的绕射点,即异常界面反射点,则提取出的各道地震记录振幅应该是同相的,它们叠加后能量增强,偏移后该点振幅突出;如果该点不是真正的绕射点,则参与叠加的幅值是随机的,叠加后会相互抵消,从而使该点处振幅相对较小。因此,偏移剖面上,绕射波自动收敛到其绕射点处,在有反射界面处振幅变大,进而显示出真实反射界面的位置。
$$ {T_{i,j}} = \frac{{\sqrt {{{\textit{z}}^2} + {{({l_p} - {l_{{S_i}}})}^2}} + \sqrt {{{\textit{z}}^2} + {{({l_{{R_j}}} - {l_p})}^2}} }}{v} $$ (2) 式中:$ {T_{i,j}} $为假定绕射点$ p $处第$ i $炮第$ j $个接收点的绕射波旅行时间;$ {\textit{z}} $为$ p $点的垂直深度;$ {l_p} $为p点的横向距离;$ {l_{{S_i}}} $为炮点Si的横向距离;$ {l_{{R_j}}} $为接收点$ {R_j} $的横向距离;$ v $为旅行路径地震波速度。
试验巷道当日有效循环7次,总掘进里程6.9 m(现场循环记录见表1)。为便于处理成像,本文以单次循环为单炮记录目标时段进行脉冲化处理,叠加为1个等效单炮记录,假设该时段内掘进机未移动。由于最长循环进尺为1.1 m,距离较短,因此本文的假设不会造成影响。
表 1 试验巷道TBM掘进循环记录Table 1. TBM excavating cycle record in test roadway循环轮次 开始时间 结束时间 掘进用时 /min 循环进尺 /m 1 1:30 1:55 25 0.8 2 3:00 3:30 30 1 3 5:40 6:10 30 1 4 15:30 16:07 37 1.1 5 17:21 17:56 35 1 6 20:00 20:35 35 1 7 22:15 22:50 35 1 试验当日共处理7个等效单炮记录,利用绕射叠加偏移成像方法得到成像结果,如图8所示,图中显示先导检波器前方38 m处即掘进工作面前方36 m处存在一处较明显的强反射,分析认为该区域岩体完整性变差,可能存在岩性变化或构造发育。
巷道掘进过程中,对探测范围内的岩体情况进行了跟踪地质素描(图9),发现试验当日掘进前方36 m处确实存在异常情况,掘进前方36~57 m处巷道右帮及顶板岩体破碎(图10 ),超前预报结果与实际揭露情况符合较好,验证了本次TBM随掘地震试验结果的准确性。
4. 结论
1) 岩巷TBM随掘地震信号是一种非周期连续信号,波形不规则,接近于噪声,整体上表现出随机性和连续性特点,无明显特征规律。信号中不同振幅能量成分比例呈现金字塔形,但分布随机,不对称程度较高;机械运转信号能量较大,刀盘先导信号强度是岩壁接收信号的200倍左右;频率域变频特征明显;机械运转信号基础频率较低,刀盘先导信号频率成分主要集中在10~80 Hz与150~200 Hz,主频为36.99 Hz,岩壁接收信号频率成分主要集中在50~200 Hz,主频为137.97 Hz;刀盘先导信号较岩壁接收信号时频域能量团分布更为规则,多次震源激发现象明显,能量团之间的差异性特征表明了多次震源激发时振幅能量与持续时间的随机性。
2) 利用脉冲化算法与绕射叠加偏移成像方法对岩巷TBM随掘地震信号进行了数据处理与成像试验,得出脉冲化等效单炮记录与利用常规震源得到的超前探测单炮记录特征一致性较强,同相轴清晰且连续性较好;掘进揭露验证了信号成像结果,证实了岩巷TBM随掘地震超前探测可提供有效地质保障。
-
-
[1] 康红普,张镇,黄志增. 我国煤矿顶板灾害的特点及防控技术[J]. 煤矿安全,2020,51(10):24-33,38. KANG Hongpu,ZHANG Zhen,HUANG Zhizeng. Characteristics of roof disasters and controlling techniques of coal mine in China[J]. Safety in Coal Mines,2020,51(10):24-33,38.
[2] 付恩三,白润才,刘光伟,等. “十三五”期间我国煤矿事故特征及演变趋势分析[J]. 中国安全科学学报,2022,32(12):88-94. FU Ensan,BAI Runcai,LIU Guangwei,et al. Analysis on characteristics and evolution trend of coal mine accidents in our country during "13th five-year" plan period[J]. China Safety Science Journal,2022,32(12):88-94.
[3] 赵亚军,张志男,贾廷贵. 2010—2021年我国煤矿安全事故分析及安全对策研究[J]. 煤炭技术,2023,42(8):128-131. ZHAO Yajun,ZHANG Zhinan,JIA Tinggui. Analysis of coal mine safety accidents and research on safety countermeasures in China from 2010 to 2021[J]. Coal Technology,2023,42(8):128-131.
[4] 徐刚,黄志增,范志忠,等. 工作面顶板灾害类型、监测与防治技术体系[J]. 煤炭科学技术,2021,49(2):1-11. XU Gang,HUANG Zhizeng,FAN Zhizhong,et al. Types,monitoring and prevention technology system of roof disasters in mining face[J]. Coal Science and Technology,2021,49(2):1-11.
[5] 王国法. 煤矿智能化最新技术进展与问题探讨[J]. 煤炭科学技术,2022,50(1):1-27. DOI: 10.3969/j.issn.0253-2336.2022.1.mtkxjs202201001 WANG Guofa. New technological progress of coal mine intelligence and its problems[J]. Coal Science and Technology,2022,50(1):1-27. DOI: 10.3969/j.issn.0253-2336.2022.1.mtkxjs202201001
[6] 秦兵文,谢福星. 采场顶板灾变机理及预警系统[J]. 煤矿安全,2018,49(5):124-127. QIN Bingwen,XIE Fuxing. Disaster mechanism and early warning system of stope roof[J]. Safety in Coal Mines,2018,49(5):124-127.
[7] 丁震,李浩荡,张庆华. 煤矿灾害智能预警架构及关键技术研究[J]. 工矿自动化,2023,49(4):15-22. DING Zhen,LI Haodang,ZHANG Qinghua. Research on intelligent hazard early warning architecture and key technologies for coal mine[J]. Journal of Mine Automation,2023,49(4):15-22.
[8] 王文广. 知识图谱:认知智能理论与实战[M]. 北京:电子工业出版社,2022:4-7. WANG Wenguang. Knowledge graph:theory and practice of cognitive intelligence[M]. Beijing:Publishing House of Electronics Industry,2022:4-7.
[9] 张吉祥,张祥森,武长旭,等. 知识图谱构建技术综述[J]. 计算机工程,2022,48(3):23-37. ZHANG Jixiang,ZHANG Xiangsen,WU Changxu,et al. Survey of knowledge graph construction techniques[J]. Computer Engineering,2022,48(3):23-37.
[10] 付雷杰,曹岩,白瑀,等. 国内垂直领域知识图谱发展现状与展望[J]. 计算机应用研究,2021,38(11):3201-3214. FU Leijie,CAO Yan,BAI Yu,et al. Development status and prospect of vertical domain knowledge graph in China[J]. Application Research of Computers,2021,38(11):3201-3214.
[11] ABU-SALIH B. Domain-specific knowledge graphs:a survey[J]. Journal of Network and Computer Applications,2021,185. DOI: 10.1016/j.jnca.2021.103076.
[12] JI Shaoxiong,PAN Shirui,CAMBRIA E,et al. A survey on knowledge graphs:representation,acquisition,and applications[J]. IEEE Transactions on Neural Networks and Learning Systems,2021,33(2):494-514.
[13] 刘鹏,叶帅,舒雅,等. 煤矿安全知识图谱构建及智能查询方法研究[J]. 中文信息学报,2020,34(11):49-59. LIU Peng,YE Shuai,SHU Ya,et al. Coalmine safety:knowledge graph construction and its QA approach[J]. Journal of Chinese Information Processing,2020,34(11):49-59.
[14] 曹现刚,张梦园,雷卓,等. 煤矿装备维护知识图谱构建及应用[J]. 工矿自动化,2021,47(3):41-45. CAO Xiangang,ZHANG Mengyuan,LEI Zhuo,et al. Construction and application of knowledge graph for coal mine equipment maintenance[J]. Industry and Mine Automation,2021,47(3):41-45.
[15] 蔡安江,张妍,任志刚. 煤矿综采设备故障知识图谱构建[J]. 工矿自动化,2023,49(5):46-51. CAI Anjiang,ZHANG Yan,REN Zhigang. Fault knowledge graph construction for coal mine fully mechanized mining equipment[J]. Journal of Mine Automation,2023,49(5):46-51.
[16] 陈德彦,赵宏,张霞. 专家视图与本体视图的语义映射方法[J]. 软件学报,2020,31(9):2855-2882. CHEN Deyan,ZHAO Hong,ZHANG Xia. Semantic mapping methods between expert view and ontology view[J]. Journal of Software,2020,31(9):2855-2882.
[17] 吴炳潮,邓成龙,关贝,等. 动态迁移实体块信息的跨领域中文实体识别模型[J]. 软件学报,2022,33(10):3776-3792. WU Bingchao,DENG Chenglong,GUAN Bei,et al. Dynamically transfer entity span information for cross-domain Chinese named entity recognition[J]. Journal of Software,2022,33(10):3776-3792.
[18] WANG Yu,TONG Hanghang,ZHU Ziye,et al. Nested named entity recognition:a survey[J]. ACM Transactions on Knowledge Discovery from Data,2022,16(6):1-29.
[19] 宁尚明,滕飞,李天瑞. 基于多通道自注意力机制的电子病历实体关系抽取[J]. 计算机学报,2020,43(5):916-929. NING Shangming,TENG Fei,LI Tianrui. Multi-channel self-attention mechanism for relation extraction in clinical records[J]. Chinese Journal of Computers,2020,43(5):916-929.
[20] 鄂海红,张文静,肖思琪,等. 深度学习实体关系抽取研究综述[J]. 软件学报,2019,30(6):1793-1818. E Haihong,ZHANG Wenjing,XIAO Siqi,et al. Survey of entity relationship extraction based on deep learning[J]. Journal of Software,2019,30(6):1793-1818.
[21] ZHU Huiming,HE Chunhui,FANG Yang,et al. Fine grained named entity recognition via seq2seq framework[J]. IEEE Access,2020,8:53953-53961. DOI: 10.1109/ACCESS.2020.2980431
[22] YANG Dongying,LIAN Tao,ZHENG Wen,et al. Enriching word information representation for Chinese cybersecurity named entity recognition[J]. Neural Processing Letters,2023,55(6):7689-7707. DOI: 10.1007/s11063-023-11280-7
[23] ZHENG Changmeng,CAI Yi,XU Jingyun,et al. A boundary-aware neural model for nested named entity recognition[C]. Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing,Hong Kong,2019:357-366.
[24] TAN Chuanqi,QIU Wei,CHEN Mosha,et al. Boundary enhanced neural span classification for nested named entity recognition[C]. The AAAI Conference on Artificial Intelligence,New York,2020:9016-9023.
[25] LI Fei,WANG Zheng,HUI Siucheung,et al. A segment enhanced span-based model for nested named entity recognition[J]. Neurocomputing,2021,465:26-37. DOI: 10.1016/j.neucom.2021.08.094
[26] TANG Ruixue,CHEN Yanping,QIN Yongbin,et al. Boundary regression model for joint entity and relation extraction[J]. Expert Systems with Applications,2023,229. DOI: 10.1016/J.ESWA.2023.120441.
[27] ZHENG Suncong,WANG Feng,BAO Hongyun,et al. Joint extraction of entities and relations based on a novel tagging scheme[C]. The 55th Annual Meeting of the Association for Computational Linguistics,Vancouver,2017:1227-1236.
[28] WEI Zhepei,SU Jianlin,WANG Yue,et al. A novel cascade binary tagging framework for relational triple extraction[C]. The 58th Annual Meeting of the Association for Computational Linguistics,Tokyo,2020:1476-1488.
[29] SHEIKHAEI M S,ZAFARI H,TIAN Yuan. Joined type length encoding for nested named entity recognition[J]. Transactions on Asian and Low-Resource Language Information Processing,2021,21(3):1-23.
[30] 田玲,张谨川,张晋豪,等. 知识图谱综述——表示、构建、推理与知识超图理论[J]. 计算机应用,2021,41(8):2161-2186. TIAN Ling,ZHANG Jinchuan,ZHANG Jinhao,et al. Knowledge graph survey:representation,construction,reasoning and knowledge hypergraph theory[J]. Journal of Computer Applications,2021,41(8):2161-2186.
-
期刊类型引用(1)
1. 丁自伟,高成登,景博宇,黄兴,刘滨,胡阳,桑昊旻,徐彬,秦立学. 基于机器学习的煤系地层TBM掘进巷道围岩强度预测. 西安科技大学学报. 2025(01): 49-60 . 百度学术
其他类型引用(0)