CN110298503B - 基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 - Google Patents
基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 Download PDFInfo
- Publication number
- CN110298503B CN110298503B CN201910560076.2A CN201910560076A CN110298503B CN 110298503 B CN110298503 B CN 110298503B CN 201910560076 A CN201910560076 A CN 201910560076A CN 110298503 B CN110298503 B CN 110298503B
- Authority
- CN
- China
- Prior art keywords
- rock burst
- early warning
- microseismic
- tunnel
- monitoring information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000011435 rock Substances 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 104
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000011081 inoculation Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000009412 basement excavation Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000011534 incubation Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000002411 adverse Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,涉及岩爆预警技术领域。该方法首先,建立已知岩爆等级的岩爆案例及其孕育过程中的微震监测信息样本库。然后,选定预警单元的空间范围和时间跨度,导出预警单元内的多参量微震监测信息。通过微调预警单元构建大量的岩爆‑微震信息样本对。将样本对输入建立的深度卷积神经网络,通过学习、测试、调试等获得最佳岩爆预警模型。然后,将待预警区域预警单元内的微震信息输入岩爆预警模型,得到待预警区域潜在岩爆的等级及概率。本发明方法具有较高的实用性和准确率,可实现潜在岩爆及其等级的智能实时预警,并为制定针对性的岩爆防控措施提供科学依据。
Description
技术领域
本发明涉及岩爆预警技术领域,尤其涉及一种基于微震信息和深度卷积神经网络的隧洞岩爆预警方法。
背景技术
岩爆是在开挖或其他外界扰动下,地下工程岩体中聚积的弹性变形势能突然释放,导致围岩爆裂、弹射的动力现象。随着矿山、水利水电、交通隧洞(道)等工程逐渐向深部延伸,岩爆灾害问题越来越突出。岩爆的发生往往会给工程带来人员伤亡、经济损失和工期延误等危害。对岩爆进行科学有效的预警是避免或减少这些危害的重要途径。
近年来国内外的专家学者针对岩爆预警做了大量研究工作,并取得了一些研究成果。中国发明专利“岩体应力发展长期实时监测及岩爆预警可视化装置及方法”,公开号CN106768510A,公布了一种利用安装于钻孔中的杆件监测钻孔周围的应力变化,从而对岩爆进行预警的方法,该方法的有效监测范围较小,对于掌子面附近未能安装该杆件的区域不能进行有效监测和预警,而掌子面附近区域是岩爆的高发区。中国发明专利“一种基于声音信号波形变化特征的应变型岩爆预警方法”,公开号CN105676268A,公布了一种通过采集、记录和分析岩爆破坏过程中的声音信号进行应变型岩爆预警的方法,由于当岩爆破坏的声音已经产生时,岩爆很快就会发生,所以采用该方法进行预警给岩爆防控措施的实施预留的时间非常有限。中国发明专利“一种基于贝叶斯理论的岩爆倾向性判别及预警方法”,公开号CN106840843A,公布了一种以岩石强度指标、围岩应力指标和能量指标为基本因子的岩爆预警模型,该模型虽然考虑了多元因子,但由于获取岩石的物理力学参数费时费力,所以该方法难以实现岩爆的实时预警。中国发明专利“一种岩爆灾害红外热像预警识别的方法”,公开号CN106370306A,公布了一种通过红外热像设备实时监测目标岩体表面温度,从而进行岩爆预警的方法,由于施工现场岩体表面温度受通风、施工以及地热影响较大,所以该方法预警准确率较低。中国发明专利“岩石隧道施工过程中岩爆实时预报技术装置”,公开号CN103278843A,公布了一种基于声发射的岩爆预警方法;中国发明专利“一种基于多微震参数的岩爆前兆综合定量预警方法”,公开号CN103984005A,公布了一种基于微震监测信息的岩爆预警方法。这两种方法都只能对岩爆发生的可能性进行预警,不能对潜在岩爆的等级进行预警。由此可见,现有的岩爆预警方法还存在较多不足之处。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,以提高隧洞工程开挖过程中潜在岩爆预警的准确性、实时性,并为制定针对性的岩爆防控措施提供科学依据。
为解决上述技术问题,本发明所采取的技术方案是:基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,包括以下步骤:
步骤1、在隧洞开挖过程中开展岩爆微震监测,获取岩爆孕育过程中的多参量微震监测信息;
所述多参量微震监测信息选用常用的微震基本参数:微震事件数、微震释放能、微震视体积和微震事件发生时刻,这些参数均是标量;
步骤2、对已发生的岩爆进行地质踏勘和微震监测信息解译,确定岩爆等级;
所述岩爆等级包括无岩爆、轻微岩爆、中等岩爆和强烈岩爆;
步骤3、建立不同等级岩爆的样本库和对应的微震监测信息样本库;
对于新建地下工程,由于缺乏岩爆案例和相应的微震监测信息,选择地质条件相似、开挖方式相同的已建工程,以其开挖过程中发生的大量已知等级的岩爆案例和相应的微震监测信息建立样本库;在新建工程正式施工后,以新发生的岩爆案例和相应的微震监测信息更新、充实数据库;对于正在施工的工程,则以前期积累的岩爆案例和相应的微震监测信息建立样本库;
步骤4、在建立的岩爆样本库和对应的微震监测信息样本库中随机抽取80%的样本作为训练样本,剩余20%的样本作为测试样本,通过深度学习的方法建立基于深度卷积神经网络的隧洞岩爆预警模型;
步骤4.1、确定预警单元;所述预警单元由空间范围和时间跨度共同确定;
所述预警单元的空间范围为包裹隧洞掌子面的长方体,其中心点与隧洞横截面中心点重合;预警单元跟随隧洞掌子面动态移动,但空间范围确定后保持不变,预警单元的空间范围由下式确定:
其中,x为预警单元沿隧洞轴线方向的分布范围,x正向与隧洞开挖方向一致,“+”表示掌子面前方,“-”表示掌子面后方;y为预警单元在水平面内垂直于隧洞轴线方向的分布范围,“+”表示y轴正方向,“-”表示y轴负方向;z为预警单元在竖直方向的分布范围,“+”表示竖直向上,“-”表示竖直向下;De为隧洞监测段平均当量直径;
其中,di为隧洞第i监测段的当量直径;n为隧洞监测段具有不同断面尺寸的洞段总数;Ai为隧洞第i监测段的横截面面积;Li为隧洞第i监测段的横截面周长;
所述预警单元的时间跨度通过统计分析岩爆案例的平均孕育时长确定,计算公式如下:
所述岩爆孕育时长是指预警单元空间范围内第一个微震事件的发生时刻与岩爆发生的前一刻的时间差;不同岩爆案例的孕育时长不相等,为了避免岩爆孕育时长的不同给深度卷积神经网络的学习效果造成的不良影响,在建立岩爆预警模型时设定统一的预警单元时间跨度;
建立多参量微震监测信息时间序列时,以岩爆发生时刻或预警单元空间范围内最后一个微震事件的发生时刻为预警单元时间跨度的结束时刻;对于孕育时长大于预警单元时间跨度的岩爆案例,去除岩爆孕育前期的微震监测信息;对于孕育时长小于预警单元时间跨度的岩爆案例,岩爆孕育开始之前的时间序列补0;微震监测信息时间序列的时间刻度以小时为单位;
步骤4.2、对确定的预警单元进行空间范围和时间跨度的微调;
首先,沿x轴平移预警单元的空间范围使同一个岩爆案例对应多个微震监测信息样本,从而构建更多的训练样本对;其次,平移预警单元的时间跨度使同一个岩爆案例对应多个微震监测信息样本,从而构建更多的训练样本对;
步骤4.3、引入代价矩阵来消除或减弱样本类别不平衡带来的不利影响;建立的岩爆预警模型所用的代价矩阵如表1所示:
表1岩爆预警模型的代价矩阵
其中,Cost(i″,j″)表示把j″等级岩爆预测为i″等级岩爆的代价,i″=0,1,…,3,j″=0,1,…,3;
步骤4.4、构建深度卷积神经网络模型,并进行模型训练优化,获得基于微震信息和深度卷积神经网络的隧洞岩爆预警模型;
所述构建的深度卷积神经网络包括1个输入层、2个卷积层、2个池化层、2个全连接层和1个Softmax层;输入层输入多参量微震监测信息时间序列,决策层输出岩爆等级及其概率;
利用岩爆样本库和对应的微震监测信息样本库对构建的深度卷积神经网络模型进行训练优化,根据测试样本的分类结果,获得达到岩爆等级分类准确率最高的模型参数,即获得了基于微震信息和深度卷积神经网络的隧洞岩爆预警模型;
步骤5、将待预警区域预警单元内的多参量微震监测信息输入建立的岩爆预警模型,通过预警模型的计算输出预警区域潜在岩爆的等级及其概率;
在待预警区域采用与建立岩爆预警模型相同的预警单元提取该区域的微震监测信息,建立待预警区域的多参量微震监测信息时间序列,将其作为输入数据输入岩爆预警模型,岩爆预警模型通过计算后输出待预警区域发生各等级岩爆的概率;预警区域潜在岩爆的等级及概率为计算结果中最大发生概率对应的岩爆等级及概率;当两个或两个以上岩爆等级的发生概率相差不到5%,且大于其他岩爆等级发生概率时,选择其中最高的岩爆等级及其发生概率作为预警区域潜在岩爆的等级及概率;
步骤6、随着隧洞的开挖和时间的推移实时更新预警单元内的微震监测信息,将更新后的信息实时输入岩爆预警模型,从而对预警结果进行实时更新;
对现场岩爆进行预警后,通过现场检验预警结果与实际情况是否相符,将该次岩爆及对应的微震监测信息作为新样本对原有样本库进行动态补充和更新,从而不断优化岩爆预警模型。
采用上述技术方案所产生的有益效果在于:本发明提供的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,无需显式的进行特征值提取和阈值设置,而是隐式的从训练样本中由深度学习获得,可充分挖掘岩爆孕育过程中微震监测信息时间序列的演化规律;提高了岩爆预警准确率,实现了岩爆智能预警;采用多参量微震监测信息时间序列作为输入,避免了单一因素带来的误差,使岩爆预警从粗糙的有无岩爆发展为不同等级岩爆的预警;引入了代价矩阵,在解决样本不平衡问题的同时还综合反映了岩爆预警的客观代价;微震信息实时更新保证了预警结果的实时性。
附图说明
图1为本发明实施例提供的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法流程图;
图2为本发明实施例提供的隧洞岩爆预警单元空间范围示意图,其中(a)为三维立体图,(b)为俯视图;
图3为本发明实施例提供的不同等级岩爆案例对应的多参量微震监测信息时间序列,其中,(a)为无岩爆,(b)为轻微岩爆,(c)为中等岩爆,(d)为强烈岩爆;
图4为本发明实施例提供的通过沿x轴平移预警单元的空间范围构建更多样本对的示意图,其中,(a)为预警单元空间范围1,(b)为预警单元空间范围2,(c)为预警单元空间范围3;
图5为本发明实施例提供的通过平移预警单元的时间跨度构建更多样本对的示意图。
图中:1、隧洞;2、微震事件;3、隧洞开挖方向;4、预警单元空间范围;5、掌子面;6、微震事件数时间序列;7、微震释放能时间序列;8、微震视体积时间序列;9、预警单元时间跨度1;10、预警单元时间跨度2;11、预警单元时间跨度3。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
某隧洞工程开挖过程中岩爆频发,为降低岩爆灾害,本实施例采用本发明的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法对该隧洞工程开挖过程中的岩爆进行预警。
基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,如图1所示,包括以下步骤:
步骤1、在隧洞开挖过程中开展岩爆微震监测,获取岩爆孕育过程中的多参量微震监测信息;
所述多参量微震监测信息选用常用的微震基本参数:微震事件数、微震释放能、微震视体积和微震事件发生时刻,这些参数均是标量;
步骤2、对已发生的岩爆进行地质踏勘和微震监测信息解译,确定岩爆等级;
所述岩爆等级包括无岩爆、轻微岩爆、中等岩爆和强烈岩爆;
步骤3、建立不同等级岩爆的样本库和对应的微震监测信息样本库;
建立丰富而准确的不同等级岩爆的样本库和对应的微震监测信息样本库是实现本发明的前提。对于新建地下工程,由于缺乏岩爆案例和相应的微震监测信息,选择地质条件相似、开挖方式相同的已建工程,以其开挖过程中发生的大量已知等级的岩爆案例和相应的微震监测信息建立样本库;在新建工程正式施工后,以新发生的岩爆案例和相应的微震监测信息更新、充实数据库;对于正在施工的工程,则以前期积累的岩爆案例和相应的微震监测信息建立样本库;
步骤4、在建立的岩爆样本库和对应的微震监测信息样本库中随机抽取80%的样本作为训练样本,剩余20%的样本作为测试样本,通过深度学习的方法建立基于深度卷积神经网络的隧洞岩爆预警模型;
步骤4.1、确定预警单元;所述预警单元由空间范围和时间跨度共同确定;
在建立岩爆预警模型过程中,选取合理的预警单元至关重要;预警单元在空间上既要包含潜在岩爆风险区域又要包含潜在岩爆孕育过程的大部分微震事件;隧洞工程开挖过程中发生频次最高的是即时型岩爆,岩爆往往发生在掌子面上或掌子面附近的洞段上,且大部分微震事件也集中在这一区域,这一区域的空间范围与开挖隧洞的洞径有关;所述预警单元的空间范围为包裹隧洞掌子面的长方体,其中心点与隧洞横截面中心点重合,如图2所示;预警单元跟随隧洞掌子面动态移动,但空间范围确定后保持不变,预警单元的空间范围由下式确定:
其中,x为预警单元沿隧洞轴线方向的分布范围,x正向与隧洞开挖方向一致,“+”表示掌子面前方,“-”表示掌子面后方;y为预警单元在水平面内垂直于隧洞轴线方向的分布范围,“+”表示y轴正方向,“-”表示y轴负方向;z为预警单元在竖直方向的分布范围,“+”表示竖直向上,“-”表示竖直向下;De为隧洞监测段平均当量直径;
其中,di为隧洞第i监测段的当量直径;n为隧洞监测段具有不同断面尺寸的洞段总数;Ai为隧洞第i监测段的横截面面积;Li为隧洞第i监测段的横截面周长;
所述预警单元的时间跨度通过统计分析岩爆案例的平均孕育时长确定,计算公式如下:
所述岩爆孕育时长是指预警单元空间范围内第一个微震事件的发生时刻与岩爆发生的前一刻的时间差;不同岩爆案例的孕育时长不相等,为了避免岩爆孕育时长的不同给深度卷积神经网络的学习效果造成的不良影响,在建立岩爆预警模型时设定统一的预警单元时间跨度。
建立多参量微震监测信息时间序列时,以岩爆发生时刻或预警单元空间范围内最后一个微震事件的发生时刻为预警单元时间跨度的结束时刻;对于孕育时长大于预警单元时间跨度的岩爆案例,去除岩爆孕育前期的微震监测信息;对于孕育时长小于预警单元时间跨度的岩爆案例,岩爆孕育开始之前的时间序列补0;微震监测信息时间序列的时间刻度以小时为单位,不同等级的岩爆案例对应的多参量微震监测信息时间序列如图3所示;
步骤4.2、对确定的预警单元进行空间范围和时间跨度的微调;
为了增加岩爆案例及其对应的微震监测信息组成的样本对的数量,从而使深度卷积神经网络更好的学习和表征各等级岩爆孕育过程的普遍规律,可在确定了预警单元的空间范围和时间跨度后对预警单元进行微调。
首先,通过沿x轴平移预警单元的空间范围使同一个岩爆案例对应多个微震监测信息样本,从而构建更多的训练样本对,如图4所示。其次,通过平移预警单元的时间跨度使同一个岩爆案例对应多个微震监测信息样本,从而构建更多的训练样本对,如图5所示。
步骤4.3、对于同一隧洞工程,不同等级的岩爆案例个数不同,这将造成样本类别不平衡,从而对深度卷积神经网络的学习效果造成不良影响。同时,岩爆预警是一个代价敏感性问题,样本类别不平衡将使得预警结果出现偏差时的经济损失趋向更大化。为此,引入代价矩阵来消除或减弱样本类别不平衡带来的不利影响;建立的岩爆预警模型所用的代价矩阵如表1所示:
表1岩爆预警模型的代价矩阵
其中,Cost(i″,j″)表示把j″等级岩爆预测为i″等级岩爆的代价,i″=0,1,…,3,j″=0,1,…,3;
步骤4.4、构建深度卷积神经网络模型,并进行模型训练优化,获得基于微震信息和深度卷积神经网络的隧洞岩爆预警模型;
所述构建的深度卷积神经网络包括1个输入层、2个卷积层、2个池化层、2个全连接层和1个Softmax层;输入层输入多参量微震监测信息时间序列,决策层输出岩爆等级及其概率;
利用岩爆样本库和对应的微震监测信息样本库对构建的深度卷积神经网络模型进行训练优化,根据测试样本的分类结果,获得达到岩爆等级分类准确率最高的模型参数,即获得了基于微震信息和深度卷积神经网络的隧洞岩爆预警模型;
步骤5、将待预警区域预警单元内的多参量微震监测信息输入建立的岩爆预警模型,通过预警模型的计算输出预警区域潜在岩爆的等级及其概率;
在待预警区域采用与建立岩爆预警模型相同的预警单元提取该区域的微震监测信息,建立待预警区域的多参量微震监测信息时间序列,将其作为输入数据输入岩爆预警模型,岩爆预警模型通过计算后输出待预警区域发生各等级岩爆的概率;预警区域潜在岩爆的等级及概率为计算结果中最大发生概率对应的岩爆等级及概率;当两个或两个以上岩爆等级的发生概率相差不到5%,且大于其他岩爆等级发生概率时,选择其中最高的岩爆等级及其发生概率作为预警区域潜在岩爆的等级及概率;
步骤6、随着隧洞的开挖和时间的推移实时更新预警单元内的微震监测信息,将更新后的信息实时输入岩爆预警模型,从而对预警结果进行实时更新;
对现场岩爆进行预警后,通过现场检验预警结果与实际情况是否相符,将该次岩爆及对应的微震监测信息作为新样本对原有样本库进行动态补充和更新,从而不断优化岩爆预警模型。
本实施例以该隧洞工程前期开挖过程中的30个无岩爆案例、20个轻微岩爆案例、15个中等岩爆案例、3个强烈岩爆案例(共68个案例)和相应的微震监测信息建立样本库。随机选择其中的24个无岩爆案例、16个轻微岩爆案例、12个中等岩爆案例、2个强烈岩爆案例(共54个案例)和相应的微震监测信息组成训练样本对,剩余的岩爆案例和相应的微震监测信息组成测试样本对。
该隧洞工程开挖断面为城门洞型,横断面尺寸为7.2m×6.2m(宽×高),横断面面积约为39.1m2,断面周长约为23.7m。由公式(2)和(3)可计算出该隧洞的当量直径约为6.6m,由公式(1)可计算出预警单元的空间范围约为x∈[-25,10],y∈[-33,33],z∈[-33,33]。即预警单元在空间上包裹掌子面前方10m、掌子面后方25m,隧洞轴线两侧33m和隧洞中心线上下各33m的立体空间范围。对68个岩爆案例的孕育时长进行统计分析,由公式(4)和(5)可计算出预警单元的时间跨度约为144h。
针对54个训练案例,首先通过将预警单元的空间范围沿x轴分别平移-5m、0m和+5m,使同一个岩爆案例对应3个微震监测信息样本。然后再通过将预警单元的时间跨度向孕育早期分别平移1h、2h和3h,使同一个岩爆案例对应3个微震监测信息样本。两种方法综合,可使同一个岩爆案例对应9个微震监测信息样本,从而一共可构建出486个训练样本对。
将训练样本对输入深度卷积神经网络,使之对不同等级的岩爆孕育过程中的多参量微震监测信息时间序列进行深度学习。通过学习获得岩爆预警模型,然后利用该模型对测试样本对进行测试。根据测试结果适当调整深度卷积神经网络的模型参数,直至获得预警准确率最高的岩爆预警模型。为了消除样本不平衡带来的不良影响,在岩爆预警模型的训练和测试过程中均引入了如表1所示的代价矩阵。最终获得的岩爆预警模型的网络结构依次包括:1)输入层,输入微震事件数时间序列、微震释放能时间序列和微震视体积时间序列;2)第一个卷积层,包含16个3×3的卷积核,卷积核移动步长由same-padding策略自动确定,采用ReLU作为激活函数;3)第一个池化层,采用最大池化策略;4)第二个卷积层,包含8个3×3的卷积核,卷积核移动步长由same-padding策略自动确定,采用ReLU作为激活函数;5)第二个池化层,采用最大池化策略;6)第一个全连接层,包含64个神经元节点,并采用概率为0.1的Dropout策略,采用ReLU作为激活函数;7)第二个全连接层,包含16个神经元节点;8)Softmax层,包含4个节点,与岩爆等级数对应,使用Softmax函数输出最终的岩爆预警结果。
采用上述岩爆预警模型对测试样本进行测试,结果如表2所示。由表2可知模型的测试准确率达到了85.7%。该隧洞后续开挖过程中即采用该模型进行岩爆预警,总共进行了109次岩爆预警,预警结果与现场实际情况的对比如表3所示。由表3可知本发明对潜在岩爆预警的准确率达到了84%。此应用表明本发明提出的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法具有较高的实用性和准确率,可实现潜在岩爆及其等级的智能实时预警,并为制定针对性的岩爆防控措施提供科学依据。
表2岩爆预警模型测试结果
表3基于本发明的某隧洞工程潜在爆预警结果与现场实际情况对比
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,其特征在于:包括以下步骤:
步骤1、在隧洞开挖过程中开展岩爆微震监测,获取岩爆孕育过程中的多参量微震监测信息;
步骤2、对已发生的岩爆进行地质踏勘和微震监测信息解译,确定岩爆等级;
所述岩爆等级包括无岩爆、轻微岩爆、中等岩爆和强烈岩爆;
步骤3、建立不同等级岩爆的样本库和对应的微震监测信息样本库;
步骤4、在建立的岩爆样本库和对应的微震监测信息样本库中随机抽取80%的样本作为训练样本,剩余20%的样本作为测试样本,通过深度学习的方法建立基于深度卷积神经网络的隧洞岩爆预警模型;
步骤4.1、确定预警单元;所述预警单元由空间范围和时间跨度共同确定;
步骤4.2、对确定的预警单元进行空间范围和时间跨度的微调,使同一个岩爆案例对应多个微震监测信息样本;
步骤4.3、引入代价矩阵来消除或减弱样本类别不平衡带来的不利影响;
步骤4.4、构建深度卷积神经网络模型,并进行模型训练优化,获得基于微震信息和深度卷积神经网络的隧洞岩爆预警模型;
步骤5、将待预警区域预警单元内的多参量微震监测信息输入建立的岩爆预警模型,通过预警模型的计算输出预警区域潜在岩爆的等级及其概率;
步骤6、随着隧洞的开挖和时间的推移实时更新预警单元内的微震监测信息,将更新后的信息实时输入岩爆预警模型,从而对预警结果进行实时更新;
对现场岩爆进行预警后,通过现场检验预警结果与实际情况是否相符,将该次岩爆及对应的微震监测信息作为新样本对原有样本库进行动态补充和更新,从而不断优化岩爆预警模型。
2.根据权利要求1所述的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,其特征在于:所述多参量微震监测信息选用常用的微震基本参数:微震事件数、微震释放能、微震视体积和微震事件发生时刻,这些参数均是标量。
3.根据权利要求1所述的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,其特征在于:所述步骤3的具体方法为:
对于新建地下工程,由于缺乏岩爆案例和相应的微震监测信息,选择地质条件相似、开挖方式相同的已建工程,以其开挖过程中发生的大量已知等级的岩爆案例和相应的微震监测信息建立样本库;在新建工程正式施工后,以新发生的岩爆案例和相应的微震监测信息更新、充实数据库;对于正在施工的工程,则以前期积累的岩爆案例和相应的微震监测信息建立样本库。
4.根据权利要求1所述的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,其特征在于:步骤4.1所述预警单元的空间范围为包裹隧洞掌子面的长方体,其中心点与隧洞横截面中心点重合;预警单元跟随隧洞掌子面动态移动,但空间范围确定后保持不变,预警单元的空间范围由下式确定:
其中,x为预警单元沿隧洞轴线方向的分布范围,x正向与隧洞开挖方向一致,“+”表示掌子面前方,“-”表示掌子面后方;y为预警单元在水平面内垂直于隧洞轴线方向的分布范围,“+”表示y轴正方向,“-”表示y轴负方向;z为预警单元在竖直方向的分布范围,“+”表示竖直向上,“-”表示竖直向下;De为隧洞监测段平均当量直径;
其中,di为隧洞第i监测段的当量直径;n为隧洞监测段具有不同断面尺寸的洞段总数;Ai为隧洞第i监测段的横截面面积;Li为隧洞第i监测段的横截面周长;
所述预警单元的时间跨度通过统计分析岩爆案例的平均孕育时长确定,计算公式如下:
所述岩爆孕育时长是指预警单元空间范围内第一个微震事件的发生时刻与岩爆发生的前一刻的时间差;不同岩爆案例的孕育时长不相等,为了避免岩爆孕育时长的不同给深度卷积神经网络的学习效果造成的不良影响,在建立岩爆预警模型时设定统一的预警单元时间跨度;
建立多参量微震监测信息时间序列时,以岩爆发生时刻或预警单元空间范围内最后一个微震事件的发生时刻为预警单元时间跨度的结束时刻;对于孕育时长大于预警单元时间跨度的岩爆案例,去除岩爆孕育前期的微震监测信息;对于孕育时长小于预警单元时间跨度的岩爆案例,岩爆孕育开始之前的时间序列补0;微震监测信息时间序列的时间刻度以小时为单位。
5.根据权利要求1所述的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,其特征在于:所述步骤4.2的具体方法为:
首先,沿x轴平移预警单元的空间范围使同一个岩爆案例对应多个微震监测信息样本,从而构建更多的训练样本对;其次,平移预警单元的时间跨度使同一个岩爆案例对应多个微震监测信息样本,从而构建更多的训练样本对。
7.根据权利要求1所述的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,其特征在于:步骤4.4所述构建的深度卷积神经网络包括1个输入层、2个卷积层、2个池化层、2个全连接层和1个Softmax层;输入层输入多参量微震监测信息时间序列,决策层输出岩爆等级及其概率;
利用岩爆样本库和对应的微震监测信息样本库对构建的深度卷积神经网络模型进行训练优化,根据测试样本的分类结果,获得达到岩爆等级分类准确率最高的模型参数,即获得了基于微震信息和深度卷积神经网络的隧洞岩爆预警模型。
8.根据权利要求1所述的基于微震信息和深度卷积神经网络的隧洞岩爆预警方法,其特征在于:所述步骤5的具体方法为:
在待预警区域采用与建立岩爆预警模型相同的预警单元提取该区域的微震监测信息,建立待预警区域的多参量微震监测信息时间序列,将其作为输入数据输入岩爆预警模型,岩爆预警模型通过计算后输出待预警区域发生各等级岩爆的概率;预警区域潜在岩爆的等级及概率为计算结果中最大发生概率对应的岩爆等级及概率;当两个或两个以上岩爆等级的发生概率相差不到5%,且大于其他岩爆等级发生概率时,选择其中最高的岩爆等级及其发生概率作为预警区域潜在岩爆的等级及概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560076.2A CN110298503B (zh) | 2019-06-26 | 2019-06-26 | 基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560076.2A CN110298503B (zh) | 2019-06-26 | 2019-06-26 | 基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298503A CN110298503A (zh) | 2019-10-01 |
CN110298503B true CN110298503B (zh) | 2022-11-25 |
Family
ID=68028885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560076.2A Active CN110298503B (zh) | 2019-06-26 | 2019-06-26 | 基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298503B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111520193B (zh) * | 2020-05-15 | 2021-10-26 | 中铁十六局集团有限公司 | 非接触式隧道工程施工岩爆实时预报方法 |
CN111520192B (zh) * | 2020-05-15 | 2021-10-22 | 中铁十六局集团有限公司 | 非接触式隧道工程施工岩爆实时预报优化方法 |
US12020126B2 (en) | 2021-04-08 | 2024-06-25 | International Business Machines Corporation | Automated pressure level detection and correction |
CN113156492B (zh) * | 2021-04-21 | 2022-07-26 | 中国科学院武汉岩土力学研究所 | 一种应用于tbm隧道岩爆灾害实时智能预警方法 |
CN113221471A (zh) * | 2021-06-15 | 2021-08-06 | 贵州大学 | 基于改进可变模糊集与神经网络的岩爆等级判别方法 |
CN115263432A (zh) * | 2022-09-02 | 2022-11-01 | 河海大学 | 一种深埋隧洞稳定性和安全性监测分析系统 |
CN115526036A (zh) * | 2022-09-19 | 2022-12-27 | 长安大学 | 一种岩爆规模等级的判别方法及系统 |
CN117348075A (zh) * | 2023-09-18 | 2024-01-05 | 中铁二院工程集团有限责任公司 | 一种河谷应力场低埋型岩爆判定方法和装置 |
CN116973549B (zh) * | 2023-09-20 | 2024-01-30 | 中铁四局集团有限公司 | 一种岩爆预测方法及系统 |
CN117852711A (zh) * | 2024-01-10 | 2024-04-09 | 昆明理工大学 | 一种基于boa-集成学习的岩爆烈度预测方法及系统 |
CN117890973A (zh) * | 2024-01-17 | 2024-04-16 | 核工业北京化工冶金研究院 | 一种基于地震动事件发生频率的岩爆倾向性等级判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001141835A (ja) * | 1999-11-16 | 2001-05-25 | Nishimatsu Constr Co Ltd | 切羽前方の岩盤探査方法および切羽性状確認方法 |
WO2013134427A2 (en) * | 2012-03-06 | 2013-09-12 | Ion Geophysical Corporation | Model predicting fracturing of shale |
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN106054243A (zh) * | 2016-06-03 | 2016-10-26 | 河南理工大学 | 一种基于微震监测的岩爆多指标预测方法 |
-
2019
- 2019-06-26 CN CN201910560076.2A patent/CN110298503B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001141835A (ja) * | 1999-11-16 | 2001-05-25 | Nishimatsu Constr Co Ltd | 切羽前方の岩盤探査方法および切羽性状確認方法 |
WO2013134427A2 (en) * | 2012-03-06 | 2013-09-12 | Ion Geophysical Corporation | Model predicting fracturing of shale |
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN106054243A (zh) * | 2016-06-03 | 2016-10-26 | 河南理工大学 | 一种基于微震监测的岩爆多指标预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110298503A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298503B (zh) | 基于微震信息和深度卷积神经网络的隧洞岩爆预警方法 | |
CN110058294A (zh) | 一种隧道微震监测岩石破裂事件自动识别方法 | |
CN112901137A (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
CN114757266B (zh) | 专家知识与数据融合驱动的冲击地压预测模型构建方法 | |
US20240078413A1 (en) | Massive data-driven method for automatically locating mine microseismic source | |
CN112711904A (zh) | 一种基于sa-ga-bp的爆破振动特征参量预测方法 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN112614021B (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN116595335A (zh) | 一种岩爆微震参数多元多时步输出预测模型 | |
CN113378939A (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
CN111460737A (zh) | 泥水气压平衡盾构的智能沉降预测方法及系统 | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN116992694B (zh) | 一种隧道爆破质量评价及优化方法 | |
CN114659037B (zh) | 一种用于城市供水管网爆管的定位方法 | |
CN114169597B (zh) | 一种岩爆控制措施实施效果全过程定量评价方法 | |
CN115962692A (zh) | 一种应用于露天爆破工程的爆破参数优化方法 | |
CN112465347B (zh) | 基于聚类分析与改进神经网络协同预测顶板稳定性的方法 | |
CN114971022A (zh) | 基于D-value-LSTM神经网络模型的风电功率预测方法 | |
CN113033702A (zh) | 一种基于时空数据的结构安全预警方法 | |
CN117110584B (zh) | 一种应变型隧道岩爆烈度等级预测方法 | |
Wang et al. | Application of Deep Learning in Microseismic Waveform Classification: A Case Study of The Yebatan Hydropower Station Project | |
CN117031543A (zh) | 基于深度置信网络的煤矿井下微震信号时序特征预测方法 | |
CN104951597B (zh) | 一种水声信号的预测方法 | |
CN117709488B (zh) | 基于RUN-XGBoost的大坝渗流预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |