CN111123355B - 一种基于微震监测数据的岩爆预测方法及系统 - Google Patents
一种基于微震监测数据的岩爆预测方法及系统 Download PDFInfo
- Publication number
- CN111123355B CN111123355B CN202010014449.9A CN202010014449A CN111123355B CN 111123355 B CN111123355 B CN 111123355B CN 202010014449 A CN202010014449 A CN 202010014449A CN 111123355 B CN111123355 B CN 111123355B
- Authority
- CN
- China
- Prior art keywords
- microseismic
- data
- energy
- event
- monitoring
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/123—Passive source, e.g. microseismics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/129—Source location
- G01V2210/1299—Subsurface, e.g. in borehole or below weathering layer or mud line
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/65—Source localisation, e.g. faults, hypocenters or reservoirs
Abstract
本发明公开了一种基于微震监测数据的岩爆预测方法及系统,包括:在待测现场监测微震事件,根据微震监测数据建立微震事件数据集;获取微震能量数据,并标记大能量微震事件;从微震原始波数据中提取基于频域的综合统计特征;从微震能量数据中提取熵和时频域特征;进行特征选择和参数优化;建立分类预测模型,将获得的微震监测数据输入所述模型,获得岩爆危险性判断结果。本发明能够充分利用微震原始波数据和微震能量数据,挖掘微震数据的潜在规律,预测精度高,针对性强。
Description
技术领域
本发明属于地下开挖工程和矿山采掘工程技术领域,尤其涉及一种基于微震监测数据的岩爆预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
岩爆是指在采煤或岩石开挖过程中发生的岩石剧烈断裂,伴随着积聚在煤和岩体中的应变能的突然释放。煤炭开采或岩石开挖可以明显降低邻近岩石承受的压力,从而引发岩爆,实现岩石之间的新的平衡状态。随着采煤深度和强度的增加,岩爆的发生率不断上升。
岩爆是一种严重的危险,可能导致矿区的矿山设备和建筑物遭到严重破坏。岩爆已成为深部采煤中最严重的问题,并威胁着煤矿的安全。为了减少岩爆的破坏,现有研究采用微震监测,地音监测,电磁辐射,压力监测和钻井切割等方法来预测岩爆的概率和潜在区域。其中,微震监测技术是使用微震监测系统实时监测在外力扰动作用下,岩体内部的局部损伤造成的微破裂,即微震事件,来分析岩爆的前兆特征。微震监测技术具有很多优点,包括不影响生产活动,可对整个矿区的微震事件进行实时监测等,已引起许多研究者的关注。这些研究确实获得了许多有用的发现,并证明了微震监测技术在评估岩爆风险方面的潜力。一些研究分析了岩爆前的微震减弱趋势,表明微震波速,振幅,频率以及岩石应力状态的特征可以用于岩爆预警。另一些研究分析了微震波与岩爆之间的关系,从微震事件中提取各种特征或指标,结合岩石应力特征,进行岩爆的预测。
但是,发明人发现,这些岩爆预测的理论方法,大多集中在微震数据与岩爆事件之间关系的定性分析,预测精度低,针对性差。而且只是通过一些监测指标简单分析微震能量数据,却忽略了微震原始波数据,从而导致预测结果不令人满意。
在过去几十年中,作为数据挖掘和分析的计算引擎,机器学习是信息提取,数据模式识别和预测的有效工具,能够发现数据的潜在规律。作为最重要的机器学习方法之一,支持向量机(Support vector machine,SVM)在非线性可分问题上表现优秀,泛化能力强,能够解决小样本下高维数据集上的机器学习问题。但是现有的岩爆预测却极少使用机器学习方法。
发明内容
本发明目的是为了解决现有技术的不足,提出了一种基于微震监测数据的岩爆预测方法及系统,从微震原始波数据和微震能量数据中提取频域、熵和时频域等特征,构建基于遗传算法-支持向量机(GA-SVM)的方法对岩体岩爆进行预测和预警。
在一些实施方式中,采用如下技术方案:
一种基于微震监测数据的岩爆预测方法,包括:
在待测现场监测微震事件,根据微震监测数据建立微震事件数据集;所述微震事件数据集包括微震原始波数据集和微震能量数据集;
获取微震能量数据,将能量超过设定值的微震事件标记大能量微震事件,作为分类预测的标签;
从微震原始波数据中提取基于频域的综合统计特征;从微震能量数据中提取熵和时频域特征;
进行特征选择和参数优化;
基于支持向量机机器学习方法建立分类预测模型,设置多个指标来评估预测结果的准确性,将获得的微震监测数据输入所述模型,获得岩爆危险性判断结果。
在另一些实施方式中,采用如下技术方案:
一种基于微震监测数据的岩爆预测系统,包括:
用于在待测现场监测微震事件的装置;
用于根据微震监测数据建立微震事件数据集的装置;所述微震事件数据集包括微震原始波数据集和微震能量数据集;
用于获取微震能量数据,并标记大能量微震事件的装置;
用于从微震原始波数据中提取基于频域的综合统计特征的装置;
用于从微震能量数据中提取熵和时频域特征的装置;
用于进行特征选择和参数优化的装置;
用于建立分类预测模型,将获得的微震监测数据输入所述模型,获得岩爆危险性判断结果的装置。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行上述的基于微震监测数据的岩爆预测方法。
与现有技术相比,本发明的有益效果是:
本发明能够充分利用微震原始波数据和微震能量数据,挖掘微震数据的潜在规律,预测精度高,针对性强。同时,可以通过微震监测数据库的积累不断优化模型的预测效能,不断提升报警质量和效果。
附图说明
图1是本发明实施例中微震监测系统示意图;
图2为本发明实施例中基于微震监测数据的岩爆预测方法流程图;
图3为本发明实施例中某次微震事件各拾震器检测到的原始波信号示意图;
图4为本发明实施例中微震每日最大能量示意图;
图5为本发明图3所示微震事件各拾震器原始波数据序列的快速傅里叶变换示意图;
图6为本发明实施例中每日最大能量序列及其包络的样本熵对比图;
图7为本发明实施例中每日最大能量序列及其包络的样本熵的样本熵对比图;
图8为本发明实施例中每日最大能量序列及其包络的短时傅里叶变换对比图;
图9是本发明实施例中每日最大能量序列及其包络的S变换对比图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中,公开了一种基于微震监测数据的岩爆预测方法,参照图2,包括:
(1)在待测现场监测微震事件,根据微震监测数据建立微震事件数据集;所述微震事件数据集包括微震原始波数据集和微震能量数据集;
(2)获取微震能量数据,并标记大能量微震事件;以历年来的微震事件为参考,根据微震研究经验,将大能量微震事件定义为震源能量超过1x106J的微震事件,作为分类预测的标签;
(3)从微震原始波数据中提取基于频域的综合统计特征;从微震能量数据中提取熵和时频域特征;
(4)进行特征选择和参数优化;
(5)建立分类预测模型,将获得的微震监测数据输入所述模型,获得岩爆危险性判断结果。
具体地,本发明实施例主要基于微震监测系统获取的微震监测数据,建立微震监测数据集。对微震监测数据集进行计算分析并且提取出关键特征是本实施例方法的关键。
下面对本实施例公开的方法进行详细的说明。
第一步,参照图1,安装微震监测系统并进行连续监测,利用微震监测结果建立微震监测数据集。微震监测数据集包含微震原始波数据集和微震能量数据集。
本实施例中,采用目前主流的ARMIS M/E微震监测系统,在施工现场合理布置微震探头和拾震器,微震监测系统经调试后开始工作,使之能够对全矿范围内的微震事件进行实时监测,自动记录微震活动。拾震器检测连续的波形信息,通过专业软件处理分析,检测识别微震事件并且计算出微震时间能量和震源位置等信息,建立微震事件数据集。矿井下微震探头和拾震器布置方案随着回采面推进位置的变化而变化。
如图3为某次微震事件微震监测系统各拾震器检测到的原始波信号示意图。微震能量数据由微震监测系统基于微震原始波数据计算得到,描述了微震事件发生的时间、能量和震源坐标等信息。数据集的建立为后期进行岩爆的特征分析与提取打下基础。
第二步,分析微震活动时空演化规律,选取回采活动过程中产生的所有微震事件为研究对象,从中挑选出回采工作面附近大能量微震事件(以历年来的微震事件为参考,根据微震研究经验,将大能量微震事件定义为震源能量超过1x106J的微震事件)来分析大能量微震事件前后微震时序分布规律以及大能量微震事件发生规律与岩爆的产生之间的内在联系,最终确定岩爆的特征提取方法。
第三步,对从微震监测系统中获取的微震能量数据集进行处理,获得微震事件的每日最大能量值及每日累计能量值,并根据每日最大能量值标记大能量微震事件。图4表示每日最大能量随日期的变化图,横坐标表示日期,纵坐标以对数表示每日最大能量值,其中大能量事件以竖线标记。
第四步,进行特征分析与提取,从微震原始波数据中提取基于频域的综合统计特征,从微震能量数据(包括每日最大能量和每日累计能量)中提取熵和时频域特征。
对于微震原始波数据,先使用快速傅里叶变换估计每次微震事件中每个通道的数据序列的频谱,如图5是图3所示微震事件各通道原始波数据序列的快速傅里叶变换示例。分别以频率阈值从50Hz到150Hz(间隔为10Hz)作为高低频分界点(共11个分界点),计算高低频频谱的振幅比。然后,对于每一个高低频分界点,基于计算得到的高低频频谱的振幅比提取综合统计特征。具体步骤为:首先计算每次微震各通道高低频频谱的振幅比的均值和最大值,然后对每天所有微震的此均值和最大值分别求和、均值、方差、中值、最大值和最小值作为每天的12个特征。在所划分的11个高低频分界点的基础上,可以基于频域获得12×11=132个综合统计特征。最后,对这132个值序列分别以窗长13天(所标记大能量事件的最短时间间隔是13天)计算包络。
对于微震能量数据,对所获得的每日最大能量序列和每日累计能量序列分别做包络、滑动平均、滑动方差,滑动窗宽度设置为13天(与从微震原始波数据中提取特征的窗长一致)且滑动步长设置为1天。再分别计算包络、滑动平均、滑动方差序列的样本熵、样本熵的样本熵、短时傅里叶变换和S变换作为特征。
作为示例,图6给出了每日最大能量序列及其包络的样本熵对比图,横坐标以序号表示日期,图6的上半部分为每日最大能量序列,下半部分为包络的样本熵(标记为SE_env_max),竖线为大能量事件发生日期。图7给出了每日最大能量序列及其包络的样本熵的样本熵对比图,横坐标以序号表示日期,图7的上半部分为每日最大能量序列,下半部分为包络的样本熵的样本熵(标记为SESE_env_max),竖线为大能量事件发生日期。图8给出了每日最大能量序列及其包络的短时傅里叶变换对比图,图8的上半部分为每日最大能量序列,下半部分为包络的短时傅里叶变换(标记为STFT_env_max),竖线为大能量事件发生日期。图9给出了每日最大能量序列及其包络的S变换对比图,图9的上半部分为每日最大能量序列,下半部分为包络的S变换(标记为ST_env_max),竖线为大能量事件发生日期。
第五步,改进遗传算法,结合支持向量机进行特征选择和支持向量机的参数优化。为了使模型易于实际应用,需要从特征空间中挑选最优子集并降低特征空间的维度。本实施例改进遗传算法,使它能同时进行特征选择和支持向量机分类器的参数优化。而且在种群迭代时,我们先进行种群的重组、变异,然后对种群进行合并,最后再基于适应度函数进行选择操作,以最大化地保留可能的最优个体。
具体而言,首先按随机方式生成初始种群,种群中每个个体的染色体包含特征选择部分和参数优化部分,染色体的每个基因使用二元编码。其中,特征选择部分为156位,对应156个特征,值为“1”表示选择了相应的特征,值为“0”则表示不选择相应的特征。参数优化部分为32位,包括c,g,w1,w0共四个超参数值。然后,采用多点交叉方法进行染色体重组操作,接着按设定的变异概率进行染色体的变异操作。最后,将父种群和子种群进行合并,并对合并后的新种群进行适应度评价,并根据适应度值对种群进行选择操作,同时采用精英保留策略,保证最优个体被保留下来。
第六步,基于支持向量机机器学习方法建立分类预测模型,并进行模型评估。
本实施例中,支持向量机分类器的核函数使用高斯核函数,影响SVM分类性能的最重要参数是复杂度和分类准确度之间的正则化参数c和高斯核函数的参数g。同时,由于数据样本存在类别不平衡问题,为了解决类别不平衡问题,本发明设置了另外两个超参数:大能量事件的惩罚系数w1和非大能量事件(即普通微震事件)的惩罚系数w0。四个超参数c,g,w1和w0均同时由遗传算法进行优化。在模型建立过程中,设置多个指标来评估预测结果的准确性,包括准确度、敏感度、特异度、R值、Tscore值和stdR。准确度是正确分类的样本数与总样本数的比例,敏感度是正确分类的正样本数与实际正样本数的比例,特异度是正确分类的负样本数与实际负样本数的比例,R值是通用的预报效能指标,Tscore是模仿F-Measure定义的特异度和敏感度的谐波组合,stdR是R值的标准差,用以衡量训练结果的稳定性。
第七步,利用所建立的分类预测模型进行岩爆危险性预测,将获得的微震监测数据计算处理后输入模型,获得岩爆危险性判断结果,如果结果显示即将发生岩爆事件,可以提前做好预防准备并将损失降到最低。
实施例二
在一个或多个实施方式中,公开了一种基于微震监测数据的岩爆预测系统,包括:
用于在待测现场监测微震事件的装置;
用于根据微震监测数据建立微震事件数据集的装置;所述微震事件数据集包括微震原始波数据集和微震能量数据集;
用于获取微震能量数据,并标记大能量微震事件的装置;
用于从微震原始波数据中提取基于频域的综合统计特征的装置;
用于从微震能量数据中提取熵和时频域特征的装置;
用于进行特征选择和参数优化的装置;
用于建立分类预测模型,将获得的微震监测数据输入所述模型,获得岩爆危险性判断结果的装置。
在另一些实施方式中,实施例一中的各步骤可以在终端设备中实现,所述的终端设备包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行实施例一中的基于微震监测数据的岩爆预测方法。
在另一些实施方式中,实施例一中的各步骤可以在计算机可读存储介质中实现,所述的计算机可读存储介质中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于微震监测数据的岩爆预测方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于微震监测数据的岩爆预测方法,其特征在于,包括:
在待测现场监测微震事件,根据微震监测数据建立微震事件数据集;所述微震事件数据集包括微震原始波数据集和微震能量数据集;
获取微震能量数据,将能量超过设定值的微震事件标记大能量微震事件,作为分类预测的标签;
从微震原始波数据中提取基于频域的综合统计特征;从微震能量数据中提取熵和时频域特征;
从微震原始波数据中提取基于频域的综合统计特征,具体为:对于微震原始波数据,使用快速傅里叶变换估计每次微震事件中每个通道的数据序列的频谱;
选取高低频分界点,计算高低频频谱的振幅比;
对于每一个高低频分界点,基于计算得到的高低频频谱的振幅比提取综合统计特征;
从微震能量数据中提取熵和时频域特征,具体为:
从微震能量数据中获取每日最大能量序列和每日累计能量序列;
对获取的序列分别做包络、滑动平均和滑动方差处理;
分别计算经包络、滑动平均和滑动方差处理后序列的样本熵、样本熵的样本熵、短时傅里叶变换和S变换,作为特征;
进行特征选择和参数优化;
基于支持向量机机器学习方法建立分类预测模型,设置多个指标来评估预测结果的准确性,将获得的微震监测数据输入所述模型,获得岩爆危险性判断结果。
2.如权利要求1所述的一种基于微震监测数据的岩爆预测方法,其特征在于,在待测现场监测微震事件,具体为:
在待测现场布置微震探头和拾震器,通过微震监测系统对全矿范围内的微震事件进行实时监测,自动记录微震活动;
拾震器检测连续的微震波形信息,检测识别微震事件并且计算微震时间能量和震源位置信息,建立微震事件数据集。
3.如权利要求1所述的一种基于微震监测数据的岩爆预测方法,其特征在于,获取微震能量数据,并标记大能量微震事件,具体为:
获得微震事件的每日最大能量值及每日累计能量值,并根据每日最大能量值标记大能量微震事件。
4.如权利要求1所述的一种基于微震监测数据的岩爆预测方法,其特征在于,基于计算得到的高低频频谱的振幅比提取综合统计特征,具体为:
计算每次微震各通道高低频频谱的振幅比的均值和最大值,对每天所有微震的各通道高低频频谱的振幅比的均值和最大值,分别求和、均值、方差、中值、最大值和最小值,作为每天的12个特征;
在所划分的N个高低频分界点的基础上,基于频域获得12×N个综合统计特征;对这12×N个值序列分别以设定的窗长计算包络。
5.如权利要求1所述的一种基于微震监测数据的岩爆预测方法,其特征在于,采用改进的遗传算法进行特征选择和支持向量机分类器的参数优化;所述改进的遗传算法在种群迭代时,先进行种群的重组、变异,然后对种群进行合并,最后基于适应度函数进行选择操作,以最大化地保留可能的最优个体。
6.如权利要求1所述的一种基于微震监测数据的岩爆预测方法,其特征在于,基于支持向量机机器学习方法建立分类预测模型,设置多个指标来评估预测结果的准确性,所述指标至少包括:准确度、敏感度、特异度、R值、Tscore值和stdR。
7.一种基于微震监测数据的岩爆预测系统,其特征在于,包括:
用于在待测现场监测微震事件的装置;
用于根据微震监测数据建立微震事件数据集的装置;所述微震事件数据集包括微震原始波数据集和微震能量数据集;
用于获取微震能量数据,并标记大能量微震事件的装置;
用于从微震原始波数据中提取基于频域的综合统计特征的装置;
所述从微震原始波数据中提取基于频域的综合统计特征,具体为:对于微震原始波数据,使用快速傅里叶变换估计每次微震事件中每个通道的数据序列的频谱;
选取高低频分界点,计算高低频频谱的振幅比;
对于每一个高低频分界点,基于计算得到的高低频频谱的振幅比提取综合统计特征;
用于从微震能量数据中提取熵和时频域特征的装置;
所述从微震能量数据中提取熵和时频域特征,具体为:
从微震能量数据中获取每日最大能量序列和每日累计能量序列;
对获取的序列分别做包络、滑动平均和滑动方差处理;
分别计算经包络、滑动平均和滑动方差处理后序列的样本熵、样本熵的样本熵、短时傅里叶变换和S变换,作为特征;
用于进行特征选择和参数优化的装置;
用于建立分类预测模型,将获得的微震监测数据输入所述模型,获得岩爆危险性判断结果的装置。
8.一种终端设备,其包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于微震监测数据的岩爆预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014449.9A CN111123355B (zh) | 2020-01-07 | 2020-01-07 | 一种基于微震监测数据的岩爆预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014449.9A CN111123355B (zh) | 2020-01-07 | 2020-01-07 | 一种基于微震监测数据的岩爆预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111123355A CN111123355A (zh) | 2020-05-08 |
CN111123355B true CN111123355B (zh) | 2020-12-11 |
Family
ID=70487237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010014449.9A Active CN111123355B (zh) | 2020-01-07 | 2020-01-07 | 一种基于微震监测数据的岩爆预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123355B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111897002B (zh) * | 2020-07-30 | 2022-12-20 | 中煤能源研究院有限责任公司 | 一种基于微震监测的顶板预裂措施效果评价方法 |
CN112731518B (zh) * | 2020-12-09 | 2022-06-07 | 中国科学院地质与地球物理研究所 | 一种人工智能实时微地震监测节点 |
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 |
CN113094641B (zh) * | 2021-06-04 | 2021-10-08 | 北京建筑大学 | 基于大数据可视化分析的k-近邻岩爆预测方法和装置 |
CN113982680B (zh) * | 2021-10-11 | 2022-08-02 | 北京科技大学 | 煤矿多层关键层断裂型矿震能量计算与最大矿震预测方法 |
CN113936104A (zh) * | 2021-12-17 | 2022-01-14 | 矿冶科技集团有限公司 | 裂纹识别方法、装置、电子设备及介质 |
CN113947197B (zh) * | 2021-12-20 | 2022-04-26 | 煤炭科学研究总院有限公司 | 基于cnn考虑冲击地压前兆信息的微震事件危险性预测方法 |
CN115390130A (zh) * | 2022-08-29 | 2022-11-25 | 吉林建筑大学 | 一种煤矿开采大能量微震事件预测方法和装置 |
CN116500678B (zh) * | 2023-06-26 | 2023-09-26 | 煤炭科学研究总院有限公司 | 一种多源数据因果融合驱动的微震时空预测方法 |
CN117307249A (zh) * | 2023-08-30 | 2023-12-29 | 中铁四局集团有限公司 | 一种隧道岩爆实时智能预警方法及装置 |
CN117148434B (zh) * | 2023-11-01 | 2024-01-23 | 煤炭科学研究总院有限公司 | 基于时序贡献图分解的微震信号自适应解算方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104062677B (zh) * | 2014-07-03 | 2017-02-15 | 中国科学院武汉岩土力学研究所 | 一种多功能综合集成高精度智能微震监测系统 |
CN104914468B (zh) * | 2015-06-09 | 2017-06-06 | 中南大学 | 一种矿山微震信号p波初至时刻联合拾取方法 |
US10634803B2 (en) * | 2015-09-16 | 2020-04-28 | Schlumberger Technology Corporation | Bayseian microseismic source inversion |
CN107784276B (zh) * | 2017-10-13 | 2021-03-19 | 中南大学 | 微震事件识别方法和装置 |
US10520615B1 (en) * | 2018-09-18 | 2019-12-31 | International Seismic Data Processing Corporation | Fluid resonant seismic surveying |
CN110058294A (zh) * | 2019-05-10 | 2019-07-26 | 东北大学 | 一种隧道微震监测岩石破裂事件自动识别方法 |
CN110609324B (zh) * | 2019-09-30 | 2021-01-12 | 东北大学 | 一种用于深埋隧道岩爆预警微震事件筛选的方法 |
-
2020
- 2020-01-07 CN CN202010014449.9A patent/CN111123355B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111123355A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111123355B (zh) | 一种基于微震监测数据的岩爆预测方法及系统 | |
CN110779574B (zh) | 一种煤岩动力灾害多系统多参量集成综合预警方法及系统 | |
Dong et al. | Discriminant models of blasts and seismic events in mine seismology | |
Liang et al. | Characterizing rockbursts and analysis on frequency-spectrum evolutionary law of rockburst precursor based on microseismic monitoring | |
Yin et al. | Real-time prediction of rockburst intensity using an integrated CNN-Adam-BO algorithm based on microseismic data and its engineering application | |
CN108830328B (zh) | 融合空间知识的微震信号smote识别方法及监测系统 | |
CN105676268A (zh) | 一种基于声音信号波形变化特征的应变型岩爆预警方法 | |
CN109613610B (zh) | 微震信号到时差的自动拾取方法 | |
Ji et al. | Investigate contribution of multi-microseismic data to rockburst risk prediction using support vector machine with genetic algorithm | |
Zhu et al. | Accurate identification of microseismic P-and S-phase arrivals using the multi-step AIC algorithm | |
CN110632662A (zh) | 一种利用DCNN-Inception网络自动识别微地震信号的算法 | |
Jiang et al. | A novel method for automatic identification of rock fracture signals in microseismic monitoring | |
Akram et al. | Adaptive microseismic event detection and automatic time picking | |
Ghorbani et al. | A modern method to improve of detecting and categorizing mechanism for micro seismic events data using boost learning system | |
CN110688983A (zh) | 基于多模态优化和集成学习的微震信号识别方法 | |
Huot et al. | Detection and characterization of microseismic events from fiber‐optic DAS data using deep learning | |
Wang et al. | Quantitative assessment of the spatio-temporal correlations of seismic events induced by longwall coal mining | |
Huot et al. | Detecting microseismic events on DAS fiber with super-human accuracy | |
Zhang et al. | Microseismic source location based on improved artificial bee colony algorithm: Performance analysis and case study | |
Peng et al. | Recognition of rock micro-fracture signal based on deep convolution neural network inception algorithm | |
CN111275003B (zh) | 基于类最优高斯核多分类支持向量机的微震信号识别方法 | |
Wang et al. | An automatic recognition method of microseismic signals based on s transformation and improved Gaussian mixture model | |
Gong et al. | Prediction and evaluation of coal mine coal bump based on improved deep neural network | |
Qiu et al. | Risk prediction of coal and gas outburst based on abnormal gas concentration in blasting driving face | |
Di et al. | Identification method for microseismic, acoustic emission and electromagnetic radiation interference signals of rock burst based on deep neural networks |
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 |