CN112324505A - 一种承压水上采煤微震突水预警方法、装置及终端设备 - Google Patents
一种承压水上采煤微震突水预警方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112324505A CN112324505A CN202011229218.6A CN202011229218A CN112324505A CN 112324505 A CN112324505 A CN 112324505A CN 202011229218 A CN202011229218 A CN 202011229218A CN 112324505 A CN112324505 A CN 112324505A
- Authority
- CN
- China
- Prior art keywords
- water
- water inrush
- case
- inrush
- early warning
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 377
- 239000003245 coal Substances 0.000 title claims abstract description 102
- 238000005065 mining Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 238000005553 drilling Methods 0.000 claims description 12
- 230000035515 penetration Effects 0.000 claims description 10
- 230000035939 shock Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明适用于矿井水患监测技术领域，提供了一种承压水上采煤微震突水预警方法、装置及终端设备，该方法包括：获取突水样本库，所述突水样本库包括至少一个突水案例及对应的监测数据；将监测数据进行归一化，得到各个突水案例对应的初始训练样本；对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数；并剔除相关性系数高于相关性系数阈值的初始训练样本，得到第一训练样本；基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。本发明提供的承压水上采煤微震突水预警方法能够提高突水预警的准确性，为矿井的安全作业提供保障。
Description
技术领域
本发明属于矿井水患监测技术领域，尤其涉及一种承压水上采煤微震突水预警方法、装置及终端设备。
背景技术
承压水上采煤作业时，临近开采煤层的底板中存在强含水层或联通含水层的导水层，若底板的承压水穿越隔水层进入开采空间，则会出现突水事故。煤矿突水事故会直接影响作业施工，造成重大的经济损失甚至人员伤亡，威胁安全生产。
目前常用的煤矿突水预警方法包括使用水质监测传感器判断水质是否出现突变、监测隔水层电阻率的变化判断隔水层是否出现破损等。但是由于不同矿井的实际地质情况差异大，造成突水事故的因素多样，现有的突水事故监测预警方法不能满足复杂的实际生产环境的需求，准确性低。
发明内容
有鉴于此，本发明实施例提供了一种承压水上采煤微震突水预警方法、装置及终端设备，以解决现有技术中突水事故预警准确性低的问题。
本发明实施例的第一方面提供了一种承压水上采煤微震突水预警方法，包括：
获取突水样本库，所述突水样本库包括至少一个突水案例；各个突水案例分别包括至少一个监测数据；
将各个突水案例对应的监测数据进行归一化，得到各个突水案例对应的初始训练样本；
对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数；并剔除相关性系数高于相关性系数阈值的初始训练样本，得到第一训练样本；
基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。
本发明实施例的第二方面提供了一种承压水上采煤微震突水预警装置装置，包括：
数据获取模块，用于获取突水样本库，所述突水样本库包括至少一个突水案例；各个突水案例分别包括至少一个监测数据；
归一化计算模块，用于将各个突水案例对应的监测数据进行归一化，得到各个突水案例对应的初始训练样本；
相关性分析模块，用于对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数；并剔除相关性系数高于相关性系数阈值的初始训练样本，得到第一训练样本；
模型创建模块，用于基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。
本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例提供了一种承压水上采煤微震突水预警方法，包括获取突水样本库，所述突水样本库包括至少一个突水案例；各个突水案例分别包括至少一个监测数据；将各个突水案例对应的监测数据进行归一化，得到各个突水案例对应的初始训练样本；对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数；并剔除相关性系数高于相关性系数阈值的初始训练样本，得到第一训练样本；基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。本发明实施例提供的承压水上采煤微震突水预警方法可以利用多种监测数据创建承压水上采煤微震突水预警模型，从而提高承压水上采煤突水预警的准确性，为煤矿安全作业提供保障。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种承压水上采煤微震突水预警方法的流程示意图；
图2是本发明实施例提供的一种承压水上采煤微震突水预警装置的示意图；
图3是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参见图1，本发明实施例第一方面提供了一种承压水上采煤微震突水预警方法，包括：
S101：获取突水样本库，所述突水样本库包括至少一个突水案例；各个突水案例分别包括至少一个监测数据；
S102：将各个突水案例对应的监测数据进行归一化，得到各个突水案例对应的初始训练样本；
S103：对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数；并剔除相关性系数高于相关性系数阈值的初始训练样本，得到第一训练样本；
S104：基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。
通过本发明实施例提供的承压水上采煤微震突水预警方法，可以利用多种归一化后的监测数据创建承压水上采煤微震突水预警模型，提高承压水上采煤突水预警的准确性，为煤矿安全作业提供保障。
具体的，突水案例对应的监测数据为对应的突水事件前预设时间内的监测数据。
在本发明的一个实施例中，所述监测数据包括微震事件数量、微震事件变化率、底板贯通率、微震密集区距离、隐伏构造距离、钻孔水位变化率、工作面推进参数以及矿压参数。
本实施例选取的监测数据为突水事件发生前后变化较为剧烈的监测数据，且监测数据的变化与突水事件的发生具有一定的关联性。通过选取上述监测数据，可以在接下来的步骤中便捷有效的创建承压水上采煤微震突水预警模型。另一方面，上述监测数据中的微震事件数量、微震事件变化率以及微震密集区距离均可通过矿井水害微震监测设备直接获取。而隐伏构造距离、钻孔水位变化率、工作面推进参数以及矿压参数的获取也十分方便，因此基于上述监测数据进行模型的创建具有简便快捷的特点。
具体的，微震事件数量指在对应突水案例的监测范围内的单位时间发生微震事件的数量。相应的，微震事件变化率反映在对应突水案例的监测范围内各个单位时间对应的微震事件数量的变化情况。以上两个监测数据可以直接反应监测范围内微震事件的突增突减情况，如果微震事件数量变化剧烈，则表明当前矿井工作面出现异常，可能出现底板裂隙扩展的情况，突水事件出现的风险增加。
底板贯通率反映在对应突水案例的监测范围内含水层到煤层的沟通情况，微震事件贯通的含水层越多，则表明当前矿井对应的底板沟通越好，出现突水事件的风险大。
微震密集区距离和隐伏构造距离反映对应突水案例中当前作业区域距地质薄弱区域的距离。微震事件密集的区域和隐伏构造区域通常隐含突水风险，当前作业区距微震密集区和隐伏构造区的距离越近，出现突水事件的风险越大。
钻孔水位变化率反映当前突水案例中矿井所在区域的流场波动特征，突水事件发生前往往伴随流场的剧烈波动。
工作面推进参数和矿压参数反映对应突水案例中当前作业区域的工作面压力情况，当工作面来压时，底板裂隙更容易发育导通，突水风险大。
在本发明的一个实施例中，S102中将各个突水案例对应的监测数据进行归一化，包括：
基于公式
将各个突水案例对应的微震事件数量进行归一化；其中，Aj(i)为第j个突水案例中第i个时间段内的微震事件数量，1≤j≤J，J为所述突水样本库中的突水案例个数；aj(i)为第j个突水案例中第i个时间段对应的微震事件数量的归一化数据；
为第j个突水案例中各个时间段对应的微震事件数量的最小值，
为第j个突水案例中各个时间段对应的微震事件数量的最大值；
基于公式
将各个突水案例对应的微震事件变化率进行归一化：其中，bj(i)为第j个突水案例中第i个时间段内的微震事件变化率的归一化数据，Aj(i-1)为第j个突水案例中第i-1个时间段内的微震事件数量；
基于公式
将各个突水案例对应的底板贯通率进行归一化；其中，cj(i)为第j个突水案例中第i个时间段内的底板贯通率的归一化数据，Rj为第j个突水案例对应的含水层数量，Rj(i)为第j个突水案例中第i个时间段内监测到微震事件的含水层数量；
基于公式
将各个突水案例对应的微震密集区距离进行归一化：其中，dj(i)为第j个突水案例中第i个时间段内的微震密集区距离的归一化数据，Dj(i)为第j个突水案例中第i个时间段内的微震密集区距离，Kj为第j个突水案例对应的工作面走向总长度；
基于公式
将各个突水案例对应的隐伏构造距离进行归一化：其中，ej(i)为第j个突水案例中第i个时间段内隐伏构造距离的归一化数据，Ej(i)为第j个突水案例中第i个时间段内的隐伏构造距离；
基于公式
将各个突水案例对应的钻孔水位变化率进行归一化：其中，fj(i)为第j个突水案例中第i个时间段内的钻孔水位变化率的归一化数据，Fj(i)为第j个突水案例中第i个时间段内的钻孔水位，F(i-1)为第j个突水案例中第i-1个时间段内的钻孔水位；
基于公式
将各个突水案例对应的工作面推进参数进行归一化：其中，gj(i)为第j个突水案例中第i个时间段内的工作面推进参数的归一化数据，Gj(i)为第j个突水案例中第i个时间段内的回采速度，Gj为第j个突水案例中预设的正常回采速度；
基于公式
将各个突水案例对应的矿压参数进行归一化：其中，hj(i)为第j个突水案例中第i个时间段内的矿压参数的归一化数据，Hj(i)为第j个突水案例中第i个时间段距上次来压的时间长度，Tj为第j个突水案例对应的来压周期。
在本实施例中，通过对各个突水案例对应监测数据进行归一化，可以为实际地质情况不同的各个突水案例对应的监测数据建立统一的标准，方便下一步的计算，提高建立的承压水上采煤微震突水预警模型的准确性。
在本发明的一个实施例中，S103的具体实现过程如下：
使用K-S方法检验各个初始训练样本的正态性；并剔除正态性系数高于正态性系数阈值的初始训练样本，得到第二训练样本；
使用Pearson方法计算各个第二训练样本的相关性系数。
对应的，剔除相关性系数高于相关性系数阈值的第二训练样本，得到第三训练样本；
S104包括：基于神经网络学习算法第三训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。
可选的，通过SPSS软件使用K-S方法验证各个初始训练样本的正态性，通过SPSS软件使用Pearson方法计算各个第二训练样本的相关性系数。
在本实施例中，通过验证各个初始训练样本的正态性和相关性并剔除不符合条件的样本，可以避免在下一步创建承压水上采煤微震突水预警模型时的特征冗余，保证模型输入层节点的均匀分布，进而提高突水预警的准确性。
在本实施例中，S104包括：将第一训练样本作为神经网络的输入层实际参数值，由于每个第一训练样本中包括的监测数据均为8个，因此确定输入层节点数n＝8，输入序列X＝(x1,x2,...,xn,...,x8)。另外，根据预警情况设置输出节点数，本实施例可以设置输出节点数m＝4，输出序列Y＝(Y1,Y2,Y3，Y4)。使用试凑法确定隐含节点数L。具体的，根据经验公式，L为接近
的整数。
具体的，承压水上采煤微震突水预警模型为BP神经网络模型。
可选的，使用神经网络插件NNX进行承压水上采煤微震突水预警模型的创建。
在本发明的一个实施例中，S104之后，所述方法还包括：
根据验证样本对所述承压水上采煤微震突水预警模型进行验证。
可选的，验证样本为另一突水样本库中突水案例对应的监测数据经过归一化处理后得到的样本。
在本发明的一个实施例中，承压水上采煤微震突水预警方法还包括：获取目标承压水上采煤矿井的至少一个监测数据，并将各个监测数据输入所述承压水上采煤微震突水预警模型，得到所述承压水上采煤微震突水预警模型的输出序列；
根据所述承压水上采煤微震突水预警模型的输出序列确定所述目标承压水上采煤矿井的预警等级。
在本实施例中，在将目标承压水上采煤矿井的各个监测数据输入所述承压水上采煤微震突水预警模型之前，所述方法还包括：将目标承压水上采煤矿井的各个监测数据进行归一化。
在本发明的一个实施例中，所述根据所述承压水上采煤微震突水预警模型的输出序列确定所述目标承压水上采煤的预警等级，包括：
根据所述输出序列Y＝(Y1,Y2,Y3,Y4)中的最大元素确定所述目标承压水上采煤矿井的预警等级；所述预警等级包括不预警、蓝色预警、黄色预警及红色预警。
具体的，Y1为最大的元素时判定为不预警；Y2为最大的元素时判定为蓝色预警；Y3为最大的元素时判定为黄色预警；Y4为最大的元素时判定为红色预警。其中不预警对应的理想输出序列为(1,0,0,0)；蓝色预警对应的理想输出序列为(0,1,0,0)；黄色预警对应的理想输出序列为(0,0,1,0)；红色预警对应的理想输出序列为(0,0,0,1)。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参见图2，本发明实施例第二方面提供了一种承压水上采煤微震突水预警装置10，包括：
数据获取模块110，用于获取突水样本库，所述突水样本库包括至少一个突水案例；各个突水案例分别包括至少一个监测数据；
归一化计算模块120，用于将各个突水案例对应的监测数据进行归一化，得到各个突水案例对应的初始训练样本；
相关性分析模块130，用于对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数；并剔除相关性系数高于相关性系数阈值的初始训练样本，得到第一训练样本；
模型创建模块140，用于基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。
通过本实施例提供的承压水上采煤微震突水预警装置，可以利用多种监测数据创建承压水上采煤微震突水预警模型，提高承压水上采煤突水预警的准确性，为煤矿安全作业提供保障。
在本实施例中，所述数据获取模块110获取的监测数据包括：包括微震事件数量、微震事件变化率、底板贯通率、微震密集区距离、隐伏构造距离、钻孔水位变化率、工作面推进参数以及矿压参数。
在本实施例中，归一化计算模块120具体用于：基于公式
将各个突水案例对应的微震事件数量进行归一化；其中，Aj(i)为第j个突水案例中第i个时间段内的微震事件数量，1≤j≤J，J为所述突水样本库中的突水案例个数；aj(i)为第j个突水案例中第i个时间段对应的微震事件数量的归一化数据；
为第j个突水案例中各个时间段对应的微震事件数量的最小值，
为第j个突水案例中各个时间段对应的微震事件数量的最大值；
基于公式
将各个突水案例对应的微震事件变化率进行归一化：其中，bj(i)为第j个突水案例中第i个时间段内的微震事件变化率的归一化数据，Aj(i-1)为第j个突水案例中第i-1个时间段内的微震事件数量；
基于公式
将各个突水案例对应的底板贯通率进行归一化；其中，cj(i)为第j个突水案例中第i个时间段内的底板贯通率的归一化数据，Rj为第j个突水案例对应的含水层数量，Rj(i)为第j个突水案例中第i个时间段内监测到微震事件的含水层数量；
基于公式
将各个突水案例对应的微震密集区距离进行归一化：其中，dj(i)为第j个突水案例中第i个时间段内的微震密集区距离的归一化数据，Dj(i)为第j个突水案例中第i个时间段内的微震密集区距离，Kj为第j个突水案例对应的工作面走向总长度；
基于公式
将各个突水案例对应的隐伏构造距离进行归一化：其中，ej(i)为第j个突水案例中第i个时间段内隐伏构造距离的归一化数据，Ej(i)为第j个突水案例中第i个时间段内的隐伏构造距离；
基于公式
将各个突水案例对应的钻孔水位变化率进行归一化：其中，fj(i)为第j个突水案例中第i个时间段内的钻孔水位变化率的归一化数据，Fj(i)为第j个突水案例中第i个时间段内的钻孔水位，F(i-1)为第j个突水案例中第i-1个时间段内的钻孔水位；
基于公式
将各个突水案例对应的工作面推进参数进行归一化：其中，gj(i)为第j个突水案例中第i个时间段内的工作面推进参数的归一化数据，Gj(i)为第j个突水案例中第i个时间段内的回采速度，Gj为第j个突水案例中预设的正常回采速度；
基于公式
将各个突水案例对应的矿压参数进行归一化：其中，hj(i)为第j个突水案例中第i个时间段内的矿压参数的归一化数据，Hj(i)为第j个突水案例中第i个时间段距上次来压的时间长度，Tj为第j个突水案例对应的来压周期。
在本实施例中，相关性分析模块130包括：
正态性验证单元，用于使用K-S方法检验各个初始训练样本的正态性；并剔除正态性系数高于正态性系数阈值的初始训练样本，得到第二训练样本；
相关性系数计算单元，用于使用K-S方法检验各个初始训练样本的正态性；并剔除正态性系数高于正态性系数阈值的初始训练样本，得到第二训练样本。
在本实施例中，承压水上采煤微震突水预警装置10还包括：
模型验证模块，用于根据验证样本对所述承压水上采煤微震突水预警模型进行验证。
在本实施例中，承压水上采煤微震突水预警装置10还包括：
预警模块，用于获取目标承压水上采煤矿井的至少一个监测数据，并将各个监测数据输入所述承压水上采煤微震突水预警模型，得到所述承压水上采煤微震突水预警模型的输出序列；
根据所述承压水上采煤微震突水预警模型的输出序列确定所述目标承压水上采煤矿井的预警等级。
在本实施例中，预警模块还用于：根据所述输出序列Y＝(Y1,Y2,Y3,Y4)中的最大元素确定所述目标承压水上采煤矿井的预警等级；所述预警等级包括不预警、蓝色预警、黄色预警及红色预警。
图3是本发明一实施例提供的/终端设备的示意图。如图3所示，该实施例的/终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个承压水上采煤微震突水预警方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块110至140的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述/终端设备3中的执行过程。例如，所述计算机程序32可以被分割成数据获取、归一化计算模块、相关性分析模块、模型创建模块。
所述/终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述/终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是/终端设备3的示例，并不构成对/终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述/终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述/终端设备3的内部存储单元，例如/终端设备3的硬盘或内存。所述存储器31也可以是所述/终端设备3的外部存储设备，例如所述/终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述/终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述/终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种承压水上采煤微震突水预警方法，其特征在于，包括：
获取突水样本库，所述突水样本库包括至少一个突水案例；各个突水案例分别包括至少一个监测数据；
将各个突水案例对应的监测数据进行归一化，得到各个突水案例对应的初始训练样本；
对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数；并剔除相关性系数高于相关性系数阈值的初始训练样本，得到第一训练样本；
基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。
2.如权利要求1所述的一种承压水上采煤微震突水预警方法，其特征在于，所述监测数据包括微震事件数量、微震事件变化率、底板贯通率、微震密集区距离、隐伏构造距离、钻孔水位变化率、工作面推进参数以及矿压参数。
3.如权利要求2所述的一种承压水上采煤微震突水预警方法，其特征在于，所述将各个突水案例对应的监测数据进行归一化，包括：
基于公式
将各个突水案例对应的微震事件数量进行归一化；其中，Aj(i)为第j个突水案例中第i个时间段内的微震事件数量，1≤j≤J，J为所述突水样本库中的突水案例个数；aj(i)为第j个突水案例中第i个时间段对应的微震事件数量的归一化数据；
为第j个突水案例中各个时间段对应的微震事件数量的最小值，
为第j个突水案例中各个时间段对应的微震事件数量的最大值；
基于公式
将各个突水案例对应的微震事件变化率进行归一化：其中，bj(i)为第j个突水案例中第i个时间段内的微震事件变化率的归一化数据，Aj(i-1)为第j个突水案例中第i-1个时间段内的微震事件数量；
基于公式
将各个突水案例对应的底板贯通率进行归一化；其中，cj(i)为第j个突水案例中第i个时间段内的底板贯通率的归一化数据，Rj为第j个突水案例对应的含水层数量，Rj(i)为第j个突水案例中第i个时间段内监测到微震事件的含水层数量；
基于公式
将各个突水案例对应的微震密集区距离进行归一化：其中，dj(i)为第j个突水案例中第i个时间段内的微震密集区距离的归一化数据，Dj(i)为第j个突水案例中第i个时间段内的微震密集区距离，Kj为第j个突水案例对应的工作面走向总长度；
基于公式
将各个突水案例对应的隐伏构造距离进行归一化：其中，ej(i)为第j个突水案例中第i个时间段内隐伏构造距离的归一化数据，Ej(i)为第j个突水案例中第i个时间段内的隐伏构造距离；
基于公式
将各个突水案例对应的钻孔水位变化率进行归一化：其中，fj(i)为第j个突水案例中第i个时间段内的钻孔水位变化率的归一化数据，Fj(i)为第j个突水案例中第i个时间段内的钻孔水位，F(i-1)为第j个突水案例中第i-1个时间段内的钻孔水位；
基于公式
将各个突水案例对应的工作面推进参数进行归一化：其中，gj(i)为第j个突水案例中第i个时间段内的工作面推进参数的归一化数据，Gj(i)为第j个突水案例中第i个时间段内的回采速度，Gj为第j个突水案例中预设的正常回采速度；
基于公式
将各个突水案例对应的矿压参数进行归一化：其中，hj(i)为第j个突水案例中第i个时间段内的矿压参数的归一化数据，Hj(i)为第j个突水案例中第i个时间段距上次来压的时间长度，Tj为第j个突水案例对应的来压周期。
4.如权利要求1所述的一种承压水上采煤微震突水预警方法，其特征在于，所述对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数，包括：
使用K-S方法检验各个初始训练样本的正态性；并剔除正态性系数高于正态性系数阈值的初始训练样本，得到第二训练样本；
使用Pearson方法计算各个第二训练样本的相关性系数。
5.如权利要求1所述的一种承压水上采煤微震突水预警方法，其特征在于，所述基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型之后，所述方法还包括：
根据验证样本对所述承压水上采煤微震突水预警模型进行验证。
6.如权利要求1所述的一种承压水上采煤微震突水预警方法，其特征在于，所述方法还包含：
获取目标承压水上采煤矿井的至少一个监测数据，并将各个监测数据输入所述承压水上采煤微震突水预警模型，得到所述承压水上采煤微震突水预警模型的输出序列；
根据所述承压水上采煤微震突水预警模型的输出序列确定所述目标承压水上采煤矿井的预警等级。
7.如权利要求6所述的一种承压水上采煤微震突水预警方法，其特征在于，所述根据所述承压水上采煤微震突水预警模型的输出序列确定所述目标承压水上采煤矿井的预警等级，包括：
根据所述输出序列Y＝(Y1,Y2,Y3,Y4)中的最大元素确定所述目标承压水上采煤矿井的预警等级；所述预警等级包括不预警、蓝色预警、黄色预警及红色预警。
8.一种承压水上采煤微震突水预警装置，其特征在于，包括：
数据获取模块，用于获取突水样本库，所述突水样本库包括至少一个突水案例；各个突水案例分别包括至少一个监测数据；
归一化计算模块，用于将各个突水案例对应的监测数据进行归一化，得到各个突水案例对应的初始训练样本；
相关性分析模块，用于对各个初始训练样本进行互相关分析，得到各个初始训练样本的相关性系数；并剔除相关性系数高于相关性系数阈值的初始训练样本，得到第一训练样本；
模型创建模块，用于基于神经网络学习算法和第一训练样本，创建承压水上采煤微震突水预警模型，所述承压水上采煤微震突水预警模型用于对承压水上采煤矿井进行突水预警。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011229218.6A CN112324505A (zh) | 2020-11-06 | 2020-11-06 | 一种承压水上采煤微震突水预警方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011229218.6A CN112324505A (zh) | 2020-11-06 | 2020-11-06 | 一种承压水上采煤微震突水预警方法、装置及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112324505A true CN112324505A (zh) | 2021-02-05 |
Family
ID=74317172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011229218.6A Pending CN112324505A (zh) | 2020-11-06 | 2020-11-06 | 一种承压水上采煤微震突水预警方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112324505A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113187558A (zh) * | 2021-05-31 | 2021-07-30 | 煤炭科学研究总院 | 矿井安全预警方法及装置 |
| CN113623004A (zh) * | 2021-08-31 | 2021-11-09 | 中煤科工集团重庆研究院有限公司 | 一种用于水害预警的判断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102644482A (zh) * | 2012-05-18 | 2012-08-22 | 河南大有能源股份有限公司 | 冲击地压预测预警方法 |
| CN103410568A (zh) * | 2013-08-27 | 2013-11-27 | 辽宁工程技术大学 | 矿山动力灾害一体化预警方法及装置 |
| CN105069985A (zh) * | 2015-08-19 | 2015-11-18 | 湖北高通空间技术有限责任公司 | 一种基于互联网技术的地质灾害监测系统及方法 |
| CN109653800A (zh) * | 2019-02-28 | 2019-04-19 | 西安科技大学 | 深部富水覆岩厚煤层开采复合动力灾害监测预警系统及方法 |
| CN110552741A (zh) * | 2019-09-09 | 2019-12-10 | 中煤科工集团西安研究院有限公司 | 一种采煤工作面底板突水综合监测与预警系统及方法 |
-
2020
- 2020-11-06 CN CN202011229218.6A patent/CN112324505A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102644482A (zh) * | 2012-05-18 | 2012-08-22 | 河南大有能源股份有限公司 | 冲击地压预测预警方法 |
| CN103410568A (zh) * | 2013-08-27 | 2013-11-27 | 辽宁工程技术大学 | 矿山动力灾害一体化预警方法及装置 |
| CN105069985A (zh) * | 2015-08-19 | 2015-11-18 | 湖北高通空间技术有限责任公司 | 一种基于互联网技术的地质灾害监测系统及方法 |
| CN109653800A (zh) * | 2019-02-28 | 2019-04-19 | 西安科技大学 | 深部富水覆岩厚煤层开采复合动力灾害监测预警系统及方法 |
| CN110552741A (zh) * | 2019-09-09 | 2019-12-10 | 中煤科工集团西安研究院有限公司 | 一种采煤工作面底板突水综合监测与预警系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 乔伟等: "基于云服务的煤矿水害监测大数据智能预警平台构建", 《煤炭学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113187558A (zh) * | 2021-05-31 | 2021-07-30 | 煤炭科学研究总院 | 矿井安全预警方法及装置 |
| CN113187558B (zh) * | 2021-05-31 | 2024-05-24 | 煤炭科学研究总院有限公司 | 矿井安全预警方法及装置 |
| CN113623004A (zh) * | 2021-08-31 | 2021-11-09 | 中煤科工集团重庆研究院有限公司 | 一种用于水害预警的判断方法 |
| CN113623004B (zh) * | 2021-08-31 | 2024-02-13 | 中煤科工集团重庆研究院有限公司 | 一种用于水害预警的判断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11795814B2 (en) | Early warning and automated detection for lost circulation in wellbore drilling | |
| CN112324505A (zh) | 一种承压水上采煤微震突水预警方法、装置及终端设备 | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN109635244B (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
| CN107392786A (zh) | 基于支持向量机的矿井光纤光栅监测系统缺失数据补偿方法 | |
| CN112637108B (zh) | 一种基于异常检测和情感分析的内部威胁分析方法及系统 | |
| CN111915865A (zh) | 一种基于采动震源参数的煤矿复合地质灾害预警方法 | |
| CN103089253B (zh) | 一种利用小波变换计算地层孔隙压力的方法 | |
| CN103729798A (zh) | 基于改进的K-Means聚类的煤矿安全评价系统 | |
| CN110826157B (zh) | 一种多压力成因超压贡献比例的计算方法 | |
| CN115455791A (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
| CN114398828A (zh) | 一种钻速智能预测及优化方法、系统、设备和介质 | |
| CN114611958A (zh) | 一种基于机器学习的石油钻井大数据处理方法和装置 | |
| US11802475B2 (en) | Real time monitoring of fracture driven interference | |
| CN113703047B (zh) | 一种预测水平地应力差的方法、装置及存储介质 | |
| CN112305608B (zh) | 一种回采工作面的来压步距计算方法、装置及终端设备 | |
| CA2943189C (en) | Bin constraints for generating a histogram of microseismic data | |
| CN114966841B (zh) | 基于地质信息的微震监测水害判别方法、终端及存储介质 | |
| NO20230059A1 (en) | Fault detection method and system for a subsea electrical line | |
| Muhamedyev et al. | Geophysical research of boreholes: Artificial neural networks data analysis | |
| CN115980842A (zh) | 导水通道发育情况监测方法、装置和终端设备 | |
| CN113903149B (zh) | 一种矿井突水预警系统、方法及终端设备 | |
| Liu | Research on feature fusion method of mine microseismic signal based on unsupervised learning | |
| Zhang et al. | Forecasting Rock Burst in Coal Mines Based on Neural Network | |
| CN117967335A (zh) | Tbm卡机预警方法、装置、电子设备及存储介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xiao Yu Si Inventor after: Jia Jing Inventor after: Li Yubao Inventor after: Zhao Lisong Inventor after: Lu Gang Inventor after: Wang Peng Inventor after: Liang Chengdong Inventor before: Xiao Yu Si Inventor before: Jia Jing Inventor before: Li Yubao Inventor before: Zhao Lisong Inventor before: Lu Gang Inventor before: Wang Peng Inventor before: Liang Dongcheng |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |
|
| RJ01 | Rejection of invention patent application after publication |