CN113723595A - 基于微震事件定量预测的煤矿冲击地压智能预警方法 - Google Patents
基于微震事件定量预测的煤矿冲击地压智能预警方法 Download PDFInfo
- Publication number
- CN113723595A CN113723595A CN202111026717.XA CN202111026717A CN113723595A CN 113723595 A CN113723595 A CN 113723595A CN 202111026717 A CN202111026717 A CN 202111026717A CN 113723595 A CN113723595 A CN 113723595A
- Authority
- CN
- China
- Prior art keywords
- model
- microseismic
- microseismic event
- msnet
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011435 rock Substances 0.000 title claims abstract description 38
- 239000003245 coal Substances 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 41
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于微震事件定量预测的煤矿冲击地压智能预警方法,包括数据收集、建立获取短程与长程的微震事件时序规律的MSNet模型、划分数据集、模型训练及基于MSNet模型的预警平台开发步骤。本申请通过煤矿井下监测的微震事件数据训练库,利用所建立的微震事件量化预测模型MSNet进行未来微震事件的时间及空间位置的预测,该MSNet模型结合了卷积神经网络、循环神经网络、跳跃循环网络和自回归模型,可以精准预测微震事件的位置,并基于训练完毕的MSNet模型开发了冲击地压智能预警平台,实现了基于数据驱动的一体化智能预警,减少了人为的主观分析,模型预测的微震事件结果对冲击地压危险性的预警具有重要指导意义。
Description
技术领域
本发明涉及煤矿井下冲击地压灾害预测预警技术领域,具体涉及一种基于微震事件定量预测的煤矿冲击地压智能预警方法。
背景技术
冲击危险性预测的工程意义在于根据不同的危险性等级制定相应的防冲措施,为灾害预后提供指导。而真正决定冲击地压预测预警效果的是对灾害时间和区域的精准定量判定。目前冲击地压时间和区域预测的研究主要是在灾害发生以后,对孕灾过程中能量、应力、微震等参量进行回溯分析,研究各参量的时空演化规律与灾害启动的关系,其中绝大部分是定性规律性描述。其无法用于在孕灾过程中前溯预测灾害的时间和区域,即无法用于构建监测参数与灾害时间和区域的定量映射模型。
冲击地压的定量预测即是建立影响因素与灾害时间(绝对时间或者等待时间)、灾害区域(以坐标表示的精准范围)的量化关系。本申请的发明人经过研究发现,目前传统的数学物理预测模型很难表征该量化关系,主要原因包括:1)泛化性差,冲击地压的数学物理预测模型建立在灾害机理(假说)上,而目前尚无统一的冲击地压灾害机理,基于机理的数学物理模型仅适用于特定条件下的冲击地压预测;2)鲁棒性差,数学物理预测模型通常考虑几个有限影响因素,模型中参数所占权重大,一旦有参数获取不精确,将直接影响到模型的预测效果;3)动态性差,采掘过程中多数冲击地压影响因素会动态变化,而显式的数学物理预测模型很难实时反映参数变化,模型的预测动态性无法保证。此外,目前很多相关的预警平台主要以二维方式进行显示,不能直观的显示三维地质情况和事件位置。
发明内容
针对现有传统数学物理预测模型很难表征影响因素与灾害时间和灾害区域的量化关系,同时很多相关预警平台存在不能直观显示三维地质情况和事件位置的技术问题,本发明提供一种基于微震事件定量预测的煤矿冲击地压智能预警方法,该方法使用深度学习、人工智能及三维可视化等相关技术,实现了冲击地压灾害的定量预测,并基于MSNet模型建立了三维可视化平台,该平台能够在工作面直接显示微震事件位置、时间及能量的预测结果,操作便捷化,稳定高效化,弥补了传统智能预警平台系统的不足。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于微震事件定量预测的煤矿冲击地压智能预警方法,包括以下步骤:
S1、数据收集:通过煤矿微震监测系统自带的数据处理软件获得的某工作面一段时间内微震事件的时间、能量、三维空间坐标及波形信息,作为模型预警的数据源;
S2、建立获取短程与长程的微震事件时序规律的MSNet模型:所述MSNet模型根据数据流向分为线性路径模块和非线性路径模块,所述线性路径模块利用自回归模型对输入的微震事件序列直接预测未来的微震事件序列,所述非线性路径模块通过卷积神经网络、循环神经网络和跳跃循环网络,实现输入的微震事件序列到未来微震事件序列的非线性映射,所述MSNet模型的最终预测结果是线性路径结果与非线性结果的加和;所述卷积神经网络具体用于解析单个序列长度微震事件间的短程依赖关系以及事件的空间位置XYZ坐标、能量、时移共五个属性间的关系,所述卷积神经网络的输出同时流入到循环神经网络和跳跃循环网络,所述循环神经网络具体用于挖掘微震事件序列之间的长程依赖关系,所述跳跃循环网络具体用于解决潜在的超长程依赖问题;
S3、划分数据集:对井下获取的微震事件的数据集人为划分为训练集与测试集,所述训练集用于训练MSNet模型使之达到最佳拟合效果,所述测试集用于测试MSNet模型表现;
S4、模型训练:将训练集的数据带入到MSNet模型,使用实验室PC运行模型,利用12次连续微震事件预测后6次微震事件的坐标、能量、时移,训练过程中采用小批量梯度下降法更新模型参数,把通过模型训练输出的连续6个微震事件的属性分别看作6个长度为5的向量,利用余弦相似度来衡量属性的预测值与真实值之间的相似性,其相似性采用下式进行计算:
其中,Ai表示微震事件真实的属性向量,Bi表示模型预测的属性向量,n表示向量长度;
S5、基于MSNet模型的预警平台开发:获取矿井三维地质数据,利用Unity3D构建煤矿井下三维地质精模,用于显示实时的微震事件信息以及展示MSNet模型的预测结果。
与现有技术相比,本发明提供的基于微震事件定量预测的煤矿冲击地压智能预警方法,通过构建一个结合自回归模型及普通卷积神经网络、循环神经网络、跳跃循环网络的微震事件量化预测模型MSNet,挖掘连续微震事件的长短程时序关系,利用工作面连续的微震事件动态预测未来几次微震事件发生的位置、能量和时间,从而定量预测未来的冲击危险性区域;并基于MSNet模型,开发了相应的冲击地压智能预警平台,动态实时地实现了工作面冲击地压危险区域的定量预测,整个模型训练过程不需要人为主观地参与到分析的任务当中,该深度学习模型精度要比单一模型的精度高,因而能更为准确的判定微震事件位置,模型预测的微震事件结果对冲击地压危险性的预警具有重要指导意义。
进一步,所述步骤S2中自回归模型预测事件的公式如下:
其中,Et表示待预测事件的属性向量,Wi和bi表示模型参数,k表示前k次微震事件。
进一步,所述步骤S2卷积神经网络中,卷积核的大小为6×5,卷积核的个数为32。
进一步,所述卷积核中第i个卷积核采用下式进行运算:
hi=ReLU(Wi*X+bi)
其中,Wi表示卷积核矩阵,X表示输入的时间序列矩阵,bi代表偏置,ReLU表示卷积神经网络激活函数,ReLU(x)=max(0,x),max表示求最大值,x表示神经网络输入值。
进一步,所述步骤S2中循环神经网络采用长短时记忆网络,所述长短时记忆网络的数据流向的具体计算过程如下式:
ht=ot tanh(ct)
其中,ot、it、ft、xt分别表示t时刻的中间状态、输出门向量、输入门向量、遗忘门向量、输入参数,W与b是长短时记忆网络的模型权重与偏置,tanh是双曲正切函数,σ表示为s函数sigmoid,ct-1表示t-1时刻的单元状态,ct表示t时刻的单元状态,ht-1表示t-1时刻的隐藏状态,ht表示t时刻的隐藏状态。
进一步,所述步骤S2中跳跃循环网络的数据流向的具体计算过程如下式:
ht=ot tanh(ct)
其中,p表示跳跃步长。
进一步,所述步骤S2中MSNet模型的损失函数定义为五维空间中两个长度为6的点序列之间的平均距离,损失函数的表达式如下式:
进一步,所述步骤S3中MSNet模型的输入微震事件序列之间取步长为1。
进一步,所述步骤S4中在将训练集的数据带入到MSNet模型之前,先对模型训练数据的五个属性进行标准化,将五个属性值全部转换到0~1之间。
附图说明
图1是本发明提供的基于微震事件定量预测的煤矿冲击地压智能预警方法流程示意图。
图2是本发明实施例提供的MSNet模型结构示意图。
图3是图2中虚线框部分的放大示意图。
图4是本发明实施例提供的训练/测试样本构建示意图。
图5是本发明实施例提供的MSNet模型训练数据分布箱型示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
请参考图1至图5所示,本发明提供一种基于微震事件定量预测的煤矿冲击地压智能预警方法,包括以下步骤:
S1、数据收集:通过煤矿微震监测系统自带的数据处理软件获得的某工作面一段时间内微震事件的时间、能量、三维空间坐标及波形信息,作为模型预警的数据源;例如选取煤矿井下某开采工作面在2019年全年(2019年1月1日至12月31日)推进过程监测到的10196次微震事件作为进行智能预测的基础数据。
S2、建立获取短程与长程的微震事件时序规律的MSNet模型:所述MSNet模型根据数据流向分为线性路径模块和非线性路径模块,所述线性路径模块利用自回归模型对输入的微震事件序列直接预测未来的微震事件序列,所述非线性路径模块通过卷积神经网络、循环神经网络和跳跃循环网络,实现输入的微震事件序列到未来微震事件序列的非线性映射,所述MSNet模型的最终预测结果是线性路径结果与非线性结果的加和;所述卷积神经网络具体用于解析单个序列长度微震事件的短程依赖关系及事件的空间位置XYZ坐标、能量、时移共五个属性间的关系,所述卷积神经网络的输出同时流入到循环神经网络和跳跃循环网络,所述循环神经网络具体用于挖掘微震事件序列之间的长程依赖关系,所述跳跃循环网络具体用于解决潜在的超长程依赖问题。
具体地,微震事件在时间轴上的分布有长短程依赖特征,即一个微震事件或微震事件序列的发生不仅与之前短时间范围内(如几小时内)的微震事件有关,也会受到更长时间范围(数天到数月)的微震事件影响。因此,建立可以同时获取短程与长程的微震事件时序规律的MSNet模型,来更精确地预测未来发生的微震事件。MSNet模型的数据流向有两大路径,其中线性路径是利用自回归模型(Autoregressive model,简称AR模型)对输入的微震事件序列直接预测未来的微震事件序列;非线性路径则通过卷积神经网络、循环神经网络和跳跃循环网络,实现输入的微震事件序列到未来微震事件序列的非线性映射,所述MSNet模型的最终预测结果是线性路径结果与非线性结果的加和,具体如图2所示。
具体地,所述非线性路径模块中,输入的微震事件序列数据首先流入卷积神经网络,所述卷积神经网络用于解析单个序列长度微震事件间的短程依赖关系以及事件五个属性间的关系,五个属性具体包含空间位置X,Y,Z坐标、能量、时移。所述卷积神经网络中卷积核的大小为6×5,卷积核的个数为32,所述卷积神经网络的激活函数选择为ReLU,具体ReLU(x)=max(0,x),max表示求最大值,x表示神经网络输入值,所述卷积神经网络可采用现有的卷积神经网络来实现。所述卷积核中第i个卷积核采用下式进行运算:
hi=ReLU(Wi*X+bi) 式(1)
其中,Wi表示卷积核矩阵,X表示输入的时间序列矩阵,bi代表偏置。
具体地,所述非线性路径模块中循环神经网络采用长短时记忆网络(Long Short-Term Memory,LSTM),该网络通过“门机制”能更好地捕捉长程依赖关系,同时避免梯度爆炸问题。请参考图2和图3所示,LSTM数据流向的计算过程为:在t时刻,t-1时刻的隐藏状态ht-1与t时刻的输入xt加和,计算出输入门it、遗忘门ft、输出门ot三个门的向量以及该时刻的中间状态接下来用it和ft来更新ct,最后ct与ot一起用来计算t时刻的隐藏状态ht,该计算过程循环往复。所述长短时记忆网络的数据流向的具体计算过程如下式:
ht=ot tanh(ct)
其中,ot、it、ft、xt分别表示t时刻的中间状态、输出门向量、输入门向量、遗忘门向量、输入参数,W与b是长短时记忆网络的模型权重与偏置,需要在训练过程中更新,tanh是双曲正切函数,σ表示为s函数sigmoid,ct-1表示t-1时刻的单元状态,ct表示t时刻的单元状态,ht-1表示t-1时刻的隐藏状态,ht表示t时刻的隐藏状态。
具体地,所述非线性路径模块中跳跃循环网络的目的是解决潜在的超长程依赖问题,跳跃步长p是模型超参数,可根据实际任务选取,并在模型训练中进行优化。引入了跳跃步长p后,跳跃循环网络(skip-LSTM)的数据流向的具体计算过程如下式:
ht=ottanh(ct)
其中,p表示跳跃步长。
具体地,针对MSNet模型中线性路径模块中采用的自回归模型,假设各微震事件属性向量之间具有线性关系,利用前k次的微震事件预测第k+1次事件,本申请中自回归模型预测事件的公式如下:
其中,Et表示待预测事件的属性向量,Wi和bi表示模型参数,k表示前k次微震事件。
具体地,所述MSNet模型的损失函数说明如下:MSNet模型的预测输出是未来连续6次微震事件的属性(维度为6×5的向量),因此本申请定义MSNet模型的损失函数是五维空间中两个长度为6的点序列之间的平均距离,该损失函数的表达式如下式:
S3、划分数据集:对井下获取的微震事件的数据集人为划分为训练集与测试集,所述训练集用于训练MSNet模型使之达到最佳拟合效果,所述测试集用于测试MSNet模型表现。例如,在前述步骤S1中收集到的10196次微震事件数据集中,选择1~10月的9863次微震事件进行模型训练,11月与12月的333次微震事件进行模型测试,为了尽可能多的利用微震数据,MSNet模型的输入微震事件序列之间取步长为1,并以12个微震事件预测下6个微震事件。按照前述训练样本构建规则,10196次微震事件数据集可以获得训练样本9846个,测试样本316个,图4具体展示了训练/测试样本的构建方式。
S4、模型训练:将训练集的数据带入到MSNet模型,使用实验室PC运行模型,利用12次连续微震事件预测后6次微震事件的坐标、能量、时移,训练过程中采用小批量梯度下降法更新模型参数,批量大小可设置为16,由于样本输入的5个属性间尺度差异过大,模型训练时需对其进行标准化,将五个属性值全部转换到0~1之间,具体标准化方式为本领域技术人员熟知的现有技术,该训练过程一共经历100次迭代,用时9分5秒。把通过模型训练输出的连续6个微震事件的属性分别看作6个长度为5的向量,利用余弦相似度来衡量属性的预测值与真实值之间的相似性,相似性值越接近于1表示两个向量越相似,预测精度越高,以此实现训练结果检验。具体地,相似性采用下式进行计算:
其中,Ai表示微震事件真实的属性向量,Bi表示模型预测的属性向量,n表示向量长度。
具体地,通过对随时间推移的316个测试样本属性真实值与预测值的余弦相似度的计算,模型对微震事件X坐标与Y坐标的预测效果最好,316个测试样本的平均余弦相似度分别为0.997与0.995;模型对微震事件Z坐标的预测结果稍差,明显低于X与Y的余弦相似度,其平均相似度为0.939。综合分析,MSNet模型对微震事件的位置预测最准确,时移预测精度次之,对微震事件的能量预测精度较差。
为了综合表明5个属性的预测能力,使用了如图5分布箱型图进行说明,图5展示了模型训练数据(1~10月的9863次微震事件)其五个属性标准化之后的分布箱型图。图中菱形表示数据异常值,圆点表示数据平均值,长方形上下边缘分别代表属性的上四分位数与下四分位数,长线表示数据中位数。从图中可以发现微震事件的位置数据(X,Y,Z)分布较为理想,中位数与平均值均处于数据集中区域,且与平均值相差不大,异常值并未过多影响数据分布。微震事件的时移数据分布稍差,数据集中在一个较小区域,有部分异常值超过了数据内限,影响了数据分布,但其中位数与平均值仍处于数据集中区域。微震事件能量分布出现了明显的极端异常值,其平均值与中位数处于数据集中区,但是数据能级出现大范围空白,直接影响了数据分布,这主要是由于工程现场绝大部分微震事件是小能量事件,超过1E5J的大能量事件占比极少。
S5、基于MSNet模型的预警平台开发:模型训练完毕以后,通过OpenVINO工具套件进行在线部署,利用实时获取的微震事件序列对未来事件的属性进行动态预测。获取矿井三维地质数据,利用Unity3D构建煤矿井下三维地质精模,用于显示实时的微震事件信息以及展示MSNet模型的预测结果。微震事件的位置精准嵌入3D地质精模中,可以代表事件在井下的精确位置,微震事件的时间信息也和平台后台时间保持一致。平台显示的实时微震事件信息来自于Arawin微震数据处理软件自带的数据库,平台展示的MSNet预测结果则来自于MSNet预测结果文本文件。
具体地,冲击地压智能预警平台运转实况中,平台一直保持显示最近12个连续微震事件(真实发生的事件),并且同时预测接下来6个微震事件的属性,并对应显示其位置。当Aramis系统监测到最新的微震事件时,平台动态更新显示内容(丢弃掉最早的一个微震事件而显示最新一个微震事件),并且同步获得最新的预测结果。根据MSNet模型的预测结果划分冲击地压实时危险性区域。以预测的6个微震事件中能量最大的事件位置为圆心画圆,其边缘通过距离圆心最远的微震事件位置,该圆表示预测的冲击地压动态危险性,且危险性沿径向递减。
与现有技术相比,本发明提供的基于微震事件定量预测的煤矿冲击地压智能预警方法,通过构建一个结合自回归模型及普通卷积神经网络、循环神经网络、跳跃循环网络的微震事件量化预测模型MSNet,挖掘连续微震事件的长短程时序关系,利用工作面连续的微震事件动态预测未来几次微震事件发生的位置、能量和时间,从而定量预测未来的冲击危险性区域;并基于MSNet模型,开发了相应的冲击地压智能预警平台,动态实时地实现了工作面冲击地压危险区域的定量预测,整个模型训练过程不需要人为主观地参与到分析的任务当中,该深度学习模型精度要比单一模型的精度高,因而能更为准确的判定微震事件位置,模型预测的微震事件结果对冲击地压危险性的预警具有重要指导意义。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.基于微震事件定量预测的煤矿冲击地压智能预警方法,其特征在于,包括以下步骤:
S1、数据收集:通过煤矿微震监测系统自带的数据处理软件获得的某工作面一段时间内微震事件的时间、能量、三维空间坐标及波形信息,作为模型预警的数据源;
S2、建立获取短程与长程的微震事件时序规律的MSNet模型:所述MSNet模型根据数据流向分为线性路径模块和非线性路径模块,所述线性路径模块利用自回归模型对输入的微震事件序列直接预测未来的微震事件序列,所述非线性路径模块通过卷积神经网络、循环神经网络和跳跃循环网络,实现输入的微震事件序列到未来微震事件序列的非线性映射,所述MSNet模型的最终预测结果是线性路径结果与非线性结果的加和;所述卷积神经网络具体用于解析单个序列长度微震事件间的短程依赖关系以及事件的空间位置XYZ坐标、能量、时移共五个属性间的关系,所述卷积神经网络的输出同时流入到循环神经网络和跳跃循环网络,所述循环神经网络具体用于挖掘微震事件序列之间的长程依赖关系,所述跳跃循环网络具体用于解决潜在的超长程依赖问题;
S3、划分数据集:对井下获取的微震事件的数据集人为划分为训练集与测试集,所述训练集用于训练MSNet模型使之达到最佳拟合效果,所述测试集用于测试MSNet模型表现;
S4、模型训练:将训练集的数据带入到MSNet模型,使用实验室PC运行模型,利用12次连续微震事件预测后6次微震事件的坐标、能量、时移,训练过程中采用小批量梯度下降法更新模型参数,把通过模型训练输出的连续6个微震事件的属性分别看作6个长度为5的向量,利用余弦相似度来衡量属性的预测值与真实值之间的相似性,其相似性采用下式进行计算:
其中,Ai表示微震事件真实的属性向量,Bi表示模型预测的属性向量,n表示向量长度;
S5、基于MSNet模型的预警平台开发:获取矿井三维地质数据,利用Unity3D构建煤矿井下三维地质精模,用于显示实时的微震事件信息以及展示MSNet模型的预测结果。
3.根据权利要求1所述的基于微震事件定量预测的煤矿冲击地压智能预警方法,其特征在于,所述步骤S2卷积神经网络中,卷积核的大小为6×5,卷积核的个数为32。
4.根据权利要求3所述的基于微震事件定量预测的煤矿冲击地压智能预警方法,其特征在于,所述卷积核中第i个卷积核采用下式进行运算:
hi=ReLU(Wi*X+bi)
其中,Wi表示卷积核矩阵,X表示输入的时间序列矩阵,bi代表偏置,ReLU表示卷积神经网络激活函数,ReLU(x)=max(0,x),max表示求最大值,x表示神经网络输入值。
8.根据权利要求1所述的基于微震事件定量预测的煤矿冲击地压智能预警方法,其特征在于,所述步骤S3中MSNet模型的输入微震事件序列之间取步长为1。
9.根据权利要求1所述的基于微震事件定量预测的煤矿冲击地压智能预警方法,其特征在于,所述步骤S4中在将训练集的数据带入到MSNet模型之前,先对模型训练数据的五个属性进行标准化,将五个属性值全部转换到0~1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026717.XA CN113723595B (zh) | 2021-09-02 | 2021-09-02 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026717.XA CN113723595B (zh) | 2021-09-02 | 2021-09-02 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723595A true CN113723595A (zh) | 2021-11-30 |
CN113723595B CN113723595B (zh) | 2023-08-25 |
Family
ID=78681024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111026717.XA Active CN113723595B (zh) | 2021-09-02 | 2021-09-02 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723595B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947197A (zh) * | 2021-12-20 | 2022-01-18 | 煤炭科学研究总院 | 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 |
CN114676907A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种区域地质灾害预警方法、装置、存储介质及设备 |
CN114757266A (zh) * | 2022-03-27 | 2022-07-15 | 中国矿业大学 | 专家知识与数据融合驱动的冲击地压预测模型构建方法 |
CN114994751A (zh) * | 2022-07-21 | 2022-09-02 | 中国矿业大学(北京) | 一种基于模型实验的煤矿微震信号识别与分类的方法 |
CN114994760A (zh) * | 2022-08-08 | 2022-09-02 | 煤炭科学研究总院有限公司 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
CN115184993A (zh) * | 2022-09-14 | 2022-10-14 | 煤炭科学研究总院有限公司 | 基于多层主动传递熵的微震数据的分析与判识方法 |
CN116500678A (zh) * | 2023-06-26 | 2023-07-28 | 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 |
CN116843074A (zh) * | 2023-07-06 | 2023-10-03 | 南宁师范大学 | 一种基于cnn-lstm模型的台风灾害损失预测方法 |
CN117094235A (zh) * | 2023-10-20 | 2023-11-21 | 北京科技大学 | 一种基于多任务学习的地压灾害预测方法及装置 |
CN117150911A (zh) * | 2023-09-04 | 2023-12-01 | 吉林建筑大学 | 一种基于图神经网络的煤岩失稳破裂预测方法和系统 |
CN117314218A (zh) * | 2023-08-28 | 2023-12-29 | 湖南科技大学 | 一种基于大数据分析的煤矿水害实时预警方法 |
CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880775A (zh) * | 2011-07-12 | 2013-01-16 | 北京天大天科科技发展有限公司 | 基于自遍历演变的三维采矿应压力分析方法 |
CN111608707A (zh) * | 2020-04-29 | 2020-09-01 | 临沂矿业集团菏泽煤电有限公司 | 一种基于双被筒保护理论的冲击地压危险巷道支护方法 |
CN115405363A (zh) * | 2022-08-30 | 2022-11-29 | 华北科技学院 | 一种基于lstm神经网络的煤矿冲击地压监测预警系统 |
CN115983465A (zh) * | 2022-12-29 | 2023-04-18 | 中国矿业大学 | 一种基于小样本学习的冲击地压时序预测模型构建方法 |
-
2021
- 2021-09-02 CN CN202111026717.XA patent/CN113723595B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880775A (zh) * | 2011-07-12 | 2013-01-16 | 北京天大天科科技发展有限公司 | 基于自遍历演变的三维采矿应压力分析方法 |
CN111608707A (zh) * | 2020-04-29 | 2020-09-01 | 临沂矿业集团菏泽煤电有限公司 | 一种基于双被筒保护理论的冲击地压危险巷道支护方法 |
CN115405363A (zh) * | 2022-08-30 | 2022-11-29 | 华北科技学院 | 一种基于lstm神经网络的煤矿冲击地压监测预警系统 |
CN115983465A (zh) * | 2022-12-29 | 2023-04-18 | 中国矿业大学 | 一种基于小样本学习的冲击地压时序预测模型构建方法 |
Non-Patent Citations (2)
Title |
---|
JIE CHEN: "A quantitative pre-warning for coal burst hazardous zones in a deep coal mine based on the spatio-temporal forecast of microseismic events", 《ELSEVIER PROCESS SAFETY AND ENVIRONMENTAL PROTECTION》, no. 159 * |
陈结: "冲击地压预测预警的机器学习方法", 《采矿与岩层控制工程学报》, vol. 3, no. 1 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947197A (zh) * | 2021-12-20 | 2022-01-18 | 煤炭科学研究总院 | 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 |
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 |
CN114676907A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种区域地质灾害预警方法、装置、存储介质及设备 |
CN114757266A (zh) * | 2022-03-27 | 2022-07-15 | 中国矿业大学 | 专家知识与数据融合驱动的冲击地压预测模型构建方法 |
CN114757266B (zh) * | 2022-03-27 | 2023-04-07 | 中国矿业大学 | 专家知识与数据融合驱动的冲击地压预测模型构建方法 |
CN114994751A (zh) * | 2022-07-21 | 2022-09-02 | 中国矿业大学(北京) | 一种基于模型实验的煤矿微震信号识别与分类的方法 |
CN114994751B (zh) * | 2022-07-21 | 2023-01-31 | 中国矿业大学(北京) | 一种基于模型实验的煤矿微震信号识别与分类的方法 |
CN114994760A (zh) * | 2022-08-08 | 2022-09-02 | 煤炭科学研究总院有限公司 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
CN114994760B (zh) * | 2022-08-08 | 2022-10-14 | 煤炭科学研究总院有限公司 | 基于Transformer和自监督算法的微震事件危险性分析方法 |
CN115184993A (zh) * | 2022-09-14 | 2022-10-14 | 煤炭科学研究总院有限公司 | 基于多层主动传递熵的微震数据的分析与判识方法 |
CN116500678A (zh) * | 2023-06-26 | 2023-07-28 | 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 |
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 |
CN116843074A (zh) * | 2023-07-06 | 2023-10-03 | 南宁师范大学 | 一种基于cnn-lstm模型的台风灾害损失预测方法 |
CN117314218A (zh) * | 2023-08-28 | 2023-12-29 | 湖南科技大学 | 一种基于大数据分析的煤矿水害实时预警方法 |
CN117314218B (zh) * | 2023-08-28 | 2024-03-22 | 湖南科技大学 | 一种基于大数据分析的煤矿水害实时预警方法 |
CN117150911A (zh) * | 2023-09-04 | 2023-12-01 | 吉林建筑大学 | 一种基于图神经网络的煤岩失稳破裂预测方法和系统 |
CN117150911B (zh) * | 2023-09-04 | 2024-04-26 | 吉林建筑大学 | 一种基于图神经网络的煤岩失稳破裂预测方法和系统 |
CN117094235A (zh) * | 2023-10-20 | 2023-11-21 | 北京科技大学 | 一种基于多任务学习的地压灾害预测方法及装置 |
CN117094235B (zh) * | 2023-10-20 | 2024-02-20 | 北京科技大学 | 一种基于多任务学习的地压灾害预测方法及装置 |
CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
CN117688505B (zh) * | 2024-02-04 | 2024-04-19 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113723595B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723595B (zh) | 基于微震事件定量预测的煤矿冲击地压智能预警方法 | |
Mishra et al. | Applied statistical modeling and data analytics: A practical guide for the petroleum geosciences | |
RU2573746C2 (ru) | Система и способы для прогнозирования поведения скважины | |
Qiu et al. | Short-term rockburst prediction in underground project: Insights from an explainable and interpretable ensemble learning model | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
Bashari et al. | Estimation of deformation modulus of rock masses by using fuzzy clustering-based modeling | |
US11592431B2 (en) | Addressing incomplete soil sample data in soil enrichment protocol projects | |
Chen et al. | A quantitative pre-warning for coal burst hazardous zones in a deep coal mine based on the spatio-temporal forecast of microseismic events | |
Li et al. | Leveraging LSTM for rapid intensifications prediction of tropical cyclones | |
Contractor et al. | Efficacy of Feedforward and LSTM Neural Networks at predicting and gap filling coastal ocean timeseries: Oxygen, nutrients, and temperature | |
Zhou et al. | Performance evaluation of rockburst prediction based on PSO-SVM, HHO-SVM, and MFO-SVM hybrid models | |
CN115983465A (zh) | 一种基于小样本学习的冲击地压时序预测模型构建方法 | |
CN116341901A (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
CN104182802A (zh) | 一种煤层瓦斯含量自动化及可视化预测方法 | |
Qu et al. | Probabilistic reliability assessment of twin tunnels considering fluid–solid coupling with physics-guided machine learning | |
Wang et al. | AdaBoost-driven multi-parameter real-time warning of rock burst risk in coal mines | |
Morgenroth et al. | A novel long-short term memory network approach for stress model updating for excavations in high stress environments | |
Tordesillas et al. | Augmented intelligence forecasting and what-if-scenario analytics with quantified uncertainty for big real-time slope monitoring data | |
Martinsson et al. | Modelling the dynamic relationship between mining induced seismic activity and production rates, depth and size: a mine-wide hierarchical model | |
CN113947309A (zh) | 基于建造大数据的盾构隧道施工标准工时测算及评分方法 | |
Masood et al. | Development of an algorithm for the prediction of slope failure in surface mines | |
NL2032832B1 (en) | Intelligent pre-warning method for coal mine rock burst based on quantitative prediction of microseismic event | |
Ye et al. | Intelligent analysis of construction costs of shield tunneling in complex geological conditions by machine learning method | |
Yasin et al. | Parameter estimation and the goodness-of-fit test for the multivariate generalized gamma distribution |
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 |