CN114251124B - 矿井水害智能预警方法及装置 - Google Patents
矿井水害智能预警方法及装置 Download PDFInfo
- Publication number
- CN114251124B CN114251124B CN202111372239.8A CN202111372239A CN114251124B CN 114251124 B CN114251124 B CN 114251124B CN 202111372239 A CN202111372239 A CN 202111372239A CN 114251124 B CN114251124 B CN 114251124B
- Authority
- CN
- China
- Prior art keywords
- water damage
- early warning
- mine
- model
- characteristic 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 462
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 125
- 238000004590 computer program Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 abstract description 5
- 230000007787 long-term memory Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 239000003245 coal Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 239000003365 glass fiber Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种矿井水害智能预警方法及装置。所述方法包括：获取矿井的水害监测信号；将所述水害监测信号输入至目标水害预警模型，其中，所述目标水害预警模型包括门控循环单元GRU单元，所述GRU单元用于从所述水害监测信号中提取水害特征信息，所述目标水害预警模型用于基于所述水害特征信息对矿井进行水害预警，输出矿井的水害预警结果。由此，可将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
Description
技术领域
本发明涉及煤矿开采技术领域，特别涉及一种矿井水害智能预警方法、装置、电子设备和存储介质。
背景技术
目前，为了提高煤矿开采的安全性，需要对煤矿安全进行监测。矿井水害是煤矿生产过程中危害较大的灾害，会带来较大的人员伤亡和经济损失，矿井水害预警对煤矿安全监测至关重要。然而，相关技术中的煤矿水害预警大多依赖人工来进行，人工成本较高且容易出错，智能化程度较低。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。
为此，本发明的一个目的在于提出一种矿井水害智能预警方法，可将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
本发明的第二个目的在于提出一种矿井水害智能预警装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
本发明第一方面实施例提出了一种矿井水害智能预警方法，包括：获取矿井的水害监测信号；将所述水害监测信号输入至目标水害预警模型，其中，所述目标水害预警模型包括门控循环单元GRU单元，所述GRU单元用于从所述水害监测信号中提取水害特征信息，所述目标水害预警模型用于基于所述水害特征信息对矿井进行水害预警，输出矿井的水害预警结果。
根据本发明实施例的矿井水害智能预警方法，可将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
另外，根据本发明上述实施例提出的矿井水害智能预警方法还可以具有如下附加的技术特征：
在本发明的一个实施例中，所述GRU单元用于获取自身上一时刻得到的历史水害特征信息，以及获取当前时刻的当前水害监测信号，并基于所述历史水害特征信息和所述当前水害监测信号，得到所述当前水害监测信号的当前水害特征信息。
在本发明的一个实施例中，所述GRU单元的数量为多个。
在本发明的一个实施例中，所述目标水害预警模型用于基于所述水害特征信息进行分类预警，输出矿井在每个水害类型下的预测概率。
在本发明的一个实施例中，所述方法还包括：获取训练样本，其中，所述训练样本包括样本水害监测信号和样本水害结果；基于所述训练样本对候选水害预警模型进行训练，直至达到模型训练结束条件，生成所述目标水害预警模型。
在本发明的一个实施例中，所述基于所述训练样本对候选水害预警模型进行训练，包括：将所述样本水害监测信号输入至所述候选水害预警模型中的GRU单元，其中，所述GRU单元用于从所述样本水害监测信号中提取训练水害特征信息；所述候选水害预警模型用于基于所述训练水害特征信息对矿井进行水害预警，输出矿井的训练水害预警结果；基于所述训练水害预警结果和所述样本水害结果，得到所述候选水害预警模型的误差；基于所述误差更新所述候选水害预警模型的模型参数。
在本发明的一个实施例中，所述误差包括所述GRU单元的误差项，所述基于所述误差更新所述候选水害预警模型的模型参数，包括：基于所述误差项更新所述GRU单元的模型参数的权重梯度；基于更新后的所述权重梯度更新所述GRU单元的模型参数。
在本发明的一个实施例中，所述误差项包括以下至少一种：所述GRU单元沿时间逆向传播的第一误差项；所述GRU单元沿前一层逆向传播的第二误差项。
本发明第二方面实施例提出了一种矿井水害智能预警装置，包括：数据采集模块，用于获取矿井的水害监测信号；预警模块，用于将所述水害监测信号输入至目标水害预警模型，其中，所述目标水害预警模型包括门控循环单元GRU单元，所述GRU单元用于从所述水害监测信号中提取水害特征信息，所述目标水害预警模型用于基于所述水害特征信息对矿井进行水害预警，输出矿井的水害预警结果。
本发明实施例的矿井水害智能预警装置，可将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
另外，根据本发明上述实施例提出的矿井水害智能预警装置还可以具有如下附加的技术特征：
在本发明的一个实施例中，所述GRU单元用于获取自身上一时刻得到的历史水害特征信息，以及获取当前时刻的当前水害监测信号，并基于所述历史水害特征信息和所述当前水害监测信号，得到所述当前水害监测信号的当前水害特征信息。
在本发明的一个实施例中，所述GRU单元的数量为多个。
在本发明的一个实施例中，所述目标水害预警模型用于基于所述水害特征信息进行分类预警，输出矿井在每个水害类型下的预测概率。
在本发明的一个实施例中，所述装置还包括：训练模块，所述训练模块，用于：获取训练样本，其中，所述训练样本包括样本水害监测信号和样本水害结果；基于所述训练样本对候选水害预警模型进行训练，直至达到模型训练结束条件，生成所述目标水害预警模型。
在本发明的一个实施例中，所述训练模块，还用于：将所述样本水害监测信号输入至所述候选水害预警模型中的GRU单元，其中，所述GRU单元用于从所述样本水害监测信号中提取训练水害特征信息；所述候选水害预警模型用于基于所述训练水害特征信息对矿井进行水害预警，输出矿井的训练水害预警结果；基于所述训练水害预警结果和所述样本水害结果，得到所述候选水害预警模型的误差；基于所述误差更新所述候选水害预警模型的模型参数。
在本发明的一个实施例中，所述误差包括所述GRU单元的误差项，所述训练模块，还用于：基于所述误差项更新所述GRU单元的模型参数的权重梯度；基于更新后的所述权重梯度更新所述GRU单元的模型参数。
在本发明的一个实施例中，所述误差项包括以下至少一种：所述GRU单元沿时间逆向传播的第一误差项；所述GRU单元沿前一层逆向传播的第二误差项。
本发明第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本发明第一方面实施例所述的矿井水害智能预警方法。
本发明实施例的电子设备，通过处理器执行存储在存储器上的计算机程序，可将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
本申请第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如本发明第一方面实施例所述的矿井水害智能预警方法。
本发明实施例的计算机可读存储介质，通过存储计算机程序并被处理器执行，可将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的矿井水害智能预警方法的流程示意图；
图2为根据本发明一个实施例的矿井水害智能预警方法中GRU单元的结构示意图；
图3为根据本发明一个实施例的矿井水害智能预警方法中目标水害预警模型的结构示意图；
图4为根据本发明一个实施例的矿井水害智能预警方法中获取目标水害预警模型的流程示意图；
图5为根据本发明一个实施例的矿井水害智能预警方法中训练候选水害预警模型的流程示意图；
图6为根据本发明一个实施例的矿井水害智能预警装置的结构示意图；以及
图7为根据本发明一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面结合附图来描述本发明实施例的矿井水害智能预警方法、装置、电子设备和存储介质。
图1为根据本发明一个实施例的矿井水害智能预警方法的流程示意图。
如图1所示，本发明实施例的矿井水害智能预警方法，包括：
S101，获取矿井的水害监测信号。
本发明的实施例中，可获取矿井的水害监测信号。应说明的是，对水害监测信号的类型不做过多限定，例如，水害监测信号包括但不限于静态监测信号、动态监测信号等，水害监测信号包括但不限于电压、电流、视电阻率、微震能量等。
在一种实施方式中，水害监测信号包括但不限于水文参数监测数据(水位、水压、流量、流速、水温数据)、地球物理探测数据(电磁法、地震勘探数据)、地球物理监测数据(微震监测数据、电法监测数据)、力学参数监测数据(应力、应变数据)。
在一种实施方式中，可获取矿井的多个监测区域的水害监测信号。应说明的是，对监测区域的类型不做过多限定，例如，监测区域包括但不限于巷道围岩、变电所、井下炸药库、员工休息区等。
在一种实施方式中，可在矿井安装水害监测装置，通过水害监测装置获取矿井的水害监测信号。应说明的是，对水害监测装置的类型不做过多限定，例如，水害监测装置可包括传感器等。
在一种实施方式中，水害监测信号携带空间信息和/或时间信息，获取水害监测信号之后，可基于时间信息对水害监测信号进行时间匹配，以调整水害监测信号的时间序列，和/或基于空间信息对水害监测信号进行空间匹配，以调整水害监测信号的空间序列。应说明的是，对空间信息、时间信息的类型不做过多限定，例如，空间信息包括但不限于水害监测装置的零点位置、二维或者三维位置，时间信息可包括水害监测信号获取的时刻。由此，该方法可基于空间信息和/或时间信息对水害监测信号进行时空匹配，以调整水害监测信号的时空序列，便于后续对矿井水害进行预警。
S102，将水害监测信号输入至目标水害预警模型，其中，目标水害预警模型包括门控循环单元GRU单元，GRU单元用于从水害监测信号中提取水害特征信息，目标水害预警模型用于基于水害特征信息对矿井进行水害预警，输出矿井的水害预警结果。
本发明的实施例中，可将水害监测信号输入至目标水害预警模型，由目标水害预警模型基于水害监测信号对矿井进行水害预警，输出矿井的水害预警结果。应说明的是，对目标水害预警模型的模型结构、水害预警结果的类型均不做过多限定。
例如，水害预警结果包括但不限于矿井的水害类型，或者矿井在每个水害类型下的预测概率，或者矿井的水害风险等级，或者矿井在每个水害风险等级下的预测概率。应说明的是，对水害类型、水害风险等级均不做过多限定，例如，水害风险等级可包括0至3共4个风险等级，0风险等级表征矿井处于正常状态，1风险等级表征矿井处于较危险状态，2风险等级表征矿井处于非常危险状态，3风险等级表征矿井处于即将突水状态。
在一种实施方式中，目标水害预警模型包括门控循环单元(Gate RecurrentUnit，GRU)单元，可将水害监测信号输入至GRU单元，GRU单元用于从水害监测信号中提取水害特征信息，目标水害预警模型用于基于水害特征信息对矿井进行水害预警，输出矿井的水害预警结果。应说明的是，对GRU单元的模型结构、水害特征信息的类型均不做过多限定。
在一种实施方式中，GRU单元用于获取自身上一时刻得到的历史水害特征信息，以及获取当前时刻的当前水害监测信号，并基于历史水害特征信息和当前水害监测信号，得到当前时刻水害监测信号的当前水害特征信息。
例如，如图2所示，GRU单元的输入为自身上一时刻t-1得到的历史水害特征信息ht-1，以及当前时刻t的当前水害监测信号xt，输出为当前时刻t水害监测信号的当前水害特征信息ht。基于历史水害特征信息ht-1和当前水害监测信号xt，得到当前水害特征信息ht，可通过下述公式来实现：
其中，zt为当前时刻t控制更新的门控，rt为当前时刻t控制重置的门控，σ为sigmoid函数，Wz为更新门权重矩阵，Wr为重置门权重矩阵，W为GRU单元状态权重矩阵，tanh为双曲正切函数。
在一种实施方式中，GRU单元的数量为多个。可以理解的是，不同的GRU单元可对应相同类别的水害特征信息，不同的GRU单元可对应不同类别的水害特征信息。
在一种实施方式中，目标水害预警模型用于基于水害特征信息进行分类预警，输出矿井在每个水害类别下的预测概率。例如，目标水害预警模型可包括分类层，分类层用于基于水害特征信息进行分类预警，输出矿井在每个水害类别下的预测概率。
例如，如图3所示，目标水害预警模型可包括输入层、隐含层和输出层。
其中，输入层用于输入水害监测信号x0、x1至xm-1、xm，xt为当前时刻t的当前水害监测信号，0≤t≤m。
其中，隐含层包括GRU0单元、GRU1单元至GRUn-1单元、GRUn单元，GRUt单元为当前时刻t的GRU单元，0≤t≤n。GRU0单元、GRU1单元至GRUn单元分别用于基于水害监测信号x0、x1至xm输出水害特征信息h0、h1至hn-1、hn，ht为GRUt单元的输出值，且为当前时刻t水害监测信号xt的当前水害特征信息。
其中，输出层包括分类层，分类层用于基于水害特征信息h0、h1至hm进行分类预警，输出矿井在0至3风险等级下的预测概率。
综上，根据本发明实施例的矿井水害智能预警方法，可将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
在上述任一实施例的基础上，如图4所示，步骤S102中目标水害预警模型的获取，可包括：
S401，获取训练样本，其中，训练样本包括样本水害监测信号和样本水害结果。
本发明的实施例中，可获取大量的训练样本。训练样本包括样本水害监测信号和样本水害结果。
S402，基于训练样本对候选水害预警模型进行训练，直至达到模型训练结束条件，生成目标水害预警模型。
本发明的实施例中，可基于训练样本对候选水害预警模型进行训练，直至达到模型训练结束条件，生成目标水害预警模型。应说明的是，对模型训练结束条件不做过多限定，例如，模型训练结束条件包括但不限于模型精度达到预设精度阈值，模型迭代次数达到预设次数阈值等。
在一种实施方式中，基于训练样本对候选水害预警模型进行训练，可包括将样本水害监测信号输入至候选水害预警模型，候选水害预警模型用于基于样本水害监测信号输出训练水害预警结果，基于训练水害预警结果和样本水害结果调整候选水害预警模型的模型参数。
由此，该方法中可基于训练样本对候选水害预警模型进行训练，生成目标水害预警模型，可实现目标水害预警模型的构建。
在上述任一实施例的基础上，如图5所示，步骤S402中基于训练样本对候选水害预警模型进行训练，可包括：
S501，将样本水害监测信号输入至候选水害预警模型中的GRU单元，其中，GRU单元用于从样本水害监测信号中提取训练水害特征信息。
S502，候选水害预警模型用于基于训练水害特征信息对矿井进行水害预警，输出矿井的训练水害预警结果。
步骤S501-S502的相关内容可参见上述实施例，这里不再赘述。
S503，基于训练水害预警结果和样本水害结果，得到候选水害预警模型的误差。
可以理解的是，训练水害预警结果和样本水害结果可能存在误差，则可基于训练水害预警结果和样本水害预警结果，得到候选水害预警模型的误差。
在一种实施方式中，误差包括GRU单元的误差项。其中，误差项包括以下至少一种：GRU单元沿时间逆向传播的第一误差项；GRU单元沿前一层逆向传播的第二误差项。
在一种实施方式中，可基于训练水害特征信息得到GRU单元的误差项，比如，可基于GRU单元的模型结构获取误差计算公式，将训练水害特征信息代入误差计算公式，得到GRU单元的误差项。
在一种实施方式中，可基于GRU单元的模型结构获取第一误差计算公式，将训练水害特征信息代入第一误差计算公式，得到第一误差项。
继续以图2为例，第一误差项的计算可通过下述公式来实现：
其中，δt为当前时刻t的第一误差项，δr,t、δz,t、δs,t分别为rt、zt、st的第一误差项，δT t-1为上一时刻t-1的第一误差项，δk T为GRU单元沿时间逆向传播至任意k时刻的第一误差项。
在一种实施方式中，可基于GRU单元的模型结构获取第二误差计算公式，将训练水害特征信息代入第二误差计算公式，得到第二误差项。
继续以图2为例，第二误差项的计算可通过下述公式来实现：
其中，为第l个GRU单元输入的水害监测信号，f l-1为第(l-1)个GRU单元的激活函数，/>为第l个GRU单元沿第(l-1)个GRU单元逆向传播的第二误差项。
S504，基于误差更新候选水害预警模型的模型参数。
在一种实施方式中，基于误差更新候选水害预警模型的模型参数，可包括基于误差更新候选水害预警模型的模型参数的权重梯度，基于更新后的权重梯度更新候选水害预警模型的模型参数。
在一种实施方式中，误差包括GRU单元的误差项，基于误差更新候选水害预警模型的模型参数，可包括基于误差项更新GRU单元的模型参数的权重梯度，基于更新后的权重梯度更新GRU单元的模型参数。
本发明的实施例中，可基于误差项计算GRU单元的模型参数的权重梯度，并将当前计算出的权重梯度替换之前的权重梯度，已实现GRU单元的模型参数的权重梯度的更新。
在一种实施方式中，可基于GRU单元沿时间逆向传播的第一误差项，更新GRU单元的模型参数的权重梯度。
继续以图2为例，第一误差项包括δr,t、δz,t、δs,t，基于第一误差项计算GRU单元的模型参数的权重梯度，可通过下述公式来实现：
其中，为当前时刻t模型参数Wrh，t的权重梯度，/>为模型参数Wrh最终的权重梯度，/>为当前时刻t模型参数Wzh，t的权重梯度，/>为模型参数Wzh最终的权重梯度，/>为当前时刻t模型参数Wsh，t的权重梯度，/>为模型参数Wsh最终的权重梯度。
其中，为当前时刻t模型参数Wrx，t的权重梯度，/>为模型参数Wrx最终的权重梯度，/>为当前时刻t模型参数Wzx，t的权重梯度，/>为模型参数Wzx最终的权重梯度，/>为当前时刻t模型参数Wsx，t的权重梯度，/>为模型参数Wsx最终的权重梯度。
其中，为当前时刻t模型参数bz，t的权重梯度，/>为模型参数bz最终的权重梯度，/>为当前时刻t模型参数br，t的权重梯度，/>为模型参数br最终的权重梯度，/>为当前时刻t模型参数bs，t的权重梯度，/>为模型参数bs最终的权重梯度。
进一步地，可基于更新后的权重梯度更新GRU单元的模型参数，以实现GRU单元的训练。
继续以图2为例，GRU单元的模型参数可包括Wrh、Wzh、Wsh、Wrx、Wzx、Wsx、bz、br、bs，可基于上述模型参数更新后的权重梯度来更新上述模型参数。
由此，该方法中候选水害预警模型可基于样本水害监测信号得到训练水害预警结果，并基于训练水害预警结果和样本水害结果，得到候选水害预警模型的误差，基于误差更新候选水害预警模型的模型参数，以实现候选水害预警模型的训练。
为了实现上述实施例，本发明还提出一种矿井水害智能预警装置。
图6为根据本发明一个实施例的矿井水害智能预警装置的结构示意图。
如图6所示，本发明实施例的矿井水害智能预警装置100，包括：数据采集110和预警模块120。
数据采集模块110用于获取矿井的水害监测信号；
预警模块120用于将所述水害监测信号输入至目标水害预警模型，其中，所述目标水害预警模型包括门控循环单元GRU单元，所述GRU单元用于从所述水害监测信号中提取水害特征信息，所述目标水害预警模型用于基于所述水害特征信息对矿井进行水害预警，输出矿井的水害预警结果。
在本发明的一个实施例中，所述GRU单元用于获取自身上一时刻得到的历史水害特征信息，以及获取当前时刻的当前水害监测信号，并基于所述历史水害特征信息和所述当前水害监测信号，得到所述当前水害监测信号的当前水害特征信息。
在本发明的一个实施例中，所述GRU单元的数量为多个。
在本发明的一个实施例中，所述目标水害预警模型用于基于所述水害特征信息进行分类预警，输出矿井在每个水害类型下的预测概率。
在本发明的一个实施例中，所述矿井水害智能预警装置100还包括：训练模块，所述训练模块，用于：获取训练样本，其中，所述训练样本包括样本水害监测信号和样本水害结果；基于所述训练样本对候选水害预警模型进行训练，直至达到模型训练结束条件，生成所述目标水害预警模型。
在本发明的一个实施例中，所述训练模块，还用于：将所述样本水害监测信号输入至所述候选水害预警模型中的GRU单元，其中，所述GRU单元用于从所述样本水害监测信号中提取训练水害特征信息；所述候选水害预警模型用于基于所述训练水害特征信息对矿井进行水害预警，输出矿井的训练水害预警结果；基于所述训练水害预警结果和所述样本水害结果，得到所述候选水害预警模型的误差；基于所述误差更新所述候选水害预警模型的模型参数。
在本发明的一个实施例中，所述误差包括所述GRU单元的误差项，所述训练模块，还用于：基于所述误差项更新所述GRU单元的模型参数的权重梯度；基于更新后的所述权重梯度更新所述GRU单元的模型参数。
在本发明的一个实施例中，所述误差项包括以下至少一种：所述GRU单元沿时间逆向传播的第一误差项；所述GRU单元沿前一层逆向传播的第二误差项。
需要说明的是，本发明实施例的矿井水害智能预警装置中未披露的细节，请参照本发明实施例的矿井水害智能预警方法中所披露的细节，这里不再赘述。
综上，本发明实施例的矿井水害智能预警装置，将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
为了实现上述实施例，如图7所示，本发明实施例提出了一种电子设备200，包括：存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序，所述处理器220执行所述程序时，实现上述的矿井水害智能预警方法。
本发明实施例的电子设备，通过处理器执行存储在存储器上的计算机程序，将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述的矿井水害智能预警方法。
本发明实施例的计算机可读存储介质，通过存储计算机程序并被处理器执行，将水害监测信号输入至目标水害预警模型，基于目标水害预警模型中的GRU单元从水害监测信号中提取水害特征信息，并基于水害特征信息输出矿井的水害预警结果。由此，可基于GRU结构进行矿井的水害预警，能够有效提取及长期记忆水害监测信号特征，矿井水害预警准确度和预警效率较高。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种矿井水害智能预警方法，其特征在于，包括：
获取矿井的水害监测信号；
将所述水害监测信号输入至目标水害预警模型，其中，所述目标水害预警模型包括门控循环单元GRU单元，所述GRU单元用于从所述水害监测信号中提取水害特征信息，所述目标水害预警模型用于基于所述水害特征信息对矿井进行水害预警，输出矿井的水害预警结果；
所述方法，还包括：获取样本水害监测信号和样本水害结果的训练样本，将所述样本水害监测信号输入至候选水害预警模型中的GRU单元，以提取训练水害特征信息，所述候选水害预警模型用于基于所述训练水害特征信息对矿井进行水害预警，输出矿井的训练水害预警结果，基于所述训练水害预警结果和所述样本水害结果确定所述候选水害预警模型中GRU单元的误差项，基于所述误差项更新所述GRU单元的模型参数的权重梯度，基于更新后的所述权重梯度更新所述GRU单元的模型参数，直至达到模型训练结束条件，在达到所述模型训练结束条件时生成所述目标水害预警模型。
2.根据权利要求1所述的方法，其特征在于，所述GRU单元用于获取自身上一时刻得到的历史水害特征信息，以及获取当前时刻的当前水害监测信号，并基于所述历史水害特征信息和所述当前水害监测信号，得到所述当前水害监测信号的当前水害特征信息。
3.根据权利要求1所述的方法，其特征在于，所述GRU单元的数量为多个。
4.根据权利要求1所述的方法，其特征在于，所述目标水害预警模型用于基于所述水害特征信息进行分类预警，输出矿井在每个水害类型下的预测概率。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述误差项包括以下至少一种：
所述GRU单元沿时间逆向传播的第一误差项；
所述GRU单元沿前一层逆向传播的第二误差项。
6.一种矿井水害智能预警装置，其特征在于，包括：
数据采集模块，用于获取矿井的水害监测信号；
预警模块，用于将所述水害监测信号输入至目标水害预警模型，其中，所述目标水害预警模型包括门控循环单元GRU单元，所述GRU单元用于从所述水害监测信号中提取水害特征信息，所述目标水害预警模型用于基于所述水害特征信息对矿井进行水害预警，输出矿井的水害预警结果；
所述装置，还包括：获取样本水害监测信号和样本水害结果的训练样本，将所述样本水害监测信号输入至候选水害预警模型中的GRU单元，以提取训练水害特征信息，所述候选水害预警模型用于基于所述训练水害特征信息对矿井进行水害预警，输出矿井的训练水害预警结果，基于所述训练水害预警结果和所述样本水害结果确定所述候选水害预警模型中GRU单元的误差项，基于所述误差项更新所述GRU单元的模型参数的权重梯度，基于更新后的所述权重梯度更新所述GRU单元的模型参数，直至达到模型训练结束条件，在达到所述模型训练结束条件时生成所述目标水害预警模型。
7.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-5任一项所述的矿井水害智能预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111372239.8A CN114251124B (zh) | 2021-11-18 | 2021-11-18 | 矿井水害智能预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111372239.8A CN114251124B (zh) | 2021-11-18 | 2021-11-18 | 矿井水害智能预警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114251124A CN114251124A (zh) | 2022-03-29 |
| CN114251124B true CN114251124B (zh) | 2023-09-29 |
Family
ID=80792735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111372239.8A Active CN114251124B (zh) | 2021-11-18 | 2021-11-18 | 矿井水害智能预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114251124B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114206B (zh) * | 2023-10-23 | 2024-01-26 | 北京联创高科信息技术有限公司 | 一种煤矿水害指标数据趋势的计算方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016194772A (ja) * | 2015-03-31 | 2016-11-17 | 三菱重工業株式会社 | 作業計画システム及び意思決定支援システム |
| CN109268072A (zh) * | 2018-11-16 | 2019-01-25 | 东北大学 | 煤矿底板突水灾害智能、实时预测预警的大数据云平台 |
| CN113605984A (zh) * | 2021-08-31 | 2021-11-05 | 中煤科工集团重庆研究院有限公司 | 用于水害微震的报警阈值的判断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170105106A1 (en) * | 2015-01-19 | 2017-04-13 | Hsiang-Fong Tsai | Early-warning system for disasters |
-
2021
- 2021-11-18 CN CN202111372239.8A patent/CN114251124B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016194772A (ja) * | 2015-03-31 | 2016-11-17 | 三菱重工業株式会社 | 作業計画システム及び意思決定支援システム |
| CN109268072A (zh) * | 2018-11-16 | 2019-01-25 | 东北大学 | 煤矿底板突水灾害智能、实时预测预警的大数据云平台 |
| CN113605984A (zh) * | 2021-08-31 | 2021-11-05 | 中煤科工集团重庆研究院有限公司 | 用于水害微震的报警阈值的判断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114251124A (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2260461B1 (en) | Constructing a reduced order model of an electromagnetic response in a subterranean structure | |
| CN103646181B (zh) | 蠕滑型人工边坡稳定性系数与预警判据的确定方法 | |
| CN114251124B (zh) | 矿井水害智能预警方法及装置 | |
| EP3298437B1 (en) | Inversion for tectonic stress | |
| US20130179130A1 (en) | Method of simultaneous imaging of different physical properties using joint inversion of multiple datasets | |
| CN111862323A (zh) | 多元孕灾数字孪生智能感知辨识预警系统及方法 | |
| US11282240B2 (en) | Generation and implementation of multi-layer encoded data images | |
| Ruch et al. | Relationship between the InSAR-measured uplift, the structural framework, and the present-day stress field at Lazufre volcanic area, central Andes | |
| CN109891191A (zh) | 用于随钻自主导引的机会传感器融合算法 | |
| US7921695B2 (en) | Method and apparatus for measuring medium layers and interfaces between them using a multi-sensor probe | |
| CN114236639A (zh) | 基于核磁共振与电阻率联合的矿井灾害水源动态监测方法 | |
| WO2016136213A1 (ja) | 土質判定装置、土質判定方法及び土質判定プログラムを記憶する記録媒体 | |
| Tan et al. | Prediction for the future mechanical behavior of underwater shield tunnel fusing deep learning algorithm on SHM data | |
| Ho | 3-D inversion of borehole-to-surface electrical data using a back-propagation neural network | |
| Mohsan et al. | On the use of different data assimilation schemes in a fully coupled hydro-mechanical slope stability analysis | |
| CN117369254A (zh) | 基于复杂地质条件瓦斯防控机器人集群控制方法及系统 | |
| CN115597664B (zh) | 一种煤矿数字综采工作面构建方法及系统 | |
| CN117150445A (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
| Enderlin et al. | An empirical approach for estimating stress-coupling lengths for marine-terminating glaciers | |
| CN103953024B (zh) | 基坑自动化监测异常数据识别方法 | |
| CN114861289B (zh) | 一种基于深度学习的盾构机土舱压力空间分布预测方法 | |
| US20220404515A1 (en) | Systems and methods for mapping seismic data to reservoir properties for reservoir modeling | |
| CN111123404B (zh) | 一种地震和直流电法巷道超前探测的数据融合方法 | |
| CN109306866B (zh) | 一种预测页岩地层压力趋势的方法及系统 | |
| Zheng et al. | Tunnel displacement prediction under spatial effect based on Gaussian process regression optimized by differential evolution |
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 |