CN114997742B - 基于注意力机制和聚类算法的微震事件危险性分析方法 - Google Patents
基于注意力机制和聚类算法的微震事件危险性分析方法 Download PDFInfo
- Publication number
- CN114997742B CN114997742B CN202210844852.3A CN202210844852A CN114997742B CN 114997742 B CN114997742 B CN 114997742B CN 202210844852 A CN202210844852 A CN 202210844852A CN 114997742 B CN114997742 B CN 114997742B
- Authority
- CN
- China
- Prior art keywords
- microseismic
- events
- event
- dangerous
- microseismic event
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012502 risk assessment Methods 0.000 title claims description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000011435 rock Substances 0.000 abstract description 11
- 238000012549 training Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000002243 precursor Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Description
技术领域
本发明涉及矿井冲击地压等危险灾害领域,具体为一种基于注意力机制和聚类算法的微震事件危险性分析方法。
背景技术
冲击地压作为影响煤矿安全最为突出的动力灾害,其发生往往会造成严重的生命财产损失。冲击地压的有效防控,需要以准确的冲击危险性分析为前提,而微震即为分析冲击危险性最为常用且可靠的参量。目前关于微震事件危险性分析和预测所开展的研究工作,为冲击危险区域的划分和灾害防控提供了一定依据,但仍然存在以下问题有待解决。首先,多数算法试图简单融合应力、钻屑等多类型数据,但上述数据的空间覆盖尺度差异显著,缺乏可靠的融合基础;其次,微震数据空间覆盖能力强、可靠性高,但多数矿井中仅有微震事件的时间、地点和能量等基本信息,相关方法对于微震的统计特征、空间特征等利用不足;最后,基于微震事件的危险性评价算法复杂度高、可解释性差,且对数据的体量和质量均有较高要求,需要高性能的计算设备保证训练效率和结果的时效性。
发明内容
针对现有技术中微震事件危险性分析方法往往需要应力、扭矩和其他强度参数作为输入特征,而多数矿井仅有微震事件的时间、能量和地点监测数据,且多数分析方法受人为因素影响大或对设备要求高的缺点。在总结了大量冲击地压事件的发生规律和相关研究后,受到注意力机制在人工智能领域取得巨大成功的启发,本发明考虑冲击地压等危险事件前兆信息和微震监测数据时空特性,基于注意力机制和聚类算法提出了一种微震事件危险性分析方法,用于确定矿井中某次已经发生的微震事件是危险事件或不危险事件,包括如下步骤:
S1,选取分析特征,包括本次微震事件与上次微震事件的时间间隔,时序集中度Q T 、空间密集度D,本次微震事件的能量E和能量集中度Q E ;其中,时序集中度Q T 、空间密集度D、能量集中度Q E 的计算公式分别为:
S2,基于聚类算法选取不同样本的代表性向量,包括S21-S23
S21,建立数据集,在连续M次微震事件中,以第m次至第m+n-1次微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,最多可以建立M-n+1个样本,每个样本包括分析特征数据和标签数据,所述分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;所述标签数据为第m+n-1次微震事件的危险性类型,分为危险事件和不危险事件,对标签数据进行One-Hot编码处理;
S22,对数据集中的样本进行聚类,使用k-means算法分别对数据集中的标签为危险事件的危险样本、标签为不危险事件的非危险样本进行聚类;
S23,选取聚类中心作为代表性向量;
S3,以待分析微震事件及其之前的连续n-1次微震事件的监测数据为基础建立一个仅包含分析特征数据的待分析样本,以该待分析样本的分析特征数据为查询,以步骤S23选取的代表性向量为关键词,计算待分析样本与代表性向量之间的余弦相似度;然后以聚类中心所代表的危险性类型为值,根据计算的余弦相似度即可确定待分析样本的危险性,进而确定微震事件的危险性。
优选的,步骤S21中,One-Hot编码处理后,危险事件对应标签为1,不危险事件对应标签为0。
优选的,步骤S22中,危险样本和非危险样本的聚类中心个数分别为k1和k2,则步骤S23中,能够得到k1个危险样本的代表性向量和k2个不危险样本的代表性向量。
优选的,步骤S3中,查询的输入维度为[5,1],关键词和值的维度分别为[k1+k2, 5]和[k1+k2, 1]。
有益效果:本发明基于注意力机制和聚类算法的微震事件危险性分析方法,解决了目前对于微震事件危险性评价中需要大量不同类型微震监测数据和高性能计算设备的技术问题,可在不进行任何训练的情况下分析微震事件的危险性,为冲击地压等矿井中危险事件的分析和防治提供帮助。
附图说明
图1 基于注意力机制和聚类算法的微震事件危险性分析方法框架图;
图2 选取分析特征框架图;
图3 基于聚类算法选取不同样本的代表性向量框架图;
图4 基于注意力机制的微震事件危险性分析框架图。
具体实施方式
下面结合附图,对本发明的技术方案进行更为详细的描述。如图1-4所示,基于注意力机制和聚类算法的微震事件危险性分析方法,用于确定矿井中某次已经发生的微震事件是危险事件或不危险事件,包括如下步骤:
S1,选取分析特征
如图1-2所示,处理矿井中已经发生的微震事件的监测数据,包括微震事件的时间、能量和地点;考虑冲击地压等危险事件的前兆信息和发生机理选取分析特征,包括本次微震事件与上次微震事件的时间间隔,时序集中度Q T 、空间密集度D,本次微震事件的能量E和能量集中度Q E ;其中,时序集中度Q T 、空间密集度D、能量集中度Q E 的计算公式分别为:
S2,基于聚类算法选取不同样本的代表性向量,如图1、3所示,包括
S21,建立数据集
在连续M次微震事件中,以第m次至第m+n-1次(连续n次)微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,则最多可以建立M-n+1个样本,每个样本包括分析特征数据和标签数据,所述分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;所述标签数据为第m+n-1次微震事件的危险性类型,即标签数据为是否发生了危险事件(冲击地压或地面震动),标签数据需进行One-Hot编码处理,处理后危险事件对应标签为1,不危险事件对应标签为0;
例如,在连续7次微震事件中,以第m次至第m+5-1次微震事件的监测数据作为数据集中一个样本的数据源(M=7,n=5),1≤m≤7-5+1=3,则最多可以建立3个样本;第1个样本的分析特征数据包括第1次至第5次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第5次微震事件的能量值E、第5次与第4次微震事件的时间间隔;所述标签数据为第5次微震事件的危险性类型;第2个样本的分析特征数据包括第2次至第6次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第6次微震事件的能量值E、第6次与第5次微震事件的时间间隔,所述标签数据为第6次微震事件的危险性类型;第3个样本的分析特征数据包括第3次至第7次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第7次微震事件的能量值E、第7次与第6次微震事件的时间间隔,所述标签数据为第7次微震事件的危险性类型。
S22,对数据集中的样本进行聚类
使用k-means算法基于分析特征数据分别对数据集中的标签为危险事件的危险样本、标签为不危险事件的非危险样本进行聚类,危险样本和非危险样本的聚类中心个数分别为k1和k2,最大迭代次数为300,所使用的初始化方法为k-means++;
S23,选取代表性向量
选取不同聚类的聚类中心作为代表性向量,最终可得到k1个危险样本的代表性向量和k2个不危险样本的代表性向量;
S3,基于注意力机制的微震事件危险性分析
如图1、4所示,以待分析微震事件及其之前的连续n-1次微震事件,共计连续n次微震事件的数据为基础建立一个仅包含分析特征数据、不包含标签数据的待分析样本,以该待分析样本的分析特征数据为查询(Query),以步骤S23选取的代表性向量为关键词(Key),计算待分析样本与k1+k2个代表性向量之间的余弦相似度;然后以聚类中心所代表的危险性类型为值(Value),根据所计算的余弦相似度即可确定待分析样本的危险性,进而确定微震事件的危险性;其中查询的输入维度为[5,1],关键词和值的维度分别为[k1+k2, 5]和[k1+k2, 1]。
利用某矿山微震监测数据对该方法进行性能评价,随机划分训练集和测试集,按照上述方法进行多次实验,结果显示该方法在不进行任何训练的基础上可以达到0.85以上的准确率。
Claims (4)
1.基于注意力机制和聚类算法的微震事件危险性分析方法,用于确定矿井中某次已经发生的微震事件是危险事件或不危险事件,其特征在于,包括如下步骤:
S1,选取分析特征,包括本次微震事件与上次微震事件的时间间隔,时序集中度Q T 、空间密集度D,本次微震事件的能量E和能量集中度Q E ;其中,时序集中度Q T 、空间密集度D、能量集中度Q E 的计算公式分别为:
S2,基于聚类算法选取不同样本的代表性向量,包括S21-S23
S21,建立数据集,在连续M次微震事件中,以第m次至第m+n-1次微震事件的数据作为数据集中一个样本的数据源,1≤m≤M-n+1,最多可以建立M-n+1个样本,每个样本包括分析特征数据和标签数据,所述分析特征数据包括第m次至第m+n-1次微震事件的时序集中度Q T 、空间密集度D、能量集中度Q E 和第m+n-1次微震事件的能量值E、第m+n-1次与第m+n-2次微震事件的时间间隔;所述标签数据为第m+n-1次微震事件的危险性类型,分为危险事件和不危险事件,对标签数据进行One-Hot编码处理;
S22,使用k-means算法分别对数据集中的标签为危险事件的危险样本、标签为不危险事件的非危险样本进行聚类;
S23,选取聚类中心作为代表性向量;
S3,以待分析微震事件及其之前的连续n-1次微震事件的监测数据为基础建立一个仅包含分析特征数据的待分析样本,以该待分析样本的分析特征数据为查询,以步骤S23选取的代表性向量为关键词,计算待分析样本与代表性向量之间的余弦相似度;然后以聚类中心所代表的危险性类型为值,根据计算的余弦相似度确定待分析样本的危险性,进而确定微震事件的危险性。
2.根据权利要求1所述的微震事件危险性分析方法,其特征在于,步骤S21中,One-Hot编码处理后,危险事件对应标签为1,不危险事件对应标签为0。
3.根据权利要求1所述的微震事件危险性分析方法,其特征在于,步骤S22中,危险样本和非危险样本的聚类中心个数分别为k1和k2,则步骤S23中,能够得到k1个危险样本的代表性向量和k2个不危险样本的代表性向量。
4.根据权利要求3所述的微震事件危险性分析方法,其特征在于,步骤S3中,查询的输入维度为[5,1],关键词和值的维度分别为[k1+k2, 5]和[k1+k2, 1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844852.3A CN114997742B (zh) | 2022-07-19 | 2022-07-19 | 基于注意力机制和聚类算法的微震事件危险性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844852.3A CN114997742B (zh) | 2022-07-19 | 2022-07-19 | 基于注意力机制和聚类算法的微震事件危险性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114997742A CN114997742A (zh) | 2022-09-02 |
CN114997742B true CN114997742B (zh) | 2022-11-08 |
Family
ID=83020935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210844852.3A Active CN114997742B (zh) | 2022-07-19 | 2022-07-19 | 基于注意力机制和聚类算法的微震事件危险性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997742B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8831886B2 (en) * | 2010-12-23 | 2014-09-09 | Schlumberger Technology Corporation | System and method for reconstructing microseismic event statistics from detection limited data |
CN103729798B (zh) * | 2014-01-29 | 2017-01-11 | 河南理工大学 | 基于改进的K-Means聚类的煤矿安全评价系统 |
CN114037022A (zh) * | 2021-12-14 | 2022-02-11 | 煤炭科学研究总院 | 一种考虑监测数据时空特性的微震事件危险性分类方法 |
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 |
-
2022
- 2022-07-19 CN CN202210844852.3A patent/CN114997742B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114997742A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Automatic Classification of Microseismic Signals Based on MFCC and GMM‐HMM in Underground Mines | |
CN113947197B (zh) | 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 | |
Zamani et al. | Application of neural network and ANFIS model for earthquake occurrence in Iran | |
CN114994760B (zh) | 基于Transformer和自监督算法的微震事件危险性分析方法 | |
US10417083B2 (en) | Label rectification and classification/prediction for multivariate time series data | |
CN114037022A (zh) | 一种考虑监测数据时空特性的微震事件危险性分类方法 | |
Zhang et al. | Precursory pattern based feature extraction techniques for earthquake prediction | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
Qin et al. | Evaluation of goaf stability based on transfer learning theory of artificial intelligence | |
CN114997742B (zh) | 基于注意力机制和聚类算法的微震事件危险性分析方法 | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
CN117829994A (zh) | 一种基于图计算的洗钱风险分析方法 | |
Dodge et al. | Large‐scale test of dynamic correlation processors: Implications for correlation‐based seismic pipelines | |
CN115860582B (zh) | 一种基于自适应提升算法的冲击危险性智能预警方法 | |
CN114722081A (zh) | 一种基于中转库模式的流式数据时间序列传输方法及系统 | |
Tarvainen | Recognizing explosion sites with a self-organizing network for unsupervised learning | |
Woodward et al. | The spatial and temporal assessment of clustered and time-dependent seismic responses to mining | |
Bond et al. | An unsupervised machine learning approach for ground‐motion spectra clustering and selection | |
CN114063150A (zh) | 一种基于ml-knn算法的“震源-台站”速度模型选取方法 | |
CN112801073A (zh) | 基于深度神经网络的声发射初至信号分类与识别方法 | |
Wang et al. | Cluster analysis of slope hazard seismic recordings based upon unsupervised deep embedded clustering | |
Pan et al. | Decomposed and weighted characteristic analysis for the quantitative estimation of mineral resources | |
Baki et al. | The influence of gas production on seismicity in the Groningen field | |
Van der Laat et al. | OKSP: a novel deep learning automatic event detection pipeline for seismic monitoring in Costa Rica | |
Wu et al. | Variation-Incentive Loss Re-weighting for Regression Analysis on Biased Data |
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 |