CN115688046A - 一种岩爆预测方法、装置及计算机设备 - Google Patents
一种岩爆预测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN115688046A CN115688046A CN202211227893.4A CN202211227893A CN115688046A CN 115688046 A CN115688046 A CN 115688046A CN 202211227893 A CN202211227893 A CN 202211227893A CN 115688046 A CN115688046 A CN 115688046A
- Authority
- CN
- China
- Prior art keywords
- time period
- preset time
- microseismic
- rock burst
- energy
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种岩爆预测方法、装置及计算机设备,该方法包括:获取施工数据和第一预设时间段内施工隧洞的微震信号,施工数据包括第一预设时间段内的第一施工数据和第二预设时间段内的第二施工数据;根据微震信号,预测在第二预设时间段内的微震总能量,第二预设时间段为第一预设时间段的下一时间段;根据第一施工数据和微震信号预测在第二预设时间段内发生微震事件的位置信息;根据微震总能量、位置信息和第二施工数据,得到岩爆发生概率和爆坑尺寸;根据岩爆发生概率和爆坑尺寸,确定在第二预设时间段内是否发生岩爆。
Description
技术领域
本发明涉及隧洞岩爆预测技术领域,具体涉及一种岩爆预测方法、装置及计算机设备。
背景技术
随着修建的地下工程越来越多,埋深越来越大,高地应力引发的地质问题愈发严重,地下工程开挖极易引发岩爆灾害,会对设备、人员安全造成巨大威胁。因此在工程建设中对岩爆预警与防治提出了新要求,而现有技术在岩爆预警中,无法准确预测岩爆时间,以及岩爆风险难以判别与预警,目前的预测模型中只考虑了岩体力学特征,未能考虑隧洞的施工过程。
发明内容
因此,为解决现有技术的不足,本发明实施例提供了一种岩爆预测方法、装置及计算机设备。
根据第一方面,本发明实施例公开了一种资源评估方法,包括:
获取施工数据和第一预设时间段内施工隧洞的微震信号,施工数据包括第一预设时间段内的第一施工数据和第二预设时间段内的第二施工数据;
根据微震信号,预测在第二预设时间段内的微震总能量,第二预设时间段为第一预设时间段之后的时间段;
根据第一施工数据和微震信号预测在第二预设时间段内发生微震事件的位置信息;
根据微震总能量、位置信息和第二施工数据,得到岩爆发生概率和爆坑尺寸;
根据岩爆发生概率和爆坑尺寸,确定在第二预设时间段内是否发生岩爆。
可选地,施工数据还包括第一掘进速度,当根据岩爆发生概率和爆坑尺寸,确定在第二预设时间内会发生岩爆时,方法还包括:
将第一掘进速度进行划分,生成i个第二掘进速度;
将第j个第二掘进速度、第二施工数据中除第一掘进速度之外的数据,与微震总能量和位置信息,输入至预设的岩爆预测模型预测第j个岩爆发生概率和第j个爆坑尺寸;
若根据第j个岩爆发生概率和第j个爆坑尺寸,确定在第二预设时间段内不发生岩爆时,将第j个第二掘进速度作为新的掘进速度进行施工,其中i为大于等于2的正整数,j为小于或者等于i的正整数。
可选地,根据微震信号预测在第二预设时间段内的微震总能量,具体包括:
根据微震信号,确定微震信号的特征数据;
将特征数据输入到预设的能量预测模型后,预测得到在第二预设时间段内的微震总能量。
可选地,将特征数据输入到预设的能量预测模型后,预测得到在第二预设时间段内的微震总能量,具体包括:
当第二预设时间段中仅包括一个预设的单位时间时,根据第一预设时间段内的特征数据,输入至预设的能量预测模型,预测得到第二预设时间段的微震能量;
或者,
当第二预设时间段中包括至少两个单位时间时,根据第一预设时间段内的特征数据,以及第二预设时间段中的当前单位时间对应的微震能量,和预设的能量预测模型,预测得到第二预设时间段中下一个单位时间对应的微震能量,其中,当当前单位时间为第二预设时间段内的首个单位时间时,当前单位时间对应的微震能量为第一预设时间段内的特征数据,输入至预设的能量预测模型后预测得到的;
根据第二预设时间段中所有的单位时间内分别对应的微震能量,得到第二预设时间段内的微震总能量。
可选地,预设的岩爆预测模型包括第一岩爆预测模型和第二岩爆预测模型,
根据微震总能量、位置信息和第二施工数据,得到岩爆发生概率和爆坑尺寸,具体包括:
将微震总能量、位置信息和第二施工参数,输入至第一岩爆预测模型,得到岩爆发生的第一概率;
将微震总能量、位置信息和第二施工数据,输入至第二岩爆预测模型,得到岩爆发生的第二概率和爆坑尺寸;
根据第一概率、第二概率和预设权重系数,确定岩爆发生概率。
可选地,当第二预设时间段为第一预设时间段之后的n个时间段时,其中 n大于等于2,方法还包括:
根据n-1个预设时间段内的预测结果,和贝叶斯理论,确定第个n预设时间段内的岩爆发生的概率。
根据第二方面,本发明实施例还公开了一种岩爆预测装置,包括:
获取模块,用于获取施工数据和第一预设时间段内施工隧洞的微震信号,施工数据包括第一预设时间段内的第一施工数据和第二预设时间段内的第二施工数据;
第一预测模块,用于根据微震信号,预测在第二预设时间段内的微震总能量,第二预设时间段为第一预设时间段的下一时间段;
第二预测模块,用于根据第一施工数据和微震信号预测在第二预设时间段内发生微震事件的位置信息;
第三预测模块,用于根据微震总能量、位置信息和第二施工数据,得到岩爆发生概率和爆坑尺寸;
判断模块,用于根据岩爆发生概率和爆坑尺寸,确定在第二预设时间段内是否发生岩爆。
可选地,施工数据还包括第一掘进速度,装置还包括:
划分模块,用于将第一掘进速度进行划分,生成i个第二掘进速度;
第四预测模块,用于将第j个第二掘进速度、第二施工数据中除第一掘进速度之外的数据,与微震总能量和位置信息,输入至预设的岩爆预测模型预测第j个岩爆发生概率和第j个爆坑尺寸;
确定模块,用于若根据第j个岩爆发生概率和第j个爆坑尺寸,确定在第二预设时间段内不发生岩爆时,将第j个第二掘进速度作为新的掘进速度进行施工,其中i为大于等于2的正整数,j为小于或者等于i的正整数。
根据第三方面,本发明实施例还公开了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如第一方面或第一方面任一可选实施方式的岩爆预测方法的步骤。
根据第四方面,本发明实施方式还公开了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式的岩爆预测方法的步骤。
本发明技术方案,具有如下优点:
本发明提供的岩爆预测方法、装置及计算机设备,包括:通过此方式,获取施工数据和第一预设时间段内的施工隧洞的微震信号,可以在预测岩爆的过程中将施工数据和微震信号进行结合,从而使得岩爆的预测结果更加准确。进一步地,根据在第一预设时间段内的微震信号,预测在第二预设时间段内的微震总能量;根据在第一预设时间段内的第一施工数据和微震信号预测在第二预设时间段内的发生微震时间的位置信息,根据在第一预设时间段内的实际采集的数据,可以真实有效的对第二预设时间段内的数据进行预测。最后,在预测得到第二预设时间段内的微震总能量和位置信息之后,根据在第二预设时间段内的施工数据和微震总能量和位置信息对第二预设时间段内的岩爆发生概率进行预测,可以准确的得到在第二预设时间段内发生岩爆的概率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中岩爆预测方法的一个具体示例的流程图;
图2为本发明实施例中岩爆预测方法的一个具体示例的流程图;
图3a为本发明实施例中岩爆预测方法的一个具体示例的示意图;
图3b为本发明实施例中岩爆预测方法的一个具体示例的示意图;
图4为本发明实施例中岩爆预测方法的一个具体示例的示意图;
图5为本发明实施例中岩爆预测方法的一个具体示例的示意图;
图6为本发明实施例中岩爆预测方法的一个具体示例的流程图;
图7为本发明实施例中岩爆预测方法的一个具体示例的示意图;
图8为本发明实施例中岩爆预测方法的一个具体示例的示意图;
图9为本发明实施例中岩爆预测装置的一个具体示例的原理框图;
图10为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;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,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
针对背景技术中所提及的技术问题,本申请实施例提供了一种岩爆预测方法,具体参见图1所示,该方法包括如下步骤:
步骤101,获取施工数据和第一预设时间段内施工隧洞的微震信号。
其中,施工数据包括第一预设时间段内的第一施工数据和第二预设时间段内的第二施工数据。
示例性地,在隧洞施工的过程中,施工现场会实时采集施工过程中发生的微震事件的微震信号。施工数据可以是施工之前的施工计划或者在实际施工过程中记录的实际施工数据。具体的实际的施工数据可以是记录TBM(Tunnel Boring Machine,隧洞掘进机,简称TBM)设备在施工过程中数据,施工数据详细的可以包括各个时刻掌子面位置、扭矩、埋深、轴力和掘进速度等。
第一预设时间段为已经实际发生的历史时间段,在第一预设时间段内的微震信号和第一施工数据都是实际采集到的数据,由于第二预设时间段是未来还没有发生数据,因此第二施工数据是针对在第二预设时间段内的计划施工数据,可以根据施工计划获取。
步骤102,根据微震信号,预测在第二预设时间段内的微震总能量。
其中,第二预设时间段为第一预设时间段之后的时间段。
示例性地,在得到第一时间段内的微震信号之后,根据第一预设时间段内的微震能量对第二预设时间段内的微震总能量进行预测,其中对微震总能量的预测采用神经网络模型进行预测,具体的神经网络模型可以采用LSTM(Long Short-Term Memory,简称LSTM)神经网络进行预测,LSTM神经网络由2层 LSTM节点和1层全链接层组成。
采用LSTM神经网络进行预测时,首先需要对LSTM进行训练,在进行训练时,第一预设时间段内微震信号中的震源的能量作为输入数据,第二预设时间段内的微震总能量作为输出数据进行训练,在训练的过程中调整LSTM的参数,直至准确率达到一定的比例。其中震源的能量可以根据微震信号提取特征参数并计算得到。
在一个可选的实施例中,如图2所示,微震信号的特征参数的提取过程和步骤102中微震总能量的预测过程可以包括,但不限于如下方法步骤:
步骤1021,根据微震信号,确定微震信号的特征数据。
示例性地,采集到的微震信号的特征数据包括了微震的发生时刻、能量、震级和发生位置等。其中根据微震信号确定上述特征数据的方法见下文。
发生时刻为微震信号的采集时间;发生位置为根据不同传感器获取微震信号的弹性波的时间差来确定发生位置。
微震的能量通过以下公式计算得到:
式中,Fc为微震信号中辐射波的辐射花样系数,其中辐射波包括P波和S 波,当辐射波是P波时Fc取0.52,当辐射波是S波时Fc取0.63;为辐射花样系数均值的平方;ρ为岩体的平均密度;c为P波或S波的波速;R为震源距传感器的空间距离;Jc为能通量,可通过质点速度谱在频域内的积分得到,具体通过以下公式计算得到:
式中:V(f)为速度谱;f1为Nyquist频率,即传感器采样频率的一半。微震事件的能量为各传感器所得能量的均值。
震源震级可采用如下公式计算:
式中,M0矩震级标度的定为地震矩。可采用如下公式计算:
式中,Ω0为微震信号中P波或S波的低频谱水平,大致等于傅里叶变换后 0频率的幅值,其中,
式中,t1为信号的总时间;S(t)是信号时间域的位移函数。
步骤1022,将特征数据输入到预设的能量预测模型后,预测得到在第二预设时间段内的微震总能量。
示例性地,上述步骤中得到了微震信号的所有的特征数据,在本步骤预测微震总能量的过程中,只需要将第一预设时间段内的微震的能量输入至预设的能量预测模型后,进行预测得到第二预设时间段内的微震总能量。
在一个具体的实施例中,考虑到得到的是第二预设时间段内的微震总能量,为对第二预设时间段内每一个时刻的微震能量进行更加准确的把控,因此需要对第二预设时间段内的微震能量进行进一步细化,微震总能量的实现过程具体包括:
在一个可选的实施例中,当第二预设时间段中仅包括一个预设的单位时间时,根据第一预设时间段内的特征数据,输入至预设的能量预测模型,预测得到第二预设时间段的微震能量。
示例性地,第一预设时间段中包括n个预设单位时间,n大于等于1。在根据第一预设时间段内的微震能量对第二预设时间段内的微震总能量进行预测的过程中,将每一个预设时间段划分为n个预设单位时间的子时间段,其中每一个预设步长的大小是相同的。
例如,如图3a所示,第一预设时间段是0-5时,第二预设时间段是5-6时,预设单位时间是一个小时,由此第一预设时间段内包括5个单位时间,第二预设时间段包括一个单位时间。
在一个具体的实施例中,在对第二预设时间段内的微震能量进行预测时,假设以三个小时为基准的时间窗,以单位时间为步长移动,将0-5时内的特征数据(微震能量),输入至预设的能量预测模型,得到3-6时内的微震能量,由于 3-5时内的微震能量已知,所以根据3-6时内的微震能量减去3-5时内的微震能量,即可得到第二预设时间段内的微震总能量。
在另一个可选的实施例中,当第二预设时间段中包括至少两个单位时间时,根据第一预设时间段内的特征数据,以及第二预设时间段中的当前单位时间对应的微震能量,和预设的能量预测模型,预测得到第二预设时间段中下一个单位时间对应的微震能量。
根据所述第二预设时间段中所有的单位时间内分别对应的微震能量,得到所述第二预设时间段内的微震总能量。
其中,当当前单位时间为第二预设时间段内的首个单位时间时,当前单位时间对应的微震能量为第一预设时间段内的特征数据,输入至预设的能量预测模型后预测得到的。
示例性地,如图3b所示,第一预设时间段是0-5时,第二预设时间段是 5-8时,预设单位时间是一时,由此第一预设时间段内包括5个单位时间,第二预设时间段包括3个单位时间。
首先,将0-5时内的特征数据(根据微震信号得到的微震能量)输入至预设的能量预测模型,得到3-6时内的微震能量,由于3-5时内微震能量已知,因此根据3-6时内的微震能量减去3-5时内的微震能量,即可得到第二预设时间段内的5-6时内的微震能量;其次根据0-6时内的微震能量,输入至能量预测模型,得到4-7时内的微震能量,由于在之前已知4-6时内的微震能量,因此将预测得到的4-7时内的微震能量减去4-6时内的微震能量,即可得到6-7 时内的微震能量;最后,根据0-7时内的微震能量,输入至能量预测模型,得到5-8时内的微震能量,同样根据5-8时内的微震能量减去已知的5-7时内的微震能量,得到7-8时内的微震能量。
综上已经得到第二预设时间段内每一时内的微震能量,由此将每一时内的微震能量相加可以得到第二预设时间段内的微震总能量。
如图4所示,为根据LSTM神经网络进行训练和预测示意图,其中原始数据为第一预设时间段内的微震能量,经过预处理后得到第一预设时间内每一个预设单位时间对应的由微震能量构成的能量序列,将能量序列分别进行训练和预测,在训练的过程中根据预测得到的预测能量与实际能量计算损失,根据损失优化网络的参数直至计算损失计算最小,预测过程中根据训练得到的最优参数进行预测,得到在第二预设时间段内的每一个预设步长的能量序列。
步骤103,根据第一施工数据和微震信号预测在第二预设时间段内发生微震事件的位置信息。
示例性地,根据第一预设时间段内的第一施工数据和微震信号之后,根据第一预设时间段内的数据对第二预设时间段内发生微震事件的位置信息,进行预测时采用CNN(Convolutional Neural Networks,卷积神经网络,简称CNN)。
在预测之前需要根据已知数据对CNN网络进行训练,训练的过程可以是,将第一预设时间段内的微震能量、施工数据(掌子面位置、埋深、扭矩、轴力和掘进速度)等作为输入数据,第一预设时间段内实际发生微震事件的位置坐标和对应标准差为输出数据,其中,当在第一预设时间段内包括一个微震事件时,标准差为0;当多个微震事件时,标准差为根据微震能量对位置坐标进行加权平均之后,在计算对应的标准差。
如下式所示,
进一步地,在计算得到每一个可能发生的位置坐标后,以位置坐标为原点的极坐标下为正态分布,可以得到不同位置坐标的概率分布,可以进一步的确定在该位置坐标周围对应的距离发生的概率,如下式所示:
如图5所示,为CNN网络进行训练和预测的示意图,CNN网络可采用变长度的数据作为输入,CNN网络不限制输入数据的维度,因而采用CNN网络方法,通过全局池化方法使输出数据的维度保持一致,与全链接层进行连接,从而对数据进行分类。模型共包含1个Mask层,6个卷积层,2个最大池化层, 1个全局平均池化层和1个全链接层。
步骤104,根据微震总能量、位置信息和第二施工数据,得到岩爆发生概率和爆坑尺寸。
示例性地,在得到第二预设时间段内的微震总能量、发生岩爆的位置信息以及在第二预设时间内的施工数据(施工计划)后,根据在第二预设时间段内这些数据,可以预测得到岩爆的概率和爆坑尺寸。
在一个可选的实施例中,如图6所示,预设的岩爆预测模型包括第一岩爆预测模型和第二岩爆预测模型,步骤104的实现过程,可以包括但不限于如下方法步骤:
步骤1041,将微震总能量、位置信息和第二施工参数,输入至第一岩爆预测模型,得到岩爆发生的第一概率。
示例性地,第一岩爆预测模型可以是基于BP神经网络的岩爆预测网络,如图7所示为BP神经网络的示意图,根据微震事件的能量、上文计算得到微震位置对应的位置坐标和施工数据(埋深、掌子面位置以及掘进速度)作为输入数据,将岩爆发生的可能性作为输出数据,其中输出数据可以包括岩爆发生和无岩爆发生,其中无岩爆发生对应的可能性为0。BP神经网络中输入层包含 7个输入节点,隐藏层数为2层,每层包含100个节点采用sigmoid激活函数;输出层节点为2,采用softmax激活函数。
步骤1042,将微震总能量、位置信息和第二施工数据,输入至第二岩爆预测模型,得到岩爆发生的第二概率和爆坑尺寸。
示例性地,第二岩爆预测模型可以是基于爆炸动力学理论的岩爆预测方法,采用爆炸动力学理论,将微震总能量、位置信息和第二施工参数等输入至爆炸动力学理论,得到在岩爆发生的第二概率和发生岩爆会产生的爆坑尺寸。
步骤1043,根据第一概率、第二概率和预设权重系数,确定岩爆发生概率。
示例性地,将第一概率和第二概率进行相关系数加权计算,可以得到对应的岩爆发生概率,其中相关系数加权计算可以是平均等方法。
步骤105,根据岩爆发生概率和爆坑尺寸,确定在第二预设时间段内是否发生岩爆。
示例性地,在得到岩爆发生概率和爆坑尺寸之后,岩爆发生概率、爆坑尺寸,与是否发生岩爆的关系表得到是否发生岩爆,并在判断发生岩爆后还可以得到对应的岩爆等级,详细内容见表1。
表1
在上述实施例的基础上,本发明实施例还提供了另一种岩爆预测方法,本实施例中对于上述实施例中已经介绍的内容将不再重复赘述,在本实施例中,考虑到当根据岩爆发生概率和爆坑尺寸,确定在第二预设时间内会发生岩爆时,在实际施工之前需要调整施工数据,从而避免岩爆发生,该方法还包括:
将第一掘进速度进行划分,生成i个第二掘进速度;
将第j个第二掘进速度、第二施工数据中除第一掘进速度之外的数据,与微震总能量和位置信息,输入至预设的岩爆预测模型预测第j个岩爆发生概率和第j个爆坑尺寸;
若根据第j个岩爆发生概率和第j个爆坑尺寸,确定在第二预设时间段内不发生岩爆时,将第j个第二掘进速度作为新的掘进速度进行施工,其中i为大于等于2的正整数,j为小于或者等于i的正整数。
示例性地,当预测结果是会有发生岩爆的风险时,掘进速度时主要的控制参数。例如,当i为10时,第一掘进速度为当前的掘进速度vc,第二掘进速度根据第一掘进速度划分成包含10个数的第二掘进速度[0,vc/10,2vc/10,……,9vc /10],依次采用序列中的第二掘进速度替换当前输入数据中的掘进数据,与除了掘进速度之外的其他施工数据生成10组构建的输入数据,将输入数据输入至岩爆预测模型,得到岩爆发生概率,当岩爆发生概率对应的是不发生岩爆时,将对应的第二掘进速度作为新的掘进速度进行施工。当10个掘进速度中有至少两个掘进速度进行预测得到不发生岩爆时,则在至少两个掘进速度中,选择掘进速度快的作为新的掘进速度进行施工。
在上述实施例的基础上,本发明实施例还提供了另一种岩爆预测方法,本实施例中对于上述实施例中已经介绍的内容将不再重复赘述,在本实施例中,当第二预设时间段不是与第一预设时间段相邻的时间段时,对未来时间段的岩爆情况进行预测。当第二预设时间段为第一预设时间段之后的n个时间段时,其中n大于等于2,方法还包括:
根据n-1个预设时间段内的预测结果,确定第个n预设时间段内的岩爆发生概率,其中,n为大于或者等于2的正整数。
示例性地,上述实施例中进行预测的一直都是与第一预设时间段相邻的第二预设时间段,当第二预设时间段与第一预设时间段相隔n个的第n个预设时间段时,针对第n个预设时间段,可以从第一预设时间段一直到第n-1个预设时间段,一共得到n-1个预测结果,将n-1次的预测结果和贝叶斯理论得到对应第n个预测时间段内的岩爆发生概率。
其中,P()表示事件概率;P(B|A)为岩爆发生,但是预测结果为[0,1]的概率;为不发生岩爆,预测结果为[0,1]的概率;P(B|A)、反应模型的性能,均可以基于岩爆可能性判断模型的训练测试数据得出,例如,
其中,N11,N01,N10,N10代表的内容见表2所示。
表2
当预测结果为[1,0],则岩爆发生的概率为,
随着预测结果的不断更新,可以实时给出某一时间段内岩爆概率及对应的能量、位置信息、爆坑尺寸,从而制定针对性的岩爆防护方案。
如图8所示,为本申请岩爆预测方法的一个总体示意图,首先建立微震事件的数据库,和施工参数的数据库;其次在这两个数据库的基础上,分别对第二预设时间段内的微震能量和发生微震的位置信息进行预测;再次根据微震能量和位置信息以及在第二预设时间段内的施工数据,预测岩爆发生的概率和对应的爆坑尺寸,最后根据岩爆发生概率和爆坑尺寸判断是否发生概率。同样可以根据贝叶斯理论对第n个预设时间段内的岩爆进行预测。
通过此方式,获取施工数据和第一预设时间段内的施工隧洞的微震信号,可以在预测岩爆的过程中将施工数据和微震信号进行结合,从而使得岩爆的预测结果更加准确。进一步地,根据在第一预设时间段内的微震信号,预测在第二预设时间段内的微震总能量;根据在第一预设时间段内的第一施工数据和微震信号预测在第二预设时间段内的发生微震时间的位置信息,根据在第一预设时间段内的实际采集的数据,可以真实有效的对第二预设时间段内的数据进行预测。最后,在预测得到第二预设时间段内的微震总能量和位置信息之后,根据在第二预设时间段内的施工数据和微震总能量和位置信息对第二预设时间段内的岩爆发生概率进行预测,可以准确的得到在第二预设时间段内发生岩爆的概率。
以上,为本申请所提供的岩爆预测方法的实施例,下文中则介绍说明本申请所提供的岩爆预测的其他实施例,具体参见如下。
本发明实施例还公开了一种岩爆预测装置,如图9所示,该装置包括:
获取模块901,用于获取施工数据和第一预设时间段内施工隧洞的微震信号,施工数据包括第一预设时间段内的第一施工数据和第二预设时间段内的第二施工数据;
第一预测模块902,用于根据微震信号,预测在第二预设时间段内的微震总能量,第二预设时间段为第一预设时间段的下一时间段;
第二预测模块903,用于根据第一施工数据和微震信号预测在第二预设时间段内发生微震事件的位置信息;
第三预测模块904,用于根据微震总能量、位置信息和第二施工数据,得到岩爆发生概率和爆坑尺寸;
判断模块905,用于根据岩爆发生概率和爆坑尺寸,确定在第二预设时间段内是否发生岩爆。
在一个可选的实施例中,施工数据还包括第一掘进速度,当判断模块,确定在第二预设时间内会发生岩爆时,装置还用于执行以下步骤:
将第一掘进速度进行划分,生成i个第二掘进速度;
将第j个第二掘进速度、第二施工数据中除第一掘进速度之外的数据,与微震总能量和位置信息,输入至预设的岩爆预测模型预测第j个岩爆发生概率和第j个爆坑尺寸;
若根据第j个岩爆发生概率和第j个爆坑尺寸,确定在第二预设时间段内不发生岩爆时,将第j个第二掘进速度作为新的掘进速度进行施工,其中i为大于等于2的正整数,j为小于或者等于i的正整数。
作为本发明一个可选实施方式,第一预测模块,具体用于执行:
根据微震信号,确定微震信号的特征数据;
将特征数据输入到预设的能量预测模型后,预测得到在第二预设时间段内的微震总能量。
作为本发明一个可选实施方式,第一预测模块,还具体用于执行:
将特征数据输入到预设的能量预测模型后,预测得到在第二预设时间段内的微震总能量,具体包括:
当第二预设时间段中仅包括一个预设的单位时间时,根据第一预设时间段内的特征数据,输入至预设的能量预测模型,预测得到第二预设时间段的微震能量;
或者,
当第二预设时间段中包括至少两个单位时间时,根据第一预设时间段内的特征数据,以及第二预设时间段中的当前单位时间对应的微震能量,和预设的能量预测模型,预测得到第二预设时间段中下一个单位时间对应的微震能量,其中,当当前单位时间为第二预设时间段内的首个单位时间时,当前单位时间对应的微震能量为第一预设时间段内的特征数据,输入至预设的能量预测模型后预测得到的;
根据第二预设时间段中所有的单位时间内分别对应的微震能量,得到第二预设时间段内的微震总能量。
作为本发明一个可选实施方式,预设的岩爆预测模型包括第一岩爆预测模型和第二岩爆预测模型,判断模块,具体用于执行:
将微震总能量、位置信息和第二施工参数,输入至第一岩爆预测模型,得到岩爆发生的第一概率;
将微震总能量、位置信息和第二施工数据,输入至第二岩爆预测模型,得到岩爆发生的第二概率和爆坑尺寸;
根据第一概率、第二概率和预设权重系数,确定岩爆发生概率。
作为本发明一个可选实施方式,当第二预设时间段为第一预设时间段之后的n个时间段时,其中n大于等于2,装置还用于执行:
根据n-1个预设时间段内的预测结果,和贝叶斯理论,确定第个n预设时间段内的岩爆发生的概率。
本发明实施例提供的岩爆预测装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述,因此这里不再赘述。
通过执行此装置,获取施工数据和第一预设时间段内的施工隧洞的微震信号,可以在预测岩爆的过程中将施工数据和微震信号进行结合,从而使得岩爆的预测结果更加准确。进一步地,根据在第一预设时间段内的微震信号,预测在第二预设时间段内的微震总能量;根据在第一预设时间段内的第一施工数据和微震信号预测在第二预设时间段内的发生微震时间的位置信息,根据在第一预设时间段内的实际采集的数据,可以真实有效的对第二预设时间段内的数据进行预测。最后,在预测得到第二预设时间段内的微震总能量和位置信息之后,根据在第二预设时间段内的施工数据和微震总能量和位置信息对第二预设时间段内的岩爆发生概率进行预测,可以准确的得到在第二预设时间段内发生岩爆的概率。
本发明实施例还提供了一种计算机设备,如图10所示,该计算机设备可以包括处理器1001和存储器1002,其中处理器1001和存储器1002可以通过总线或者其他方式连接,图10中以通过总线连接为例。
处理器1001可以为中央处理器(Central Processing Unit,CPU)。处理器 1001还可以为其他通用处理器、数字信号处理器(Digital Signal Processor, DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器1002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的岩爆预测方法对应的程序指令/模块。处理器1001通过运行存储在存储器1002中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的岩爆预测方法。
存储器1002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器1001 所创建的数据等。此外,存储器1002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器1002可选包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至处理器1001。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器1002中,当被处理器1001执行时,执行如图1所示实施例中的岩爆预测方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种岩爆预测方法,其特征在于,所述方法包括:
获取施工数据和第一预设时间段内施工隧洞的微震信号,所述施工数据包括第一预设时间段内的第一施工数据和第二预设时间段内的第二施工数据;
根据所述微震信号,预测在所述第二预设时间段内的微震总能量,所述第二预设时间段为所述第一预设时间段之后的时间段;
根据所述第一施工数据和所述微震信号预测在所述第二预设时间段内发生微震事件的位置信息;
根据所述微震总能量、所述位置信息和所述第二施工数据,得到所述岩爆发生概率和爆坑尺寸;
根据所述岩爆发生概率和所述爆坑尺寸,确定在所述第二预设时间段内是否发生岩爆。
2.根据权利要求1所述的方法,其特征在于,所述施工数据还包括第一掘进速度,当根据所述岩爆发生概率和所述爆坑尺寸,确定在所述第二预设时间内会发生岩爆时,所述方法还包括:
将所述第一掘进速度进行划分,生成i个第二掘进速度;
将第j个所述第二掘进速度、所述第二施工数据中除所述第一掘进速度之外的数据,与所述微震总能量和所述位置信息,输入至预设的岩爆预测模型预测第j个岩爆发生概率和第j个爆坑尺寸;
若根据所述第j个岩爆发生概率和所述第j个爆坑尺寸,确定在所述第二预设时间段内不发生岩爆时,将第j个所述第二掘进速度作为新的掘进速度进行施工,其中i为大于等于2的正整数,j为小于或者等于i的正整数。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述微震信号预测在所述第二预设时间段内的微震总能量,具体包括:
根据所述微震信号,确定所述微震信号的特征数据;
将所述特征数据输入到预设的能量预测模型后,预测得到在所述第二预设时间段内的所述微震总能量。
4.根据权利要求3所述的方法,其特征在于,所述将所述特征数据输入到预设的能量预测模型后,预测得到在所述第二预设时间段内的所述微震总能量,具体包括:
当所述第二预设时间段中仅包括一个预设的单位时间时,根据所述第一预设时间段内的所述特征数据,输入至预设的能量预测模型,预测得到第二预设时间段的微震能量;
或者,
当所述第二预设时间段中包括至少两个所述单位时间时,根据所述第一预设时间段内的所述特征数据,以及所述第二预设时间段中的当前所述单位时间对应的微震能量,和预设的能量预测模型,预测得到所述第二预设时间段中下一个单位时间对应的微震能量,其中,当当前单位时间为所述第二预设时间段内的首个单位时间时,当前单位时间对应的微震能量为所述第一预设时间段内的所述特征数据,输入至预设的能量预测模型后预测得到的;
根据所述第二预设时间段中所有的单位时间内分别对应的微震能量,得到所述第二预设时间段内的微震总能量。
5.根据权利要求1或2所述的方法,其特征在于,所述预设的岩爆预测模型包括第一岩爆预测模型和第二岩爆预测模型,
所述根据所述微震总能量、所述位置信息和所述第二施工数据,得到所述岩爆发生概率和爆坑尺寸,具体包括:
将所述微震总能量、所述位置信息和所述第二施工参数,输入至第一岩爆预测模型,得到所述岩爆发生的第一概率;
将微震总能量、所述位置信息和所述第二施工数据,输入至第二岩爆预测模型,得到所述岩爆发生的第二概率和爆坑尺寸;
根据所述第一概率、所述第二概率,确定所述岩爆发生概率。
6.根据权利要求5所述的方法,其特征在于,当所述第二预设时间段为所述第一预设时间段之后的第n个时间段时,其中n大于等于2,所述方法还包括:
根据n-1个预设时间段内的预测结果,确定第个n预设时间段内的岩爆发生概率,其中,n为大于或者等于2的正整数。
7.一种岩爆预测装置,其特征在于,包括:
获取模块,用于获取施工数据和第一预设时间段内施工隧洞的微震信号,所述施工数据包括第一预设时间段内的第一施工数据和第二预设时间段内的第二施工数据;
第一预测模块,用于根据所述微震信号,预测在所述第二预设时间段内的微震总能量,所述第二预设时间段为所述第一预设时间段的下一时间段;
第二预测模块,用于根据所述第一施工数据和所述微震信号预测在所述第二预设时间段内发生微震事件的位置信息;
第三预测模块,用于根据所述微震总能量、所述位置信息和所述第二施工数据,得到所述岩爆发生概率和爆坑尺寸;
判断模块,用于根据所述岩爆发生概率和所述爆坑尺寸,确定在所述第二预设时间段内是否发生岩爆。
8.根据权利要求7所述的装置,其特征在于,所述施工数据还包括第一掘进速度,所述装置还包括:
划分模块,用于将所述第一掘进速度进行划分,生成i个第二掘进速度;
第四预测模块,用于将第j个所述第二掘进速度、所述第二施工数据中除所述第一掘进速度之外的数据,与所述微震总能量和所述位置信息,输入至预设的岩爆预测模型预测第j个岩爆发生概率和第j个爆坑尺寸;
确定模块,用于若根据所述第j个岩爆发生概率和所述第j个爆坑尺寸,确定在所述第二预设时间段内不发生岩爆时,将第j个所述第二掘进速度作为新的掘进速度进行施工,其中i为大于等于2的正整数,j为小于或者等于i的正整数。
9.一种计算机设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-6任一项所述的岩爆预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,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1-6任一项所述的岩爆预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211227893.4A CN115688046A (zh) | 2022-10-09 | 2022-10-09 | 一种岩爆预测方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211227893.4A CN115688046A (zh) | 2022-10-09 | 2022-10-09 | 一种岩爆预测方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688046A true CN115688046A (zh) | 2023-02-03 |
Family
ID=85064067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211227893.4A Pending CN115688046A (zh) | 2022-10-09 | 2022-10-09 | 一种岩爆预测方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688046A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912414A (zh) * | 2023-07-19 | 2023-10-20 | 安徽理工大学 | 一种基于三维模型的岩爆过程监测方法及系统 |
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 |
CN117307249B (zh) * | 2023-08-30 | 2024-07-02 | 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 |
-
2022
- 2022-10-09 CN CN202211227893.4A patent/CN115688046A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912414A (zh) * | 2023-07-19 | 2023-10-20 | 安徽理工大学 | 一种基于三维模型的岩爆过程监测方法及系统 |
CN116912414B (zh) * | 2023-07-19 | 2024-04-09 | 安徽理工大学 | 一种基于三维模型的岩爆过程监测方法及系统 |
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 |
CN117307249B (zh) * | 2023-08-30 | 2024-07-02 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Potirakis et al. | Recent seismic activity at Cephalonia (Greece): a study through candidate electromagnetic precursors in terms of non-linear dynamics | |
CN116591777B (zh) | 多场多源信息融合的冲击地压智能化监测预警装置及方法 | |
Li et al. | Dynamic early warning of rockburst using microseismic multi-parameters based on Bayesian network | |
EP2947445B1 (en) | Method for correcting representative displacement waveform, and method for evaluating residual seismic perfromance of building | |
Li et al. | Automatic recognition and classification of microseismic waveforms based on computer vision | |
CN115688046A (zh) | 一种岩爆预测方法、装置及计算机设备 | |
CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
CN115545272A (zh) | 冲击地压矿井微震频次和能量长短期智能预测预警方法 | |
CN117275209A (zh) | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 | |
CN110515122B (zh) | 正演网格搜索定位及微地震信号识别方法及装置 | |
JP2007040949A (ja) | リアルタイム地震情報を利用した地震動の予測システム | |
Li et al. | Deformation prediction of tunnel surrounding rock mass using CPSO-SVM model | |
Wang et al. | Cumulative absolute velocity prediction for earthquake early warning with deep learning | |
Peresan et al. | Time-dependent neo-deterministic seismic hazard scenarios: Preliminary report on the M6. 2 Central Italy earthquake, 24th August 2016 | |
Wu et al. | An improved fractal prediction model for forecasting mine slope deformation using GM (1, 1) | |
Natale et al. | Three decades of seismic activity at Mt. Vesuvius: 1972–2000 | |
RU2464594C2 (ru) | Способ оценки основных характеристик ожидаемого сильного цунамигенного землетрясения и система для его осуществления | |
Allen | The influence of attenuation in earthquake ground-motion and magnitude estimation: implications for Australian earthquake hazard | |
CN109521221A (zh) | 一种钻爆法施工硬岩隧道微震波波速实时获取方法 | |
CN112100796B (zh) | 防止页岩气井中套管受损的钻井轨迹确定方法及装置 | |
Lee et al. | Seismic Acceleration Estimation Method at Arbitrary Position Using Observations and Machine Learning | |
CN114117753A (zh) | 基于易损性的概率地震边坡滑移危险性分析方法及装置 | |
CN117648873B (zh) | 地面沉降预测方法、训练方法、装置、设备 | |
CN115437009B (zh) | 钻孔数据处理方法、装置、电子设备和计算机可读介质 | |
Ding | A Transformer-Based Framework for Misfire Detection From Blasting-Induced Ground Vibration Signal |
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 |