CN116500678B - 一种多源数据因果融合驱动的微震时空预测方法 - Google Patents
一种多源数据因果融合驱动的微震时空预测方法 Download PDFInfo
- Publication number
- CN116500678B CN116500678B CN202310755374.3A CN202310755374A CN116500678B CN 116500678 B CN116500678 B CN 116500678B CN 202310755374 A CN202310755374 A CN 202310755374A CN 116500678 B CN116500678 B CN 116500678B
- Authority
- CN
- China
- Prior art keywords
- microseismic
- target
- data
- energy
- propagation structure
- 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 42
- 230000001364 causal effect Effects 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000012546 transfer Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000035939 shock Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 239000011435 rock Substances 0.000 description 9
- 239000003245 coal Substances 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geophysics (AREA)
- Software Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提出的多源数据因果融合驱动的微震时空预测方法中,获取实时微震监测数据和历史微震监测数据;基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构;基于目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;基于目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;基于第一预测最大微震能量、第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果。本申请通过对微震监测数据的时序特征与空间特征的综合分析,得到微震时空预测结果,提高了微震时空预测结果的准确度。
Description
技术领域
本申请涉及微震数据预测技术领域,尤其涉及一种多源数据因果融合驱动的微震时空预测方法、装置及存储介质。
背景技术
随着煤矿开采深度不断增加,煤矿井下冲击地压灾害威胁日益加剧,成为困扰煤矿安全高效生产的重大问题。因此,需要对微震数据进行预测,以便后续利用预测微震数据对冲击地压进行预测,从而提前对冲击地压灾害进行预警,避免不必要的损失。
相关技术中,对微震数据进行预测时,主要基于单一的微震监测数据,通过分析监测数据的结构特点或演化规律,得到监测数据的发生趋势、偏差趋势或突变趋势,并基于此对冲击地压进行预测和预警。但是,相关技术中微震监测数据时序预测与空间预测的研究比较割裂,其中预测方法只侧重于时序监测,缺乏对微震监测数据的时序特征与空间特征的综合分析,从而使得预测的微震数据不准确。
发明内容
本申请提供一种多源数据因果融合驱动的微震时空预测方法、装置及存储介质,以解决上述相关技术中出现的技术问题。
本申请第一方面实施例提出一种多源数据因果融合驱动的微震时空预测方法,包括:
获取实时微震监测数据和历史微震监测数据,其中,所述微震监测数据包括微震事件数据和微震传感数据,所述微震传感数据为多个微震传感器采集的数据;
基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构,其中,所述空间传播结构为微震事件对应的监测变量关系图;
基于所述目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;
基于所述目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;
基于所述第一预测最大微震能量、所述第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,其中,所述微震时空预测结果包括微震能量、震级与目标空间传播结构的参数。
本申请第二方面实施例提出一种多源数据因果融合驱动的微震时空预测装置,包括:
获取模块,用于获取实时微震监测数据和历史微震监测数据,其中所述微震监测数据包括微震事件数据和微震传感数据,所述微震传感数据为多个微震传感器采集的数据;
确定模块,用于基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构,其中,所述空间传播结构为微震事件对应的监测变量关系图;
第一处理模块,用于基于所述目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;
第二处理模块,用于基于所述目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;
第三处理模块,用于基于所述第一预测最大微震能量、所述第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,其中,所述微震时空预测结果包括微震能量、震级与目标空间传播结构的参数。
本申请第三方面实施例提出的计算机设备,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,实现如上第一方面所述的方法。
本申请第四方面实施例提出的计算机存储介质,其中,所述计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行后,能够实现如上第一方面所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请提出的多源数据因果融合驱动的微震时空预测方法、装置及存储介质中,获取实时微震监测数据和历史微震监测数据,其中,微震监测数据包括微震事件数据和微震传感数据,微震传感数据为多个微震传感器采集的数据;基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构,其中,空间传播结构为微震事件对应的监测变量关系图;基于目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;基于目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;基于第一预测最大微震能量、第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,其中,微震时空预测结果包括最大微震能量、震级与目标空间传播结构的参数。由此可知,本申请通过对微震监测数据的时序特征与空间特征的综合分析,得到微震时空预测结果,提高了微震时空预测结果的准确度。
本申请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,或通过本申请的实践了解到。
附图说明
本申请上述的和/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为根据本申请一个实施例提供的多源数据因果融合驱动的微震时空预测方法的流程示意图;
图2为根据本申请一个实施例提供的一种微震传感器布置示意图;
图3为根据本申请一个实施例提供的多源数据因果融合驱动的微震时空预测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,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,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的多源数据因果融合驱动的微震时空预测方法与装置。
实施例一
图1为根据本申请一个实施例提供的多源数据因果融合驱动的微震时空预测方法的流程示意图,如图1所示,可以包括以下步骤:
步骤101、获取实时微震监测数据和历史微震监测数据,其中,微震监测数据包括微震事件数据和微震传感数据。
其中,在本申请的实施例之中,微震传感数据为多个微震传感器采集的数据,其中,上述多个微震传感器布置在台网中。如图2本申请实施例提供的一种微震传感器布置示意图。如图2所示,微震探头为微震传感器。以及,在本申请的实施例之中,上述微震事件数据可以包括微震频次、最大微震能量、微震平均能量、震级、震源坐标。
步骤102、基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构。
其中,在本申请的实施例之中,上述空间传播结构为微震事件对应的监测变量关系图。
以及,在本申请的实施例之中,实时微震传感数据在不同位置的传感器之间、不同场的传感器之间都存在强耦合及弱耦合关系,基于此,需要确定通过传感器采集到的数据之间的因果关系,也即是,确定微震事件对应的监测变量关系图。
具体地,在本申请的实施例之中,上述基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构的方法可以包括以下步骤:
步骤1021、确定候选空间传播结构集合;
其中,在本申请的实施例之中,可以根据历史微震监测数据,确定候选空间传播结构集合。具体地,在本申请的实施例之中,确定候选空间传播结构集合的方法可以包括以下步骤:
步骤1、基于历史微震监测数据,确定每个单位滑动时间窗口对应的历史微震传感数据和历史微震事件数据;
其中,在本申请的实施例之中,上述采集微震传感数据的传感器可以采用16通道微震监测信号,第w个单位滑动时间窗口内的微震传感数据为:
X w=[X 1 w , X 2 w , X 3 w , …, X 16 w]
其中,X1至X16的每个通道信号采样间隔均为10毫秒,单个滑动时间窗口内,信号通道可以采集360000个信号数值。
以及,在本申请的实施例之中,上述将微震事件数据是微震频次、微震最大能量、微震平均能量、震级、震源坐标组合的以单位时间为滑动时间窗口的时间序列数据,其中,单位时间可以根据需要进行设定,例如单位时间为每小时。
示例的,在本申请的实施例之中,第w个单位滑动时间窗口内的微震事件数据为:
E w=[E p , E max , E mean , E Z , x, y, z]
其中,E表示一个时间窗口内的微震事件数据,w表示第w个时间窗,Ep表示微震频次,Emax表示最大微震能量,Emean表示微震平均能量,EZ表示震级,(x, y, z)表示单位时间内最大量级微震事件对应的震源坐标。
步骤2、对单位滑动时间窗口内的历史微震传感数据和历史微震事件数据进行预处理,得到单位滑动时间窗口内的微震传感分析数据和微震事件分析数据;
其中,在本申请的实施例之中,煤矿井下存在某些预设操作,会破坏冲击地压的发生条件,降低冲击地压灾害的发生机率,基于此,在对数据进行分析时,需要将预设操作对应的数据进行删除,使得后续分析的结果更加准确。
具体地,在本申请的实施例之中,上述对单位滑动时间窗口内的历史微震传感数据和历史微震事件数据进行预处理,得到单位滑动时间窗口内的微震传感分析数据和微震事件分析数据的方法可以包括:确定单位滑动时间窗口内存在预设操作的目标时间区间;将目标时间区间对应的历史微震传感数据和历史微震事件数据删除,得到单位滑动时间窗口内的微震传感分析数据和微震事件分析数据。其中,上述预设操作可以包括常规卸压措施可以为岩层卸压、煤层卸压。
步骤3、基于单位滑动时间窗口内的微震传感分析数据,利用主动传递熵得到单位滑动时间窗口内的微震传感分析数据间的因果指数;
其中,在本申请的实施例之中,上述基于单位滑动时间窗口内的微震传感分析数据,利用主动传递熵得到单位滑动时间窗口内的微震传感分析数据间的因果指数的方法可以包括:通过传递熵算法求解单位滑动时间窗口内的监测变量之间的相关指数,并基于相关指数确定各监测变量对应的父亲节点;基于各监测变量对应的父亲节点,利用主动传递熵得到单位滑动时间窗口内的微震传感分析数据内监测变量间的因果指数。
示例的,在本申请的实施例之中,假设获取单个滑动时间窗口内的历史微震传感数据,其中n为单个滑动时间窗口内的监测变量个数/>,m为每个监测变量的采样信号,通过传递熵算法对应的第一公式求解单位滑动时间窗口内的监测变量之间的相关指数,其中,第一公式为:
其中,代表/>可取的排列组合,其中/>表示父节点/>在采样时间为t时候的取值,/>表示/>内各元素组合的先验概率。若/>的值越大,/>的因果性越强,从而代表两个监测变量的相关指数高。其中,相比较于现有的因果分析算法等方法,传递熵计算方法无需考虑数据类型,且当数据量足够的情况下,传递熵对线性数据或非线性数据均有优异的分析结果,基于此,传递熵算法更加适用于微震数据的分析。
以及,在本申请的实施例之中,若上述相关指数大于0,则确定/>为/>的父亲节点,基于此,可以通过相关指数确定各监测变量对应的父亲节点。
进一步地,在本申请的实施例之中,基于各监测变量对应的父亲节点,利用主动传递熵对应的第二公式得到单位滑动时间窗口内的微震传感分析数据内监测变量间的因果指数,其中,第二公式为:
。
其中,变量的共因变量由/>表示,也即是,变量/>与变量/>存在相同的父亲节点,通过上式第二公式能够准确地计算在筛除/>后,/>到/>所剩下的传递熵大小,同时表示由于/>的变化可能会导致/>变化的概率。其中,上述关系不会受其他变量影响,反应了变量间信息传播的自发和主动性,解决了现有机器学习及深度学习算法过度依赖统计分布的缺陷,对后续构建空间传播网络及微震数据分析有重要的意义。
步骤4、基于单位滑动时间窗口内的微震传感分析数据间的因果指数,利用贝叶斯网络算法得到单位滑动时间窗口对应的空间传播结构,并将每个空间传播结构与对应单位滑动时间窗口微震事件数据中的震源坐标进行一一对应;
示例的,在本申请的实施例之中,在上述步骤3获得单位滑动时间窗口内的微震传感分析数据中n个监测变量的因果指数后,可以建立变量间的拓扑结构,以得到当前滑动窗口中微震事件数据对应的变量间关系及数据流向。其中,假设存在监测变量到/>相互连接,箭头的方向代表由因到果的传递方向,若存在从/>到/>的因果关系,则称/>为/>的父变量,/>为/>的子变量,由/>到/>的传递关系用a12表示,所有传递关系指向/>的父变量统一用/>表示,基于此定义一个由传递关系aij组成的邻接矩阵A,其中,邻接矩阵A为:
其中,在本申请的实施例之中,通过矩阵A可以提供监测变量之间的拓扑关系,其中和/>分别表示微震传感分析数据中的第i 个监测变量和第j个监测变量,若/>和/>之间存在传递关系,则邻接矩阵中/>1,否则/>0。以及,还需要定义一个新的矩阵B来表示求得的各连接关系的强弱程度,任何监测变量间的拓扑关系都可以通过表达式来定义,其中/>表示对应的空间传播结构以及空间传播结构中包含的网络参数。
以及,在本申请的实施例之中,每个单位滑动时间窗口内微震传感数据对应的空间传播结构中可能存在因果关系较弱的变量,也即是可能存在误差。基于此,需要从对应随机多个空间传播结构中,通过第三公式对其中任意一个空间传播结构进行评分,并将得分最高的空间传播结构确定为单位滑动时间窗口对应的空间传播结构。
其中,在本申请的实施例之中,第三公式为:
其中,和/>分别表示父亲节点的个数与每一子变量/>对应的有向边个数,/>是控制空间传播结构复杂度的常数惩罚参数。
以及,在本申请的实施例之中,通过上述第三公式可以准确得到每个单位滑动时间窗口内微震传感数据对应的空间传播结构,并将每个空间传播结构与对应单位滑动时间窗口微震事件数据中的震源坐标进行一一对应。
步骤5、将所有单位滑动时间窗口对应的空间传播结构确定为候选空间传播结构集合。
步骤1022、基于实时微震传感数据,确定实时微震传感数据对应的预设空间传播结构;
其中,在本申请的实施例之中,基于实时微震传感数据,可以基于上述步骤2~步骤4确定实时微震传感数据对应的预设空间传播结构。
步骤1023、将预设空间传播结构与候选空间传播结构集合中的候选空间传播结构进行匹配,确定目标空间传播结构。
其中,在本申请的实施例之中,上述将预设空间传播结构与候选空间传播结构集合中的候选空间传播结构进行匹配,确定目标空间传播结构的方法可以包括:计算预设空间传播结构与候选空间传播结构集合中每个候选空间传播结构之差;将与预设空间传播结构之差的L1范数最小的候选空间传播结构,确定为目标传播结构。
示例的,在本申请的实施例之中,假设预设空间传播结构为Gnow,依次计算预设空间传播结构与候选空间传播结构集合中每个候选空间传播结构之差,将与预设空间传播结构Gnow之差的L1范数最小的候选空间传播结构Gi,确定为目标传播结构,其中,。
以及,在本申请的实施例之中,确定目标空间传播结构Gi后,还可以根据目标空间传播结构与震源坐标的对应关系,得到目标空间传播结构对应的震源坐标(x, y, z)。
步骤103、基于目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量。
其中,在本申请的实施例之中,上述基于目标空间传播结构对应的多个LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量之前,上述方法还包括:基于历史微震监测数据,对候选空间传播结构集合中每个候选空间传播结构对应的多个预设LightBoost预测模型进行训练,得到每个候选空间传播结构对应的多个目标LightBoost预测模型,其中,每个目标LightBoost预测模型对应不同的时间预测步长,LightBoost预测模型的输入为微震传感数据,输出为未来预设时间内的微震能量。
具体地,在本申请的实施例之中,利用候选空间传播结构对应的历史微震传感数据输入值该候选空间传播结构对应的多个预设LightBoost预测模型进行预测得到对应的多个预测最大微震能量值,再将多个预测微震能量值与历史微震事件数据中对应的真实最大微震能量值进行比较,得到多个预设LightBoost预测模型各自对应的损失值,基于各自对应的损失值更新预设LightBoost预测模型中的参数,直至预设LightBoost预测模型的迭代次数达到预设次数时,得到目标LightBoost预测模型。
以及,在本申请的实施例之中,每个目标LightBoost预测模型对应不同的时间预测步长,示例的,预测步长为10毫秒。需要说明的是,在本申请的实施例之中,上述每个空间传播结构均对应多个LightBoost预测模型,示例的,每个空间传播结构可以对应10毫秒、20毫秒、30毫秒三种目标LightBoost预测模型进行多步预测。
以及,在本申请的实施例之中,通过上述步骤得到每个候选空间传播结构对应的多个目标LightBoost预测模型后,可以基于目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量。
示例的,假设目标空间传播结构对应10毫秒、20毫秒、30毫秒三种目标LightBoost预测模型,且输出为未来半小时的最大微震能量,则可以将历史微震传感数据中距离当前时刻半小时之前10毫秒对应的单位滑动窗口中的微震传感数据输入10毫秒目标LightBoost预测模型中,得到预测当前时刻最大微震能量E10;将历史微震传感数据中距离当前时刻半小时之前20毫秒对应的单位滑动窗口中的微震传感数据输入20毫秒目标LightBoost预测模型中,得到预测当前时刻最大微震能量E20;将历史微震传感数据中距离当前时刻30毫秒对应的单位滑动窗口中的微震传感数据输入30毫秒目标LightBoost预测模型中,得到预测当前时刻最大微震能量E30。
步骤104、基于目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量。
其中,在本申请的实施例之中,可以将实时微震传感数据输入目标空间传播结构对应的多个目标LightBoost预测模型中,得到每个目标LightBoost预测模型预测的未来预设时间内第二预测最大微震能量。
示例的,假设目标空间传播结构对应10毫秒、20毫秒、30毫秒三种目标LightBoost预测模型,且输出为未来半小时的最大微震能量,则可以将实时微震传感数据中当前时刻前10毫秒对应的单位滑动窗口中的微震传感数据输入10毫秒目标LightBoost预测模型中,得到未来半小时内最大微震能量E1;将实时微震传感数据中当前时刻前20毫秒对应的单位滑动窗口中的微震传感数据输入20毫秒目标LightBoost预测模型中,得到未来半小时内最大微震能量E2;将实时微震传感数据中当前时刻前30毫秒对应的单位滑动窗口中的微震传感数据输入30毫秒目标LightBoost预测模型中,得到未来半小时内最大微震能量E3。
步骤105、基于第一预测最大微震能量、第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果。
其中,在本申请的实施例之中,通过上述步骤得到第一预测最大微震能量和第二预测最大微震能量之后,可以基于第一预测最大微震能量、第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果。
以及,在本申请的实施例之中,上述微震时空预测结果包括最大微震能量、震级与目标空间传播结构的参数。
具体地,在本申请的实施例之中,上述基于第一预测最大微震能量、第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果的方法可以包括以下步骤:
步骤1051、基于第一预测最大微震能量和实时微震事件数据,得到每个第一预测最大微震能量对应的误差值;
示例的,在本申请的实施例之中,假设第一预测最大微震能量分别为E10、E20、E30,实时微震事件数据中当前时刻的最大微震能量Enow,基于此,E10、E20、E30与当前时刻的最大微震能量Enow对应的误差值分别为er1、er2和er3。
步骤1052、基于每个第一预测最大微震能量对应的误差值与第二预测最大微震能量,通过预测计算公式,得到预测最大微震能量,并基于预测最大微震能量得到微震时空预测结果。
其中,在本申请的实施例之中,上述预测计算公式为:
其中,上述为目标空间传播结构对应的目标LightBoost预测模型的个数,/>为第i个第一预测最大微震能量对应的误差值,/>为第i个第二预测最大微震能量。
以及,在本申请的实施例之中,假设第二预测最大微震能量分别为E1、E2、E3,则将上述第一预测最大微震能量对应的误差值分别为er1、er2和er3和第二预测最大微震能量分别为E1、E2、E3,带入上述预测计算公式得到预测最大微震能量。
进一步地,在本申请的实施例之中,得到上述预测最大微震能量之后,可以基于预测最大微震能量得到对应的震级,并基于上述目标空间传播结构的参数得到微震时空预测结果。其中,上述预测最大微震能量和对应的震级为微震时间预测结果,上述目标空间传播结构为微震空间预测结果,基于此,通过上述方法实现了对微震监测数据的时序特征与空间特征的综合分析,从而使得微震时空预测结果更加准确,以便后续可以将微震时空预测结果用于冲击地压预测。
本申请提出的多源数据因果融合驱动的微震时空预测方法中,获取实时微震监测数据和历史微震监测数据,其中,微震监测数据包括微震事件数据和微震传感数据,微震传感数据为多个微震传感器采集的数据;基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构,其中,空间传播结构为微震事件对应的监测变量关系图;基于目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;基于目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;基于第一预测最大微震能量、第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,其中,微震时空预测结果包括最大微震能量、震级与目标空间传播结构的参数。由此可知,本申请通过对微震监测数据的时序特征与空间特征的综合分析,得到微震时空预测结果,提高了微震时空预测结果的准确度。
图3为根据本申请一个实施例提供的多源数据因果融合驱动的微震时空预测装置的结构示意图,如图3所示,可以包括:
获取模块301,用于获取实时微震监测数据和历史微震监测数据,其中微震监测数据包括微震事件数据和微震传感数据,微震传感数据为多个微震传感器采集的数据;
确定模块302,用于基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构,其中,空间传播结构为微震事件对应的监测变量关系图;
第一处理模块303,用于基于目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;
第二处理模块304,用于基于目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;
第三处理模块305,用于基于第一预测最大微震能量、第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,其中,微震时空预测结果包括微震能量、震级与目标空间传播结构的参数。
本申请提出的多源数据因果融合驱动的微震时空预测装置中,获取实时微震监测数据和历史微震监测数据,其中,微震监测数据包括微震事件数据和微震传感数据,微震传感数据为多个微震传感器采集的数据;基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构,其中,空间传播结构为微震事件对应的监测变量关系图;基于目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;基于目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;基于第一预测最大微震能量、第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,其中,微震时空预测结果包括最大微震能量、震级与目标空间传播结构的参数。由此可知,本申请通过对微震监测数据的时序特征与空间特征的综合分析,得到微震时空预测结果,提高了微震时空预测结果的准确度。
为了实现上述实施例,本申请还提出一种计算机设备。
本申请实施例提供的计算机设备,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;处理器执行程序时,能够实现如图1所示的方法。
为了实现上述实施例,本申请还提出一种计算机存储介质。
本申请实施例提供的计算机存储介质,计算机存储介质存储有计算机可执行指令;计算机可执行指令被处理器执行后,能够实现如图1所示的方法。
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申请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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种多源数据因果融合驱动的微震时空预测方法,其特征在于,所述方法包括:
获取实时微震监测数据和历史微震监测数据,其中,所述微震监测数据包括微震事件数据和微震传感数据,所述微震传感数据为多个微震传感器采集的数据,其中,所述微震事件数据包括微震频次、最大微震能量、微震平均能量、震级、震源坐标;
基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构,其中,所述空间传播结构为微震事件对应的监测变量关系图;
基于所述目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;
基于所述目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;
基于所述第一预测最大微震能量、所述第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,其中,所述微震时空预测结果包括最大微震能量、震级与目标空间传播结构的参数;
所述基于实时微震传感数据从候选空间传播结构中,确定目标空间传播结构,包括:
确定候选空间传播结构集合;
基于实时微震传感数据,确定所述实时微震传感数据对应的预设空间传播结构;
将所述预设空间传播结构与所述候选空间传播结构集合中的候选空间传播结构进行匹配,确定目标空间传播结构;
所述基于所述第一预测最大微震能量、所述第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,包括:
基于所述第一预测最大微震能量和实时微震事件数据,得到每个第一预测最大微震能量对应的误差值;
基于所述每个第一预测最大微震能量对应的误差值与所述第二预测最大微震能量,通过预测计算公式得到预测最大微震能量,并基于所述预测最大微震能量得到微震时空预测结果,其中,预测计算公式为:
其中,为目标空间传播结构对应的目标LightBoost预测模型的个数,/>为第i个第一预测最大微震能量对应的误差值,/>为第i个第二预测最大微震能量。
2.根据权利要求1所述的方法,其特征在于,所述确定候选空间传播结构集合,包括:
基于历史微震监测数据,确定每个单位滑动时间窗口对应的历史微震传感数据和历史微震事件数据,其中,所述历史微震事件数据包括震源坐标;
对所述单位滑动时间窗口内的历史微震传感数据和所述历史微震事件数据进行预处理,得到所述单位滑动时间窗口内的微震传感分析数据和微震事件分析数据;
基于所述单位滑动时间窗口内的微震传感分析数据,利用主动传递熵得到所述单位滑动时间窗口内的微震传感分析数据间的因果指数;
基于所述单位滑动时间窗口内的微震传感分析数据间的因果指数,利用贝叶斯网络算法得到所述单位滑动时间窗口对应的空间传播结构,并将每个空间传播结构与对应单位滑动时间窗口微震事件数据中的震源坐标进行一一对应;
将所有单位滑动时间窗口对应的空间传播结构确定为候选空间传播结构集合。
3.根据权利要求2所述的方法,其特征在于,所述对所述单位滑动时间窗口内的历史微震传感数据和所述历史微震事件数据进行预处理,得到单位滑动时间窗口内的微震传感分析数据和微震事件分析数据,包括:
确定所述单位滑动时间窗口内存在预设操作的目标时间区间;
将所述目标时间区间对应的历史微震传感数据和历史微震事件数据删除,得到单位滑动时间窗口内的微震传感分析数据和微震事件分析数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述预设空间传播结构与所述候选空间传播结构集合中的候选空间传播结构进行匹配,确定目标空间传播结构,包括:
计算所述预设空间传播结构与所述候选空间传播结构集合中每个候选空间传播结构之差;
将与所述预设空间传播结构之差的L1范数最小的候选空间传播结构,确定为目标传播结构。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量之前,还包括:
基于所述历史微震监测数据,对所述候选空间传播结构集合中每个候选空间传播结构对应的多个预设LightBoost预测模型进行训练,得到每个候选空间传播结构对应的多个目标LightBoost预测模型,其中,每个目标LightBoost预测模型对应不同的时间预测步长,所述每个目标LightBoost预测模型的输入为微震传感数据,输出为未来预设时间内的最大微震能量。
6.一种多源数据因果融合驱动的微震时空预测装置,其特征在于,所述装置包括:
获取模块,用于获取实时微震监测数据和历史微震监测数据,其中,所述微震监测数据包括微震事件数据和微震传感数据,所述微震传感数据为多个微震传感器采集的数据,其中,所述微震事件数据包括微震频次、最大微震能量、微震平均能量、震级、震源坐标;
确定模块,用于基于实时微震传感数据从候选空间传播结构集合中,确定目标空间传播结构,其中,所述空间传播结构为微震事件对应的监测变量关系图;
第一处理模块,用于基于所述目标空间传播结构对应的多个目标LightBoost预测模型和历史微震传感数据,得到每个目标LightBoost预测模型预测的第一预测最大微震能量;
第二处理模块,用于基于所述目标空间传播结构对应的多个目标LightBoost预测模型和实时微震传感数据,得到每个目标LightBoost预测模型预测的第二预测最大微震能量;
第三处理模块,用于基于所述第一预测最大微震能量、所述第二预测最大微震能量和实时微震事件数据,得到微震时空预测结果,其中,所述微震时空预测结果包括微震能量、震级与目标空间传播结构的参数;
所述确定模块,还用于:
确定候选空间传播结构集合;
基于实时微震传感数据,确定所述实时微震传感数据对应的预设空间传播结构;
将所述预设空间传播结构与所述候选空间传播结构集合中的候选空间传播结构进行匹配,确定目标空间传播结构;
所述第三处理模块,还用于:
基于所述第一预测最大微震能量和实时微震事件数据,得到每个第一预测最大微震能量对应的误差值;
基于所述每个第一预测最大微震能量对应的误差值与所述第二预测最大微震能量,通过预测计算公式得到预测最大微震能量,并基于所述预测最大微震能量得到微震时空预测结果,其中,预测计算公式为:
其中,为目标空间传播结构对应的目标LightBoost预测模型的个数,/>为第i个第一预测最大微震能量对应的误差值,/>为第i个第二预测最大微震能量。
7.一种计算机设备,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,能够实现如权利要求1-5中任一所述的方法。
8.一种计算机存储介质,其中,所述计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行后,能够实现权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310755374.3A CN116500678B (zh) | 2023-06-26 | 2023-06-26 | 一种多源数据因果融合驱动的微震时空预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310755374.3A CN116500678B (zh) | 2023-06-26 | 2023-06-26 | 一种多源数据因果融合驱动的微震时空预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116500678A CN116500678A (zh) | 2023-07-28 |
CN116500678B true CN116500678B (zh) | 2023-09-26 |
Family
ID=87325138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310755374.3A Active CN116500678B (zh) | 2023-06-26 | 2023-06-26 | 一种多源数据因果融合驱动的微震时空预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116500678B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测系统 |
CN111123355A (zh) * | 2020-01-07 | 2020-05-08 | 山东大学 | 一种基于微震监测数据的岩爆预测方法及系统 |
CN113723595A (zh) * | 2021-09-02 | 2021-11-30 | 重庆大学 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
CN113885074A (zh) * | 2021-09-09 | 2022-01-04 | 中煤科工开采研究院有限公司 | 微震监测能量校核方法 |
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 |
WO2022156582A1 (zh) * | 2021-01-19 | 2022-07-28 | 中南大学 | 一种地声事件定位方法及其失稳灾害预警方法、地声感知仪、监测系统及其可读存储介质 |
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 |
CN115343757A (zh) * | 2022-08-15 | 2022-11-15 | 矿冶科技集团有限公司 | 地压风险预警方法、装置、电子设备及介质 |
CN115375025A (zh) * | 2022-08-23 | 2022-11-22 | 辽宁大学 | 冲击地压矿井微震事件时空强三要素定量预测方法 |
CN115390130A (zh) * | 2022-08-29 | 2022-11-25 | 吉林建筑大学 | 一种煤矿开采大能量微震事件预测方法和装置 |
CN115545272A (zh) * | 2022-08-23 | 2022-12-30 | 辽宁大学 | 冲击地压矿井微震频次和能量长短期智能预测预警方法 |
US11630227B1 (en) * | 2022-03-21 | 2023-04-18 | Liaoning University | Method and system for recognizing mine microseismic event |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11061156B2 (en) * | 2019-09-10 | 2021-07-13 | Halliburton Energy Services, Inc. | Microseismic velocity models derived from historical model classification |
-
2023
- 2023-06-26 CN CN202310755374.3A patent/CN116500678B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测系统 |
CN111123355A (zh) * | 2020-01-07 | 2020-05-08 | 山东大学 | 一种基于微震监测数据的岩爆预测方法及系统 |
WO2022156582A1 (zh) * | 2021-01-19 | 2022-07-28 | 中南大学 | 一种地声事件定位方法及其失稳灾害预警方法、地声感知仪、监测系统及其可读存储介质 |
CN113723595A (zh) * | 2021-09-02 | 2021-11-30 | 重庆大学 | 基于微震事件定量预测的煤矿冲击地压智能预警方法 |
CN113885074A (zh) * | 2021-09-09 | 2022-01-04 | 中煤科工开采研究院有限公司 | 微震监测能量校核方法 |
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 |
US11630227B1 (en) * | 2022-03-21 | 2023-04-18 | Liaoning University | Method and system for recognizing mine microseismic event |
CN115343757A (zh) * | 2022-08-15 | 2022-11-15 | 矿冶科技集团有限公司 | 地压风险预警方法、装置、电子设备及介质 |
CN115375025A (zh) * | 2022-08-23 | 2022-11-22 | 辽宁大学 | 冲击地压矿井微震事件时空强三要素定量预测方法 |
CN115545272A (zh) * | 2022-08-23 | 2022-12-30 | 辽宁大学 | 冲击地压矿井微震频次和能量长短期智能预测预警方法 |
CN115390130A (zh) * | 2022-08-29 | 2022-11-25 | 吉林建筑大学 | 一种煤矿开采大能量微震事件预测方法和装置 |
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 |
Non-Patent Citations (2)
Title |
---|
基于微震监测的采空区安全性分区分级研究;文兴;郭晓强;;矿业研究与开发(第07期) * |
矿山微震震源能量表达方法与应用研究;王建群;朱权洁;张尔辉;;煤炭工程(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116500678A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180357542A1 (en) | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method | |
EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN109934337A (zh) | 一种基于集成lstm的航天器遥测数据异常的检测方法 | |
CN113297272B (zh) | 一种桥梁监测数据关联规则挖掘及健康预警方法及系统 | |
Rigamonti et al. | Echo state network for the remaining useful life prediction of a turbofan engine | |
AU2020100630A4 (en) | System and method for grade estimation using gradient boosted decesion tree based machine learning algorithims | |
CN107368463B (zh) | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 | |
Pang et al. | Anomaly detection based on data stream monitoring and prediction with improved Gaussian process regression algorithm | |
CN112879024A (zh) | 一种盾构姿态动态预测方法、系统及设备 | |
CN107292061A (zh) | 一种数据驱动的流程工业复杂机电系统信息建模方法 | |
Chen et al. | Prediction of TBM tunneling parameters through an LSTM neural network | |
Li et al. | A data-driven building’s seismic response estimation method using a deep convolutional neural network | |
CN116500678B (zh) | 一种多源数据因果融合驱动的微震时空预测方法 | |
CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
CN105718733A (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
Terbuch et al. | Hybrid machine learning for anomaly detection in industrial time-series measurement data | |
CN116070767B (zh) | 一种基于胶囊神经网络的钻井液漏失层位预测方法 | |
CN116861214A (zh) | 一种基于卷积长短时记忆网络的健康状态识别方法及系统 | |
Qin et al. | Data-driven models in reliability analysis for tunnel structure: A systematic review | |
Hameed et al. | Employing a robust data-driven model to assess the environmental damages caused by installing grouted columns | |
CN115327942A (zh) | 一种环境智能监测系统 | |
CN118381809B (zh) | 基于物联网实现煤矿封孔下的设备控制方法及系统 | |
O'Neill et al. | A knowledge-based approach to real time signal monitoring | |
CN116108587B (zh) | 一种考虑多源信息不确定性的tbm利用率预测方法 | |
KR102084744B1 (ko) | 예측 모델 훈련을 위한 데이터 세트 생성 방법 및 상기 예측 모델을 포함하는 장치 |
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 |