CN116756682A - 一种震电磁多场数据融合方法及系统 - Google Patents
一种震电磁多场数据融合方法及系统 Download PDFInfo
- Publication number
- CN116756682A CN116756682A CN202310715406.7A CN202310715406A CN116756682A CN 116756682 A CN116756682 A CN 116756682A CN 202310715406 A CN202310715406 A CN 202310715406A CN 116756682 A CN116756682 A CN 116756682A
- Authority
- CN
- China
- Prior art keywords
- field
- data
- electromagnetic radiation
- field data
- microseismic
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 11
- 230000003993 interaction Effects 0.000 claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000005684 electric field Effects 0.000 claims description 49
- 230000005670 electromagnetic radiation Effects 0.000 claims description 46
- 238000010586 diagram Methods 0.000 claims description 20
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000006116 polymerization reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000452 restraining effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 8
- 239000011435 rock Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种震电磁多场数据融合方法及系统，涉及数据处理技术领域，解决了无法利用多场数据对支护结构体状态进行监测的技术问题，其技术方案要点是通过特征编码器从传感器数据中分别提取微震场数据、电场数据和电磁辐射场数据的特征。通过场内数据关系学习模块和场间数据关系学习模块，分别学习单场数据内全局时序特征和多场数据间局部交互特征，并采用一致性损失来约束多场数据间局部交互特征，最后通过多特征融合模块实现场内特征和多场交互特征的融合，对支护结构体的早期破裂进行预警。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种震电磁多场数据融合方法及系统。
背景技术
近年来，我国在深部矿山、隧道挖掘、轨道交通等地下工程领域快速发展且逐渐向深部扩展。地下开采强度日益增加导致深部地下巷道围岩变形量加大，巷道围岩事故频发。深部地下巷道的四维支护要求能够调节与控制围岩变形过程，保障地下巷道的安全稳定。监测预警技术通过监测四维支护结构的动态变化，判断围岩稳定性，为决策者提供决策依据从而实现灾害预警。
目前的监测手段从地震场、地电场、电磁场等角度出发，采用传感器技术实时采集深部巷道四维支护结构体自身的微震、电场和电磁辐射信号，通过信号变化反映结构体健康状态，形成围岩实时监测系统。上述监测系统虽取得一定效果，但是多基于单一场源，忽视了围岩结构变形破裂过程中的多场关系，无法充分利用多场信息，挖掘多场关系与结构体破裂之间的关联，从而准确的实现预警。因此，亟需一种能够融合多场数据的方法以实现对支护结构体的精准预警。
发明内容
本申请提供了一种震电磁多场数据融合方法及系统，其技术目的是对多场数据关系进行捕捉，实现震电磁多场数据的融合，以对支护结构体的状态实现精准预警。
本申请的上述技术目的是通过以下技术方案得以实现的：
一种震电磁多场数据融合方法，包括：
S1：通过特征编码器从传感器数据中分别提取微震场、电场和电磁辐射场的数据特征；
S2：对微震场、电场和电磁辐射场的数据特征进行场内数据关系学习，分别得到单场数据内全局时序特征；
S3：对微震场、电场和电磁辐射场的数据特征进行两两组合的场间数据关系学习，分别得到多场数据间局部交互特征；
S4：通过一致性损失对多场数据间局部交互特征进行约束，得到约束后多场数据间局部交互特征；
S5：将单场数据内全局时序特征与约束后多场数据间局部交互特征进行融合，得到融合特征，实现震电磁多场数据融合。
进一步地，所述步骤S2中，通过图注意力网络进行场内数据关系学习，包括：
S21：分别构建关于微震场、电场和电磁辐射场的全连通图注意力网络，该全连通图注意力网络将微震场、电场和电磁辐射场的数据特征Xμ划分成若干个节点，且任意一个节点与场内其他节点均存在邻接关系，分别得到微震场、电场和电磁辐射场的场内全连通图；其中，所述全连通图注意力网络采用transformer网络的自注意力机制；存在邻接关系的场内节点之间通过边连接；
S22：对场内全连通图中的每个节点及其全部邻接节点进行邻居聚合，得到聚合后特征，则该聚合后特征表示为：
其中，表示边的权重，边的权重即transformer网络中自注意力机制计算的自注意力系数值；Xμ表示聚合前特征；/>表示聚合后特征；i＝1,…,h，h表示自注意力头数亦即聚合次数；z,d,c分别表示微震场、电场和电磁辐射场；dk表示/>或/>的维度，softmax表示激活函数，/>均表示权重矩阵，||表示级联运算；
S23：对场内全连通图中的每个节点进行状态更新，得到更新后特征，状态更新表示为：
其中，表示更新后特征；⊙表示哈达玛积；/>为权重矩阵；
S24：对更新后特征重复步骤S21至S23以进行多层图学习，完成多层图学习后，结合自适应残差，最终得到单场数据内全局时序特征，表示为：
其中，表示单场数据内全局时序特征；/>表示经过L次邻居聚合和状态更新后的节点特征矩阵；/>表示权重矩阵。
进一步地，所述步骤S3中，通过图注意力网络进行场间数据关系学习，包括：
S31：对微震场、电场和电磁辐射场相互之间的场间稀疏图注意力网络进行构建，该场间稀疏图注意力网络将微震场、电场和电磁辐射场的数据特征Xμ都划分成若干个节点，对不同场的节点之间的场间注意力进行计算，每个节点自大至小分别保留与其他两个场的C个注意力系数值，并将其余注意力系数值置零，得到任意一个节点与不同场中的C个节点存在邻接关系的稀疏图，以此方式得到3个场间稀疏图，即微震场-电场场间稀疏图、微震场-电磁辐射场场间稀疏图和电场-电磁辐射场场间稀疏图；其中，存在邻接关系的场间节点之间通过边连接，边的权重即自注意力系数值；
S32：对场间稀疏图中的每个节点及其全部邻接节点进行多头邻居聚合，得到聚合后特征，则该聚合后特征表示为：
其中，μj,μj′∈{z,d,c}，且μj≠μj′，z,d,c分别表示微震场、电场和电磁辐射场；表示μj场中的节点对μj′场中与之存在邻接关系的节点进行聚合后的特征；/>表示μj′场中的节点对μj场中与之存在邻接关系的节点进行聚合后的特征；/>和/>均表示聚合前特征；/>和/>均表示权重矩阵；
S33：对场间稀疏图中的每个节点进行状态更新，得到更新后特征，则状态更新表示为：
其中，和/>均表示更新后特征，/>均表示权重矩阵；
S34：对更新后特征重复步骤S21至S23以进行多层图学习，完成多层图学习后，引入自适应残差，得到最终的多场数据间局部交互特征和/>表示为：
其中，和/>表示经过L层图学习得到的特征，/>和/>均表示权重矩阵。
进一步地，步骤S4中，约束后多场数据间局部交互特征表示为：
其中，μ∈{z,d,c}，μj,μj′,μj”∈{z,d,c}，且μj≠μj′≠μj”，μj＝μ。
进一步地，步骤S5中，融合特征X表示为：
一种震电磁多场数据融合系统，包括：
特征编码器，用于从传感器数据中分别提取微震场、电场和电磁辐射场的数据特征；
场内数据关系学习模块，对微震场、电场和电磁辐射场的数据特征进行场内数据关系学习，分别得到单场数据内全局时序特征；
场间数据关系学习模块，对微震场、电场和电磁辐射场的数据特征进行两两组合的场间数据关系学习，分别得到多场数据间局部交互特征；
一致性损失模块，通过一致性损失对多场数据间局部交互特征进行约束，得到约束后多场数据间局部交互特征；
多特征融合模块，将单场数据内全局时序特征与约束后多场数据间局部交互特征进行融合，得到融合特征，实现震电磁多场数据融合。
一种设备，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于所述计算机程序实现震电磁多场数据融合方法。
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现震电磁多场数据融合方法。
本申请的有益效果在于：本申请所述的震电磁多场数据融合方法及系统，通过特征编码器，从原始传感器数据中分别提取微震场、电场和电磁辐射场的数据特征，该特征编码器通过双向LSTM学习各场数据中的时间关系，从而提取各场特征。场内数据关系学习模块根据各场数据构造单场图，利用图注意力网络学习数据之间隐含的时空关系，获得单场数据内全局时序特征。场间数据关系学习模块将多场数据两两组合，构造了场间稀疏图，利用图注意力网络挖掘多场之间的关系，获取多场数据间局部交互特征。一致性损失模块能够对多场数据间局部交互特征起到约束作用，从而引导多场数据间局部交互特征的学习更加准确。多特征融合模块将单场数据内全局时序特征与约束后多场数据间局部交互特征相融合，作为最终的特征参与结构体损伤识别。
融合震电磁多场数据对结构体的状态实施监测，并尽可能对结构体的破裂实现早期预警，从而对结构体加固起到反馈作用，避免结构体损伤带来的后果。
附图说明
图1为本申请实施例中震电磁多场数据融合方法的流程框架图；
图2为本申请实施例提供的场内数据关系学习结构图；
图3为本申请实施例提供的场间数据关系学习结构图；
图4为本申请实施例提供的模型分类的混淆矩阵结果图；
图5为本申请实施例提供的模型分类的样本预测类别沿时间轴的分布图。
具体实施方式
下面将结合附图对本申请技术方案进行详细说明。
如图1所示，本申请所述的一种震电磁多场数据融合方法，包括：
S1：通过特征编码器从传感器数据中分别提取微震场、电场和电磁辐射场的数据特征。
具体地，采用三个双向LSTM网络分别从原始传感器数据中提取微震场、电场和电磁辐射场的数据特征；其中，将不同位置的传感器采集到的数据作为每个时刻的特征，并采用平均池化，平衡不同时刻的输出，完成特征提取。
S2：对微震场、电场和电磁辐射场的数据特征进行场内数据关系学习，分别得到单场数据内全局时序特征。
本申请实施例中，通过图注意力网络进行场内数据关系学习，如图2所示，具体包括：
S21：分别构建关于微震场、电场和电磁辐射场的全连通图注意力网络，该全连通图注意力网络为多层图学习网络。全连通图注意力网络将微震场、电场和电磁辐射场的数据特征Xμ划分成若干个节点，且任意一个节点与场内其他节点均存在邻接关系，分别得到微震场、电场和电磁辐射场的场内全连通图；其中，所述全连通图注意力网络采用transformer网络的自注意力机制；存在邻接关系的场内节点之间通过边连接。
场内即指同一个场之内，例如微震场的数据特征被全连通图注意力网络划分成若干个节点，其中任意一个节点与其他节点都存在邻接关系，若微震场的数据特征被划分成3个节点(a、b、c)，则共有三个邻接关系(a与b、c的邻接，b与a、c的邻接，c与a、b的邻接)构成微震场的场内全连通图。电场和电磁辐射场的场内全连通图同样如此得到。
S22：对场内全连通图中的每个节点及其全部邻接节点进行多头邻居聚合，得到聚合后特征，则该聚合后特征表示为：
其中，表示边的权重，边的权重即transformer网络中自注意力机制计算的自注意力系数值；Xμ表示聚合前特征；/>表示聚合后特征；i＝1,...,h，h表示自注意力头数；μ∈{z,d,c}，z,d,c分别表示微震场、电场和电磁辐射场；dk表示/>或/>的维度，softmax表示激活函数，/>均表示权重矩阵，||表示级联运算。
S23：对场内全连通图中的每个节点进行状态更新，得到更新后特征，状态更新表示为：
其中，表示更新后特征；⊙表示哈达玛积；/>为权重矩阵。
S24：由于全连通图注意力网络为多层图学习网络，需要对更新后特征重复步骤S21至S23以进行多层图学习。而随着图神经网络的加深，容易发生过平滑，针对这个问题，本申请设计了自适应残差，得到最终的单场数据内全局时序特征，表示为：
其中，表示单场数据内全局时序特征；/>表示经过L次邻居聚合和状态更新后的节点特征矩阵；/>表示权重矩阵。
S3：对微震场、电场和电磁辐射场的数据特征进行两两组合的场间数据关系学习，分别得到多场数据间局部交互特征。
本申请实施例中，通过图注意力网络进行场间数据关系学习，如图3所示，具体包括：
S31：对微震场、电场和电磁辐射场相互之间的场间稀疏图注意力网络进行构建，该场间稀疏图注意力网络为多层图学习网络。该场间稀疏图注意力网络将微震场、电场和电磁辐射场的数据特征Xμ都划分成若干个节点，对不同场的节点之间的场间注意力进行计算，每个节点自大至小分别保留与其他两个场的C个注意力系数值，并将其余注意力系数值置零，得到任意一个节点与不同场中的C个节点存在邻接关系的稀疏图，以此方式得到3个场间稀疏图，即微震场-电场场间稀疏图、微震场-电磁辐射场场间稀疏图和电场-电磁辐射场场间稀疏图；其中，存在邻接关系的场间节点之间通过边连接，边的权重即注意力系数值。
场间即指不同的场之间，例如微震场与电场之间，微震场与电磁辐射场之间。例如微震场、电场和电磁辐射场中的数据均被划分成3个节点，分别为(a1，b1，c1)、(a2，b2，c2)和(a3，b3，c3)，对微震场中的节点a1、b1、c1与电场中全部节点(a2，b2，c2)的场间注意力分别进行计算，若每个节点自大至小均保留2个自注意力系数值，则共有6个注意力系数值，例如a1a2、a1c2、b1a2、b1b2、c1b2、c1c2这6条边之间的注意力系数值。同时需要对电场中的节点a2、b2、c2与微震场中全部节点(a1，b1，c1)的场间注意力分别进行计算，每个节点自大至小均保留2个注意力系数值，共有6个注意力系数值，例如a2a1、a2b1、b2b1、b2c1、c2a1、c2c1这6条边之间的注意力系数值。最终由(a1a2，a1c2)(b1a2，b1b2)(c1b2，c1c2)(a2a1，a2b1)(b2b1，b2c1)(c2a1，c2c1)这6个双向边构成微震场-电场场间稀疏图。微震场-电磁辐射场场间稀疏图和电场-电磁辐射场场间稀疏图亦根据上述方法得到。
S32：对场间稀疏图中的每个节点及其全部邻接节点进行多头邻居聚合，得到聚合后特征，则该聚合后特征表示为：
其中，μj,μj′∈{z,d,c}，且μj≠μj′，z,d,c分别表示微震场、电场和电磁辐射场；表示μj场中的节点对μj′场中与之存在邻接关系的节点进行聚合后的特征；/>表示μj′场中的节点对μj场中与之存在邻接关系的节点进行聚合后的特征；/>和/>均表示聚合前特征；/>和/>均表示权重矩阵；
S33：对场间稀疏图中的每个节点进行状态更新，得到更新后特征，则状态更新表示为：
其中，和/>均表示更新后特征，/>均表示权重矩阵；
S34：对更新后特征重复步骤S21至S23以进行多层图学习，完成多层图学习后，引入自适应残差，得到最终的多场数据间局部交互特征和/>表示为：
其中，和/>表示经过L层图学习得到的特征，/>和/>均表示权重矩阵。
S4：通过一致性损失对多场数据间局部交互特征进行约束，得到约束后多场数据间局部交互特征。
具体地，对场间数据关系学习的输出加以约束，将相同场的输出特征进行相加，分别得到微震场、电场和电磁辐射场的约束后多场数据间局部交互特征Xz′、Xd′和Xc′，表示为：
每一个场的约束后多场数据间局部交互特征都能用于对结构体的损伤进行识别分类，从而约束场间数据关系学习的过程。对每一个场的约束后多场数据间局部交互特征进行分类，需要三个全连接层Fz,Fd,Fc，分类过程如下：
Hz＝Fz(Xz′)
Hd＝Fd(Xd′)；
Hc＝Fc(Xc′)
其中，Hz,Hd,Hc分别表示三个场的分类输出，作为最终分类的一部分参与对结构体损伤状况的决策。
S5：将单场数据内全局时序特征与约束后多场数据间局部交互特征进行融合，得到融合特征，实现震电磁多场数据融合。
具体地，融合特征X表示为：
其中，X作为最终的融合特征，用于监测结构体的健康状态。对融合特征进行分类，需要一个全连接层，分类过程如下：
H＝F(X)；
其中，H表示融合特征的分类输出。通过Hz,Hd,Hc和H共同对结构体损伤状况进行决策。
本申请依据深部地下工程结构体的监测数据，形成震电磁多场数据集，将结构体的损伤状态划分为四个等级，分别是初始压密、弹性变形、轻微破裂和严重破裂四个阶段，为了达到预警的效果，将数据集对应每个阶段的前10％以及后10％作为测试集，采用pytorch神经网络框架搭建用于深部巷道四维支护健康监测的震电磁多场数据融合系统，其识别准确率和F1分数均达到了92％以上，为了进一步探索结构体各损伤状态的识别效果，绘制了混淆矩阵图，如图4，从图4中能够看出，识别第一次出现破裂的准确率达到了96.67％，起到了很好的预警作用。
图5是沿着时间轴绘制的破裂预测情况结果，从图5中能够看出，当轻微破裂刚刚发生时，基本可以准确地预测出来，为支护加固与早期预警提供了积极反馈和决策支持。
本申请所述的一种震电磁多场数据融合系统，采用pytorch神经网络框架进行搭建，具体包括：
特征编码器，用于从传感器数据中分别提取微震场、电场和电磁辐射场的数据特征；
场内数据关系学习模块，对微震场、电场和电磁辐射场的数据特征进行场内数据关系学习，分别得到单场数据内全局时序特征；
场间数据关系学习模块，对微震场、电场和电磁辐射场的数据特征进行两两组合的场间数据关系学习，分别得到多场数据间局部交互特征；
一致性损失模块，通过一致性损失对多场数据间局部交互特征进行约束，得到约束后多场数据间局部交互特征；
多特征融合模块，将单场数据内全局时序特征与约束后多场数据间局部交互特征进行融合，得到融合特征，实现震电磁多场数据融合。
以上为本申请示范性实施例，本申请的保护范围由权利要求书及其等效物限定。
Claims (8)
1.一种震电磁多场数据融合方法，其特征在于，包括：
S1：通过特征编码器从传感器数据中分别提取微震场、电场和电磁辐射场的数据特征；
S2：对微震场、电场和电磁辐射场的数据特征进行场内数据关系学习，分别得到单场数据内全局时序特征；
S3：对微震场、电场和电磁辐射场的数据特征进行两两组合的场间数据关系学习，分别得到多场数据间局部交互特征；
S4：通过一致性损失对多场数据间局部交互特征进行约束，得到约束后多场数据间局部交互特征；
S5：将单场数据内全局时序特征与约束后多场数据间局部交互特征进行融合，得到融合特征，实现震电磁多场数据融合。
2.如权利要求1所述的方法，其特征在于，所述步骤S2中，通过图注意力网络进行场内数据关系学习，包括：
S21：分别构建关于微震场、电场和电磁辐射场的全连通图注意力网络，该全连通图注意力网络将微震场、电场和电磁辐射场的数据特征Xμ划分成若干个节点，且任意一个节点与场内其他节点均存在邻接关系，分别得到微震场、电场和电磁辐射场的场内全连通图；其中，所述全连通图注意力网络采用transformer网络的自注意力机制；存在邻接关系的场内节点之间通过边连接；
S22：对场内全连通图中的每个节点进行邻居聚合，得到聚合后特征，则该聚合后特征表示为：
其中，表示边的权重，边的权重即transformer网络中自注意力机制计算的自注意力系数值；Xμ表示聚合前特征；/>表示聚合后特征；i＝1,...,h，h表示自注意力头数；μ∈(z,d,c)，z、d、c分别表示微震场、电场和电磁辐射场；dk表示/>或/>的维度，softmax表示激活函数，/>均表示权重矩阵，||表示级联运算；
S23：对场内全连通图中的每个节点进行状态更新，得到更新后特征，状态更新表示为：
其中，表示更新后特征；⊙表示哈达玛积；/>为权重矩阵；
S24：对更新后特征重复步骤S21至S23以进行多层图学习，完成多层图学习后，结合自适应残差，最终得到单场数据内全局时序特征，表示为：
其中，表示单场数据内全局时序特征；/>表示经过L次邻居聚合和状态更新后的节点特征矩阵；/>表示权重矩阵。
3.如权利要求2所述的方法，其特征在于，所述步骤S3中，通过图注意力网络进行场间数据关系学习，包括：
S31：对微震场、电场和电磁辐射场相互之间的场间稀疏图注意力网络进行构建，该场间稀疏图注意力网络将微震场、电场和电磁辐射场的数据特征Xμ都划分成若干个节点，对不同场的节点之间的场间注意力进行计算，每个节点自大至小分别保留与其他两个场的C个注意力系数值，并将其余注意力系数值置零，得到任意一个节点与不同场中的C个节点存在邻接关系的稀疏图，以此方式得到3个场间稀疏图，即微震场-电场场间稀疏图、微震场-电磁辐射场场间稀疏图和电场-电磁辐射场场间稀疏图；其中，存在邻接关系的场间节点之间通过边连接，边的权重即注意力系数值；
S32：对场间稀疏图中的节点进行邻居聚合，得到聚合后特征，则该聚合后特征表示为：
其中，μj,μj′∈{z,d,c}，且μj≠μj′，z,d,c分别表示微震场、电场和电磁辐射场；表示μj场中的节点对μj′场中与之存在邻接关系的节点进行聚合后的特征；/>表示μj′场中的节点对μj场中与之存在邻接关系的节点进行聚合后的特征；/>和/>均表示聚合前特征；和/>均表示权重矩阵；
S33：对场间稀疏图中的每个节点进行状态更新，得到更新后特征，则状态更新表示为：
其中，和/>均表示更新后特征，/>均表示权重矩阵；
S34：对更新后特征重复步骤S21至S23以进行多层图学习，完成多层图学习后，引入自适应残差，得到最终的多场数据间局部交互特征和/>表示为：
其中，和/>表示经过L层图学习得到的特征，/>和/>均表示权重矩阵。
4.如权利要求3所述的方法，其特征在于，步骤S4中，约束后多场数据间局部交互特征表示为：
其中，μj,μj′,μj”∈{z,d,c}，且μj≠μj′≠μj”。
5.如权利要求4所述的方法，其特征在于，步骤S5中，融合特征X表示为：
6.一种震电磁多场数据融合系统，其特征在于，包括：
特征编码器，用于从传感器数据中分别提取微震场、电场和电磁辐射场的数据特征；
场内数据关系学习模块，对微震场、电场和电磁辐射场的数据特征进行场内数据关系学习，分别得到单场数据内全局时序特征；
场间数据关系学习模块，对微震场、电场和电磁辐射场的数据特征进行两两组合的场间数据关系学习，分别得到多场数据间局部交互特征；
一致性损失模块，通过一致性损失对多场数据间局部交互特征进行约束，得到约束后多场数据间局部交互特征；
多特征融合模块，将单场数据内全局时序特征与约束后多场数据间局部交互特征进行融合，得到融合特征，实现震电磁多场数据融合。
7.一种设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于所述计算机程序实现如权利要求1-5任一所述的震电磁多场数据融合方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5任一所述的震电磁多场数据融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310715406.7A CN116756682A (zh) | 2023-06-16 | 2023-06-16 | 一种震电磁多场数据融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310715406.7A CN116756682A (zh) | 2023-06-16 | 2023-06-16 | 一种震电磁多场数据融合方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116756682A true CN116756682A (zh) | 2023-09-15 |
Family
ID=87949126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310715406.7A Pending CN116756682A (zh) | 2023-06-16 | 2023-06-16 | 一种震电磁多场数据融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756682A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635219A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
-
2023
- 2023-06-16 CN CN202310715406.7A patent/CN116756682A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635219A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
| CN117635219B (zh) * | 2024-01-26 | 2024-04-26 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
| CN111563533B (zh) | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 | |
| Gupta et al. | Looking ahead of the bit using surface drilling and petrophysical data: Machine-learning-based real-time geosteering in volve field | |
| CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
| Guo et al. | Integration of support vector regression with distributed Gauss-Newton optimization method and its applications to the uncertainty assessment of unconventional assets | |
| CN102496028A (zh) | 一种复杂装备的事后维修故障分析方法 | |
| CN116756682A (zh) | 一种震电磁多场数据融合方法及系统 | |
| CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN111649779B (zh) | 基于密集神经网络的油井含油率和总流速测量方法及应用 | |
| CN117292148B (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN115510975A (zh) | 基于并行Transofmer-GRU的多变量时序异常检测方法及系统 | |
| CN116485029A (zh) | 油田开发动态数据准确性检测方法、装置、设备及介质 | |
| Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
| CN113408190B (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
| CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
| CN112785479B (zh) | 一种基于少样本学习的图像隐形水印通用检测方法 | |
| CN117272232A (zh) | 数据融合的隧道监测方法、装置、计算机设备及存储介质 | |
| CN113156492A (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
| US20230350402A1 (en) | Multi-task learning based rul predication method under sensor fault condition | |
| CN116578888A (zh) | 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 | |
| CN110619382A (zh) | 适用于地震勘探的褶积深度网络构建方法 | |
| CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
| CN114575827A (zh) | 一种随钻测量数据智能处理系统及方法 |
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 |