CN117307249A - 一种隧道岩爆实时智能预警方法及装置 - Google Patents
一种隧道岩爆实时智能预警方法及装置 Download PDFInfo
- Publication number
- CN117307249A CN117307249A CN202311115841.2A CN202311115841A CN117307249A CN 117307249 A CN117307249 A CN 117307249A CN 202311115841 A CN202311115841 A CN 202311115841A CN 117307249 A CN117307249 A CN 117307249A
- Authority
- CN
- China
- Prior art keywords
- microseismic
- accumulated energy
- rock burst
- prediction model
- sequence
- 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013058 risk prediction model Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 37
- 238000012544 monitoring process Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 20
- 230000035939 shock Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 238000005311 autocorrelation function Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 108091026890 Coding region Proteins 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种隧道岩爆实时智能预警方法及装置,涉及岩爆预警领域,所述方法包括根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列;根据获取的隧道内岩爆数据和微震累积能量序列构建岩爆风险预测模型;根据微震累积能量序列,建立微震累积能量预测模型;根据微震累积能量预测模型得到未来微震累积能量;将未来微震累积能量输入岩爆风险预测模型,得到未来岩爆发生概率。预测出未来微震累积能量后,利用岩爆风险预测模型,预测出岩爆发生概率,基于历史真实数据、微震累积能量预测模型和岩爆风险预测模型,预测出的岩爆发生概率不依赖于人为经验值,削弱人为主观参与的干扰,使得预测结果准确性更高,时效性更好。
Description
技术领域
本发明涉及岩爆预警技术领域,具体而言,涉及一种隧道岩爆实时智能预警方法及装置。
背景技术
地下工程中,岩爆是一种常见的地质灾害,严重威胁着工程施工和人员安全。微震监测技术是一种有效的岩爆预警手段,通过对微震信号的监测和分析,可以实现对岩爆的预警和控制。
目前,微震监测的定位方法主要采用以时间残差为研究对象的定位方法,该方法依赖于人工验证,无法保证微震事件定位的时效性,可能耽误灾害预警的最佳时机;另外,在岩爆预警工作中,根据微震参数演化进行的岩爆风险性预测受人为主观因素影响较大,精度不高。
发明内容
本发明所要解决的问题是现有微震监测方法受人为主观因素影响较大,准确性和时效性较低。
为解决上述问题,一方面,本发明提供了一种隧道岩爆实时智能预警方法,包括:
根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列;
根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型;
根据所述微震累积能量序列,建立微震累积能量预测模型;
根据所述微震累积能量预测模型得到未来微震累积能量;
将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率。
可选地,所述根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列之前,还包括:
从微震监测系统获取所述微震监测数据和所述岩爆数据,其中,所述微震监测系统包括检波器和数据采集仪,所述检波器设置在掌子面后方的岩壁上,所述检波器将接收到的震动波信号发送给所述数据采集仪,所述数据采集仪用于对所述震动波信号进行信号处理;
对所述微震监测数据进行处理,反演得到微震位置和微震发生时间。
可选地,所述微震监测数据包括震动波波速和震源与检波器之间的接收距离;
所述根据获取的隧道内所述微震监测数据分析微震累积能量,得到微震累积能量序列包括:
根据所述微震位置和所述微震发生时间,得到所述震源与所述检波器之间的所述接收距离;
根据所述震动波波速、所述接收距离以及所述震动波波速关于时间的积分,得到所述微震累积能量;
将所述微震累积能量按序排列得到所述微震累计能量序列。
可选地,所述微震累积能量为:E=4πρvR2Sv,其中,ρ是所述震源岩体的密度,v是所述震动波波速,R是所述震源与所述检波器之间的所述接收距离,V(t)为所述震动波波速进行一次积分后得到的速度波形。
可选地,所述根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型包括:
根据所述岩爆数据,将岩爆情况转义编码,得到岩爆编码序列,其中,所述岩爆编码序列与所述微震累积能量序列一一对应;
拾取任意时间段内相对应的所述微震累计能量序列和所述岩爆编码序列,建立多个训练集、验证集和测试集;
将所述微震累计能量序列作为LSTM模型的输入,将所述岩爆编码序列作为所述LSTM模型的输出,使用多个训练集对所述LSTM模型进行多次训练,采用所述验证集和测试集进行测验,获得训练后的所述LSTM模型的预测准确率;
对比多次训练后所述LSTM模型的预测准确率,取所述预测准确率最大的所述LSTM模型作为所述岩爆风险预测模型。
可选地,所述根据所述微震累积能量序列,建立微震累积能量预测模型包括:
对所述微震累积能量序列进行相空间重构,得到所述微震累积能量的相空间矢量;
根据所述相空间矢量,分析自相关函数,确定所述相空间矢量中的延迟时间;
根据所述相空间矢量和确定的所述延迟时间,分析相邻两个所述相空间矢量之间的距离,确定所述相空间矢量中的嵌入维度;
根据确定的所述延迟时间和所述嵌入维度,得到所述微震累积能量预测模型。
可选地,所述微震累积能量的所述相空间矢量为:
y(i)=(E(i),…,E(i+(d-1)τ),1≤i≤n-(d-1)τ
其中,y(i)为相空间矢量,E(i)为第i时刻的所述微震累计能量,d为嵌入维度,τ为延迟时间,n为第n时刻。
可选地,所述微震累积能量预测模型为:
E(n+1)=E(N+1+(d-1)τ)≈E(j+1+(d-1)τ)
其中,所述E(n+1)为当前时刻n之后的下一时刻的所述微震累积能量,j=N=n-(d-1)τ,E(j+1+(d-1)τ)为根据局部预测法计算出的第j+1个相空间矢量。
可选地,所述根据所述微震累积能量预测模型得到未来微震累积能量包括:
将预测的下一时刻的所述微震累积能量作为已知量加入所述微震累积能量序列,利用所述微震累积能量预测模型,循环得到未来微震累积能量。
另外一方面,本发明还提供了一种隧道岩爆实时智能预警装置,包括:
能量序列分析模块,用于根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列;
岩爆预测模型构建模块,用于根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型;
能量预测模型建立模块,用于根据所述微震累积能量序列,建立微震累积能量预测模型;
能量预测模块,用于根据所述微震累积能量预测模型得到未来微震累积能量;
岩爆预测模块,用于将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率。
与现有技术相比,本发明具有如下有益效果:
本发明提供的一种隧道岩爆实时智能预警方法及装置,根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列,能够知道历史工作过程中每个时间的微震累积能量,根据所述微震累积能量序列,建立微震累积能量预测模型,得到未来微震累积能量,能够预测在未来多个时间段内的微震累积能量,另外根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型,并将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率,在已经预测出未来微震累积能量时,利用岩爆风险预测模型,进一步预测出岩爆发生概率,基于历史真实数据、微震累积能量预测模型和岩爆风险预测模型,预测出的岩爆发生概率不依赖于人为经验值,削弱人为主观参与的干扰,使得预测结果准确性更高,时效性更好。
附图说明
图1示出了本发明实施例中一种隧道岩爆实时智能预警方法的流程示意图;
图2示出了本发明实施例中LSTM模型的结构示意图;
图3示出了本发明实施例中一种隧道岩爆实时智能预警装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
在本说明书的描述中,参考术语“实施例”、“一个实施例”和“一个实施方式”等的描述意指结合该实施例或实施方式描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或实施方式中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实施方式。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或实施方式以合适的方式结合。
图1示出了本发明实施例中一种隧道岩爆实时智能预警方法的流程示意图,所述隧道岩爆实时智能预警方法,包括:
S1:根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列;
具体地,由于在隧道内发生岩爆前或者产生微震的时候,岩体会产生震动,震动引起岩体内部的应力能量累积,当能量积累到一定程度时,超过岩体的承受范围就会发生岩爆,由于隧道所处的地层的物理性质(密度,硬度等)不同,因此可以通过震源所处位置处的累积能量的多少,判断震源所在位置是否可能发生岩爆。统计过往发生岩爆、未发生岩爆或者发生轻微岩爆等情况时,岩体内产生的微震累积能量,将计算出的多个微震累积能量按发生事件的先后排列,得到微震累积能量序列。
S2:根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型;
具体地,先搭建岩爆风险预测模型的框架,该框架可以是LSTM模型,如图2所示,LSTM模型包括输入层、LSTM层、Dropout、Dense层和输出层;每一层的维度可以设置成不同,其中输入为微震累积能量,长度可以设置为k,为了区分多种不同的岩爆类型,可以将输出的长度设置为与岩爆类型数量相等的数值。除此之外,还可以在上述LSTM模型中插入其他功能改进层,对LSTM模型做适应性改进。在历史过往数据中去一段时间内的岩爆数据和所述微震累积能量序列,对LSTM模型进行训练,并取其他时间段的历史数据对LSTM模型进行验证和测试,直到LSTM模型的输出结果与实际岩爆情况相符合,则将当前训练完成后,具有稳定输出和训练参数的LSTM模型作为岩爆风险预测模型。但是该模型需要在得知微震累积能量的情况下才能对岩爆风险进行预测,因此在未来微震没有发生的情况下,微震累积能量是无法获取的,因此需要先预测出未来某一时刻的微震累积能量。
S3:根据所述微震累积能量序列,建立微震累积能量预测模型;
具体地,将微震累积能量的时序演化视为在混沌系统中随着时间而变化,因此可以从微震累积能量序列中重构一个与原混沌系统在拓扑意义下一样的相空间,建立微震累积能量的相空间重构模型,然后确认相空间重构模型中的参数,得到微震累积能量预测模型。
S4:根据所述微震累积能量预测模型得到未来微震累积能量;
具体地,使用相空间重构模型能够预测未来微震累积能量,即在现有微震累积能量序列的基础上预测下一时刻的微震累积能量,然后将下一时刻的微震累积能量添加到微震累积能量序列,形成新的微震累积能量序列,再以新的微震累积能量序列预测未来更久的微震累积能量,以此循环。得到未来更多个时刻的微震累积能量。
S5:将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率。
将预测出的未来微震累积能量作为岩爆风险预测模型的输入,能够输出发生何种岩爆以及发生该岩爆的概率。例如输出的编码为:0、0、0.1、0.9,此编码代表的含义是,可能发生中等岩爆和强烈岩爆,发生中等岩爆的概率是0.1,发生强烈岩爆及以上等级岩爆的概率是0.9。由此可知发生强烈岩爆的可能性较大,此时可以据此发出预警。除此之外,还可以将预警结果三维可视化显示出来,以方便工作人员及时看到。
在本实施例中,根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列,能够知道历史工作过程中每个时间的微震累积能量,根据所述微震累积能量序列,建立微震累积能量预测模型,得到未来微震累积能量,能够预测在未来多个时间段内的微震累积能量,另外根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型,并将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率,在已经预测出未来微震累积能量时,利用岩爆风险预测模型,进一步预测出岩爆发生概率,基于历史真实数据、微震累积能量预测模型和岩爆风险预测模型,预测出的岩爆发生概率不依赖于人为经验值,削弱人为主观参与的干扰,使得预测结果准确性更高,时效性更好。
在本发明的一种实施例中,所述根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列之前,还包括:
从微震监测系统获取所述微震监测数据和所述岩爆数据,其中,所述微震监测系统包括多通道的检波器和数据采集仪,所述检波器设置在掌子面后方的岩壁上,所述检波器将接收到的震动波信号发送给数据采集仪,所述数据采集仪用于对所述震动波信号进行信号处理。
具体地,加速度型检波器负责采集岩体内的微振动。检波器布置在隧道掌子面后方的岩壁上,每组断面布置2到3个检波器,共布置3到4组断面,断面间距推荐为50米。随着掌子面的推进,当检波器所在的断面中与掌子面最近的一组的距离超过100米时,将距离掌子面最远的一组检波器向掌子面方向移动。数据采集仪负责将检波器采集的模拟信号转化为数字信号,进行基本的处理滤波后,通过网络推送给隧道岩爆实时智能预警装置,隧道岩爆实时智能预警装置对数据采集仪推送的数字信号进行保存,并对原始信号进行筛选识别,提取有效信号,供后续流程进行分类、定位、求解震源参数和预警分析等。
为了便于查看,可以将现场岩爆数据和微震监测数据汇总成表1和表2.
表1岩爆记录表
表1中各列说明如下:
日期:岩爆日期,记录格式为“年-月-日”;起始时刻:岩爆发生时刻,记录格式为“时-分-秒-毫秒”;等级:岩爆等级,包含轻微、轻微-中等、中等、中等-强烈、强烈、强烈-极强等;岩爆发生中心坐标:岩爆发生中心位置的坐标,与传感器坐标采用相同格式;里程:结束桩号与起始桩号的差;爆坑深度:按长宽高的顺序记录,单位为米。
表2微震监测原始数据
表2中各列说明如下:
日期:事件发生日期,记录格式为“年-月-日”;起始时刻:事件记录起始时刻,记录格式为“时-分-秒-毫秒”;类型:事件类型,包括噪声、爆破、微震、岩爆等;传感器编号:传感器安装位置排序;失效传感器:标注已经确认的无效传感器;传感器坐标:按Northing、Easting、Depth的顺序记录;波形数据:各传感器的振幅电压值序列,单位伏特。
对所述微震监测数据进行处理,反演得到微震位置和微震发生时间。
具体地,对微震原始数据进行处理和定位。具体的,对微震原始数据进行类型识别,选取有效事件、剔除噪声。拾取各个通道震动波的P波和S波初至时间。根据现场勘探和超前地质预报系统测得的P波、S波波速,反演微震坐标(x0,y0,z0)和微震发生时间t0。
在本发明的一种实施例中,所述微震监测数据包括震动波波速v和震源与检波器之间的接收距离R;
所述根据获取的隧道内所述微震监测数据分析微震累积能量,得到微震累积能量序列包括:
根据所述微震位置和所述微震发生时间,得到所述震源与所述检波器之间的所述接收距离;具体地,震源与检波器之间的接收距离R根据微震发生时间t0、震动波初至时间以及震动波波速分析获得,具体为震动波波速在微震发生时间和震动波初至时间之间的一次积分。
根据所述震动波波速、所述接收距离以及所述震动波波速关于时间的积分,得到所述微震累积能量;
具体地,所述微震累积能量为:E=4πρvR2Sv,其中,,ρ是所述震源岩体的密度,v是所述震动波波速,R是震源与检波器之间的接收距离,V(t)为震动波波速进行一次积分后得到的速度波形。
将所述微震累积能量按序排列得到所述微震累计能量序列。
具体地,计算i时刻(此处所说的i时刻可以指某一时刻,也可以指一段时间范围,例如1小时、30分钟等)内所有微震事件生成的能量之和E(i),即:构建微震累积能量的一维时间序列,即微震累积能量序列{E(i):i=1,...,n}。
在本发明的一种实施例中,所述根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型包括:
根据所述岩爆数据,将岩爆情况转义编码,得到岩爆编码序列,其中,所述岩爆编码序列与所述微震累积能量序列一一对应;
具体地,统计一定时间单位内的岩爆发生情况,对岩爆风险进行转义和One-Hot编码,如表3所示。将岩爆记录转化为i时刻内岩爆情况的四维数组(或四种分类,也可以有更多种分类)B(i),并构成时间维序列{B(i):i=1,...,n},与微震累积能量的时间序列对应。
表3岩爆情况的One-Hot编码
岩爆情况 | 无岩爆 | 轻微岩爆 | 中等岩爆 | 强烈以上等级岩爆 |
编码数组 | 0001 | 0010 | 0100 | 1000 |
需要说明的是,上述编码数组中的四位数中,第一位代表强烈及以上等级岩爆发生的概率,第二位代表中等岩爆发生的概率,第三位代表轻微岩爆发生的概率,第四位代表无岩爆情况发生的概率。由于历史数据中,岩爆情况是已经确定的事实,因此上表中四个编码数组中岩爆情况对应的概率数值均为1,但是对于一些不确定的岩爆情况,其数值可以是小于1的数值,例如在岩爆不强烈或者没有发生但是监测到微震波动的时候,此时不好判断岩爆的等级,可能是轻微岩爆也可能是中等岩爆,因此可以根据微震波动,判断发生轻微岩爆的概率为0.3,判断发生中等岩爆的概率为0.7,此时该岩爆数据对应的编码数组为00.30.70,因此在识别编码数组中的数字串的时候,从一个0值起始到另一个0值之前的数字截止为一个数值。
拾取任意时间段内相对应的所述微震累计能量序列和所述岩爆编码序列,建立多个训练集、验证集和测试集;
具体地,采用LSTM模型建立岩爆风险预测的深度学习网络,取任意的起始时刻l、长度为k的微震累积能量序列{E(i):i=l,…,l+k}作为模型的输入,以k+1时刻“无岩爆”、发生“轻微岩爆”、发生“中等岩爆”或发生“强烈以上等级岩爆”的四种类型B(k+1)作为模型的输出。
将所述微震累计能量序列作为LSTM模型的输入,将所述岩爆编码序列作为所述LSTM模型的输出,使用多个训练集对所述LSTM模型进行多次训练,采用所述验证集和测试集进行测验,获得训练后的所述LSTM模型的预测准确率;
对比多次训练后所述LSTM模型的预测准确率,取所述预测准确率最大的所述LSTM模型作为所述岩爆风险预测模型。
具体地,采用历史监测数据构建上述模型的训练集、验证集、测试集样本。样本分为若干组,每组采用不同长度k的微震累积能量序列作为输入,保证样本的多样性和不规律性。训练集、验证集、测试集按7:1:2的比例进行乱序划分。采用不同长度k的样本,训练LSTM模型。验证模型的准确率,取预测准确率最高的模型作为最终的岩爆风险预测模型。
在本发明的一种实施例中,所述根据所述微震累积能量序列,建立微震累积能量预测模型包括:
对所述微震累积能量序列进行相空间重构,得到所述微震累积能量的相空间矢量;
具体地,构建微震累积能量的相空间矢量,然后确定相空间的延迟时间τ和嵌入维度d。计算每个时刻的相空间矢量,最后在d维相空间上,预测当前时刻n后的下一时刻的微震累积能量。通过一维的微震累积能量序列{E(i)}的不同延迟时间τ来构建d维的微震累积能量相空间矢量:
y(i)=E(i),…,E(i+(d-1)τ),1≤i≤n-(d-1)τ,
其中,y(i)为i时刻的相空间矢量,d为嵌入维度,τ为延迟时间。
根据所述相空间矢量,分析自相关函数,确定所述相空间矢量中的延迟时间;
具体地,为使相空间重构后的时序元素间相关性降低,且尽可能使得原序列的动力学特征不丢失,需要选择适合的延迟时间τ,保证相空间矢量局部无关的同时,整体信息保留最大化。本发明推荐使用自相关系数法确定延迟时间τ。引入自相关函数R(τ):
由小到大输入不同的延迟时间τ,计算序列{E(i)}的自相关函数R(τ)。当R(τ)随τ的增加而下降到一定程度时,认为时序元素间相关性较低,可以作为相空间的延迟时间τ。本发明推荐取以下公式计算结果对应的时间τ作为相空间的延迟时间:
R(τ)=(1-e-1)R(0),
其中,R(0)为τ=0时的自相关函数值。此时表示当自相关函数由τ=0的初始值下降到(1-e-1)R(0)时,所得到的时间就是重构相空间的延迟时间。
根据所述相空间矢量和确定的所述延迟时间,分析相邻两个所述相空间矢量之间的距离,确定所述相空间矢量中的嵌入维度;
具体地,采用改进的虚假最临近点法确定相空间的嵌入维度d。混沌时间序列是高维相空间混沌运动的轨迹在一维空间的投影,在投影过程中,混沌运动的轨迹会被扭曲。高维相空间并不相邻的两个点投影到一维空间上有的时候就会成为相邻的两点,也就是虚假邻点。
以相空间嵌入维度d为自变量,则微震累积能量相空间矢量的公式改写为:
yi(d)=(E(i),...,E(i+(d-1)τ),1≤i≤n-(d-1)τ,
定义变量:
其中,yi(d)为第i个d维重构向量,yi(d+1)为第i个d+1维的重构向量。||·||∞为最大模范数。n(i,d)∈{1,…,n-dτ}是使得yn(i,d)(d)在d维相空间里面,在最大范数下与yi(d)最近的向量,并且n(i,d)≠i,即yn(i,d)(d)为yi(d)在d维相空间上的最临近点,由yi(d)来确定。
若a(i,d)大于一定阈值,表明当维数从d增加到d+1维时,yn(i,d)(d+1)与yi(d+1)的距离变远,说明yn(i,d)(d+1)与yi(d+1)两个点是虚假最临近点。
定义:
R(d)为当维数从d增加到d+1维时,所有时序元素的临近点距离的均值。通过比较R(d)随嵌入维度d的变化,可以观察到虚拟最临近点在所有时序元素中所占的比例。
由小到大输入不同的嵌入维度d,计算:
R1(d)=R(d+1)/R(d),
随着d的增大,当R1(d)不再变化时,说明虚假最临近点在时序元素间中的比例较小或不再减少,取此时的d+1作为相空间重构的嵌入维度。
根据确定的所述延迟时间和所述嵌入维度,得到所述微震累积能量预测模型。
具体地,使用上述步骤确定的延迟时间和嵌入维度,计算每个时刻的相空间矢量:
采用局部预测法,预测当前时刻n后的下一时刻n+1的微震累积能量。由于相空间矢量构建的动力系统模型是一个连续函数。对于当前时刻n,令N=n-(d-1)τ。根据连续函数的性质,对于某一时刻j,如果/>与/>接近(即/>是在d维相空间里面,是在最大模范数下与/>最近的向量),那么/>与/>也接近。因此寻找与/>最接近的/>得到时刻j,则有:
E(n+1)=E(N+1+(d-1)τ)≈E(j+1+(d-1)τ),
其中,所述E(n+1)为当前时刻n之后的预测的下一时刻的所述微震累积能量,j=N=n-(d-1)τ,E(j+1+(d-1)τ)为根据局部预测法计算出的第j+1个相空间矢量。
所述根据所述微震累积能量预测模型得到未来微震累积能量包括:
将预测的下一时刻的所述微震累积能量作为已知量加入所述微震累积能量序列,利用所述微震累积能量预测模型,循环得到未来微震累积能量。
具体地,将n+1时刻的微震累积能量E(n+1)的预测值当做已知变量加入时间序列{E(i)},可以预测E(n+2)。以此类推,可以预测未来某一时刻的微震累积能量。
在本发明的一种实施例中,所述将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率包括:
使用通过相空间重构预测得到的未来若干时刻的微震累积能量,构建长度为k、以未来某一时刻m为止的新的微震累积能量序列{E(i):i=m-k,…,m}
将新的微震累积能量序列输入岩爆风险预测模型,得到未来某一时刻m+1的岩爆风险预测结果B(m+1)。
若模型输出类型为“无岩爆”的预测值Bn,由于岩爆情况与无岩爆情况相对立,因此可以说模型预测的岩爆风险的概率是1-Bn。
图3示出了本发明实施例中一种隧道岩爆实时智能预警装置的结构示意图,所述隧道岩爆实时智能预警装置,包括:
能量序列分析模块100,用于根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列;
岩爆预测模型构建模块200,用于根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型;
能量预测模型建立模块300,用于根据所述微震累积能量序列,建立微震累积能量预测模型;
能量预测模块400,用于根据所述微震累积能量预测模型得到未来微震累积能量;
岩爆预测模块500,用于将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率。
另外,为了方便工作人员查看,可以将预测结果、岩爆分布情况以及岩爆风险报警等进行三维可视化显示。通过将预警结果可视化,在施工现场进行预警结果和风险等级的显示呈现。采用三维云图的形式,显示不同洞段的微震事件密度、累积能量,可以报警高风险洞段并发出避险警报声音,当岩爆风险预测模型预测的相应洞段岩爆风险概率超过50%时,系统通过指示灯发光提示岩爆风险。当岩爆风险预测模型预测的相应洞段岩爆风险概率超过90%时,系统发生警报声音,提示避险。这样可以指导现场的施工措施调整和岩爆风险控制,当岩爆临近时,系统将发出避险警报声音,指导施工人员紧急避险。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种隧道岩爆实时智能预警方法,其特征在于,包括:
根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列;
根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型;
根据所述微震累积能量序列,建立微震累积能量预测模型;
根据所述微震累积能量预测模型得到未来微震累积能量;
将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率。
2.根据权利要求1所述的隧道岩爆实时智能预警方法,其特征在于,所述根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列之前,还包括:
从微震监测系统获取所述微震监测数据和所述岩爆数据,其中,所述微震监测系统包括检波器和数据采集仪,所述检波器设置在掌子面后方的岩壁上,所述检波器将接收到的震动波信号发送给所述数据采集仪,所述数据采集仪用于对所述震动波信号进行信号处理;
对所述微震监测数据进行处理,反演得到微震位置和微震发生时间。
3.根据权利要求2所述的隧道岩爆实时智能预警方法,其特征在于,所述微震监测数据包括震动波波速和震源与检波器之间的接收距离;
所述根据获取的隧道内所述微震监测数据分析微震累积能量,得到微震累积能量序列包括:
根据所述微震位置和所述微震发生时间,得到所述震源与所述检波器之间的所述接收距离;
根据所述震动波波速、所述接收距离以及所述震动波波速关于时间的积分,得到所述微震累积能量;
将所述微震累积能量按序排列得到所述微震累计能量序列。
4.根据权利要求3所述的隧道岩爆实时智能预警方法,,其特征在于,所述微震累积能量为:
E=4πpvR's其中,ρ是所述震源岩体的密度,v是所述震动波波速,
R是所述震源与所述检波器之间的所述接收距离,V(t)为所述震动波波速进行一次积分后得到的速度波形。
5.根据权利要求1所述的隧道岩爆实时智能预警方法,,其特征在于,所述根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型包括:
根据所述岩爆数据,将岩爆情况转义编码,得到岩爆编码序列,其中,所述岩爆编码序列与所述微震累积能量序列一一对应;
拾取任意时间段内相对应的所述微震累计能量序列和所述岩爆编码序列,建立多个训练集、验证集和测试集;
将所述微震累计能量序列作为LSTM模型的输入,将所述岩爆编码序列作为所述LSTM模型的输出,使用多个训练集对所述LSTM模型进行多次训练,采用所述验证集和测试集进行测验,获得训练后的所述LSTM模型的预测准确率;
对比多次训练后所述LSTM模型的预测准确率,取所述预测准确率最大的所述LSTM模型作为所述岩爆风险预测模型。
6.根据权利要求1所述的隧道岩爆实时智能预警方法,,其特征在于,所述根据所述微震累积能量序列,建立微震累积能量预测模型包括:
对所述微震累积能量序列进行相空间重构,得到所述微震累积能量的相空间矢量;
根据所述相空间矢量,分析自相关函数,确定所述相空间矢量中的延迟时间;
根据所述相空间矢量和确定的所述延迟时间,分析相邻两个所述相空间矢量之间的距离,确定所述相空间矢量中的嵌入维度;
根据确定的所述延迟时间和所述嵌入维度,得到所述微震累积能量预测模型。
7.根据权利要求6所述的隧道岩爆实时智能预警方法,,其特征在于,所述微震累积能量的所述相空间矢量为:
y(i)=(E(i),…,E(i+(d-1)τ),1≤i≤n-(d-1)τ
其中,y(i)为相空间矢量,E(i)为第i时刻的所述微震累计能量,d为嵌入维度,τ为延迟时间,n为第n时刻。
8.根据权利要求6所述的隧道岩爆实时智能预警方法,,其特征在于,所述微震累积能量预测模型为:
E(n+1)=1)T
其中,所述E(n+1)为当前时刻n之后的下一时刻的所述微震累积能量,j=N=n-(d-1)τ,E(j+1+(d-1)τ)为根据局部预测法计算出的第j+1个相空间矢量。
9.根据权利要求6所述的隧道岩爆实时智能预警方法,,其特征在于,所述根据所述微震累积能量预测模型得到未来微震累积能量包括:
将预测的下一时刻的所述微震累积能量作为已知量加入所述微震累积能量序列,利用所述微震累积能量预测模型,循环得到未来微震累积能量。
10.一种隧道岩爆实时智能预警装置,其特征在于,包括:
能量序列分析模块,用于根据获取的隧道内微震监测数据分析微震累积能量,得到微震累积能量序列;
岩爆预测模型构建模块,用于根据获取的隧道内岩爆数据和所述微震累积能量序列构建岩爆风险预测模型;
能量预测模型建立模块,用于根据所述微震累积能量序列,建立微震累积能量预测模型;
能量预测模块,用于根据所述微震累积能量预测模型得到未来微震累积能量;
岩爆预测模块,用于将所述未来微震累积能量输入所述岩爆风险预测模型,得到未来岩爆发生概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311115841.2A CN117307249B (zh) | 2023-08-30 | 一种隧道岩爆实时智能预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311115841.2A CN117307249B (zh) | 2023-08-30 | 一种隧道岩爆实时智能预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117307249A true CN117307249A (zh) | 2023-12-29 |
CN117307249B CN117307249B (zh) | 2024-07-02 |
Family
ID=
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4649524A (en) * | 1983-07-05 | 1987-03-10 | Potash Corporation Of Saskatchewan Mining Limited | Integrated acoustic network |
RU2550770C1 (ru) * | 2014-08-27 | 2015-05-10 | Открытое акционерное общество "Татнефть" им. В.Д. Шашина | Способ определения геометрических характеристик трещины гидроразрыва пласта |
CN109034223A (zh) * | 2018-07-16 | 2018-12-18 | 湖南城市学院 | 一种混沌时间序列预测方法及系统 |
CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
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 |
CN111520194A (zh) * | 2019-12-06 | 2020-08-11 | 华亭煤业集团有限责任公司 | 一种煤矿回采工作面停采线的确定方法及装置 |
CN113723006A (zh) * | 2021-09-07 | 2021-11-30 | 中国人民解放军火箭军工程大学 | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 |
CN113820743A (zh) * | 2021-09-30 | 2021-12-21 | 中煤科工集团重庆研究院有限公司 | 一种微震定位方法 |
CN114169597A (zh) * | 2021-11-29 | 2022-03-11 | 中国科学院武汉岩土力学研究所 | 一种岩爆控制措施实施效果全过程定量评价方法 |
CN115128670A (zh) * | 2022-07-26 | 2022-09-30 | 中煤西北能源有限公司 | 基于微震累计能量的冲击地压预警方法 |
CN115573762A (zh) * | 2022-09-28 | 2023-01-06 | 六盘水师范学院 | 一种高压脉动注水防治煤岩动力灾害的方法及设备 |
CN115688046A (zh) * | 2022-10-09 | 2023-02-03 | 中国水利水电科学研究院 | 一种岩爆预测方法、装置及计算机设备 |
CN116030598A (zh) * | 2023-01-03 | 2023-04-28 | 大连理工大学 | 一种微震点云特征学习的岩爆智能预警方法 |
CN116595335A (zh) * | 2023-05-25 | 2023-08-15 | 成都理工大学 | 一种岩爆微震参数多元多时步输出预测模型 |
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4649524A (en) * | 1983-07-05 | 1987-03-10 | Potash Corporation Of Saskatchewan Mining Limited | Integrated acoustic network |
RU2550770C1 (ru) * | 2014-08-27 | 2015-05-10 | Открытое акционерное общество "Татнефть" им. В.Д. Шашина | Способ определения геометрических характеристик трещины гидроразрыва пласта |
CN109034223A (zh) * | 2018-07-16 | 2018-12-18 | 湖南城市学院 | 一种混沌时间序列预测方法及系统 |
CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
CN111520194A (zh) * | 2019-12-06 | 2020-08-11 | 华亭煤业集团有限责任公司 | 一种煤矿回采工作面停采线的确定方法及装置 |
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 |
CN113723006A (zh) * | 2021-09-07 | 2021-11-30 | 中国人民解放军火箭军工程大学 | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 |
CN113820743A (zh) * | 2021-09-30 | 2021-12-21 | 中煤科工集团重庆研究院有限公司 | 一种微震定位方法 |
CN114169597A (zh) * | 2021-11-29 | 2022-03-11 | 中国科学院武汉岩土力学研究所 | 一种岩爆控制措施实施效果全过程定量评价方法 |
CN115128670A (zh) * | 2022-07-26 | 2022-09-30 | 中煤西北能源有限公司 | 基于微震累计能量的冲击地压预警方法 |
CN115573762A (zh) * | 2022-09-28 | 2023-01-06 | 六盘水师范学院 | 一种高压脉动注水防治煤岩动力灾害的方法及设备 |
CN115688046A (zh) * | 2022-10-09 | 2023-02-03 | 中国水利水电科学研究院 | 一种岩爆预测方法、装置及计算机设备 |
CN116030598A (zh) * | 2023-01-03 | 2023-04-28 | 大连理工大学 | 一种微震点云特征学习的岩爆智能预警方法 |
CN116595335A (zh) * | 2023-05-25 | 2023-08-15 | 成都理工大学 | 一种岩爆微震参数多元多时步输出预测模型 |
Non-Patent Citations (4)
Title |
---|
LI, SHILI: "Highly sensitive fiber optic microseismic monitoring system for tunnel rockburst", MEASUREMENT, vol. 189, 31 January 2022 (2022-01-31) * |
丛森;程建远;王云宏;房哲;: "煤矿微震监测技术现状与发展前景", 中国矿业, no. 12, 15 December 2016 (2016-12-15) * |
江文武;苏振豪;陈祥祥;李凌飞;李家福;: "基于微震监测的岩体稳定性预测模型", 矿业研究与开发, no. 11, 30 November 2016 (2016-11-30) * |
黄志平;唐春安;李立民;张鹏海;: "基于微震监测技术的岩爆预警研究", 沈阳建筑大学学报(自然科学版), no. 04, 15 July 2018 (2018-07-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109085641B (zh) | 用于地震预报的监测数据处理方法、地震预报方法和系统 | |
CN111562611B (zh) | 基于波动方程驱动的半监督深度学习地震数据反演方法 | |
CN103439738B (zh) | 地震勘探单炮记录异常道识别方法 | |
Potirakis et al. | Recent seismic activity at Cephalonia (Greece): a study through candidate electromagnetic precursors in terms of non-linear dynamics | |
CN104914467A (zh) | 提取分类模型道的地震相聚类分析方法 | |
RU2550770C1 (ru) | Способ определения геометрических характеристик трещины гидроразрыва пласта | |
CN115291281B (zh) | 基于深度学习的实时微地震震级计算方法及装置 | |
CN103365916A (zh) | 地震事件参数估计获取方法和系统,地震事件搜索引擎 | |
TWI809293B (zh) | 地震觀測裝置、地震觀測方法以及記錄地震觀測程式的記錄媒體 | |
CN113189644B (zh) | 一种微震震源定位方法及系统 | |
CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及系统 | |
CN115327616A (zh) | 一种海量数据驱动的矿山微震震源自动定位方法 | |
CN117307249B (zh) | 一种隧道岩爆实时智能预警方法及装置 | |
CN112230275B (zh) | 地震波形的识别方法、装置及电子设备 | |
CN117314218B (zh) | 一种基于大数据分析的煤矿水害实时预警方法 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
CN117307249A (zh) | 一种隧道岩爆实时智能预警方法及装置 | |
Jiang et al. | Microseismic event classification with time-, frequency-, and wavelet-domain convolutional neural networks | |
CN113139681B (zh) | 一种基于时间序列数据的神经网络冲击地压预测方法 | |
Aliev et al. | Intelligent seismoacoustic system for monitoring the beginning of anomalous seismic process | |
Michel et al. | Experimental method: contribution of ambient vibration recordings to the vulnerability assessment | |
CN110161560B (zh) | 一种微震事件的检测方法和装置 | |
CN110068861B (zh) | 基于对称观测的vsp缝洞识别技术方法 | |
JP2021071332A (ja) | 地震動の到達判定方法、地震動の到達判定システム | |
Ceravolo et al. | Issues on the modal characterization of large monumental structures with complex dynamic interactions |
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 |