CN117312919A - 基于bo-cnn-lstm模型的冲击地压预警方法 - Google Patents
基于bo-cnn-lstm模型的冲击地压预警方法 Download PDFInfo
- Publication number
- CN117312919A CN117312919A CN202311307738.8A CN202311307738A CN117312919A CN 117312919 A CN117312919 A CN 117312919A CN 202311307738 A CN202311307738 A CN 202311307738A CN 117312919 A CN117312919 A CN 117312919A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- layer
- rock burst
- lstm
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000013058 risk prediction model Methods 0.000 abstract description 2
- 239000003245 coal Substances 0.000 description 13
- 238000005065 mining Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013316 zoning 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于BO‑CNN‑LSTM模型的冲击地压预警方法,涉及矿井动力灾害预警技术领域。对影响冲击地压发生的各因素进行数据采集并预处理;将预处理后数据输入BO‑CNN‑LSTM模型进行训练,通过BO算法优化,建立冲击地压灾害识别模型;将数据输入训练好的冲击地压灾害识别模型进行分析,通过对参数调整,找到模型泛化最优的参数值,输出预测结果并进行分级预警,按不同的临界值划分为冲击地压危险性的无、弱、中、强区域,对冲击地压灾害进行评估。本发明在分析冲击地压影响因素基础上,将CNN与LSTM两个模型的优点结合,采用BO算法进行超参优化建立冲击地压危险性预测模型,有效地对矿井动力灾害进行预测。
Description
技术领域
本发明涉及矿井动力灾害预警技术领域,尤其涉及一种基于BO-CNN-LSTM模型(即基于贝叶斯优化的CNN-LSTM组合模型)的冲击地压预警方法。
背景技术
冲击地压是指煤矿井巷或工作面周围煤(岩)体由于弹性变形能的瞬时释放而产生的突然、剧烈破坏的动力现象,常伴有煤(岩)体瞬间位移、抛出、巨响及气浪等。我国矿井大多建于20世纪50—60年代,随着人们开采技术不断发展很多矿井已经开始了深部开采,近年来由于煤矿开采深度和开采强度的增加,导致煤矿的采场应力状态变得愈加复杂,特别是在南方一些地质构造复杂煤层不稳定的中小矿井,冲击地压发生次数不断增加。
矿井动力灾害防治工作是一项复杂的系统工程,主要包括四个方面内容:危险性预测、监测预警、防范治理和效果检验、安全防护等,称之为“四位一体”。
因此在采矿活动之前,对冲击地压灾害进行的预测尤为重要,不仅可以保证人身安全,而且有助于针对性地采取预防措施,还有利于提高煤矿的技术经济指标。
结合地质动力区划方法,分析动力灾害发生机理和动力源,可以确定矿井动力灾害的共性影响因素和个性影响因素。目前我国常用的冲击危险性评价方法有综合指数法、多因素耦合分析法、应力指数法等,随着工业智能化发展的提升,计算机在智能化预测技术上逐步成熟,将其与冲击地压预警相结合具有良好的前景。由于多种因素与冲击地压之间的相关规律具有不确定性和模糊性,很难采用精确的数学模型进行预测。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于BO-CNN-LSTM模型的冲击地压预警方法,在分析冲击地压影响因素的基础上,将CNN与LSTM两个模型的优点相结合,采用贝叶斯优化算法(即BO算法)进行超参优化建立冲击地压危险性预测模型,有效地对矿井动力灾害进行预测。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于BO-CNN-LSTM模型的冲击地压预警方法,包括监测数据的采集和预处理、模型的确定与搭建、模型评估与预测,步骤如下:
步骤S1:监测数据的采集与预处理;将冲击地压预测所需数据进行收集并筛选处理;
步骤S2:模型确定与搭建;将预处理后的数据输入BO-CNN-LSTM神经网络模型进行训练,建立冲击地压灾害识别模型;
步骤S3:模型评估与预测;将数据输入训练好的冲击地压灾害识别模型进行分析,通过对参数调整,找到模型泛化最优的参数值,输出预测结果并进行分级预警,按不同的临界值划分为冲击地压危险性的无、弱、中、强区域,对冲击地压灾害进行评估。
进一步地,所述步骤S1中,所述监测数据采集包括微震能量数据采集、应力数据采集、冲击倾向性数据采集;
将以上三部分数据采集样本根据专家经验进行打分评判,划分为无冲击危险性、弱冲击危险性、中冲击危险性、强冲击危险性四个等级,以此作为样本标签;将样本数据预处理后按采集的时间顺序划分前80%为训练集,后20%为验证集,以此作为样本特征;训练集用于训练神经网络模型,验证集用于模型评估;
数据的预处理包括对以上三部分数据的完整性和准确性进行审核,具体处理方法包括缺失值处理、错误点剔除、归一化处理。
进一步地,所述数据的预处理中,如果微震监测误差数据有缺失,则通过缺失值处理方法补全,缺失值处理通过数据插值实现;如果应力监测数据有错误,则需要将错误点剔除;如果数据单位各不相同,则需要将数据归一化处理。
进一步地,所述BO-CNN-LSTM神经网络模型包括输入层、CNN层、LSTM层、输出层、贝叶斯算法优化层;
所述输入层为第一层,将数据预处理后选取出来的主成分作为模型的输入;
所述CNN层为第二层,包括卷积层Conv1D、池化层Max Pooling和Flatten;首先采用一维卷积Conv1D提取输入数据的特征;其次利用Max Pooling对卷积后的数据作进一步的下采样,以去除冗余信息、压缩特征;最后使用Flatten对数据进行扁平化处理,将数据“压平”成一维向量,作为LSTM层的输入;
所述LSTM层为第三层,利用LSTM网络提取隐藏在数据中的时序特征;
所述输出层为第四层,包括两个全连接层Dense,第一个Dense用于汇聚LSTM网络信息,转换信息维度,第二个Dense用于输出模型的预测结果;
所述贝叶斯算法优化层为第五层,通过BO算法对模型中的学习率learning_rate、卷积核个数filters、卷积核尺寸大小kernel_size、LSTM层神经元个数lstm_units、Dense层神经元个数dense_units五个超参数进行优化确定。
进一步地,对模型中的超参数进行优化时,给定优化的目标函数,通过不断添加样本点来更新目标函数的后验分布,即选择靠近已知点的点作为下一次迭代的参考点;采用网格搜索法,通过查找搜索范围内所有的点,来确定最优值。
进一步地,所述步骤S3的具体方法为:
使用验证数据集对神经网络模型进行评估;通过对参数的调整使模型预测结果与专家评判结果拟合良好,以达到模型最优效果;
将模型预测结果根据专家经验划分的冲击地压预警等级分类处理,对结果设置分级函数:
其中,F(x)表示冲击地压发生概率,x表示相似度分析结果数据,0表示无冲击危险性,1表示弱冲击危险性,2表示中冲击危险性,3表示强冲击危险性。
采用上述技术方案所产生的有益效果在于:本发明提供的基于BO-CNN-LSTM模型的冲击地压预警方法,针对矿山动力灾害受多因素影响,且不同条件下矿井动力灾害有不同的模式的问题,采用已知数据训练BO-CNN-LSTM神经网络模型,经过BO算法优化所得模型可以更好的对未开采区域冲击地压的发生概率进行预测,由于CNN处理图像数据更加出色,但不擅长处理时序数据,故将其与擅长处理时序任务的LSTM相结合,可以处理既有空间特征又有时序信息的数据,并且LSTM可以减少模型参数数量,有助于降低过拟合风险。本发明操作简便,更大的降低了人力物力的消耗,相较于传统预测方法更为准确的显示了某区域冲击地压发生的概率,有助于矿井动力灾害的防范。
附图说明
图1为本发明实施例提供的基于BO-CNN-LSTM模型的冲击地压预警方法流程图;
图2为本发明实施例提供的BO-CNN-LSTM神经网络模型结构图;
图3为本发明实施例提供的卷积层Conv1D的卷积过程结构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例的方法如下所述。
步骤S1:监测数据的采集和预处理;对影响冲击地压发生的各个因素进行数据采集并进行预处理。
所述监测数据采集包括微震能量数据采集、应力数据采集、冲击倾向性数据采集。冲击地压发生影响因素包括:开采深度、瓦斯条件、煤岩体的物理力学性质、顶板的岩石组分、煤层厚度变化、开采方式、开采强度以及冲击倾向性有关信息。由于不同影响因素引发冲击地压基理相同,如随着开采深度的增大地应力会随之增大,煤层厚度变化不均匀的地方,由于构造应力的作用会导致应力集中过高。以上因素均由地应力升高导致冲击地压易发生,可通过对应力的监测收集数据。开采方式和开采强度均与采动应力相关,在开采过程中由于煤层遭到破坏会导致应力的重新分布,采掘顺序的不同和推进速度的快慢都会使应力发生变化,以上因素也可通过对应力的监测收集数据。顶板岩层的破裂和煤层破裂会产生声、能,因此通过微震监测对冲击地压的发生进行数据收集。瓦斯条件会影响煤岩体的物理力学性质,该性质通过冲击倾向性进行量化,冲击倾向性则通过测量四个指标包括动态破坏时间、弹性能量指数、冲击能量指数、单轴抗压强度进行监测数据收集。
所述数据预处理就是对数据的完整性和准确性进行审核,具体处理方法包括缺失值处理、归一化处理等。微震监测误差数据表现为授时误差和波速误差,由于微震检测系统自身有良好的数据判断处理能力,故仅需检查数据完整性,如有缺失通过缺失值处理方法补全。应力监测数据主要由初始压力管线内径等导致,故需要将错误点剔除。
所述缺失值处理通过数据插值实现,插值是确定某个函数在两个采样值之间的数值时采用的运算过程。插值通常是利用曲线拟合的方法,通过离散的输入采样点建立一个连续函数,用这个重建的函数便可以求出任意位置处的函数值。这样便可以不受仅在采样点处抽取输入数值的限制。对有限的数据值进行插值可以对采样数值起到平滑作用,补充和恢复由于测点数量所限的信息量。插值可以表示为:
式中:h为插值核,CK为权系数,卷积对K个数据作处理。上面的方程将插值用卷积操作来表示,在实际应用中,h总是对称的,即有h(x)=h(-x),CK即为测点数值。系统中可选的插值核为:最近邻域法,这是最简单的算法,每一个输出值都赋给输入数据中与其最邻近的测点的数值。
线性插值:
f(x)=a1x+a0
其中,x0、x1为x左右最近的已知数据点,f(x0)、f(x1)是两个已知数据点的值,f(x)为未知点x的估算值。
所述归一化处理问题是由于不同数据的变量单位不同,在模型训练时会因为量纲的差异,降低了梯度下降速度,对训练速度造成了影响,所以需要预先对数据进行标准化处理。
本实施例通过遍历每一个数据,将Max和Min的值记录下来,并通过Max-Min作为基数进行数据的归一化处理:
以微震数据集为例,Max为t时刻微震能量的最大值,Min为t时刻微震能量的最小值。其中,X为归一化前的数据,Xn为归一化后的数据。
步骤S2:模型确定与搭建;将验证集的数据输入BO-CNN-LSTM模型,通过贝叶斯算法优化,找到模步骤型泛化最优的参数值,确定冲击地压灾害识别模式准则,建立冲击地压灾害识别模型。
BO-CNN-LSTM神经网络模型包括输入层、CNN层、LSTM层、输出层、贝叶斯算法优化层,如图2所示。
所述输入层为第一层,将数据预处理后选取出来的3个主成分Y1、Y2、Y3作为模型的输入。
所述CNN层为第二层,包括卷积层Conv1D、池化层Max Pooling和Flatten。通常在图像识别问题上,会采用二维卷积Conv2D结构处理。而影响冲击地压的某些因素是会随着时间推移而发生变化的时序数据,故首先采用一维卷积Conv1D提取输入数据的特征,如图3所示。其次利用Max Pooling对卷积后的数据作进一步的下采样,以去除冗余信息、压缩特征。输入特征在经过卷积和池化后,特征图维度会明显减少,从而得到了更有效的特征值,这在一定程度上缓解了过拟合。最后使用Flatten对数据进行扁平化处理,将数据“压平”成一维向量,作为LSTM层的输入。
所述LSTM层为第三层,利用LSTM网络提取隐藏在数据中的时序特征。由于LSTM的特征提取能力较强,一般1至2层就能达到较好的效果。同时基于LSTM结构的复杂性,每一层网络都会涉及较多的参数需要优化,所以本实施例的模型将LSTM层数定为1层。
所述输出层为第四层,包括两个全连接层Dense,第一个Dense用于汇聚LSTM网络信息,转换信息维度,第二个Dense用于输出模型的预测结果。
所述贝叶斯算法优化层为第五层,为了提升模型预测效果,通过BO算法对模型中的学习率learning_rate、卷积核个数filters、卷积核尺寸大小kernel_size、LSTM层神经元个数lstm_units、Dense层神经元个数dense_units五个超参数进行优化确定。
所述对模型中的超参数进行优化时,给定优化的目标函数,通过不断添加样本点来更新目标函数的后验分布,即选择靠近已知点的点作为下一次迭代的参考点。本实施例采用网格搜索法,通过查找搜索范围内所有的点,来确定最优值。
步骤S3:模型评估与预测;
使用验证数据集对神经网络模型进行评估。通过对参数调整使模型预测结果与专家评判结果拟合良好,以达到模型最优效果。
将模型预测结果根据专家经验划分的冲击地压预警等级分类处理,在此对结果设置分级函数。所述分级函数包括:
所述分级函数中,F(x)冲击地压危险性,x代表模型输出结果数据,0代表无冲击危险性,1代表弱冲击危险性,2代表中冲击危险性,3代表强冲击危险性。
根据具体实施例基于BO-CNN-LSTM模型的某矿冲击地压预警对本发明进一步描述:
步骤一:本实施例选取的冲击地压历史应力数据和微震数据是某矿2022年1月-2022年12月的数据,选择的特征参数是:t时刻前三天的微震事件能量,t时刻前20天的微震事件总能量,t时刻前20天的日频次,t时刻A区域岩层应力数据,t时刻A区域岩层冲击倾向性。根据专家经验做出评判值,为样本标签。
步骤二:将步骤一中得数据组成数据集,对所有数据进行预处理,将错误点剔除,并进行缺失值补充,最后进行归一化处理,使数据落入一个特定的区间[0,1]。
步骤四:模型构建:构建BO-CNN-LSTM模型,将预处理后得数据按时间划分前80%为训练集,后20%为验证集,将训练集中多维特征数据作为输入来训练模型;采用贝叶斯算法进行调参优化,找到模型泛化优化最优的参数值。
预测结果与专家评判值对比可通过折线图实现,将分级函数的结果生成折线图,绘制集中评判值和预测值的拟合折线图,得出结果专家评判值和预测值波动趋势基本吻合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (6)
1.一种基于BO-CNN-LSTM模型的冲击地压预警方法,其特征在于:包括监测数据的采集和预处理、模型的确定与搭建、模型评估与预测,步骤如下:
步骤S1:监测数据的采集与预处理;将冲击地压预测所需数据进行收集并筛选处理;
步骤S2:模型确定与搭建;将预处理后的数据输入BO-CNN-LSTM神经网络模型进行训练,建立冲击地压灾害识别模型;
步骤S3:模型评估与预测;将数据输入训练好的冲击地压灾害识别模型进行分析,通过对参数调整,找到模型泛化最优的参数值,输出预测结果并进行分级预警,按不同的临界值划分为冲击地压危险性的无、弱、中、强区域,对冲击地压灾害进行评估。
2.根据权利要求1所述的基于BO-CNN-LSTM模型的冲击地压预警方法,其特征在于:所述步骤S1中,所述监测数据采集包括微震能量数据采集、应力数据采集、冲击倾向性数据采集;
将以上三部分数据采集样本根据专家经验进行打分评判,划分为无冲击危险性、弱冲击危险性、中冲击危险性、强冲击危险性四个等级,以此作为样本标签;将样本数据预处理后按采集的时间顺序划分前80%为训练集,后20%为验证集,以此作为样本特征;训练集用于训练神经网络模型,验证集用于模型评估;
数据的预处理包括对以上三部分数据的完整性和准确性进行审核,具体处理方法包括缺失值处理、错误点剔除、归一化处理。
3.根据权利要求2所述的基于BO-CNN-LSTM模型的冲击地压预警方法,其特征在于:所述数据的预处理中,如果微震监测误差数据有缺失,则通过缺失值处理方法补全,缺失值处理通过数据插值实现;如果应力监测数据有错误,则需要将错误点剔除;如果数据单位各不相同,则需要将数据归一化处理。
4.根据权利要求2所述的基于BO-CNN-LSTM模型的冲击地压预警方法,其特征在于:所述BO-CNN-LSTM神经网络模型包括输入层、CNN层、LSTM层、输出层、贝叶斯算法优化层;
所述输入层为第一层,将数据预处理后选取出来的主成分作为模型的输入;
所述CNN层为第二层,包括卷积层Conv1D、池化层Max Pooling和Flatten;首先采用一维卷积Conv1D提取输入数据的特征;其次利用Max Pooling对卷积后的数据作进一步的下采样,以去除冗余信息、压缩特征;最后使用Flatten对数据进行扁平化处理,将数据“压平”成一维向量,作为LSTM层的输入;
所述LSTM层为第三层,利用LSTM网络提取隐藏在数据中的时序特征;
所述输出层为第四层,包括两个全连接层Dense,第一个Dense用于汇聚LSTM网络信息,转换信息维度,第二个Dense用于输出模型的预测结果;
所述贝叶斯算法优化层为第五层,通过BO算法对模型中的学习率learning_rate、卷积核个数filters、卷积核尺寸大小kernel_size、LSTM层神经元个数lstm_units、Dense层神经元个数dense_units五个超参数进行优化确定。
5.根据权利要求4所述的基于BO-CNN-LSTM模型的冲击地压预警方法,其特征在于:对模型中的超参数进行优化时,给定优化的目标函数,通过不断添加样本点来更新目标函数的后验分布,即选择靠近已知点的点作为下一次迭代的参考点;采用网格搜索法,通过查找搜索范围内所有的点,来确定最优值。
6.根据权利要求1所述的基于BO-CNN-LSTM模型的冲击地压预警方法,其特征在于:所述步骤S3的具体方法为:
使用验证数据集对神经网络模型进行评估;通过对参数的调整使模型预测结果与专家评判结果拟合良好,以达到模型最优效果;
将模型预测结果根据专家经验划分的冲击地压预警等级分类处理,对结果设置分级函数:
其中,F(x)表示冲击地压发生概率,x表示相似度分析结果数据,0表示无冲击危险性,1表示弱冲击危险性,2表示中冲击危险性,3表示强冲击危险性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311307738.8A CN117312919A (zh) | 2023-10-09 | 2023-10-09 | 基于bo-cnn-lstm模型的冲击地压预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311307738.8A CN117312919A (zh) | 2023-10-09 | 2023-10-09 | 基于bo-cnn-lstm模型的冲击地压预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117312919A true CN117312919A (zh) | 2023-12-29 |
Family
ID=89259998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311307738.8A Pending CN117312919A (zh) | 2023-10-09 | 2023-10-09 | 基于bo-cnn-lstm模型的冲击地压预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312919A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726181A (zh) * | 2024-02-06 | 2024-03-19 | 山东科技大学 | 一种煤矿典型灾害风险异构信息协同融合与分级预测方法 |
-
2023
- 2023-10-09 CN CN202311307738.8A patent/CN117312919A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726181A (zh) * | 2024-02-06 | 2024-03-19 | 山东科技大学 | 一种煤矿典型灾害风险异构信息协同融合与分级预测方法 |
CN117726181B (zh) * | 2024-02-06 | 2024-04-30 | 山东科技大学 | 一种煤矿典型灾害风险异构信息协同融合与分级预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Real-time prediction of rockburst intensity using an integrated CNN-Adam-BO algorithm based on microseismic data and its engineering application | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN117312919A (zh) | 基于bo-cnn-lstm模型的冲击地压预警方法 | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
Ren et al. | Recognition of shear and tension signals based on acoustic emission parameters and waveform using machine learning methods | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN113283180A (zh) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 | |
CN110956155B (zh) | 基于co数据的综采工作面作业工序模糊聚类识别方法 | |
Li et al. | Waveform recognition and process interpretation of microseismic monitoring based on an improved LeNet5 convolutional neural network | |
Dong et al. | Microseismic event waveform classification using CNN-based transfer learning models | |
CN113093552B (zh) | 一种自动打桩控制方法 | |
CN113326661B (zh) | 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备 | |
CN110688983A (zh) | 基于多模态优化和集成学习的微震信号识别方法 | |
CN110991363B (zh) | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 | |
CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
CN115374687A (zh) | 数形结合的油井工况智能诊断方法 | |
CN112926270B (zh) | 瓦斯多因素耦合关系分析及预警模型构建方法 | |
CN116204760B (zh) | 一种基于gru网络的钻孔应变数据异常提取方法 | |
CN116304996B (zh) | 一种石质文物监测数据本体趋势的提取方法和装置 | |
CN114139579B (zh) | 一种基于方差分形的深度学习微地震事件检测方法 | |
US20240133767A1 (en) | Ai method and apparatus for detection of real-time damage using ae (acoustic emissions) | |
Hassan et al. | Clustering-Based Quantitative Evaluation Using Acoustic Emission Waveforms for Corrosion Detection | |
CN110778364B (zh) | 一种煤和瓦斯突出的预警方法 | |
CN109839334B (zh) | 面向单线圈磁感应式磨粒探测传感器的信号识别方法 | |
CN118261331A (zh) | 一种基于critic-蛛网灰靶的边坡等级评价方法 |
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 |