CN113469342A - 一种基于深度学习微震监测数据的冲击地压预警方法 - Google Patents

Abstract

本发明公开了一种基于深度学习微震监测数据的冲击地压预警方法。该方法包括如下5个步骤：(1)建立打分***，基于专家经验，通过历史微震监测数据及其特征参数对冲击地压危险进行分析评判，生成样本标签；(2)构建数据集，将微震监测数据及其特征参数作为样本特征X，冲击地压危险评判值作为样本标签Y；(3)数据预处理。对样本特征X进行预处理；(4)构建深度学习模型。将预处理后的数据集输入模型进行训练，将K折交叉验证法用于模型评估；(5)将最优模型应用于冲击地压监测。本发明提供的冲击地压监测预警方法，能够深入挖掘专家经验定性信息，与定量信息相结合，充分获取微震监测数据的有效信息，解决传统冲击地压监测预警方法出现的数据使用不充分和有效信息丢失等问题。

Description

一种基于深度学习微震监测数据的冲击地压预警方法

技术领域

本发明涉及矿山安全监测领域，具体涉及一种基于深度学习微震监测数据的冲击地压预警方法。

背景技术

冲击地压(非煤矿山和其他地下工程也称为岩爆)是煤矿开采中一种常见的地质灾害，是在煤岩体大量喷射，造成人员伤亡和设备损毁的一种现象。在我国，随着煤矿开采深度的逐渐增加，冲击地压已经成为煤矿开采特别是深部矿井开采中面临的主要地质灾害之一；传统冲击地压监测预警通常利用地球物理方法监测冲击地压的一些前兆信号，采用人为定义和提取参数的综合指数法对冲击地压发生的可能性进行评估。目前，越来越多的先进设备被用于矿山开采中，如微震监测设备、无人驾驶矿车设备等，这些设备的使用过程中会产生海量的、携带大量有效信息的实时数据。然而传统的冲击地压监测预警方法对这些数据的使用还很不充分，导致大量数据的浪费和有效信息的丢失。因此，本领域技术人员提供了一种基于深度学习微震监测数据的冲击地压预警方法，以解决上述背景技术中提出的问题。

发明内容

针对现有方法存在的问题，本发明提供深度学习的一种数据驱动方法，依附于大量的高质量数据来训练模型，结合专家经验和深度学习方法能够很好的解决这一问题；

为实现上述目的，本发明提供如下技术方案：一种基于深度学习微震监测数据的冲击地压预警方法，包括以下步骤：

步骤S101，建立打分***；基于专家经验，通过历史微震监测数据及其特征参数对冲击地压危险进行分析评判，生成样本标签，评判范围0～100，分值越高越危险；

步骤S102，构建数据集；将历史微震监测数据及其特征参数作为样本特征X，将冲击地压危险评判值作为样本标签Y，生成深度学习的数据集；

步骤S103，数据预处理；样本特征X在使用之前进行预处理；

步骤S104，构建深度学习模型；将预处理后的数据集输入模型进行训练，将K折交叉验证法用于模型评估，找到使得模型泛化性能最优的参数值，此时所构建的模型达到最优；

步骤S105，将最优模型应用于冲击地压监测；对实时冲击地压危险进行预测，得出冲击地压危险预测值，判断冲击危险等级。

进一步的，所述步骤S101，建立打分***中，建立包含微震监测数据库的打分***，随机选择历史时刻，并展示该时刻历史微震监测数据及其特征参数；专家学者依据自身经验通过打分***对冲击地压危险进行分析评判，得到冲击地压危险评判值，生成样本标签。

进一步的，所述步骤S102，构建数据集中，历史微震监测数据及其特征参数作为样本特征Xi＝{x1,x2,……,xn}，其中i＝1,2,……m，m为样本个数，n为单个样本的特征个数；

冲击地压危险评判值作为样本标签Y，每个Xi对应一个样本标签Yi，生成深度学习的数据集。

进一步的，所述步骤S103，数据预处理中，样本特征X在使用之前进行预处理，所述预处理包括处理缺失值、异常值、取对数lgE、规范化、正则化、降维。

进一步的，所述步骤S104，构建深度学***均绝对值误差MAE为度量指标，找到使得模型泛化性能最优的参数值，此时所构建的模型达到最优。

进一步的，所述步骤S105，将最优模型应用于冲击地压监测中，将所述最优模型应用于冲击地压监测，对实时冲击地压危险进行预测，得出冲击地压危险预测值，判断冲击危险等级，等级越高越危险。

进一步的，根据冲击地压危险评判值或冲击地压危险预测值确定冲击危险等级包括如下：

其中，Y为冲击地压危险评判值，Y′为冲击地压危险预测值，W为冲击危险等级，冲击危险等级最高为4。

本发明相对于现有技术，具有以下有益效果：

本发明提供了一种基于深度学习微震监测数据的冲击地压预警方法，深度学习是从过往经验和历史数据中获得学习能力，从而对未知事物做出推断，能够深入挖掘专家经验定性信息，与定量信息相结合，充分获取微震监测数据的有效信息，解决传统冲击地压预警方法出现的数据使用不充分和有效信息丢失等问题。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明一个实施例提供的冲击地压监测预警方法的流程图；

图2是本发明一个实施例提供的冲击地压监测预警方法的打分***示例图；

图3是本发明一个实施例提供的冲击地压监测预警方法的预测效果图。

具体实施方式

本发明实施例中，一种基于深度学习微震监测数据的冲击地压预警方法，其特征在于包括以下步骤：

步骤S101，建立打分***；基于专家经验，通过历史微震监测数据及其特征参数对冲击地压危险进行分析评判，生成样本标签，评判范围0～100，分值越高越危险；

步骤S102，构建数据集；将历史微震监测数据及其特征参数作为样本特征X，将冲击地压危险评判值作为样本标签Y，生成深度学习的数据集；

步骤S103，数据预处理；样本特征X在使用之前进行预处理；样本特征X在使用之前需经过预处理，以提高模型监测预警的能力，预处理方法包括：数据清洗、数据变换、数据集成；

步骤S104，构建深度学习模型；将预处理后的数据集输入模型进行训练，将K折交叉验证法用于模型评估，找到使得模型泛化性能最优的参数值，此时所构建的模型达到最优；

步骤S105，将最优模型应用于冲击地压监测；即可对实时冲击地压危险进行预测，得出冲击地压危险预测值，判断冲击危险等级。

请参阅图1，本发明提供的一种基于深度学习微震监测数据的冲击地压预警方法的具体实施方式如下所述：

本发明提供的监测预警方法步骤S101的具体实施方式是：建立包含微震监测数据库的打分***，所述打分***可随机选择历史时刻a，并展示出该时刻历史微震监测数据及其特征参数的图像，主要包括：a时刻前3天的微震事件能量柱状图、a时刻前20天的日总能量柱状图、a时刻前20天的日频次折线图等；专家学者依据自身经验通过打分***对某时刻a冲击地压危险进行分析评判，得到冲击地压危险评判值，生成样本标签。

参阅图2，打分***介绍说明：点击【导入数据】，将历史微震数据导入打分***，在【时间】处首次输入历史时刻a，生成a时刻可视化图像，专家完成评判后点击【保存】，即可自动转换为下一时刻；

本发明提供的监测预警方法步骤S102的具体实施方式是：将所述历史微震监测数据及其特征参数作为样本特征Xi＝{x1,x2,……,xn}，其中i＝1,2,……m，m为样本个数，n为单个样本的特征个数；冲击地压危险评判值作为样本标签Y，每个Xi对应一个样本标签Yi，生成深度学习的数据集；

本发明提供的监测预警方法步骤S103的具体实施方式是：样本特征X在使用之前需要进行预处理，预处理包括处理缺失值、异常值、取对数、规范化、正则化、降维。n个样本特征往往具有不同的量纲，数值间的差别可能很大，不进行处理会影响到数据分析的结果，比如微震事件的能量高低值差距高达106左右，为了消除指标之间的量纲和取值范围差异的影响，需要进行取对数lgE及规范化处理，使数据落入一个特定的区域。数据集经常会出现样本类别不平衡的问题，比如专家评判值的高值、低值所占比例过小，样本类别不平衡会造成对小比例样本的识别精度出现偏差，需根据数据集的分布特征确定重新采样方法，构建新的数据样本；

本发明提供的监测预警方法步骤S104的具体实施方式是：构建卷积神经网络模型，将预处理后的数据集输入模型进行训练。将K折交叉验证法用于模型评估，以平均绝对值误差(MAE)为度量指标，找到使得模型泛化性能最优的参数值，此时所构建的模型达到最优；

本发明提供的监测预警方法步骤S105的具体实施方式是：将所述最优模型应用于冲击地压监测，即可对实时冲击地压危险进行预测，得出冲击地压危险预测值，判断冲击危险等级，等级越高越危险。

结合具体实施例基于一维卷积神经网络(1DCNN)的某煤矿冲击地压监测预警对本发明作进一步描述：

步骤一：

本实施例选取的冲击地压历史微震监测数据是某煤矿2018年8月—2020年05月的数据，选择的特征参数是：a时刻前3天的微震事件能量，a时刻前20天的日总能量，a时刻前20天的日频次。通过打分***依据专家经验，得出某时刻a的冲击地压危险评判值，即为样本标签Y。

步骤二：

数据集：以a时刻前3天的微震事件能量，a时刻前20天的日总能量，a时刻前20天的日频次为样本特征X，冲击地压危险评判值为样本标签Y。共生成样本2200个，每个样本具有760个特征，1个评判值Y。

步骤三：

1.取对数及归一化处理：微震事件的能量高低值差距高达10⁶左右，为了消除取值范围差异的影响，先对能量数据取lgE，再采用最小-最大规范化(min-maxnormalization)，使数据落入一个特定的区域[0,1]；

2.重采样：数据集存在样本类别不平衡的问题，评判值的高值、低值所占比例过小，样本类别不平衡会造成对小比例样本的识别精度出现偏差，用上采样重新构建新的数据集。

步骤四：

模型构建：构建基于一维卷积神经网络(1DCNN)的冲击地压监测预警模型。将上述得到的数据集，按照8：2比例划分为训练集和测试集，将训练集中所有多维度特征数据作为输入来训练模型；采用5折交叉验证，以平均绝对值误差(MAE)为性能度量指标对模型进行调参，找到使模型泛化性能最优的参数值；

所述最优模型：网络结构为卷积→池化→卷积→卷积→池化→卷积，激活函数RELU，优化器为Nadam，损失函数loss为均方误差(MSE)，初始学习率为0.001，L2正则化0.0001，最大训练轮数为30，小批量大小为64。

预测结果可视化可通过以下方式实现：一是折线图，绘制测试集中评判值Y和预测值Y’及其绝对值误差的拟合折线图，测试集平均绝对值误差(MAE)是8.2，冲击地压危险专家评判值(真实值)和预测值的波动趋势基本吻合；二是混淆矩阵图，将预测值Y’按照上述冲击危险等级标准划分为4级，绘制热度图，得出准确率Accuracy为75％。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于深度学习微震监测数据的冲击地压预警方法，其特征在于包括以下步骤：

步骤S101，建立打分***；基于专家经验，通过历史微震监测数据及其特征参数对冲击地压危险进行分析评判，生成样本标签，评判范围0～100，分值越高越危险；

步骤S102，构建数据集；将历史微震监测数据及其特征参数作为样本特征X，将冲击地压危险评判值作为样本标签Y，生成深度学习的数据集；

步骤S103，数据预处理；样本特征X在使用之前进行预处理；

步骤S104，构建深度学习模型；将预处理后的数据集输入模型进行训练，将K折交叉验证法用于模型评估，找到使得模型泛化性能最优的参数值，此时所构建的模型达到最优；

步骤S105，将最优模型应用于冲击地压监测；对实时冲击地压危险进行预测，得出冲击地压危险预测值，判断冲击危险等级。

2.根据权利要求1所述的一种基于深度学习微震监测数据的冲击地压预警方法，其特征在于：所述步骤S101，建立打分***中，建立包含微震监测数据库的打分***，随机选择历史时刻，并展示该时刻历史微震监测数据及其特征参数；专家学者依据自身经验通过打分***对冲击地压危险进行分析评判，得到冲击地压危险评判值，生成样本标签。

3.根据权利要求1所述的一种基于深度学习微震监测数据的冲击地压预警方法，其特征在于：所述步骤S102，构建数据集中，历史微震监测数据及其特征参数作为样本特征Xi＝{x1,x2,……,xn}，其中i＝1,2,……m，m为样本个数，n为单个样本的特征个数；

冲击地压危险评判值作为样本标签Y，每个Xi对应一个样本标签Yi，生成深度学习的数据集。

4.根据权利要求1所述的一种基于深度学习微震监测数据的冲击地压预警方法，其特征在于：所述步骤S103，数据预处理中，样本特征X在使用之前进行预处理，所述预处理包括处理缺失值、异常值、取对数lgE、规范化、正则化、降维。

5.根据权利要求1所述的一种基于深度学***均绝对值误差MAE为度量指标，找到使得模型泛化性能最优的参数值，此时所构建的模型达到最优。

6.根据权利要求1所述的一种基于深度学习微震监测数据的冲击地压预警方法，其特征在于：所述步骤S105，将最优模型应用于冲击地压监测中，将所述最优模型应用于冲击地压监测，对实时冲击地压危险进行预测，得出冲击地压危险预测值，判断冲击危险等级，等级越高越危险。

7.根据权利要求1所述的一种基于深度学习微震监测数据的冲击地压预警方法，其特征在于：根据冲击地压危险评判值或冲击地压危险预测值确定冲击危险等级包括如下：

其中，Y为冲击地压危险评判值，Y′为冲击地压危险预测值，W为冲击危险等级，冲击危险等级最高为4。

Images