CN116256803B - 一种融合开采信息与地质信息的煤矿微震区域定位方法 - Google Patents
一种融合开采信息与地质信息的煤矿微震区域定位方法 Download PDFInfo
- Publication number
- CN116256803B CN116256803B CN202310225337.1A CN202310225337A CN116256803B CN 116256803 B CN116256803 B CN 116256803B CN 202310225337 A CN202310225337 A CN 202310225337A CN 116256803 B CN116256803 B CN 116256803B
- Authority
- CN
- China
- Prior art keywords
- microseismic
- layer
- convolution
- region
- data
- 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 38
- 239000003245 coal Substances 0.000 title claims abstract description 26
- 238000005065 mining Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 52
- 238000013135 deep learning Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000008034 disappearance Effects 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 2
- 101150041570 TOP1 gene Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- 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
-
- 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
- G01V1/30—Analysis
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
一种融合开采信息与地质信息的煤矿微震区域定位方法,台站安装在有微震风险的采煤工作面四周,台站将采集到的原始微震数据传至上位机,上位机对原始微震数据进行数据处理;构建微震波形数据集,对上述处理过的微震波形数据进行标记,确定每次微震的震源位置,然后将收集的数据集划分为训练集、验证集和测试集;根据微震波形的特征设计微震波形区域定位模型进行特征提取,在区域定位模型的最后添加全连接层,由全连接层的输出确定概率最大的前两类微震震源区域;利用相对距离定位算法对概率最大的前三个区域进行比较,确定最终结果。本发明使用相对距离定位的方法来辅助定位,提高微震定位的精度和可靠性,同时还可以减少设备成本和维护成本。
Description
技术领域
本发明涉及一种微震区域定位方法,具体是一种融合开采信息与地质信息的煤矿微震区域定位方法,属于井下微震定位技术领域。
背景技术
近年来,随着我国煤矿开采深度快速增加以及地质、采矿条件的日趋复杂,冲击地压灾害形式日渐严峻,已成为制约煤矿安全生产的关键因素。由于冲击地压具有突发性、瞬时震动性和巨大破坏性等特征,所以事先难以预料其发生的时间、地点和程度。冲击地压危害程度大,影响面广,一旦发生,极易引起其他连锁事故,如瓦斯异常涌出、煤与瓦斯突出、突水和瓦斯***等,造成极大的财产损失和人员伤亡。然而冲击地压发生的时间、地点、区域、震源等的复杂多样性和冲击地压的突发性,使得定位工作极为困难复杂,成为急需解决的世界性难题。
目前在使用深度学习技术进行微震波形定位时,可能会出现定位不准的情况,传统的微震定位使用深度学习技术进行微震波形定位,该方法常常受到矿山地质条件复杂和台站部署方式等因素的影响,可能会出现定位不准确的情况,导致定位精度较低。
发明内容
本发明的目的是提供一种融合开采信息与地质信息的煤矿微震区域定位方法,该方法使用相对距离定位的方法来辅助定位,可以降低由于地质条件、微震波传播路径和台站部署方式对定位精度的影响,从而提高微震定位的精度和可靠性,同时还可以减少设备成本和维护成本。
为了实现上述目的,本发明提供一种融合开采信息与地质信息的煤矿微震区域定位方法,包括以下步骤:
步骤1、矿震数据采集:在采煤工作面四周安装台站ti,i=(1,2,3,4),对应台站的微震传感器将采集到的采煤工作面开采信息的原始微震数据传至地面控制室的上位机,原始微震数据包括微震数据的波形数据、发生时间、能量大小、震源坐标,由上位机对原始微震数据进行微震数据处理;
步骤2、微震波形数据处理:微震波形数据处理方法包括预处理、时频分析,预处理包括滤波、去噪等操作;时频分析包括利用傅里叶变换、小波变换等方法,对微震波形数据进行时频分析,以分离出有效信息;
步骤3、微震波形数据构建:构建微震波形数据集,要先对步骤2处理过的微震波形数据进行标记,确定每次微震的震源位置,将确定好的微震震源位置进行区域划分,共划分10个区域uj,j=(0,1,2,…,9):1.根据井下停采线中间点的实时位置,以其为中心按照150m×150m的范围划分一个正方形区域,并将这块正方形区域平均划分9个子正方形区域,每个子正方形区域的大小为50m×50m,编号为0~8;2.根据采煤工作面的地质信息,在采煤工作面中的断层区域会频发微震事件,所以将断层区域单独划分成一个区域,编号为9;按以上划分的区域编号给已经发生过的微震事件归类位置标签(将不同编号的微震事件放到不同的文件夹中),然后将收集的数据集划分为训练集、验证集和测试集,比例为8:1:1,用于模型训练和评估;
步骤4、建立微震波形区域定位模型:根据微震波形的特征专门设计了微震波形区域定位模型进行特征提取,其中包括卷积层、残差连接和批归一化层来提取微震波形数据的高频特征和低频特征,并使用优化器来优化区域定位模型,在区域定位模型的最后添加一个全连接层,这一层的输出为微震震源可能位置区域的概率集合,由全连接层的输出确定概率最大的前两类微震震源区域;
步骤5、利用相对距离定位算法对区域定位模型输出概率最大的前三个区域进行比较,确定最终结果。
本发明步骤4中的微震波形区域定位模型是通过深度学习方法构建的,具体为:
深度学习定位方法是一种具有50层的微震波形区域定位模型,深度学习定位模型的网络结构由三个部分组成:输入层、残差块和输出层,输入层是本发明深度学习定位模型的第一层,用于接收微震波形数据,本发明第一层采用的输入数据是640×480像素的微震波形图片,每个微震波形图片上具有四个台站接收到的微震波形,经过输入层的图片矩阵变换将每个微震波形图片转换为640×480×3的矩阵数组x,每个微震事件的波形文件的格式为1000×4个bit的波形数据点,将其转化为深度学习定位模型容易处理的格式,大小为640×480×3的格式,×3代表640×480像素大小图片的rgb三通量值,这样就可以将其视该矩阵数组x为具有高维度特征的单个样本;
在输出层之前,还设置残差块,残差块用于捕捉特征和实现残差学习。残差块是深度学习定位模型的基本组成单元,其目的是解决深度神经网络中的梯度消失问题,梯度消失是指,随着网络的加深,反向传播的梯度开始减小,从而使网络的训练难以有效收敛;
残差块的基本构造如下:矩阵数组x作为输入数据由输入层输入,以适配深度学习定位模型的输入形式,然后再与残差函数F(x)进行相加,得到输出y;F(x)是一个非线性函数,用于处理矩阵数组x,其包含多个卷积、激活、归一化等层;
其中卷积层的具体公式为:
N=(W-H)/S+1
式中:N为输入数据;
H为卷积核;
S步长,本发明步长均设置为3;
归一化层可以使得某一个特征对最终的结果不会造成更大的影响的公式为:
X″=X′*(mx-mi)+mi
作用于输入矩阵数据X′的每一列,max为一列的最大值,min为一列的最小值,X″作为归一化层的输出结果,mx,mi分别为指定区间值,默认mx为1,mi为0;
设输入为矩阵数组x,输出为y,残差函数为F(x),则残差块的输出为:y=F(x)+x,残差块的作用是将矩阵数组x和残差函数为F(x)进行相加,并将结果作为残差块的输出;这样可以使得残差块在对残差进行处理时不会使信息丢失,同时也可以有效缓解梯度消失的问题;
深度学习定位模型的残差块部分由16个残差块组成,它的残差块数量是以4个阶段进行设计的,具体如下:
阶段1:包含三个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为64;第二个卷积层的卷积核为3x3,通道数为64;第三个卷积层的卷积核为1x1,通道数为256;
阶段2:包含四个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为128;第二个卷积层的卷积核为3x3,通道数为128;第三个卷积层的卷积核为1x1,通道数为512;
阶段3:包含六个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为256;第二个卷积层的卷积核为3x3,通道数为256;第三个卷积层的卷积核为1x1,通道数为1024;
阶段4:包含三个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为512;第二个卷积层的卷积核为3x3,通道数为512;第三个卷积层的卷积核为1x1,通道数为2048;
输出层是深度学习定位模型的最后一层,用于预测微震定位,输出层为一个分类层,它将高维度特征向量映射到预测概率分布,本发明使用softmax函数作为激活函数,它会将输出转换为概率分布,softmax函数为:
输出层的输出格式是一个9维向量P
式中;是每一个区域可能发生的概率;
选取其中概率最大的三个区域k、l和o进行输出。
本发明步骤5中的相对距离定位算法是基于微震事件到台站的远近关系序列来寻找最优的微震震源发生区域,在井下工作面会布置多个台站,同时对微震事件进行监测和数据采集,当一个微震事件发生时,多个台站将接收到不同的信号,并记录下各自的到时信息,通过分析这些到时信息,可以计算出各个台站之间的距离差,由于这种彼此之间相互的距离差能够在一定程度上反映彼此之间的位置关系,因此通过这些距离差信息,能够将微震事件定位在矿区内的具***置;
首先计算每一个子正方形区域中心对于各台站的相对距离参数集合Rj
式中:为j区域对于i台站的相对距离参数;
j区域为步骤3中划分的十个区域,十个区域中包含三个概率最大的区域;
设待定位震源为Z,计算待定位震源Z的相对距离值集合为与步骤4中区域定位模型输出的概率最大的三个区域k、l和o的相对距离值集合Rk、Rl和Ro分别与RZ进行协方差的计算,并比较其绝对值大小,协方差的计算公式如下:
式中:分别为三个区域k、l和o和待定位震源Z对于不同台站的相对距离值;选择协方差绝对值更大的区域作为最终预测区域;
本步骤中相对距离值的详细计算方法如下:
基于微震事件到台站的远近关系序列不同,对待测区域uj,j=(0,1,2,…,9)和将接收到微震信号的台站ti,i=(1,2,3,4)进行排序获得签名签名即所有节点到某一节点远近关系序列的排序,节点u5的签名即/>计算出各个台站与待测区域的签名距离D,台站与待测区域之间的签名距离/>等于显式翻转/>隐式翻转/>和0.5倍可能翻转/>数量的和;其中显式翻转指的是在签名中相同的两节点顺序颠倒的个数,例如/>中的节点序(u5,t4)在被翻转为(t4,u5);隐式翻转指的是一个节点存在于签名/>中却不存在于/>中的个数,例如/>中的节点序(t1,t4)在/>仅有t4而未出现t1;可能翻转指的是两个节点都不在一个签名中无法判断其顺序的个数,例如/>中的节点序(t1,t2)在/>未出现,计算后对其签名距离D进行修正,签名距离D能够根据位置和台站关系规范化为
式中:是ti和uj的邻居节点并集的数量。
与现有技术相比,本发明首先通过微震波形区域定位模型对煤矿微震发生概率最高的区域进行定位,然后通过相对距离定位算法对概率最高的区域进行具体定位由此得出最优的微震发生区域,本发明能从采煤工作面开采信息与地质信息的大量数据中自动学习有用的特征,不需要过多的专家知识,使其在传统方法微震定位能力不足时,也能够进行相对精准的微震区域定位,为微震定位提供区域预测,其中,本发明的区域定位模型是通过深度学习方法构建而成,深度学习方法具有较强的泛化能力,能够很好地适应新的数据,也能够很好的适应噪声和数据缺失的情况,稳健性更好;本发明的相对距离定位算法可以通过多个台站之间的距离差来计算微震事件的位置,可以减少地质条件、微震波传播路径和台站部署方式对定位精度的影响,从而提高定位的精度。
附图说明
图1为本发明微震区域定位的流程图;
图2为本发明区域定位模型的模型构架图;
图3为本发明top1、2、3的准确率;
图4为本发明相对距离定位示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1-图3所示,一种融合开采信息与地质信息的煤矿微震区域定位方法,包括以下步骤:
步骤1、矿震数据采集:在采煤工作面四周安装台站ti,i=(1,2,3,4),对应台站的微震传感器将采集到的采煤工作面的开采信息的原始微震数据传至地面控制室的上位机,原始微震数据包括微震数据的波形数据、发生时间、能量大小、震源坐标,由上位机对原始微震数据进行微震数据处理;
步骤2、微震波形数据处理:微震波形数据处理方法包括预处理、时频分析,预处理包括滤波、去噪等操作;时频分析包括利用傅里叶变换、小波变换等方法,对微震波形数据进行时频分析,以分离出有效信息;
步骤3、微震波形数据构建:构建微震波形数据集,要先对步骤2处理过的微震波形数据进行标记,确定每次微震的震源位置,将确定好的微震震源位置进行区域划分,共划分10个区域uj,j=(0,1,2,…,9):1.根据井下停采线中间点的实时位置,以其为中心按照150m×150m的范围划分一个正方形区域,并将这块正方形区域平均划分9个子正方形区域,每个子正方形区域的大小为50m×50m,编号为0~8;2.根据采煤工作面的地质信息,在采煤工作面中的断层区域会频发微震事件,所以将断层区域单独划分成一个区域,编号为9;按以上划分的区域编号给已经发生过的微震事件归类位置标签(将不同编号的微震事件放到不同的文件夹中),然后将收集的数据集划分为训练集、验证集和测试集,比例为8:1:1,用于模型训练和评估;
步骤4、建立微震波形区域定位模型:根据微震波形的特征专门设计了微震波形区域定位模型进行特征提取,其中包括卷积层、残差连接和批归一化层来提取微震波形数据的高频特征和低频特征,并使用优化器来优化区域定位模型,在区域定位模型的最后添加一个全连接层,这一层的输出为微震震源可能位置区域的概率集合,由全连接层的输出确定概率最大的前两类微震震源区域;
步骤5、利用相对距离定位算法对区域定位模型输出概率最大的前三个区域进行比较,确定最终结果。
步骤4中的微震波形区域定位模型是通过深度学习方法构建的,具体为:
深度学习定位方法是一种具有50层的微震波形区域定位模型,深度学习定位模型的网络结构由三个部分组成:输入层、残差块和输出层,输入层是本发明深度学习定位模型的第一层,用于接收微震波形数据,本发明第一层采用的输入数据是640×480像素的微震波形图片,每个微震波形图片上具有四个台站接收到的微震波形,经过输入层的图片矩阵变换将每个微震波形图片转换为640×480×3的矩阵数组x,每个微震事件的波形文件的格式为1000×4个bit的波形数据点,将其转化为深度学习定位模型容易处理的格式,大小为640×480×3的格式,×3代表640×480像素大小图片的rgb三通量值,这样就可以将其视该矩阵数组x为具有高维度特征的单个样本;
在输出层之前,还设置残差块,残差块用于捕捉特征和实现残差学习。残差块是深度学习定位模型的基本组成单元,其目的是解决深度神经网络中的梯度消失问题,梯度消失是指,随着网络的加深,反向传播的梯度开始减小,从而使网络的训练难以有效收敛;
残差块的基本构造如下:矩阵数组x作为输入数据由输入层输入,以适配深度学习定位模型的输入形式,然后再与残差函数F(x)进行相加,得到输出y;F(x)是一个非线性函数,用于处理矩阵数组x,其包含多个卷积、激活、归一化等层;
其中卷积层的具体公式为:
N=(W-H)/S+1
式中:N为输入数据;
H为卷积核;
S步长,本发明步长均设置为3;
归一化层可以使得某一个特征对最终的结果不会造成更大的影响的公式为:
X″=X′*(mx-mi)+mi
作用于输入矩阵数据X′的每一列,max为一列的最大值,min为一列的最小值,X″作为归一化层的输出结果,mx,mi分别为指定区间值,默认mx为1,mi为0;
设输入为矩阵数组x,输出为y,残差函数为F(x),则残差块的输出为:y=F(x)+x,残差块的作用是将矩阵数组x和残差函数为F(x)进行相加,并将结果作为残差块的输出;这样可以使得残差块在对残差进行处理时不会使信息丢失,同时也可以有效缓解梯度消失的问题;
深度学习定位模型的残差块部分由16个残差块组成,它的残差块数量是以4个阶段进行设计的,具体如下:
阶段1:包含三个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为64;第二个卷积层的卷积核为3x3,通道数为64;第三个卷积层的卷积核为1x1,通道数为256;
阶段2:包含四个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为128;第二个卷积层的卷积核为3x3,通道数为128;第三个卷积层的卷积核为1x1,通道数为512;
阶段3:包含六个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为256;第二个卷积层的卷积核为3x3,通道数为256;第三个卷积层的卷积核为1x1,通道数为1024;
阶段4:包含三个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为512;第二个卷积层的卷积核为3x3,通道数为512;第三个卷积层的卷积核为1x1,通道数为2048;
输出层是深度学习定位模型的最后一层,用于预测微震定位,输出层为一个分类层,它将高维度特征向量映射到预测概率分布,本发明使用softmax函数作为激活函数,它会将输出转换为概率分布,softmax函数为:
输出层的输出格式是一个9维向量P
式中;是每一个区域可能发生的概率;
选取其中概率最大的三个区域k、l和o进行输出,三个区域k、l和o对应图3中显示的top1、2、3的准确率。
步骤5中的相对距离定位算法是基于微震事件到台站的远近关系序列来寻找最优的微震震源发生区域,在井下工作面会布置多个台站,同时对微震事件进行监测和数据采集,当一个微震事件发生时,多个台站将接收到不同的信号,并记录下各自的到时信息,通过分析这些到时信息,可以计算出各个台站之间的距离差,由于这种彼此之间相互的距离差能够在一定程度上反映彼此之间的位置关系,因此通过这些距离差信息,能够将微震事件定位在矿区内的具***置;
首先计算每一个子正方形区域中心对于各台站的相对距离参数集合Rj
式中:为j区域对于i台站的相对距离参数;
j区域为步骤3中划分的十个区域,十个区域中包含三个概率最大的区域;
设待定位震源为Z,计算待定位震源Z的相对距离值集合为与步骤4中区域定位模型输出的概率最大的三个区域k、l和o的相对距离值集合Rk、Rl和Ro分别与RZ进行协方差的计算,并比较其绝对值大小,协方差的计算公式如下:
式中:分别为三个区域k、l和o和待定位震源Z对于不同台站的相对距离值;选择协方差绝对值更大的区域作为最终预测区域;
本步骤中相对距离值的详细计算方法如下:
基于微震事件到台站的远近关系序列不同,对待测区域uj,j=(0,1,2,…,9)和将接收到微震信号的台站ti,i=(1,2,3,4)进行排序获得签名签名即所有节点到某一节点远近关系序列的排序,如图4中节点u5的签名即/>计算出各个台站与待测区域的签名距离D,台站与待测区域之间的签名距离/>等于显式翻转隐式翻转/>和0.5倍可能翻转/>数量的和;其中显式翻转指的是在签名Qti、/>中相同的两节点顺序颠倒的个数,例如/>中的节点序(u5,t4)在/>被翻转为(t4,u5);隐式翻转指的是一个节点存在于签名/>中却不存在于中的个数,例如/>中的节点序(t1,t4)在/>仅有t4而未出现t1;可能翻转指的是两个节点都不在一个签名中无法判断其顺序的个数,例如/>中的节点序(t1,t2)在/>未出现,计算后对其签名距离D进行修正,签名距离D能够根据位置和台站关系规范化为
式中:是ti和uj的邻居节点并集的数量。
本发明主要使用的是台站,可以输出微震的波形,安装在有微震风险的采煤工作面四周,对应台站的微震传感器将采集到的采煤工作面开采信息的原始微震数据传至地面控制室的上位机,原始微震数据包括微震数据的波形数据、发生时间、能量大小、震源坐标,由上位机对原始微震数据进行微震数据处理;微震波形数据处理方法包括预处理、时频分析,预处理包括滤波、去噪等操作;时频分析包括利用傅里叶变换、小波变换等方法,对微震波形数据进行时频分析,以分离出有效信息;构建微震波形数据集,要先对步骤2处理过的微震波形数据进行标记,确定每次微震的震源位置,区域划分共划分10个区域uj,j=(0,1,2,…,9):1.根据井下停采线中间点的实时位置,以其为中心按照150m×150m的范围划分一个正方形区域,并将这块正方形区域平均划分9个子正方形区域,每个子正方形区域的大小为50m×50m,编号为0~8;2.根据采煤工作面的地质信息,在采煤工作面中的断层区域会频发微震事件,所以将断层区域单独划分成一个区域,编号为9;按以上划分的区域编号给已经发生过的微震事件归类位置标签(将不同编号的微震事件放到不同的文件夹中),然后将收集的数据集划分为训练集、验证集和测试集,比例为8:1:1,用于模型训练和评估;建立微震波形区域定位模型:根据微震波形的特征专门设计了微震波形区域定位模型进行特征提取,其中包括卷积层、残差连接和批归一化层来提取微震波形数据的高频特征和低频特征,并使用优化器来优化区域定位模型,在区域定位模型的最后添加一个全连接层,这一层的输出为微震震源可能位置区域的概率集合,由全连接层的输出确定概率最大的前两类微震震源区域;利用相对距离定位算法对区域定位模型输出概率最大的前三个区域进行比较,确定最终结果。
Claims (1)
1.一种融合开采信息与地质信息的煤矿微震区域定位方法,其特征在于,包括以下步骤:
步骤1、矿震数据采集:在采煤工作面四周安装台站ti,i=(1,2,3,4),对应台站的微震传感器将采集到的原始微震数据传至地面控制室的上位机,原始微震数据包括微震数据的波形数据、发生时间、能量大小、震源坐标,由上位机对原始微震数据进行微震数据处理;
步骤2、微震波形数据处理:微震波形数据处理方法包括预处理、时频分析,预处理包括滤波、去噪操作;时频分析包括利用傅里叶变换、小波变换,对微震波形数据进行时频分析,以分离出有效信息;
步骤3、微震波形数据构建:构建微震波形数据集,要先对步骤2处理过的微震波形数据进行标记,确定每次微震的震源位置,将确定好的微震震源位置进行区域划分,共划分10个区域uj,j=(0,1,2,…,9):1.根据井下停采线中间点的实时位置,以其为中心按照150m×150m的范围划分一个正方形区域,并将这块正方形区域平均划分9个子正方形区域,每个子正方形区域的大小为50m×50m,编号为0~8;2.采煤工作面中断层区域会频发微震事件,所以将断层区域单独划分成一个区域,编号为9;按以上划分的区域编号给已经发生过的微震事件归类位置标签,然后将收集的数据集划分为训练集、验证集和测试集,比例为8:1:1,用于模型训练和评估;
步骤4、建立微震波形区域定位模型:根据微震波形的特征设计微震波形区域定位模型进行特征提取,其中包括卷积层、残差连接和批归一化层来提取微震波形数据的高频特征和低频特征,并使用优化器来优化区域定位模型,在区域定位模型的最后添加一个全连接层,这一层的输出为微震震源可能位置区域的概率集合,由全连接层的输出确定概率最大的前两类微震震源区域;
步骤5、利用相对距离定位算法对区域定位模型输出概率最大的前三个区域进行比较,确定最终结果;
步骤4中的微震波形区域定位模型是通过深度学习方法构建的,具体为:
深度学习定位方法是一种具有50层的微震波形区域定位模型,深度学习定位模型的网络结构由三个部分组成:输入层、残差块和输出层,输入层是深度学习定位模型的第一层,第一层采用的输入数据是640×480像素的微震波形图片,每个微震波形图片上具有四个台站接收到的微震波形,经过输入层的图片矩阵变换将每个微震波形图片转换为640×480×3的矩阵数组x,将其视该矩阵数组x为具有高维度特征的单个样本;
在输出层之前,还设置残差块,残差块是深度学习定位模型的基本组成单元;
残差块的基本构造如下:矩阵数组x作为输入数据由输入层输入,以适配深度学习定位模型的输入形式,然后再与残差函数F(x)进行相加,得到输出y;F(x)是一个非线性函数,用于处理矩阵数组x,其包含多个卷积、激活、归一化层;
其中卷积层的具体公式为:
N=(W-H)/S+1
式中:N为输入数据;
H为卷积核;
S步长;
归一化层的公式为:
X″=X′*(mx-mi)+mi
作用于输入矩阵数据X′的每一列,max为一列的最大值,min为一列的最小值,X″作为归一化层的输出结果,mx,mi分别为指定区间值,默认mx为1,mi为0;
设输入为矩阵数组x,输出为y,残差函数为F(x),则残差块的输出为:y=F(x)+x,残差块的作用是将矩阵数组x和残差函数为F(x)进行相加,并将结果作为残差块的输出;
深度学习定位模型的残差块部分由16个残差块组成,它的残差块数量是以4个阶段进行设计的,具体如下:
阶段1:包含三个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为64;第二个卷积层的卷积核为3x3,通道数为64;第三个卷积层的卷积核为1x1,通道数为256;
阶段2:包含四个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为128;第二个卷积层的卷积核为3x3,通道数为128;第三个卷积层的卷积核为1x1,通道数为512;
阶段3:包含六个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为256;第二个卷积层的卷积核为3x3,通道数为256;第三个卷积层的卷积核为1x1,通道数为1024;
阶段4:包含三个残差块,每个残差块中含有三个卷积层,第一个卷积层的卷积核为1x1,通道数为512;第二个卷积层的卷积核为3x3,通道数为512;第三个卷积层的卷积核为1x1,通道数为2048;
输出层是深度学习定位模型的最后一层,用于预测微震定位,输出层为一个分类层,它将高维度特征向量映射到预测概率分布,使用softmax函数作为激活函数,它会将输出转换为概率分布,softmax函数为:
输出层的输出格式是一个9维向量P
式中;是每一个区域可能发生的概率;
选取其中概率最大的三个区域k、l和o进行输出;
步骤5中的相对距离定位算法是基于微震事件到台站的远近关系序列来寻找最优的微震震源发生区域,在井下工作面会布置多个台站,同时对微震事件进行监测和数据采集,当一个微震事件发生时,多个台站将接收到不同的信号,并记录下各自的到时信息,通过分析这些到时信息,计算出各个台站之间的距离差,由于这种彼此之间相互的距离差能够在一定程度上反映彼此之间的位置关系,因此通过这些距离差信息,能够将微震事件定位在矿区内的具***置;
首先计算每一个子正方形区域中心对于各台站的相对距离参数集合Rj
式中:为j区域对于i台站的相对距离参数;
j区域为步骤3中划分的十个区域,十个区域中包含三个概率最大的区域;
设待定位震源为Z,计算待定位震源Z的相对距离值集合为与步骤4中区域定位模型输出的概率最大的三个区域k、l和o的相对距离值集合Rk、Rl和Ro分别与RZ进行协方差的计算,并比较其绝对值大小,协方差的计算公式如下:
式中:分别为三个区域k、l和o和待定位震源Z对于不同台站的相对距离值;选择协方差绝对值更大的区域作为最终预测区域;
本步骤中相对距离值的详细计算方法如下:
基于微震事件到台站的远近关系序列不同,对待测区域uj,j=(0,1,2,…,9)和将接收到微震信号的台站ti,i=(1,2,3,4)进行排序获得签名签名即所有节点到某一节点远近关系序列的排序,节点u5的签名即/>计算出各个台站与待测区域的签名距离D,台站与待测区域之间的签名距离/>等于显式翻转/>隐式翻转/>和0.5倍可能翻转/>数量的和;其中显式翻转指的是在签名/>中相同的两节点顺序颠倒的个数,例如/>中的节点序(u5,t4)在/>被翻转为(t4,u5);隐式翻转指的是一个节点存在于签名/>中却不存在于/>中的个数,例如/>中的节点序(t1,t4)在/>仅有t4而未出现t1;可能翻转指的是两个节点都不在一个签名中无法判断其顺序的个数,例如/>中的节点序(t1,t2)在/>未出现,计算后对其签名距离D进行修正,签名距离D能够根据位置和台站关系规范化为
式中:是ti和uj的邻居节点并集的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310225337.1A CN116256803B (zh) | 2023-03-09 | 2023-03-09 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310225337.1A CN116256803B (zh) | 2023-03-09 | 2023-03-09 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116256803A CN116256803A (zh) | 2023-06-13 |
CN116256803B true CN116256803B (zh) | 2024-01-19 |
Family
ID=86687776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310225337.1A Active CN116256803B (zh) | 2023-03-09 | 2023-03-09 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116256803B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520433B (zh) * | 2023-06-30 | 2023-09-08 | 煤炭科学研究总院有限公司 | 多通道信号融合分析的煤矿工作面定向拾震方法 |
CN117723514B (zh) * | 2024-02-07 | 2024-05-17 | 山西品东智能控制有限公司 | 基于钠光源和智能算法的多指标煤质分析仪及检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680867A (zh) * | 2016-11-17 | 2017-05-17 | 大连理工大学 | 一种微震事件精确定位的动态参数方法 |
CN111983676A (zh) * | 2020-07-07 | 2020-11-24 | 东华理工大学 | 一种基于深度学习的地震监测方法及装置 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN113297929A (zh) * | 2021-05-10 | 2021-08-24 | 大连理工大学 | 基于全过程可视化的卷积神经网络微震监测波形识别方法 |
CN114063150A (zh) * | 2021-11-16 | 2022-02-18 | 西南科技大学 | 一种基于ml-knn算法的“震源-台站”速度模型选取方法 |
CN114563826A (zh) * | 2022-01-25 | 2022-05-31 | 中国矿业大学 | 基于深度学习融合驱动的微震稀疏台网定位方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111458748B (zh) * | 2020-03-30 | 2021-03-05 | 青岛理工大学 | 基于三层数据集神经网络的性能地震动危险性分析方法 |
-
2023
- 2023-03-09 CN CN202310225337.1A patent/CN116256803B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680867A (zh) * | 2016-11-17 | 2017-05-17 | 大连理工大学 | 一种微震事件精确定位的动态参数方法 |
CN111983676A (zh) * | 2020-07-07 | 2020-11-24 | 东华理工大学 | 一种基于深度学习的地震监测方法及装置 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN113297929A (zh) * | 2021-05-10 | 2021-08-24 | 大连理工大学 | 基于全过程可视化的卷积神经网络微震监测波形识别方法 |
CN114063150A (zh) * | 2021-11-16 | 2022-02-18 | 西南科技大学 | 一种基于ml-knn算法的“震源-台站”速度模型选取方法 |
CN114563826A (zh) * | 2022-01-25 | 2022-05-31 | 中国矿业大学 | 基于深度学习融合驱动的微震稀疏台网定位方法 |
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 |
Non-Patent Citations (5)
Title |
---|
Convolutonal neural network for earthquake detection and location;Thibaut Perol et al;SCIENCE ADVANCES;第4卷(第2期);第1页右栏-第7页左栏 * |
Locating induced earthquake with a network of seismic stations in Oklahoma via a deep learning method;Zhang Xiong et al;SCIENTIFIC REPORTS;第10卷(第1期);全部 * |
刘超.含瓦斯煤岩破裂过程微震监测与分析.中国矿业大学出版社,2017,第4.4 微震震源定位精度提高方法卷(第第一版第一次印刷版),54-64. * |
无线传感器网络中一种基于连通性的非测距定位算法;徐磊磊;徐保国;;传感器与微***;35(第01期);全文 * |
物理指标与数据特征融合驱动的冲击地压时序预测方法;曹安业 等;煤炭学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116256803A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116256803B (zh) | 一种融合开采信息与地质信息的煤矿微震区域定位方法 | |
CN105954804B (zh) | 页岩气储层脆性地震预测方法及装置 | |
CN114972384A (zh) | 一种基于深度学习的隧道岩体智能快速区域分级方法 | |
Zhao et al. | Inversion of seepage channels based on mining-induced microseismic data | |
CN110119994B (zh) | 一种gis支持下的金属矿爆堆位移提取及预测方法 | |
CN103824133A (zh) | 一种花岗岩型铀矿田远景区综合预测方法 | |
CN111932591B (zh) | 典型地质灾害遥感智能提取的方法与*** | |
CN104808255A (zh) | 基于分形理论的矿化异常信息挖掘方法 | |
CN106646609B (zh) | 多次扫描的微地震多参数联合快速反演方法 | |
CN110687587A (zh) | 一种基于多源遥感数据和监测站点数据的中长期地震预警*** | |
Li et al. | Automatic recognition and classification of microseismic waveforms based on computer vision | |
CN111399048A (zh) | 一种对断溶体计算相关属性及数据加权重构的方法 | |
CN105607040A (zh) | 一种矿区防盗采监测定位方法及*** | |
Peng et al. | Recognition of rock micro-fracture signal based on deep convolution neural network inception algorithm | |
Li et al. | Waveform recognition and process interpretation of microseismic monitoring based on an improved LeNet5 convolutional neural network | |
CN114563826A (zh) | 基于深度学习融合驱动的微震稀疏台网定位方法 | |
CN114417612A (zh) | 基于矩张量反演的采场微震震源机制求解方法 | |
CN112230275B (zh) | 地震波形的识别方法、装置及电子设备 | |
Qiuming | Multifractal modelling and spectrum analysis: Methods and applications to gamma ray spectrometer data from southwestern Nova Scotia, Canada | |
CN113204056B (zh) | 一种用于确定煤岩界面剖面分布位置的反演方法 | |
CN113126161B (zh) | 一种基于冲击波预测溶洞埋深和尺寸的方法及*** | |
CN111474580B (zh) | 一种基于炮检距矢量片的方位角道集提取方法和*** | |
CN105277981A (zh) | 基于波场延拓补偿的非一致性时移地震面元匹配方法 | |
CN114354762A (zh) | 一种煤岩体失稳破坏前兆信息判识方法 | |
CN113325467A (zh) | 一种基于槽波频散特征的微地震震源定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |