基于机器学习的采动应力下煤矿顺槽薄弱区时空演化预测方法与流程
本发明涉及煤矿巷道围岩稳定性分析与智能预测,具体为基于机器学习的采动应力下煤矿顺槽薄弱区时空演化预测方法。
背景技术:
1、随着智能化信息技术、数据分析技术以及人工智能技术的发展,基于数据采集和智能分析的预测方法逐渐应用于矿山安全监测、生产状态分析以及灾害风险预警等领域,通过对生产过程中的状态信息进行采集和处理,实现对复杂工业环境中异常状态的识别和预测。其中,煤矿作为能源开采的重要工业领域,其生产过程受到地质条件、开采方式以及采动扰动等多因素影响,尤其是在地下开采过程中,工作面推进会持续改变周围岩体的受力状态,使煤矿巷道围岩处于不断变化的动态环境中。因此,针对煤矿开采过程中的围岩稳定状态进行分析和预测,成为保障煤矿安全生产的重要研究方向。在煤矿开采过程中,顺槽作为连接工作面与运输、通风系统的重要巷道,其围岩稳定状态直接影响工作面连续推进和井下作业安全。随着工作面的持续推进,采动应力会不断作用于顺槽围岩,使部分区域逐渐出现应力集中、变形累积以及结构稳定性降低等现象,进而形成具有时空演化特征的薄弱区域。因此,对采动应力作用下煤矿顺槽薄弱区的形成过程、空间扩展过程以及演化时间进行预测,对于提前识别潜在风险区域和优化巷道支护措施具有重要意义。
2、现有煤矿顺槽薄弱区预测方法通常通过采集巷道围岩应力、位移、变形等状态参数,并结合数值模拟方法、统计分析方法或者机器学习模型对围岩稳定状态进行分析。例如,通过监测设备获取采动过程中围岩应力变化数据,根据监测数据变化情况判断巷道区域是否存在稳定性风险,或者利用机器学习模型对历史监测数据进行训练,实现对围岩状态的预测。然而,现有方法主要针对单一状态参数或者当前状态特征进行分析,通常将采动应力变化过程与围岩响应变化过程作为独立数据进行处理,缺少对采动作用过程与围岩响应过程之间动态对应关系的深入分析。同时,现有预测方法大多关注某一时间节点下的风险状态判断,难以描述薄弱区域从形成到扩展过程中的空间传播关系和时间演化规律,导致预测结果通常仅能够反映局部位置的风险状态,无法准确获取薄弱区在顺槽空间范围内的迁移演化过程。
3、上述问题产生的主要原因在于,采动应力作用下煤矿顺槽围岩响应具有明显的时空变化特征,采动影响并不是直接导致整个区域同步发生变化,而是随着工作面推进过程逐步传递,使不同空间位置的围岩响应状态存在时间上的先后差异和空间上的传播关系。现有方法由于缺少对采动应力变化过程与围岩响应变化过程之间演化顺序关系的分析,难以识别采动作用过程与围岩响应过程之间的时序失配状态,当局部区域出现薄弱状态后,无法进一步判断该状态向周围区域扩展的路径和时间过程。因此,在实际煤矿开采过程中,可能出现薄弱区域已经形成但未被及时识别,或者预测结果无法反映薄弱区后续扩展趋势的问题,进而导致支护调整滞后、风险区域判断不准确以及安全预警有效性降低等情况。
技术实现思路
1、针对现有技术的不足,本发明提供了基于机器学习的采动应力下煤矿顺槽薄弱区时空演化预测方法,解决了背景技术中提到的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:基于机器学习的采动应力下煤矿顺槽薄弱区时空演化预测方法,包括以下步骤:
3、s1:获取煤矿顺槽采动过程中的采动应力变化过程数据和对应空间位置的围岩响应变化过程数据,根据采动推进过程对所述采动应力变化过程数据和所述围岩响应变化过程数据进行时间对应处理,建立采动作用过程与围岩响应过程之间的对应关系,生成采动响应关联数据;
4、s2:基于所述采动响应关联数据,对不同采动阶段下所述采动应力变化过程数据与所述围岩响应变化过程数据之间的演化顺序关系进行重构处理,根据所述演化顺序关系的变化情况生成用于表示采动作用过程与围岩响应过程演化匹配变化的采动响应时序失配识别结果;
5、s3:基于所述采动响应时序失配识别结果,对不同空间位置对应的所述采动响应时序失配识别结果进行空间关联处理,获取不同空间位置之间所述采动响应时序失配识别结果的空间传播顺序关系,根据所述空间传播顺序关系生成用于表示薄弱区形成过程和空间扩展过程的薄弱区迁移演化路径生成结果;
6、s4:将历史采动过程对应的所述采动响应时序失配识别结果和所述薄弱区迁移演化路径生成结果输入机器学习模型进行演化关系学习,获得预测状态下的所述薄弱区迁移演化路径生成结果,根据预测状态下的所述薄弱区迁移演化路径生成结果确定煤矿顺槽薄弱区的形成位置、扩展方向以及演化时间,输出采动应力下煤矿顺槽薄弱区时空演化预测结果。
7、优选的,所述步骤s1包括:
8、s11、在煤矿顺槽区域沿巷道延伸方向设置多个空间监测位置,通过设置于所述空间监测位置处的采动应力监测设备采集不同采动时间节点对应的采动应力响应信息,并将所述采动应力响应信息传输至数据处理终端,根据空间监测位置和采动时间节点对所述采动应力响应信息进行整理,生成所述采动应力变化过程数据;
9、s12、通过设置于所述空间监测位置处的围岩响应监测设备采集对应空间监测位置在不同采动时间节点下的围岩位移响应信息、围岩变形响应信息以及围岩结构响应信息,并将所述围岩响应信息传输至所述数据处理终端,根据所述空间监测位置和所述采动时间节点对所述围岩响应信息进行对应整理,生成所述围岩响应变化过程数据。
10、优选的,所述步骤s1还包括:
11、s13、将所述采动应力变化过程数据和所述围岩响应变化过程数据输入所述数据处理终端,根据相同空间监测位置和相同采动时间节点建立数据对应关系,将对应空间监测位置下的采动应力响应变化过程与围岩响应变化过程进行组合排列,生成包含空间监测位置、采动时间节点、采动应力响应状态以及围岩响应状态的所述采动响应关联数据。
12、优选的,所述步骤s2包括:
13、s21、将所述采动响应关联数据输入所述数据处理终端,根据采动时间节点对同一空间监测位置对应的所述采动应力变化过程数据进行阶段划分,得到采动作用阶段序列,并根据相同采动时间节点对所述围岩响应变化过程数据进行阶段划分,得到围岩响应阶段序列;
14、s22、对所述采动作用阶段序列和所述围岩响应阶段序列进行时间顺序对应处理,获取采动作用阶段与围岩响应阶段之间的对应排列关系,根据所述对应排列关系生成用于表示采动作用过程与围岩响应过程之间时序匹配状态的所述采动响应时序失配识别结果。
15、优选的,所述步骤s2还包括:
16、s23、获取所述采动作用阶段序列和所述围岩响应阶段序列中对应空间监测位置的阶段排列信息,将对应采动时间节点下的采动作用阶段与围岩响应阶段进行逐节点对应处理,生成阶段对应关系数据;
17、s24、对所述阶段对应关系数据进行顺序关系识别处理,获取采动作用阶段排列顺序与围岩响应阶段排列顺序之间的对应状态;
18、s25、根据所述阶段对应关系数据以及所述对应状态,确定对应空间监测位置下采动作用过程与围岩响应过程之间的时序对应结果,并将所述时序对应结果进行组合,生成所述采动响应时序失配识别结果。
19、优选的,所述步骤s3包括:
20、s31、将多个空间监测位置对应的所述采动响应时序失配识别结果输入所述数据处理终端,根据各空间监测位置之间的位置关系建立空间关联关系;
21、s32、根据不同空间监测位置对应的所述采动响应时序失配识别结果中的采动时间节点,对各空间监测位置产生时序失配状态的先后顺序进行排列,生成空间监测位置之间的失配状态传播顺序关系。
22、优选的,所述步骤s3还包括:
23、s33、根据所述空间传播顺序关系,对不同空间监测位置对应的所述采动响应时序失配识别结果进行顺序连接处理,获取失配状态空间连接序列;
24、s34、对所述失配状态空间连接序列中的空间监测位置和对应采动时间节点进行组合处理,获取薄弱区演化节点序列;
25、s35、按照所述薄弱区演化节点序列中的空间监测位置排列顺序以及采动时间节点排列顺序,生成用于表示薄弱区形成位置、扩展位置以及演化时间的所述薄弱区迁移演化路径生成结果。
26、优选的,所述步骤s4包括:
27、s41、获取历史采动过程对应的所述采动响应时序失配识别结果和所述薄弱区迁移演化路径生成结果;
28、s42、将历史采动过程中的所述采动响应时序失配识别结果作为机器学习模型输入数据,将对应的所述薄弱区迁移演化路径生成结果作为机器学习模型输出数据,对所述机器学习模型进行训练,生成所述薄弱区迁移演化预测模型。
29、优选的,所述步骤s4还包括:
30、s43、获取当前采动过程中的所述采动响应时序失配识别结果,并将所述采动响应时序失配识别结果转换为与所述薄弱区迁移演化预测模型对应的数据输入格式;
31、s44、将转换后的所述采动响应时序失配识别结果输入所述薄弱区迁移演化预测模型,通过所述薄弱区迁移演化预测模型对所述采动响应时序失配识别结果与历史薄弱区迁移演化路径生成结果之间的对应关系进行匹配处理;
32、s45、根据所述薄弱区迁移演化预测模型的匹配处理结果,输出预测状态下的所述薄弱区迁移演化路径生成结果。
33、优选的,所述步骤s4还包括:
34、s46、获取预测状态下的所述薄弱区迁移演化路径生成结果中的空间监测位置排列信息,根据所述空间监测位置排列信息确定薄弱区形成位置;
35、s47、获取预测状态下的所述薄弱区迁移演化路径生成结果中的节点连接顺序信息,根据所述节点连接顺序信息确定薄弱区扩展过程;
36、s48、获取预测状态下的所述薄弱区迁移演化路径生成结果中的采动时间节点信息,根据所述采动时间节点信息确定薄弱区演化时间;
37、s49、将所述薄弱区形成位置、所述薄弱区扩展过程以及所述薄弱区演化时间进行组合处理,生成所述采动应力下煤矿顺槽薄弱区时空演化预测结果。
38、本发明提供了基于机器学习的采动应力下煤矿顺槽薄弱区时空演化预测方法,具备以下有益效果:
39、(1)系统运行时,本发明针对现有煤矿顺槽薄弱区预测过程中难以反映采动应力作用与围岩响应之间动态关联关系,以及无法准确描述薄弱区形成、扩展和演化过程的问题,提出一种基于机器学习的采动应力下煤矿顺槽薄弱区时空演化预测方法。该方法通过对采动过程中的应力变化信息和围岩响应信息进行关联处理,构建采动作用过程与围岩响应过程之间的数据关系,并进一步分析二者之间的时序对应关系和空间传播关系,实现对煤矿顺槽薄弱区形成位置、扩展过程以及演化时间的预测,相较于仅依靠单一状态参数进行风险判断的方法,提高了薄弱区演化过程描述的完整性和预测结果的准确性。
40、(2)进一步地,通过采集煤矿顺槽不同空间位置和不同采动时间节点对应的采动应力响应信息以及围岩响应信息,并依据空间位置和采动时间节点建立对应关系,形成包含采动应力变化过程与围岩响应变化过程的关联数据,使采动作用过程和围岩响应过程能够在相同空间位置和相同时间阶段下进行对应分析,避免了现有方法中不同类型监测数据相互独立处理导致的信息关联不足问题。在此基础上,通过对采动应力变化过程与围岩响应变化过程的演化顺序进行重构,获取能够表示二者时序匹配状态的采动响应时序失配识别结果,使薄弱状态的形成能够基于采动作用过程与围岩响应过程之间的演化关系进行识别,提高了对采动影响下围岩异常演化过程的识别能力。
41、(3)进一步地,基于采动响应时序失配识别结果,对不同空间位置之间的失配状态传播关系进行分析,根据空间位置关系和采动时间节点关系构建薄弱区演化节点序列,并生成表示薄弱区形成位置、扩展位置以及演化时间的薄弱区迁移演化路径生成结果,使薄弱区预测由单一位置状态判断转变为对空间扩展过程的分析,提高了对薄弱区域迁移规律的描述能力。同时,利用历史采动过程中的采动响应时序失配识别结果与薄弱区迁移演化路径生成结果对机器学习模型进行训练,使模型能够学习采动作用过程与薄弱区演化过程之间的对应关系,为后续预测提供数据基础,提高了预测过程对不同采动阶段和不同空间位置变化情况的适应能力。
42、(4)进一步地,利用当前采动过程中的采动响应时序失配识别结果输入训练完成的薄弱区迁移演化预测模型,获得预测状态下的薄弱区迁移演化路径生成结果,并根据预测路径中的空间监测位置排列关系、节点连接顺序以及采动时间节点信息,确定薄弱区形成位置、扩展过程以及演化时间,生成采动应力下煤矿顺槽薄弱区时空演化预测结果。通过上述处理,使预测结果不仅能够反映当前区域是否存在薄弱状态,还能够进一步表示薄弱区域后续扩展过程和时间变化规律,为煤矿顺槽围岩稳定性分析、支护调整以及安全风险提前识别提供更加准确的数据依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com