基于CNN考虑冲击地压前兆信息的微震事件危险性预测方法与流程

基于cnn考虑冲击地压前兆信息的微震事件危险性预测方法
技术领域
1.本发明涉及矿井中冲击地压等危险灾害领域，具体为一种基于cnn（卷积神经网络）考虑冲击地压前兆信息的微震事件危险性预测方法。


背景技术：

2.矿井中冲击地压等危险动力灾害的发生往往造成巷道的毁坏和工作人员的伤亡，因此准确预测矿井中的危险灾害对防治具有十分重要的意义。已有基于微震监测数据对冲击地压等危险灾害预测的方法取得了一定成果，为冲击地压等危险灾害的分析和预测提供了一定依据，但仍存在部分不足。在微震监测数据使用方面，以往研究往往需要微震事件的时序、地点、能量和应力等复杂的监测数据，但实际工程中多数矿井仅有微震的时序、地点、能量数据。在模型设计方面，多数预测或预警模型使用传统机器学习或经验模型，这些模型的相关理论虽然已经成熟且在其他领域取得了一定成果，但难以应对研究复杂、庞大、多变的矿井微震数据的任务。以冲击地压为例，目前关于其发生机理研究中，很多学者总结了煤矿冲击地压发生的很多前兆信息，但大部分预测模型却往往不考虑利用冲击地压发生机理和相关前兆信息构建模型而直接使用简单处理的微震监测信息。


技术实现要素：

3.针对上述现有技术中存在的不足，本发明提出一种基于cnn考虑冲击地压前兆信息的微震事件危险性预测方法，用于预测未来一次微震事件是否对应冲击地压或地面震动等危险事件，包括如下步骤：s1，建立微震事件时空和能量信息预测模型s11，确定微震事件时空和能量信息预测模型的特征指标以时间间隔、各微震事件发生地点至中心距离和能量作为微震事件时空和能量信息预测模型的特征指标；所述时间间隔为连续多次微震事件中相邻微震事件的时间间隔，其中第一个时间间隔赋值0；所述各微震事件发生地点至中心距离为连续多次微震事件中每次微震发生地点与这多次微震事件中心点之间距离；所述能量为连续多次微震事件中每次微震事件的能量；s12，建立微震事件时空和能量信息预测模型数据集在连续n次微震事件中，以第a次至第a b次微震事件的监测数据作为数据集中一个样本的数据源，1≤a≤n-b，最多可以建立n-b个样本，每个样本包括特征数据和标签数据，所述特征数据包括第a次至第a b-1次微震事件的时间间隔、第a次至第a b-1次微震事件中各微震事件发生地点到中心距离和第a次至第a b-1次微震事件的能量值；所述标签数据为第a b次微震事件的时间间隔、地点和能量，标签数据需进行one-hot编码处理；优选的，步骤s12中，标签数据的第a b次微震事件的时间间隔为第a b次微震事件与第a b-1次微震事件的时间间隔，第a b次微震事件的地点用三维坐标x、y、z表示。
4.优选的，步骤s12中，预测之前首先利用kmeans聚类算法或分段方法对所有微震事
件的时间间隔、地点和能量进行分级；标签为one-hot编码后的分级标签，时间间隔、地点和能量对应级别的标签为1，其它为0。
5.s13，建立微震事件时空和能量信息预测模型基于一维卷积神经网络建立一个三层的预测模型，每一层由卷积层、批正则化和激活层构成，以relu函数为激活函数，预测模型的最后设置两层全连接层用于分类，使用softmax函数进行标签的输出；优选的，步骤s13中，三个卷积层的卷积核个数分别为12、24、12，卷积核大小分别为1
×
1、3
×
3、3
×
3，两层全连接层的神经元个数分别为20和10。
6.优选的，步骤s13中，训练过程中选择adam优化器来反向传播梯度信息从而更新网络的参数，使用mseloss损失函数来表示模型计算结果与实际数据之间的差距程度。
7.优选的，步骤s13中，训练过程中对标签分别为时间间隔、地点坐标和能量的模型进行单独训练。
8.s2，建立微震事件危险性预测模型s21，确定微震事件危险性预测模型的特征指标以时序集中度q、时空扩散度d、地点集中度d和能量e作为预测模型的特征指标，其中中中式中：分别表示连续n次微震事件中相邻微震事件时间间隔的方差与平均值；分别表示连续n次微震事件中各微震事件发生地点与连续n次微震事件发生地点中心之间距离的方差与平均值；s22，建立数据集并进行样本不平衡性处理在连续m次微震事件中，以第m次至第m n-1次微震事件的数据作为数据集中一个样本的数据源，1≤m≤m-n 1，最多可以建立m-n 1个样本，每个样本包括特征数据和标签数据，所述特征数据包括第m次至第m n-1次微震事件的时序集中度q、时空扩散度d、地点集中度d和第m n-1次微震事件的能量值；所述标签数据为第m n-1次微震事件的危险类别，标签数据需进行one-hot编码处理；样本不平衡性处理，使用上采样法，在采样过程中对数据集中样本标签为危险事件的特征数据加入轻微扰动后复制，以使不同标签的样本数量平衡。
9.优选的，步骤s22中，one-hot编码处理后危险事件对应标签为1，不危险事件对应标签为0。
10.优选的，步骤s22中，轻微扰动的方法为加上随机数。
11.s23，建立微震事件危险性预测模型基于一维卷积神经网络建立一个三层的预测模型，每一层由卷积层、批正则化和激活层构成，以relu函数为激活函数，预测模型的最后设置两层全连接层用于分类，使用softmax函数进行分类标签的输出；
优选的，步骤s23中，三个卷积层的卷积核个数分别为12、24、12，卷积核大小均为1
×
1，两层全连接层的神经元个数分别为4和2。
12.优选的，步骤s23中，训练过程中选择adam优化器来反向传播梯度信息从而更新网络的参数，使用mseloss损失函数来表示模型计算结果与实际数据之间的差距程度；优选的，还包括s24，微震事件危险性预测模型性能验证，通过建立含混合标签样本和单独含危险事件标签样本两个测试集评价微震事件危险性预测模型的性能。
13.s3，对未来一次微震事件时空和能量信息进行预测假设未来一次将要发生的微震事件为第d次，之前的d-1次数据为现场监测数据，以包括第d-b次至第d-1次微震事件的时间间隔、第d-b次至第d-1次微震事件的分别发生地点到中心距离和第d-b次至第d-1次微震事件的能量值的特征数据作为输入值，代入步骤s1确定的微震事件时空和能量信息预测模型，输出标签数据，即未来的第d次微震事件的时间间隔、地点坐标和能量；优选的，每个需要预测的时间间隔、地点坐标和能量特征指标进行单独预测。
14.s4，预测未来一次将要发生的微震事件的危险性以包括第d-n 1次至第d次微震事件的时序集中度q、时空扩散度d、地点集中度d和第d次微震事件的能量值作为输入值，其中第d次微震事件的时间、地点和能量数据为步骤s3的预测值，第d-n 1次至第d-1次微震事件的时间、地点和能量数据为实测值，代入步骤s2确定的微震事件危险性预测模型，输出标签数据，即未来的第d次微震事件是否对应冲击地压等危险事件。
15.有益效果：本发明以时间间隔、各微震事件至中心点距离和能量为特征建立微震事件时空和能量信息预测模型，以时序集中度、时空扩散度、地点集中度和能量为特征指标建立微震事件危险性预测模型，然后利用微震事件时空和能量信息预测模型对未来一次微震事件发生时间、地点和能量数据进行预测，基于预测结果，利用微震事件危险性预测模型预测未来一次微震事件的危险性。解决了目前对于矿井中微震事件危险性预测研究中需要大量不同类型微震监测数据和未考虑冲击地压前兆信息的问题，为冲击地压等矿井中危险事件的防治提供帮助，同时可以为冲击地压等危险性动力灾害发生机理的研究提供帮助。
附图说明
16.图1 微震事件时空和能量信息预测模型框架图；图2 微震事件时空和能量信息预测模型的卷积神经网络模型；图3（a） 步骤s21确定微震事件危险性预测模型的特征指标；图3（b） 步骤s22建立数据集并进行样本不平衡性处理；图3（c） 步骤s23建立微震事件危险性预测模型；图4 微震事件危险性预测模型的卷积神经网络模型；图5 利用某矿井微震监测数据评价微震事件危险性预测模型性能的实例。
具体实施方式
17.下面结合附图，对本发明的技术方案进行更为详细的描述。
18.如图1-5所示，基于cnn考虑冲击地压前兆信息的微震事件危险性预测方法，用于
预测将要发生的一次（未来一次）微震事件是否对应冲击地压或地面震动等危险事件，包括如下步骤：s1，建立微震事件时空和能量信息预测模型s11，确定微震事件时空和能量信息预测模型的特征指标以时间间隔（连续多次微震事件中相邻微震事件的时间间隔，第一个时间间隔赋值0）、各微震事件发生地点至中心距离（连续多次微震事件中每次微震发生地点与这多次微震事件中心点之间距离）和能量（连续多次微震事件中每次微震事件的能量）作为微震事件时空和能量信息预测模型的特征指标；s12，建立微震事件时空和能量信息预测模型数据集在连续n次微震事件中，以第a次至第a b次（连续b 1次）微震事件的监测数据作为数据集中一个样本的数据源，1≤a≤n-b，则最多可以建立n-b个样本，每个样本包括特征数据和标签数据，其中特征数据包括第a次至第a b-1次微震事件的时间间隔（两两之间时间间隔、第一个时间间隔赋值0）、第a次至第a b-1次微震事件中各微震事件发生地点到中心距离（连续b次微震事件的分别发生地点与这b次微震事件发生地点中心之间距离）和第a次至第a b-1次微震事件的能量值；所述标签数据为第a b次微震事件的时间间隔（第a b次微震事件与第a b-1次微震事件的时间间隔）、地点（第a b次微震事件的地点，可以用三维坐标x、y、z表示）和能量（第a b次微震事件的能量）；标签数据需进行one-hot编码处理。
19.例如，在连续n=7次微震事件中，以第a次至第a 5次（n=7，b=5）微震事件的监测数据作为数据集中一个样本的数据源，1≤a≤7-5=2，则最多可以建立2条数据；第1个样本的特征数据包括第1次至第5次微震事件的两两时间间隔（第一个时间间隔赋值0）、第1次至第5次微震事件中各微震事件发生地点到中心距离和第1次至第5次微震事件的能量值，所述标签数据为第6次微震事件与第5次微震事件的时间间隔、第6次微震事件地点和第6次微震事件的能量值；第2个样本的特征数据包括第2次至第6次微震事件的两两时间间隔（第一个时间间隔赋值0）、第2次至第6次微震事件分别至中心距离和第2次至第6次微震事件的能量值，所述标签数据为第7次微震事件与第6次微震事件的时间间隔、第7次微震事件地点和第7次微震事件的能量值。
20.优选的，预测之前首先利用kmeans聚类算法或分段方法对所有微震事件（包括特征数据和标签数据）的时间间隔、各微震事件发生地点至中心距离和能量进行分类或分段（即分级），以简化运算；标签为one-hot编码后的分级标签，即时间间隔、地点坐标和能量对应级别的标签为1，其它为0。
21.以能量分级为例，假设能量值的范围为0-10000，可以分为10个级别，每个级别范围为1000，即可以以0-1000（含1000）为第1级，1000-2000（不含1000，含2000）为第2级，以此类推，第10级为9000-10000（不含9000，含10000）；某个样本的能量为7200时，其对应的能量级别为7，则在one-hot编码后其标签采用如表1所示；表1 能量分级及one-hot编码示例能量级别12345678910one-hot编码0000001000s13，建立微震事件时空和能量信息预测模型如图1-2所示，基于一维卷积神经网络建立一个三层的预测模型，每一层由卷积
层、批正则化（batch normalization）和激活层构成，三个卷积层的卷积核个数分别为12、24、12，卷积核大小分别为1
×
1、3
×
3、3
×
3，以relu函数为激活函数，预测模型的最后设置两层全连接层用于分类，神经元个数分别为20和10，最后使用softmax函数进行分类标签的输出；训练过程中选择adam优化器来反向传播梯度信息从而更新网络的参数，使用mseloss损失函数来表示模型计算结果与实际数据之间的差距程度；优选的，步骤s13中，训练过程中对标签分别为时间间隔、地点坐标和能量的模型进行单独训练。
22.s2，建立微震事件危险性预测模型s21，确定微震事件危险性预测模型的特征指标如图3（a）所示，建立指标过程中主要参考冲击地压的前兆信息，冲击地压发生前由于围岩系统与外界能量的交换，围岩结构处于非稳定调整期，因此在冲击地压发生前往往出现一段微震事件的活跃期，该微震事件活跃期的特征可以通过时空指标（时序集中度、时空扩散度、地点集中度）体现，此外能量也是判断地压等危险事件是否发生的重要指标。
23.据此确定，以时序集中度q、时空扩散度d、地点集中度d和能量e作为预测模型的特征指标，其中征指标，其中征指标，其中式中：分别表示连续n次微震事件中相邻微震事件时间间隔的方差与平均值；分别表示连续n次微震事件中各微震事件发生地点与连续n次微震事件发生地点中心之间距离的方差与平均值；s22，建立数据集并进行样本不平衡性处理如图3（b）所示，在连续m次微震事件中，以第m次至第m n-1次（连续n次）微震事件的数据作为数据集中一个样本的数据源（在模型训练过程中使用第m n次微震事件的监测数据，在模型预测过程中使用经过s1中微震事件时空和能量信息模型预测得到的第m n次微震事件的数据），1≤m≤m-n 1，则最多可以建立m-n 1个样本，每个样本包括特征数据和标签数据，其中特征数据包括第m次至第m n-1次微震事件的时序集中度q、时空扩散度d、地点集中度d和第m n-1次微震事件的能量值；所述标签数据为第m n-1次微震事件的危险类别，即标签数据为是否发生了危险事件（冲击地压或地面震动），标签数据需进行one-hot编码处理，处理后危险事件对应标签为1，不危险事件对应标签为0；例如，在连续7次微震事件中，以第m次至第m 5-1次微震事件的监测数据作为数据集中一个样本的数据源（m=7，n=5），1≤m≤7-5 1=3，则最多可以建立3条数据；第1个样本的特征数据包括第1次至第5次微震事件的时序集中度q、时空扩散度d、地点集中度d和第5次微震事件的能量值，所述标签数据为第5次微震事件的危险类别；第2个样本的特征数据包括第2次至第6次微震事件的时序集中度q、时空扩散度d、地点集中度d和第6次微震事件的能量值，所述标签数据为第6次微震事件的危险类别；第3个样本的特征数据包括第3次至第
7次微震事件的时序集中度q、时空扩散度d、地点集中度d和第7次微震事件的能量值，所述标签数据为第7次微震事件的危险类别。
24.样本不平衡性处理，矿井微震事件中危险事件数量要远远小于不危险事件数量，故使用上采样法，在采样过程中对数据集中样本标签为危险事件的特征数据加入轻微扰动（如加上随机数）后复制，以使不同标签（危险类别，包括危险事件和不危险事件）的样本数量平衡；s23，建立微震事件危险性预测模型如图3（c）和图4所示，基于一维卷积神经网络建立一个三层的预测模型，每一层由卷积层、批正则化（batch normalization）和激活层构成，卷积层的作用是信息融合和提取，三个卷积层的卷积核个数分别为12、24、12，卷积核大小均为1
×
1，以relu函数为激活函数，预测模型的最后设置两层全连接层用于分类，神经元个数分别为4和2，最后使用softmax函数进行分类标签的输出；训练过程中选择adam优化器来反向传播梯度信息从而更新网络的参数，使用mseloss损失函数来表示模型计算结果与实际数据之间的差距程度；s24，微震事件危险性预测模型性能验证考虑到对冲击地压等危险事件预测正确的重要性，通过建立含混合标签样本和单独含危险事件标签样本两个测试集评价微震事件危险性预测模型的性能；如图5所示，基于某矿井微震事件监测数据对微震事件危险性预测模型的性能进行评价，随机选取训练样本进行了20次实验，每次实验中微震危险性预测模型在含混合标签样本测试集和单独含危险事件标签样本测试集上同时达到的最高准确率，最高准确率分别为0.913和0.838。
25.s3，对未来一次微震事件时空和能量信息进行预测假设未来一次将要发生的微震事件为第d次（之前的d-1次数据为现场监测数据），以包括第d-b次至第d-1次微震事件（连续b次）的时间间隔（两两之间时间间隔、第一个时间间隔赋值0）、第d-b次至第d-1次微震事件的分别发生地点到中心距离（连续b次微震事件的分别发生地点与这b次微震事件发生地点中心之间距离）和第d-b次至第d-1次微震事件的能量值的特征数据作为输入值，代入步骤s1确定的微震事件时空和能量信息预测模型，输出标签数据（每种信息单独预测），即未来一次将要发生（第d次）的微震事件的时间间隔（第d次微震事件与第d-1次微震事件的时间间隔）、地点（可以用三维坐标x、y、z表示）和能量；s4，预测未来一次将要发生的微震事件的危险性以包括第d-n 1次至第d次微震事件（连续n次）的时序集中度q、时空扩散度d、地点集中度d和第d次微震事件的能量值作为输入值，其中第d次微震事件的时间、地点和能量数据为步骤s3的预测值，第d-n 1次至第d-1次微震事件的时间、地点和能量数据为实测值，代入步骤s2确定的微震事件危险性预测模型，输出标签数据，即未来一次将要发生的（第d次）微震事件是否对应冲击地压等危险事件。