专家知识与数据融合驱动的冲击地压预测模型构建方法

技术特征：
1.一种专家知识与数据融合驱动的冲击地压预测模型构建方法，其特征在于，包括1)通过微震传感器采集原始数据，包括矿震时间、矿震能量和震源坐标；2)矿震数据处理：将原始数据转化为用于预测模型输入的前兆模式序列数据，并进行统计分析，计算得到每日最大能量值和平均能量值，生成以日为最小单位的时间序列数据，指定前兆模式序列长度，生成前兆模式序列及其标签，作为海量矿震数据；3)特征提取：包括专家知识驱动的显式特征提取和数据驱动的隐式特征提取根据不同矿区的矿震指标，利用主成分分析法处理该矿区的矿震指标，得到每个矿震指标所占的权重大小，并根据矿区的实际需要以及矿震指标的权重选择所要使用的矿震指标组合，该矿震指标组合为提取出的隐式特征；数据驱动的隐式特征提取：将步骤2)中的海量矿震数据输入至深度卷积神经网络中进行隐式特征提取；4)构建预测模型：将步骤2)的海量矿震数据作为训练数据集样本生成预测模型，该预测模型包括特征融合模块和分类网络模块，在特征融合模块中利用注意力机制对显式特征提取和隐式特进行深度融合，得到的融合后的特征，并将该特征输入到分类网络模块中，经分类网络模块处理后，得到有无大能量事件的概率，若有大能量矿震事件概率大于无大能量矿震事件概率，则输出1，反之输出0，从而实现冲击地压大能量事件的预测。2.根据权利要求1所述的一种专家知识与数据融合驱动的冲击地压预测模型构建方法，其特征在于，步骤2)具体步骤如下：2.1)以固定时间窗口统计原始数据，构建时间序列数据集合，假设第i个时间窗口计算得到的数据记录为m
i
，其表达式为：m
i
＝＜id,e
max
,e
mean
,f＞
ꢀꢀꢀꢀꢀ
(1)其中，id为时间窗口编号，e
max
为时间窗口内最大能量，e
mean
为时间窗口内的平均能量，f为时间窗口内矿震频次，因此，当数据被划分为n个时间窗口，基于公式(1)遍历时间窗口，得到时间序列数据集合m＝＜m0,m1,m2,.....,m
n-1
＞；2.2)基于步骤2.1)的时间序列数据集合m构建前兆模式序列，假设第i个前兆模式序列为s
i
，其表达式为：s
i
＝＜m
i
×
j
,m
i
×
j 1
,m
i
×
j 2
,,.....,m
i
×
j p-1
,＞
ꢀꢀꢀꢀꢀ
(2)其中，p为前兆模式序列长度，j为采样步长，m
i*j
为第i个时间窗口采样步长为j的数据，因此，在n个时间窗口且n>>p的前提下，基于公式(2)生成前兆模式序列集合s，其表达式为：s＝＜s0,s1,s2,,.....,s
d-1
＞
ꢀꢀꢀꢀ
(3)其中，d为前兆模式序列样本在预测时间范围为n小时情况下的前兆模式序列数量；2.3)建立前兆模式序列集合s对应的标签集合t，其表达式为：t＝＜t0,t1,t2,,.....,t
d-1
＞
ꢀꢀꢀꢀ
(4)其中，t
i
为前兆模式序列s
i
的标签，若即将发生大能量事件t
i
＝1，否则t
i
＝0，其计算方法如下：其中，e
i
为前兆模式序列s
i
未来n小时内最大能量值，e为大能量事件的能量阈值。
3.根据权利要求1所述的一种专家知识与数据融合驱动的冲击地压预测模型构建方法，其特征在于，所述矿震指标是研究人员通过现有的冲击地压知识对冲击地压长期研究而得，所述矿震指标包括某一时段内微震活动水平a、微震活动强度b、某一时段微震时间的频次、能量以及活动性因素的综合评价a(b)，以及缺震b，上述指标的表达式如下：频次、能量以及活动性因素的综合评价a(b)，以及缺震b，上述指标的表达式如下：式中，m为能级分档总数，lge
i
为第i档表示的能级，n
i
为第i档能级的微震总数；式中，m
i
为微震事件能级；式中，b为缺震，为统计时段内的平均能级，m0为初始能级，n为统计时段内的微震事件总数。4.根据权利要求1所述的一种专家知识与数据融合驱动的冲击地压预测模型构建方法，其特征在于，所述深度卷积神经网络为3层卷积，包括88个卷积核，输出1000维度的隐式特征向量，该向量为隐式特征。5.根据权利要求1所述的一种专家知识与数据融合驱动的冲击地压预测模型构建方法，其特征在于，所述步骤4)具体步骤如下：4.1)将步骤2)的海量矿震数据作为训练数据集，建立目标函数：4.1)将步骤2)的海量矿震数据作为训练数据集，建立目标函数：其中，l
i
为第i个前兆模式序列的损失值，n为前兆模式序列数量，z0和z1分别为两个类别的学习权重，w0和w1分别为类别0和1的样本分布权重，若第i个前兆模式序列的标签为小能量事件，则y
io
＝1，y
i1
＝0，否则y
io
＝0，y
i1
＝1；p
i0
为观测样本i为类别0的预测概率，p
i1
为观测样本i为类别1的预测概率；4.2)利用反向传播算法进行网络权重w0、w1的更新，使得目标函数损失最小化，从而生成预测模型，该预测模型包括特征融合模块和分类网络模块；4.3)在特征融合模块中利用注意力机制法对显式特征和隐式特征进行深度融合，具体方法如下：4.3.1)将显式特征向量f
e
和隐式特征向量f
i
进行合并，从而得到初始特征向量f
s
f
s
＝[f
e
,f
i
]
ꢀꢀꢀꢀ
(6)
其中，显示特征向量和隐式特征向量的维度分别为d1和d2，融合特征向量的维度为d1 d2；在注意力机制中，隐式特征和显示特征的权重向量分别记为其计算方式如下：其中，为两个可学习参数矩阵，h(x)为激活函数权重向量v
e
和v
i
的每一个维度对应f
e
和f
i
每一个特征维度的权重；4.3.2)计算最终的融合特征向量f
f
表示为：f
f
＝[f
e
⊙ve
,f
i
⊙vi
]
ꢀꢀꢀꢀ
(8)其中，
⊙
为哈达玛积；4.4)将步骤4.3.2)得到的融合特征向量f
f
输入到分类网络模块，经分类网络模块处理后，得到有无大能量事件的概率，若有大能量矿震事件概率大于无大能量矿震事件概率，则输出1，反之输出0。6.根据权利要求5所述的一种专家知识与数据融合驱动的冲击地压预测模型构建方法，其特征在于，所述分类网络模块包括一个由2000个神经元组成的全连接层和一个激活函数；分类网络模块通过以下方法对融合特征向量f
f
进行处理：将融合特征向量f
f
输入到全连接层，全连接层将学到的分布式特征表示映射到样本标记空间中，然后，利用激活函数进行归一化处理，得到有无大能量事件的概率，若有大能量矿震事件概率大于无大能量矿震事件概率，则输出1，反之输出0。

技术总结
本发明公开一种专家知识与数据融合驱动的冲击地压预测模型构建方法，包括以下步骤：矿震数据采集、矿震数据处理、显示特征和隐式特征提取以及构建预测模型，若有大能量矿震事件概率大于无大能量矿震事件概率，则输出1，反之输出0，从而实现冲击地压大能量事件的预测。本发明能够全面准确地预测冲击地压发生的概率。率。率。


技术研发人员：曹安业 杨旭 刘耀琪 刘亚鹏 李森
受保护的技术使用者：中国矿业大学
技术研发日：2022.03.27
技术公布日：2022/7/15