[发明专利]专家知识与数据融合驱动的冲击地压预测模型构建方法

说明书

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。

技术领域

本发明涉及一种冲击地压预测模型，具体是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，属于监测预警技术领域。

背景技术

煤炭是我国的基础能源和重要原料，煤炭工业是关系国家经济命脉和能源安全的重要基础产业。冲击地压是严重威胁矿井安全生产的煤岩动力灾害执意。冲击地压以其突然、急剧、猛烈的破坏特征，对煤矿、金属矿井、隧道等正常生产构成严重影响，重则造成巨大的经济损失和人员伤亡。

随着矿井开采深度的增加，冲击地压的危险也在逐步增加，原本没有发生过冲击地压的矿井也开始发生；原本发生过冲击地压的矿井，现在冲击强度越来越大，频率也越来越高。然而冲击地压发生的时间、地点、区域和震源等的复杂多样性和冲击地压的突发性，使得其预测工作极为困难复杂，成为亟需解决的世界性难题。

传统的预测方法主要有以下两种：

1)根据研究人员通过已有的物理模型提出的物理方法来解释和描述矿震，同时通过冲击地压知识来研究矿震前兆提取的显式特征，这在理论体系中具有很强的可解释性，能够真实地描述某一背景下的矿震。然而，这些人工设计的特征可能无法充分利用矿震序列中包含的信息；

2)利用深度学习方法提取矿震数据的隐式特征来建立相应的模型进行预测，虽然能够充分利用矿震序列所包含的信息，但从理论体系上看，其解释能力较弱。

上述两种方法均无法全面准确地预测冲击地压发生的概率，因此，如何全面准确的预测冲击地压发生的概率成为目前亟需解决的技术问题。

发明内容

针对上述现有技术存在的问题，本发明提供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，能够全面准确地预测冲击地压发生的概率。

为实现上述目的，本发明提供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

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(PCA)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显式特征；

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征进行深度融合，得到融合后的特征，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。