• 全部
主办单位:煤炭科学研究总院有限公司、中国煤炭学会学术期刊工作委员会

基于模态分解和深度学习的煤矿微震时序预测方法

2024-12-24
创新点

(1)引入了二次模态分解方法对典型非平稳微震时间序列进行分解处理,有效提取了微震数据演化规律的隐式特征,获得了微震数据的多元特征时间序列。

(2)提出了考虑微震历史演化特征和多元特征时间序列的微震时序预测策略,建立了基于模态分解技术和深度学习方法相结合的煤矿微震时序预测框架,采用贝叶斯优化深度神经网络模型超参数,提升了模型性能。通过系列对比试验,验证了该框架的有效性与优越性。


长按识别二维码阅读全文


基于模态分解和深度学习的煤矿微震时序预测方法

作者:秦长坤1, 2 ,  赵武胜1 ,  贾海宾3,  高未己3,  陈郁川3,  于万泉3,  梁记忠3,  陈卫忠1
单位:1. 中国科学院武汉岩土力学研究所 岩土力学与工程国家重点实验室; 2. 中国科学院大学;3. 山东新巨龙能源有限责任公司
研究背景
 RESEARCH  BACKGROUND 

冲击地压是煤矿开采过程中煤岩体积聚的弹性能在一定条件下突然猛烈释放,导致岩石爆裂并弹射出来的一种动力现象,严重威胁着煤矿生产安全。微震监测技术具有广域、连续、动态的优点,已被广泛应用于煤矿冲击地压等动力灾害的监测预警。研究表明,高能级微震事件与冲击地压的发生有良好的对应关系。然而,目前对于冲击灾害微震监测的研究主要集中在根据历史和目前微震信息,对微震事件的能量、频次、空间分布规律、活动周期性和冲击灾害风险性进行定性分析或规律性描述,难以做到基于历史微震信息实现对后期的微震演化趋势或冲击危险性的预测,往往仅将获取的微震监测信息作为冲击灾害回溯分析的一种辅助方法,使得冲击灾害预警的时效性和准确性较差。因此,如果能够预测工作面采动过程中微震事件的未来演化趋势,尤其是大能量微震事件,将对提升采场冲击地压等动力灾害的预警和防控时效具有重要意义。

与天然地震不同,煤矿微震事件是由工作面连续开采条件下引起的岩体断裂释能而产生的,微震监测系统得到的微震事件数据是典型的时间序列,其在时域上具有特定的演化特征。然而,由于开采环境和采掘扰动强度等条件的影响,仅凭微震能量、频次或空间分布很难对未来情况做出准确的判断。基于机器学习算法对微震事件时序演化特征或冲击危险性进行预测受到了众多学者的关注和研究。吕进国等采用时间序列模型中的ARIMA季节性模型和门限自回归模型建立了对未来微震事件释放能量的预测模型,获得了微震随时间推移而变化的活动趋势;裴艳宇等利用一维卷积神经网络建立微震能级时序预测模型,以前若干次微震的能量级别作为输入来预测下一次微震事件的能量级别;刘慧敏等通过选取微震监测角频率、能量和凹凸体半径等为特征量作为模型输入, 根据灰色关联方法求出特征量关联度作为权重以标记岩爆危险指数作为输出,建立了基于CNN-LSTM混合网络模型的岩爆危险性等级的时序预测模型。李海涛等利用微震监测数据的时间、地点和能量建立特征指标, 在时间尺度上分为训练集、验证集和测试集,建立了基于CNN-GRU冲击危险性分析模型,取得了 79.72%的准确率。

由于微震数据具有典型的非平稳时间序列特征,特别是由较大能量的微震事件引起的时序特征突变,使用单一的网络模型或算法难以准确预测微震数据。模态分解技术是一种处理非平稳时间序列数据的有效工具,近年来被广泛应用于非平稳时间序列数据的预测,结合神经网络模型可以取得显著的预测效果。例如,李芬等采用CEEMDAN分解和LSTM建立了一种光伏功率短期区间预测模型;田益博等采用经验模态分解(EMD)和LSTM对地震前兆重力监测数据进行了时序预测。近年来,许多学者已开始采用不同模态分解方法对从一次分解中得到的高频复杂本征模态序列进行二次分解,以更好地提取原始时序数据中的隐藏信息和潜在特征,并解决单一模态分解方法在处理非平稳时序数据后预测效果不佳的问题。例如,李颖智等采用CEEMDAN对实测风速数据进行了两次分解,以提高风速预测模型的精度;徐冬梅等采用VMD对原始月径流序列进行了一次分解,然后采用集合经验模态分解EEMD对残差项进行了二次分解,有效提高了月径流时序预测的精度。

基于上述问题,为了提高微震时序预测的精度,笔者尝试使用二次模态分解方法对微震原始数据进行处理。首先,使用CEEMDAN将微震数据分解成多个特征模态序列。然后,通过样本熵将这些分解后的序列重构为高频、低频和趋势序列,接着使用VMD方法对高频和低频序列进行二次分解,生成多个新的特征模态序列,将其用作微震数据的多元特征时间序列。最后,利用模态分解得到的多元特征时间序列以及历史微震数据作为输入,下一时刻的微震监测数据作为输出,建立了一个结合了CNN和LSTM的微震时序预测模型。此外,还使用了贝叶斯优化方法对模型的超参数进行寻优,以提高微震预测模型的准确性。通过对新巨龙煤矿6305工作面微震监测数据的预测分析,验证了该模型的有效性。

摘要
ABSTRACT
微震监测数据对煤矿冲击地压等动力灾害预测和预警具有重要作用,利用历史微震秦长坤监测数据来预测未来微震事件的演化特征是提高冲击灾害预测和预警时效性与准确性的有效方法。然而,由于微震数据是典型的非平稳时间序列,一般的时序预测方法很难进行准确的预测。为此,提出了一种基于模态分解技术和深度学习方法相结合的微震时序预测方法。该方法首先使用自适应噪声完备集合经验模态分解(CEEMDAN)将微震数据分解为多个本征模态序列。然后,通过样本熵将分解后的序列重构为高频、低频和趋势序列。接着,利用变分模态分解(VMD)将高频和低频序列再次分解为多个新的本征模态序列,用作微震数据的多元特征时间序列。最后,将一定时窗内的微震多元特征时间序列和历史微震数据作为输入,下一时刻的微震监测数据作为输出,建立了卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的微震时序预测模型,并采用贝叶斯优化方法对模型的超参数进行寻优,提高微震预测的准确性。依托新巨龙煤矿多个工作面微震监测数据,使用该方法对微震日最大能量、日平均能量和日频次进行了预测,并针对微震日最大能量数据进行了系列对比试验研究。结果表明,提出的方法能够较好地预测微震事件演化趋势,预测结果和实际监测值误差较小,具有良好的预测性能和泛化性能。
部分图表

图 1   岩层断裂释能诱发冲击地压机理示意

图 2   滑动时窗法构建输入和输出样本示例

图 3   一维卷积示例

图 4   单个LSTM结构示意

图 5   基于模态分解的微震多元特征时间序列构建

图 6   滑动时窗法构建多元特征输入和单输出样本示例

图 7   微震时序预测模型框架

图 8   6305工作面平面及顶底板岩性分布

图 9   CEEMDAN分解结果

图 10   各C−IMF的样本熵

图 11   基于样本熵的分量重构结果

图 12   VMD重分解结果

图 13   不同时窗大小时模型评价指标值

图 14   贝叶斯优化过程目标函数值的观测和估计

图 15   各微震指标预测结果曲线

图 16   各微震参数预测结果拟合优度

图 17   不进行模态分解时不同神经网络模型直接预测结果拟合优度图

图 18   采用重分解方法时不同神经网络模型预测结果拟合优度

图 19   采用不同一次分解方法时本文神经网络模型预测结果拟合优度

图 20   采用不同重分解方法时本文神经网络模型预测结果拟合优度

图 21   不同工作面微震日最大能量和日频次预测结果


第一作者简介

秦长坤,男,河南商丘人,中国科学院武汉岩土力学研究所博士研究生。参与国家重点研发计划课题1项、国家自然科学基金面上项目1项,作为项目骨干参与山东省多座煤矿动力灾害监测防控项目5项,发表SCI、EI论文4篇,授权发明专利2项。

研究方向

深部地下工程动力灾害监测预警及防控

通讯作者简介

赵武胜,男,山东菏泽人,研究员,湖北省杰出青年基金获得者,入选中国科学院青年创新促进会。近年来,主持国家重点研发计划课题2项、国家自然科学基金项目3项;发表SCI/EI收录论文60余篇,授权国家专利15项,获国家科技进步二等奖1项、湖北省自然科学一等奖1项、省部级科技进步一等奖3项。

研究方向

地震波传播规律及地下工程震害机理、工程岩体应力场测试与安全预警技术


来源:

秦长坤,赵武胜,贾海宾,等. 基于模态分解和深度学习的煤矿微震时序预测方法[J]. 煤炭学报,2024,49(9):3781−3797.
QIN Changkun,ZHAO Wusheng,JIA Haibin,et al. A method for predicting the time series of microseismic events in coal mines based on modal decomposition and deep learning[J]. Journal of China Coal Society,2024,49(9):3781−3797.


责编丨王晓珍

编辑丨李莎

审核丨郭晓炜

  责任编辑:宫在芹
今日专家
亮点论文

作 者 王振国1,田素超1,包迪文1,李 博2单 位 1. 徐矿集团天山矿业公司;2. 中国矿业大学。摘 要为了解决俄霍布拉克煤矿多进风井井底风流汇合点附近巷道风流方向不...

今日企业

主办单位:煤炭科学研究总院有限公司 中国煤炭学会学术期刊工作委员会

©版权所有2015 煤炭科学研究总院有限公司 地址:北京市朝阳区和平里青年沟东路煤炭大厦 邮编:100013
京ICP备05086979号-16  技术支持:云智互联