基于模态分解和深度学习的煤矿微震时序预测方法

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。