物理指标与数据特征融合驱动的冲击地压时序预测方法

• Published in: 煤炭学报 Vol. 48; no. 10; pp. 3659 - 3673
• Main Authors: 曹安业, 刘耀琪, 杨旭, 李森, 王常彬, 白贤栖, 刘亚鹏
• Format: Journal Article
• Language: Chinese
• Published: 中国矿业大学矿业工程学院,江苏徐州 221116 01.10.2023; 中国矿业大学江苏省矿山地震监测工程实验室,江苏徐州 221116; 徐州物硕信息技术有限公司,江苏徐州 22111 6%中国矿业大学矿业工程学院,江苏徐州 221116%中国矿业大学计算机科学与技术学院,江苏徐州 221116
• Subjects: fusion drive; 机器学习; 冲击地压; data characteristics; 数据特征; time domain prediction; coal burst; 物理指标; physical index; machine learning; 融合驱动; 时序预测
• ISSN: 0253-9993
• DOI: 10.13225/j.cnki.jccs.2022.0680

TD313; 煤矿智能化建设的大背景下,如何高效的从冲击地压海量监测数据提取有效信息与提高预测预警准确率是未来的研究重点与难点.为解决目前基于物理指标冲击地压预测方法泛化能力较差、对海量数据特征挖掘不充分的困境,结合深度学习技术,初步尝试建立了物理指标与数据特征融合驱动的冲击地压时序预测方法.以陕西彬长矿区某强冲击危险工作面为背景,分析了多次大能量事件发生前物理指标的变化特征,并统计剖析了仅使用物理指标驱动的冲击地压危险预测指标的短板与不足;提出采用物理指标与数据特征融合驱动的冲击地压时序预测方法,预测模型包括数据预处理、特征提取以及预警模型构建3个模块,数据预处理将原有微震监测数据处理为具有特定时间窗的前兆模式序列,特征提取主要包括基于物理指标的显式特征以及基于卷积神经网络的数据隐式特征提取,提出基于注意力机制的显式特征和隐式特征的深度融合方法,并通过全连接网络实现预测模型分类,实现对不同冲击危险等级的大能量事件进行预测.模型测试结果表明:预测时长为未来1d、未来2 d以及未来3 d时预测F1分别可达0.956、0.950以及0.854,现场可根据需求选用预测时长;工程应用时模型可对大能量事件准确预测,误差分析结果表明模型预测准确率较高,可满足现场需求.