微震参数多输入序列预测模型的岩爆预测方法技术

本发明专利技术公开了一种微震参数多输入序列预测模型的岩爆预测方法，包括：选取微震评价指标；将每一次岩爆灾害作为一个独立研究对象，构建岩爆灾害危险度指标；结合相似性度量方法构建表示岩爆危险性相似程度的数据类型；进行归一化，计算岩爆灾害形成全过程其余时刻的参数信息与岩爆发生时刻的欧氏距离进行相似度度量，结合已有的微震参数指标，利用多变量输入序列预测模型建立其与岩爆发生风险之间的映射关系，多变量输入序列预测模型中输入的多变量时间序列包括观测值和预测值，输出的时间序列均为新变量的预测值。序列均为新变量的预测值。序列均为新变量的预测值。

【技术实现步骤摘要】
微震参数多输入序列预测模型的岩爆预测方法


[0001]本专利技术涉及岩爆预测
，特别是一种微震参数多输入序列预测模型的岩爆预测方法。

技术介绍

[0002]传统的预测模型为单变量时间序列预测模型或多元平行时间序列预测模型；单变量时间序列预测模型：岩爆发育过程中，不同微震参数值一直在变化着，如事件数、微震能量、视体积及其累积值等，为获取下一时刻的微震参数值，将时序数据中单个微震参数演变的预测模型称为“单变量时序预测模型”；多元平行时间序列预测模型：根据多个参数变量的时序观测值获得其下一时间步长的预测值。首先将具有n个时间步长的多元变量的实际观测值(以两个变量为例输入模型，输出则为下一时间步长的多元变量的预测值；然后下一步的输入中包含上一步骤计算出的预测值，并依次递推下去，最终模型的输入和输出中可均为多元参数预测值。
[0003]单变量序列预测模型是定义单变量微震参数在时间序列上演化趋势的预测模型，其序列模型样本须有某单变量已观测的时间序，还需有预测的时间序列，因此需要建立一个从过去观测值序列中学习以预测未来观测值的映射或模型。具体实现过程可描述为：在第1步计算中，模型的输入为时间步长为n的时间序列观测值，输出为下一步的时间序列预测值，即根据观测值推断预测值；在第2步的计算中，模型的输入包含上一步的预测值结果；在第n步的计算中，模型的输入和输出可能均为时间序列预测值，即根据预测值推断预测值。
[0004]卷积神经网络的单变量序列预测模型输入的向量为观测值序列，紧接着连接卷积层、池化层、展平层和全连接层。输入向量(以输入长度8为例)进行卷积操作并补零，卷积操作将拓展特征的深度(例如从1层加深为64层)；某些情况下，第一次卷积层(Convolution)之后可能是第二卷积层，然后接着池化层(MaxPooling)，其作用是从卷积层的输出提取到最显著的特征。在池化层和全连接层之间使用展平层(Flatten)将特征映射简化为一个一维向量。最后是全连接层(Dense)，用于解释模型卷积部分提取的特征，并获得输出结果(下一步预测值)。
[0005]单变量序列预测模型只能考虑当前变量的历史值，而不能考虑与其相关的其他变量的历史值，因此无法利用多个变量之间的相互关系。这会导致模型无法捕捉到数据之间的更深层次的关联；单变量序列预测模型只能考虑当前变量的历史值，无法利用其他相关变量的信息来抵消数据中的噪声。这可能导致模型对数据噪声过于敏感，从而影响其预测性能其精度也会受到限制，由于单变量序列预测模型无法考虑多个变量之间的相互关系，因此它在预测时往往只能考虑当前变量的历史值。这可能导致模型的预测精度受到限制，因为它无法充分利用其他相关变量的信息来进行更准确的预测。
[0006]且多输入序列预测模型由于单变量序列预测模型无法考虑多个变量之间的相互关系，因此它在预测时往往只能考虑当前变量的历史值。这可能导致模型的预测精度受到
限制，因为它无法充分利用其他相关变量的信息来进行更准确的预测；还能可以利用多个相关变量的信息来抵消数据中的噪声，从而使得模型对数据噪声的影响降低。

技术实现思路

[0007]为解决现有技术中存在的问题，本专利技术的目的是提供一种微震参数多输入序列预测模型的岩爆预测方法。
[0008]为实现上述目的，本专利技术采用的技术方案是：一种微震参数多输入序列预测模型的岩爆预测方法，包括以下步骤：
[0009]步骤1、选取微震评价指标；
[0010]步骤2、将每一次岩爆灾害作为一个独立研究对象，选取岩爆形成全过程事件数、能量释放和视体积构建岩爆灾害危险度指标；
[0011]步骤3、以岩爆灾害形成全过程所采集到的微破裂事件数、能量释放和视体积为基础结合相似性度量方法构建表示岩爆危险性相似程度的数据类型；
[0012]步骤4、对每一次岩爆灾害形成全过程的微破裂事件数、能量释放和视体积进行归一化，使其值均分布于0到1之间；选取岩爆发生时刻所对应的事件数、能量释放和视体积量值为基准点，计算岩爆灾害形成全过程其余时刻的参数信息与岩爆发生时刻的欧氏距离进行相似度度量，最终再将计算的欧式距离度量值归一化[0，1]之间，该数值越小表示该时刻的震源参数与岩爆发生时刻参数距离越近，相似度越高，则表明岩爆发生风险可能性越大，岩爆发生时刻该数值为0；最后，将岩爆危险度定义为(1
‑
归一化后的欧氏距离)
×
100％，即岩爆发生时刻的危险度为100％；
[0013]步骤5、结合已有的微震参数指标，利用多变量输入序列预测模型建立其与岩爆发生风险之间的映射关系，多变量输入序列预测模型中输入的多变量时间序列包括观测值和预测值，输出的时间序列均为新变量的预测值。
[0014]作为本专利技术的进一步改进，在步骤1中，所述微震评价指标包括：能量释放E
P,ES
、视体积V
A
和能量指数EI，其中：
[0015][0016]式中，E
P,S
为E
P
和E
S
的和，即微震能量释放的平均值，E
P
和E
S
分别为P波和S波释放的能量，ρ为岩石密度，v
P,S
为P波、S波的波速，R为到震源的距离，μ2(t)为波形速度脉冲的时间函数；
[0017][0018]式中，μ和P分别为岩石的剪切模量和微震体变势，E为微震释放能量。
[0019]作为本专利技术的进一步改进，在步骤5中，所述多变量输入序列预测模型在第1步计算，需要输入时间步长n的多变量观测值序列，输出为当前时间步的新变量预测值；第2步计算输入时需要包含当前时间步多变量的预测值，输出为当前时间步的多变量预测新值；在第n步计算，输入均为多变量的预测值或预测值序列，输出为当前时间步的新变量预测新
值，且将不同变量时间序列分别由不同卷积方式处理。
[0020]本专利技术的有益效果是：
[0021]本专利技术使用基于卷积神经网络的多目标岩爆微震指标时间序列预测模型的多输入预测模型可将将不同变量时间序列进行输入、处理，实现预测模型的更好性能及灵活性，实现对未来微震参数的准确预测，为后续岩爆灾害动态预警提供数据基础和支撑。
附图说明
[0022]图1为本专利技术实施例中能量指数EI的计算示意图；
[0023]图2为本专利技术实施例中单变量序列模型对累计能量释放测试集的预测结果示意图；
[0024]图3为本专利技术实施例中单变量序列模型对累计视体积测试集的预测结果示意图；
[0025]图4为多输入序列模型预测结果示意图。
具体实施方式
[0026]下面结合附图对本专利技术的实施例进行详细说明。
[0027]实施例
[0028]一种微震参数多输入序列预测模型的岩爆预测方法，包括：
[0029]微震评价指标的选取：岩石破裂会以弹性波的形式释放能量，如果该信号同时被4个以上的接收器触发则会形成一个微破裂事件，且该微本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微震参数多输入序列预测模型的岩爆预测方法，其特征在于，包括以下步骤：步骤1、选取微震评价指标；步骤2、将每一次岩爆灾害作为一个独立研究对象，选取岩爆形成全过程事件数、能量释放和视体积构建岩爆灾害危险度指标；步骤3、以岩爆灾害形成全过程所采集到的微破裂事件数、能量释放和视体积为基础结合相似性度量方法构建表示岩爆危险性相似程度的数据类型；步骤4、对每一次岩爆灾害形成全过程的微破裂事件数、能量释放和视体积进行归一化，使其值均分布于0到1之间；选取岩爆发生时刻所对应的事件数、能量释放和视体积量值为基准点，计算岩爆灾害形成全过程其余时刻的参数信息与岩爆发生时刻的欧氏距离进行相似度度量，最终再将计算的欧式距离度量值归一化[0，1]之间，该数值越小表示该时刻的震源参数与岩爆发生时刻参数距离越近，相似度越高，则表明岩爆发生风险可能性越大，岩爆发生时刻该数值为0；最后，将岩爆危险度定义为(1
‑
归一化后的欧氏距离)
×
100％，即岩爆发生时刻的危险度为100％；步骤5、结合已有的微震参数指标，利用多变量输入序列预测模型建立其与岩爆发生风险之间的映射关系，多变量输入序列预测模型中输入的多变量时间序列包括观测值和预测值，输出的时间序...

【专利技术属性】
技术研发人员：马春驰，蔡胡阳，许韦豪，徐洪伟，张航，袁炀，李天斌，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：