【技术实现步骤摘要】
本专利技术涉及一种基于理论模型约束与数据驱动融合的微震定量预测方法。
技术介绍
1、在预防冲击地压和破坏性矿震灾害中，灾害预测是对其进行防治的前提，如何精准定量预测冲击地压灾害，进而实现灾害精准防治，是目前我国冲击地压矿井亟需解决的问题。现有研究表明，冲击地压的产生必然伴随着煤岩体破裂及微震响应，且与破裂尺度大小存在密切关联，现场具体体现为微震监测系统获得的微震发生时间、空间和能量，传统的预测方法通过这些时空强信息进行定性预测，如综合指数法、多因素耦合法和频次-能量演化规律预测等，对冲击危险进行分区分级预测。
2、随着我国煤矿开采进入深部，逐步增高的冲击风险对冲击地压预测提出了更高要求，定性预测的精准度已无法满足工程现场需要，实现微震定量预测对冲击地压预测意义重大。比如，申请号为202211011826.9的专利公开了一种冲击地压矿井微震事件时空强三要素定量预测方法，该方法通过深度学习回归定量预测了微震事件发生时间、发震位置x、y、z坐标以及能量大小，解决了目前存在的缺乏现场监测参量与灾害事件的时、空、强之间的映射关系难以量化的问题，但在煤矿实际生产过程中，微震活动受多方面因素的制约与影响，如煤矿生产过程中前期应力与地质构造环境和后期防治与采掘工况的影响，该专利所述的微震定量预测过程未充分考虑这些因素，预测效果有待进一步提高。
技术实现思路
1、针对上述问题，本专利技术提供一种基于理论模型约束与数据驱动融合的微震定量预测方法，综合考虑微震时空强三要素及其与冲击地压之间的
2、为实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：
3、一种基于理论模型约束与数据驱动融合的微震定量预测方法，包括如下步骤：
4、步骤1、获取煤矿工作面生产期间原始微震数据和煤层开采日进尺数据，并统计获得相关衍生变量作为样本特征，组成初始样本数据集；
5、步骤2、对初始样本数据集进行数据预处理，并将预处理后的数据集划分训练集和测试集；
6、步骤3、构建长短时记忆网络lstm模型，采用基于微震自相关的时间窗滑移方法确定单个样本滞后时间长度，并将其设置为初始记忆天数，设置模型lstm层、全连接层层数和神经元数量，采用均方误差mse和平均绝对误差mae作为损失函数，通过训练集损失和测试集损失调整模型结构，获得最优模型进行预测未来下一天的微震总频次ntotal和总能量mtotal；
7、步骤4、从历史微震数据抽样作为微震事件定量预测样本，包括微震时间、空间和能量三要素；
8、步骤5、构建含有微震时间分形维、微震空间分形维、微震能量分形维、微震预测总能量、微震重构采动应力、微震活动工序和微震能量-频次幂律b值七个子目标函数的多目标优化模型，实现对抽样微震事件样本在时间、空间和强度三要素维度上的约束；
9、步骤6、求出最优抽样样本作为预测值。
10、优选，步骤1中，原始微震数据包括微震事件发生时间和能量，相关衍生变量包括微震事件的每日总频次、每日总能量、每日平均能量、每日最大能量、每日最小能量、每日总能量震级、每日平均能量震级、每日最大能量震级、每日最小能量震级；
11、微震事件的每日总频次、每日总能量、每日平均能量、每日最大能量、每日最小能量相较于前一天增量；
12、微震事件的每日总频次、每日总能量震级、每日平均能量震级、每日最大能量震级、每日最小能量震级前三天均值。
13、优选，步骤2中，对频次和能量数据按照下述公式进行转换消除异常值：
14、me＝lg(es+10)，mn＝log2(nfrequency+1)
15、式中，me为能量震级，es为对应能量相关数据，mn为总频次级别，nfrequency为每日总频次数据；
16、将处理后的数据每列采用最大最小值归一化方法进行数据归一化，计算方法为：
17、
18、式中，为归一化值，xmax为样本数据最大值，xmin为样本数据最小值，x为样本原始值；
19、将预处理后的数据集的80％划分为训练集，20％划分为测试集。
20、优选，基于微震自相关的时间窗滑移方法包括：
21、使用自相关函数acf计算微震数据与其滞后数据间的相关性，计算方法如下：
22、
23、式中，cδi表示时间为i的微震数据xi和时间为i+δi的微震数据xi+δi的协方差，δi为时间维度上的滞后，n为需要计算自相关性的数据总数，μ为全部数据的均值；
24、时间滞后δi的两组微震数据的自相关性acfδi计算方法为：
25、
26、式中，acfδi为时间差为δi的两组微震数据的自相关性，c0为δi＝0时的自协方差，即时间窗初始项xi的自协方差；
27、acfδi的值在-1～1之间，当acfδi低于上置信区间ci前，微震数据序列是相关的，当acfδi达到ci上限时，此时δi即微震数据最大相关周期δimax，当时间窗滞后时间大于δimax时，认为微震数据不存在相关性，将δimax作为lstm模型单个样本初始滞后时间长度；
28、ci计算方法为：
29、
30、均方误差mse和平均绝对误差mae计算方法为：
31、
32、式中，n为样本个数，yi为真实值，为预测值。
33、优选，步骤4中，采用基于weibull概率分布推导的可靠度函数对微震预测仿真试验进行验证：
34、所述时间、空间和能量三要素的概率密度函数
35、式中，x为三要素值，x≥0；β为比例参数，β＞0；α为形状参数，α＞0；
36、累积分布函数
37、可靠度函数r(δt)表示在δt时间内系统正常运行的概率，其为累积分布函数的补函数，具体表示为：
38、r(δt)＝1-f(δt；β,α)
39、即
40、将微震事件三要素变量两两之差的绝对值作为自变量来衡量整个系统的故障率，微震事件之间的可靠度函数，如下：
41、
42、式中，δt、δs、δlge分别为微震事件之间的时间差、平面位置上距离差和能级差；r(δt)、r(δs)、r(δlge)分别为微震事件在时间差、平面位置上距离差和能级差上的故障率；
43、构建可靠度目标函数：
44、maxf(i,j)＝ω1·r(δt)+ω2·r(δs)+ω3·r(δlge)
45、式中，maxf本文档来自技高网...
【技术保护点】
1.一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：步骤1中，原始微震数据包括微震事件发生时间和能量，相关衍生变量包括微震事件的每日总频次、每日总能量、每日平均能量、每日最大能量、每日最小能量、每日总能量震级、每日平均能量震级、每日最大能量震级、每日最小能量震级；
3.根据权利要求2所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：
4.根据权利要求3所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：基于微震自相关的时间窗滑移方法包括：
5.根据权利要求4所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：
6.根据权利要求5所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：
7.根据权利要求6所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：
8.根据权利要求7所述的
9.根据权利要求8所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：多目标粒子群算法MOPSO包括如下步骤：
...【技术特征摘要】
1.一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：步骤1中，原始微震数据包括微震事件发生时间和能量，相关衍生变量包括微震事件的每日总频次、每日总能量、每日平均能量、每日最大能量、每日最小能量、每日总能量震级、每日平均能量震级、每日最大能量震级、每日最小能量震级；
3.根据权利要求2所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：
4.根据权利要求3所述的一种基于理论模型约束与数据驱动融合的微震定量预测方法，其特征在于：基于微震自相关的时间窗滑移方...
【专利技术属性】
技术研发人员：蔡武，刘舜，张广宁，李士栋，周涛，孔震，袁腾飞，马祥，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。