[发明专利]基于综合CNN-LSTM的岩爆状态预测方法

说明书

本发明提供了一种基于综合CNN‑LSTM的岩爆状态预测方法，包括：根据岩爆状态变量时序数据，进行岩爆状态变量的相空间重构，得到相空间；将所述相空间输入卷积神经网络CNN，得到具有高维特征信息的时间序列；将所述时间序列输入深度学习LSTM模型，进行特征时间序列预测；将所述岩爆状态变量时序数据划分为训练集数据和测试集数据，利用所述训练集数据对CNN‑LSTM模型进行学习训练，提取所述相空间数据演化的时间特征，获得训练好的CNN‑LSTM模型。本发明的方法将CNN表现出的数据特征高表达能力与深度学习LSTM模型在连续性时序数据预测上的优势组合起来进行t+1时刻岩爆状态预测，以降低预测误差，提高预测精度。

技术领域

本发明涉及地下开挖工程和矿山采掘工程领域，特别涉及一种基于综合 CNN-LSTM的岩爆状态预测方法。

背景技术

矿山岩爆一直都是矿山行业重大的安全威胁之一，其灾害的发生具有高确 定性和不可预知性。矿山岩爆的精准预测是地压灾害防治的基础，已有专家学 者关注此问题，并开展了大量相关研究工作。同时，国内外针对岩爆灾害已投 入了众多监测资源并获取了岩爆相关的大量多源异构监测数据。

在岩爆和冲击地压预测预警领域中，大量学者基于智能岩石力学理论，利 用微震、电磁辐射、声发射、红外辐射等时序性监测数据开展了一系列预测研 究。如在进行岩爆和冲击地压预测时，有学者使用现场岩爆监测的声发射时间 序列数据，基于小波神经网络进行非线性拟合预测，预测精度较高，然而其依 据的数据量过小同时没有保留测试集对其预测的未来时刻状态值进行比较。此 外，有学者考虑到冲击地压的混沌特征，提出基于多变量时间序列相空间重构 GRNN模型，其方法利用具有较强逼近能力与较快学习速度的广义神经网络 GRNN模型进行预测，结合遗传优化算法寻找重构相空间参数嵌入维度、延迟时间及GRNN光滑因子的最佳组合，使用多状态量重构后的相空间作为输入， 并进行单步和多步预测结果对比，完成了冲击地压预测实验，具有一定的创新 性和工程适应性，有力地促进了岩爆和冲击地压预测预警领域地发展。尽管如 此，现有技术还是存在以下缺点：

第一，针对岩爆和冲击地压状态量的混沌特性，进行状态量相空间重构后， 现有方法并没有对其重构后相空间中的特征进行提取，而是直接作为预测输入， 造成还原相空间中时序性等重要特征信息丢失，造成预测误差较大，精度不高。

第二，岩爆和冲击地压的发生过程实际上是一个孕育演化过程中具有非线 性动力学过程，在岩爆和冲击地压的非线性拟合预测范畴中，大部分机器学习 方法在岩爆和冲击地压的非线性拟合及预测时无法考虑其孕育演化过程中在 时间上表现出的连续性及记忆性，使得预测误差较大，精度不高。

发明内容

本发明提供了一种基于综合CNN-LSTM的岩爆状态预测方法，其目的是 为了解决岩爆状态预测误差较大，精度不高的问题。

为了达到上述目的，本发明的实施例提供了一种基于综合CNN-LSTM的 岩爆状态预测方法，包括：

根据岩爆状态变量时序数据，进行岩爆状态变量的相空间重构，得到相空 间；

将所述相空间输入卷积神经网络CNN，得到具有高维特征信息的时间序 列；

将所述具有高维特征信息的时间序列输入深度学习LSTM模型，进行特 征时间序列预测；

将所述岩爆状态变量时序数据划分为训练集数据和测试集数据，利用所述 训练集数据对CNN-LSTM模型进行学习训练，提取所述相空间数据演化的时 间特征，获得训练好的CNN-LSTM模型；

将所述测试集数据输入所述CNN-LSTM模型，得到预测结果；

判断所述预测结果的准确性是否超过阈值；

若所述预测结果的准确性超过阈值，则利用所述CNN-LSTM神经网络模 型进行t+1时刻岩爆演化状态值的预测。