[发明专利]基于CNN考虑冲击地压前兆信息的微震事件危险性预测方法

权利要求书

1.基于CNN考虑冲击地压前兆信息的微震事件危险性预测方法，其特征在于，包括如下步骤：

S1，建立微震事件时空和能量信息预测模型

S11，确定微震事件时空和能量信息预测模型的特征指标

以时间间隔、各微震事件发生地点至中心距离和能量作为特征指标；所述时间间隔为连续多次微震事件中相邻微震事件的时间间隔，其中第一个时间间隔赋值0；所述各微震事件发生地点至中心距离为连续多次微震事件中每次微震发生地点与这多次微震事件中心点之间距离；所述能量为连续多次微震事件中每次微震事件的能量；

S12，建立微震事件时空和能量信息预测模型数据集

在连续N次微震事件中，以第a次至第a+b次微震事件的监测数据作为数据集中一个样本的数据源，1≤a≤N-b，最多可以建立N-b个样本，每个样本包括特征数据和标签数据，所述特征数据包括第a次至第a+b-1次微震事件的时间间隔、第a次至第a+b-1次微震事件中各微震事件发生地点到中心距离和第a次至第a+b-1次微震事件的能量值；所述标签数据为第a+b次微震事件的时间间隔、地点和能量，标签数据需进行One-Hot编码处理；

S13，建立微震事件时空和能量信息预测模型

基于一维卷积神经网络建立一个三层的预测模型，每一层由卷积层、批正则化和激活层构成，以Relu函数为激活函数，预测模型的最后设置两层全连接层用于分类，使用Softmax函数进行标签的输出；

S2，建立微震事件危险性预测模型

S21，确定微震事件危险性预测模型的特征指标

以时序集中度Q、时空扩散度d、地点集中度D和能量E作为特征指标，其中

式中：分别表示连续n次微震事件中相邻微震事件时间间隔的方差与平均值；

分别表示连续n次微震事件中各微震事件发生地点与连续n次微震事件发生地点中心之间距离的方差与平均值；

S22，建立数据集并进行样本不平衡性处理

在连续M次微震事件中，以第m次至第m+n-1次微震事件的数据作为数据集中一个样本的数据源，1≤m≤M-n+1，最多可以建立M-n+1个样本，每个样本包括特征数据和标签数据，所述特征数据包括第m次至第m+n-1次微震事件的时序集中度Q、时空扩散度d、地点集中度D和第m+n-1次微震事件的能量值；所述标签数据为第m+n-1次微震事件的危险类别，标签数据需进行One-Hot编码处理；样本不平衡性处理，在采样过程中对数据集中样本标签为危险事件的特征数据加入轻微扰动后复制，以使不同标签的样本数量平衡；

S23，建立微震事件危险性预测模型

基于一维卷积神经网络建立一个三层的预测模型，每一层由卷积层、批正则化和激活层构成，以Relu函数为激活函数，预测模型的最后设置两层全连接层用于分类，使用Softmax函数进行分类标签的输出；

S3，对未来一次微震事件时空和能量信息进行预测

假设未来一次微震事件为第d次，之前的d-1次数据为现场监测数据，以包括第d-b次至第d-1次微震事件的时间间隔、第d-b次至第d-1次微震事件的分别发生地点到中心距离和第d-b次至第d-1次微震事件的能量值的特征数据作为输入值，代入步骤S1确定的微震事件时空和能量信息预测模型，输出标签数据，即未来的第d次微震事件的时间间隔、地点坐标和能量；

S4，预测未来一次将要发生的微震事件的危险性

以包括第d-n+1次至第d次微震事件的时序集中度Q、时空扩散度d、地点集中度D和第d次微震事件的能量值作为输入值，其中第d次微震事件的时间、地点和能量数据为步骤S3的预测值，第d-n+1次至第d-1次微震事件的时间、地点和能量数据为实测值，代入步骤S2确定的微震事件危险性预测模型，输出标签数据，即未来的第d次微震事件是否对应冲击地压危险事件。