[发明专利]一种基于小样本学习的冲击地压时序预测模型构建方法

说明书

一种基于小样本学习的冲击地压时序预测模型构建方法，通过微震传感器将采集到的原始微震数据传至地面控制室的上位机，由上位机对原始微震数据进行标准化处理，然后利用主成分分析法和核密度估计方法处理标准化以后的微震数据，得到相应二维时序数据，研究即将发生的大能量矿震事件与过去矿震事件的相关性，构建密度指标，并完成数据的标注，最后构建基于小样本学习的长短期神经网络，通过将时序数据以及密度指标放入构建好的神经网络中训练，完成未来大能量事件发生的时间段的预测。本发明能够降低长短期记忆循环神经网络对数据的依赖性，提高网络的泛化性，使其在数据量比较小时，也能够进行大能量矿震预测，为冲击地压提供早期预警。

技术领域

本发明涉及一种冲击地压预测模型，具体是一种基于小样本学习的冲击地压时序预测模型构建方法，属于冲击地压预测技术领域。

背景技术

由于我国“富煤、贫油、少气”的国情实际，煤炭成为我国的基础能源和重要原料，煤炭工业成为关系国家经济命脉和能源安全的重要基础产业。近年来，随着我国煤矿开采深度快速增加以及地质、采矿条件的日趋复杂，冲击地压灾害形式日渐严峻，已成为制约煤矿安全生产的关键因素。由于冲击地压具有突发性、瞬时震动性和巨大破坏性等特征，所以事先难以预料其发生的时间、地点和程度。冲击地压危害程度大，影响面广，一旦发生，极易引起其他连锁事故，如瓦斯异常涌出、煤与瓦斯突出、突水和瓦斯爆炸等，造成极大的财产损失和人员伤亡。然而冲击地压发生的时间、地点、区域、震源等的复杂多样性和冲击地压的突发性，使得其预测工作极为困难复杂，成为急需解决的世界性难题。

许多学者参数化矿震数据进行预测矿震灾害的研究取得了非常大的进步。但是在过去的研究过程中，往往是针对给定的采矿地质条件而言，这就导致无法为冲击地压提供一个一般适用性的规则。冲击地压事件的发生往往伴随着大能量微震事件的产生，但是由于冲击地压发生的复杂性和受人为因素限制，使得无法获取到建立冲击地压预测模型所需的数据，导致无法掌握一些矿区微震数据状况并进行科学的冲击地压管理。冲击地压数据获取困难的问题，样本数据缺失，导致机器学习模型难以训练，使得其在缺数据地区的冲击地压研究更加具有挑战性。

近年来，随着计算机技术的发展，冲击地压预测在深度学习上的应用得到了极大的发展。其中深度循环神经网络(RNN)在时序预测上应用尤为广泛，它能够借助之前的信息对当前时刻进行预测。但它对于长时间的学列来说，会忘记之前一些比较久远的信息，同时容易发生梯度消失和梯度爆炸的问题。随之而来的是对于深度循环神经网络(RNN)的变形长短期记忆循环神经网络(LSTM)，它通过门控制单元来控制信息的传递，能够选择性的记忆重要信息和遗忘不重要的信息，这在时序预测上都取得不错的效果。

现有的冲击地压预测方法存在两种，一种是基于微震数据建立的传统冲击地压预测模型，还有一种是基于深度学习方法建立的冲击地压预测模型，虽然这些模型都取得了一系列的成功，但是还存在以下几个弊端：1)由于冲击地压的发生受多因素影响，使得冲击地压时间序列呈现高度复杂的非线性，限制了传统冲击地压预测模型的应用；同时由于每个矿的条件不一样，受人为因素影响大，虽然可以通过一些指标来判断，无法获得一个统一的结论。2)以长短期神经网络为代表的传统深度学习模型需要大量的数据训练才能够取得足够高的预测准确率，对于微震数据匮乏的一些矿区，无法提供大量的微震数据，将不能取得一个很好地效果。

发明内容

本发明的目的是提供一种基于小样本学习的冲击地压时序预测模型构建方法，通过长短期记忆循环神经网络(LSTM)结合小样本学习方法，能够降低长短期记忆循环神经网络(LSTM)对数据的依赖性，提高网络的泛化性，使其在数据量比较小时，也能够进行大能量矿震预测，为冲击地压提供早期预警。

为了实现上述目的，本发明提供一种基于小样本学习的冲击地压时序预测模型构建方法，包括以下步骤：