曹亞利，李振雷，劉旭東，何學(xué)秋，宋大釗，王洪磊

(1.北京科技大學(xué) 金屬礦山高效開采與安全教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083；2.北京科技大學(xué) 土木與資源工程學(xué)院，北京 100083；3.北京科技大學(xué) 大安全科學(xué)研究院，北京 100083；4.國家能源集團(tuán)新疆能源有限責(zé)任公司，新疆 烏魯木齊 830084)

0 引言

沖擊地壓是煤礦開采中1種常見的動力災(zāi)害，是指煤(巖)體聚積的彈性變形能瞬時釋放而產(chǎn)生的1種動力現(xiàn)象，常造成巷道破壞、設(shè)備損毀以及人員傷亡等[1-4]。沖擊地壓預(yù)警技術(shù)在礦山災(zāi)害防治方面有重要作用，是提高沖擊地壓防治水平的關(guān)鍵[5]。目前，越來越多的先進(jìn)設(shè)備被用于礦山開采中，以微震、地音、電磁輻射為代表的監(jiān)測手段得到普及[2,6]，針對這些監(jiān)測手段的沖擊地壓預(yù)警方法眾多。Cai等[7]提出了1種基于模糊綜合評價模型的沖擊地壓預(yù)測方法，利用混淆矩陣的績效指標(biāo)F確定預(yù)警指標(biāo)的權(quán)重，可以對沖擊地壓發(fā)生的可能性進(jìn)行定量預(yù)測；田向輝等[2]通過分析沖擊地壓微震前兆信息規(guī)律，提出了1種基于每日微震最大能量和微震能量/頻次偏差高值總數(shù)的定量-趨勢的沖擊危險預(yù)警方法；殷欣等[8]從巖石物理力學(xué)性質(zhì)、巖體完整性和地應(yīng)力3個方面選取巖爆的評價指標(biāo)，提出1種基于離差平方和的最優(yōu)組合賦權(quán)規(guī)則，建立了巖爆烈度分級預(yù)測識別模型?，F(xiàn)有的沖擊地壓預(yù)警常采用經(jīng)驗(yàn)類比或數(shù)理統(tǒng)計的方法確定預(yù)警指標(biāo)和判別準(zhǔn)則，以此對沖擊地壓危險進(jìn)行預(yù)測[3,9]。但采用指標(biāo)法進(jìn)行沖擊地壓危險預(yù)警對監(jiān)測數(shù)據(jù)的挖掘并不夠充分，有待進(jìn)一步提升。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的1個重要分支[10]，依附于大量的數(shù)據(jù)來訓(xùn)練模型[7]，擁有較強(qiáng)的自適應(yīng)特征學(xué)習(xí)能力，適用于大數(shù)據(jù)背景下沖擊地壓監(jiān)測數(shù)據(jù)的分析需求。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的代表算法之一，在煤巖動力災(zāi)害方面得到了廣泛的研究和應(yīng)用。荀曉玉等[11]將卷積神經(jīng)網(wǎng)絡(luò)與長短時期記憶網(wǎng)絡(luò)結(jié)合，從時間序列的角度對采煤工作面瓦斯?jié)舛冗M(jìn)行預(yù)測；董隴軍等[12]根據(jù)微震事件和爆破事件的波形的不同特征，建立了1種基于卷積神經(jīng)網(wǎng)絡(luò)的波形辨識模型；裴艷宇等[13]建立一維卷積神經(jīng)網(wǎng)絡(luò)微震能級時序預(yù)測模型，以前若干次微震的能量級別作為輸入來預(yù)測下1次微震事件的能量級別。卷積神經(jīng)網(wǎng)絡(luò)在異常信號辨識、時序數(shù)據(jù)特征提取和預(yù)測方面展現(xiàn)了較強(qiáng)的能力。

本文利用一維卷積神經(jīng)網(wǎng)絡(luò)具有對時序數(shù)據(jù)特征提取的能力，以礦山現(xiàn)場主要使用的微震監(jiān)測為對象，建立沖擊地壓預(yù)警模型，能夠結(jié)合專家經(jīng)驗(yàn)挖掘定性信息，與定量信息相結(jié)合，充分獲取微震監(jiān)測數(shù)據(jù)的潛在特征信息，可為沖擊地壓監(jiān)測預(yù)警提供新的嘗試，也可為地音、電磁輻射等其他監(jiān)測手段智能化預(yù)警提供參考。

1 一維卷積神經(jīng)網(wǎng)絡(luò)簡介

一維卷積神經(jīng)網(wǎng)絡(luò)常用于序列類的數(shù)據(jù)處理，將著名的卷積運(yùn)算和神經(jīng)網(wǎng)絡(luò)結(jié)合在一起，通過反向傳播算法更新網(wǎng)絡(luò)參數(shù)。如圖1所示，其結(jié)構(gòu)主要包括輸入層、卷積層、池化層、全連接層和輸出層[14-17]。

圖1 典型的一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Typical structure of one-dimensional convolutional neural network

卷積層類似于前饋神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，能對輸入的數(shù)據(jù)進(jìn)行特征提取[16-17]，其中包含多個卷積核，卷積核對輸入的特征矢量進(jìn)行卷積運(yùn)算，并用非線性激活函數(shù)構(gòu)建輸出特征矢量[18-19]，如式(1)所示：

(1)

常用的激活函數(shù)有ReLU函數(shù)，sigmoid函數(shù)，如式(2)～(3)所示：

ReLU:f1(x)=max(0,x)

(2)

(3)

池化層能進(jìn)行特征提取和信息過濾，避免模型過擬合，常用最大池化，池化層一般放置在卷積層的后面。全連接層用來實(shí)現(xiàn)對特征的“展平”，即將所有特征矢量首尾連接形成一維向量[19]。最終由輸出層輸出目標(biāo)結(jié)果。

2 基于一維卷積神經(jīng)網(wǎng)絡(luò)的沖擊地壓預(yù)警模型

礦山微震數(shù)據(jù)是離散的一維時序數(shù)據(jù)，而一維卷積神經(jīng)網(wǎng)絡(luò)對時序數(shù)據(jù)具有較強(qiáng)的特征提取能力，能最大限度地提取數(shù)據(jù)特征[15-19]，本文利用微震監(jiān)測數(shù)據(jù)和一維卷積神經(jīng)網(wǎng)絡(luò)來建立沖擊地壓預(yù)警模型，模型建立過程包括以下步驟：1)建立打分系統(tǒng)，制作微震監(jiān)測數(shù)據(jù)標(biāo)簽；2)生成數(shù)據(jù)集；3)構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)模型，并將數(shù)據(jù)集輸入模型中進(jìn)行訓(xùn)練；4)完成訓(xùn)練，確定模型結(jié)構(gòu)和參數(shù)。具體流程如圖2所示。

圖2 沖擊地壓預(yù)警模型構(gòu)建流程Fig.2 Construction flow chart of rockburst early-warning model

2.1 建立打分系統(tǒng)

由于對礦山生產(chǎn)安全高度重視，礦山?jīng)_擊地壓事故發(fā)生次數(shù)驟減，將實(shí)際發(fā)生的沖擊地壓作為預(yù)警標(biāo)簽建立深度學(xué)習(xí)模型并不可觀。為了解決深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)缺少標(biāo)簽的問題，本文建立打分系統(tǒng)，采用專家評判方法制作微震監(jiān)測數(shù)據(jù)標(biāo)簽，以便于生成數(shù)據(jù)集。打分系統(tǒng)包含微震監(jiān)測數(shù)據(jù)庫，該系統(tǒng)可隨機(jī)選擇歷史時刻t，并展示出該時刻歷史微震監(jiān)測數(shù)據(jù)及其特征參數(shù)的圖像，如圖3(a)～圖3(c)所示，分別為t時刻前n天的微震事件能量柱狀圖、t時刻前m天的日總能量柱狀圖、t時刻前m天的日頻次折線圖，這里取n=3，m=20。打分系統(tǒng)的使用步驟為：將微震監(jiān)測數(shù)據(jù)導(dǎo)入打分系統(tǒng)，并首次輸入歷史時刻t，生成t時刻可視化圖像，專家對t時刻沖擊地壓危險進(jìn)行評判，評判完成后保存，即可自動轉(zhuǎn)換為下一時刻，這里時刻t的間隔為3 h。

圖3 專家打分系統(tǒng)中微震監(jiān)測數(shù)據(jù)及其特征參數(shù)示例Fig.3 Examples of MS monitoring data and its characteristic parameters in expert scoring system

專家依據(jù)自身經(jīng)驗(yàn)通過打分系統(tǒng)對某時刻t沖擊地壓危險進(jìn)行分析評判，得到?jīng)_擊地壓危險評判值，即為樣本標(biāo)簽。專家評判分值的范圍是0～100，分值越高越危險，參照沖擊地壓危險常用的4個等級，其中，0～25為無沖擊危險，25～50為弱沖擊危險，50～75為中等沖擊危險，75～100為強(qiáng)沖擊危險。

2.2 建立數(shù)據(jù)集

本文以新疆某沖擊地壓煤礦為研究背景，煤層傾角87°～89°，是典型的急傾斜煤層，已開采+450水平B1+2和B3+6煤層，現(xiàn)開采+425水平B3+6煤層，采用水平分段放頂煤的采煤方法如圖4所示。該礦采用ARMIS M/E微震監(jiān)測系統(tǒng)，可對微震事件進(jìn)行實(shí)時監(jiān)測，自動記錄微震活動，并對微震進(jìn)行震源定位和能量計算，其微震探頭和拾震器的布置方案隨著回采面推進(jìn)位置的變化而變化。

圖4 新疆煤礦采掘平面Fig.4 Mining plane of a coal mine in Xinjiang

本文選用該礦+450水平B3+6工作面(2018.08—2019.07)和+425水平B3+6工作面(2019.08—2020.05)的微震數(shù)據(jù)，總采樣區(qū)間為2018年8月—2020年5月，采樣時刻t可由打分系統(tǒng)在采樣區(qū)間內(nèi)自動轉(zhuǎn)換，時間跨度較長，能夠克服樣本類型單一問題。

沖擊地壓預(yù)警方法采用有監(jiān)督學(xué)習(xí)方式，需要同時具備特征和標(biāo)簽信息。樣本特征X為t時刻對應(yīng)的微震監(jiān)測數(shù)據(jù)及其特征參數(shù)，可視化后即圖3(a)～圖3(c)，分別為t時刻前3 d的微震事件能量柱狀圖、t時刻前20 d的微震日總能量柱狀圖、t時刻前20 d的微震日頻次折線圖；樣本標(biāo)簽Y由現(xiàn)場沖擊地壓監(jiān)測技術(shù)人員、防沖副總及科研院所沖擊地壓研究人員共計8人組成，通過打分系統(tǒng)對t時刻的沖擊地壓危險進(jìn)行分析評判，獲取t時刻樣本標(biāo)簽，共生成2 360個不同時刻的樣本。

根據(jù)細(xì)化的專家評判標(biāo)準(zhǔn)計算樣本分布，4個等級的樣本數(shù)分別為624，525，755，456，樣本類別分布不平衡，為提高卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效果，使用SMOTE算法對少數(shù)類樣本進(jìn)行過采樣，增加少數(shù)類樣本數(shù)量。SMOTE算法在過采樣時并不是簡單地復(fù)制樣本，而是通過K近鄰插值的方法在2個少數(shù)類樣本間合成新的樣本，原理如圖5所示，該方法可以降低模型過擬合風(fēng)險[20-21]。最終生成3 000個類別平衡的樣本集。如表1所示，每個樣本提取出特征760個，其中，t時刻前3 d的微震事件720個(時間窗為6 min，若某個時間窗內(nèi)無微震事件，則為0)，t時刻前20 d微震事件日總能量20個，t時刻前20 d微震事件日頻次20個，即Xi={x1,x2,…,x760}，其中i=1,2,…,3 000，表示樣本個數(shù)。將數(shù)據(jù)集中全部樣本按照時間順序進(jìn)行排序，取前85%的數(shù)據(jù)作為訓(xùn)練集，共2 550個，后15%數(shù)據(jù)作為測試集，共450個。

圖5 SMOTE算法原理Fig.5 Principle of SMOTE algorithm

表1 部分?jǐn)?shù)據(jù)集Table 1 Part of data set

2.3 構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)模型

相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，卷積層和池化層是卷積神經(jīng)網(wǎng)絡(luò)特有結(jié)構(gòu)，卷積層中的卷積核包含權(quán)重系數(shù)和偏置，可通過反向傳播算法進(jìn)行更新[13]。

構(gòu)建沖擊地壓預(yù)警的一維卷積神經(jīng)網(wǎng)絡(luò)模型，輸入層是將訓(xùn)練集單個樣本的760個特征作為輸入，并對輸入數(shù)據(jù)進(jìn)行Z-score標(biāo)準(zhǔn)化，消除特征之間量綱及取值范圍差異的影響；設(shè)置5層卷積層，每層卷積層使用數(shù)量不等的卷積核，采用等寬卷積方式；使用非限制單元(Rectified Linear Unit,ReLU)作為激活函數(shù)，增強(qiáng)模型的非線性表達(dá)，ReLU可解決sigmoid、tanh中常見的梯度消失問題，計算速度也最快；設(shè)置3層池化層，采用最大池化(Max Pooling)，通過池化操作降低卷積層輸出的特征向量的維度，大大降低輸入到全連接層的網(wǎng)絡(luò)模型參數(shù)，降低訓(xùn)練難度和時間[13,22-23]；并在全連接層之前添加dropout層，系數(shù)為0.4，防止過擬合[16]；最后由輸出層(回歸層)，輸出沖擊地壓危險預(yù)測值。具體模型結(jié)構(gòu)如圖6所示。

圖6 沖擊地壓預(yù)警的一維卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.6 Structure of one-dimensional convolutional neural network model for rockburst early-warning

2.4 完成訓(xùn)練得到預(yù)警模型

本文借助Python語言運(yùn)用Keras深度學(xué)習(xí)框架實(shí)現(xiàn)沖擊地壓預(yù)警模型的搭建和訓(xùn)練，選用Nadam優(yōu)化器來訓(xùn)練網(wǎng)絡(luò)，初始學(xué)習(xí)率為0.001，最大訓(xùn)練次數(shù)為70，小批量大小為64，L2正則化系數(shù)為0.000 1。如圖7所示，用損失函數(shù)以及平均絕對誤差MAE來反映模型的訓(xùn)練過程，平均絕對誤差是性能度量的指標(biāo)，損失函數(shù)為均方誤差MSE，如式(4)～(5)所示：

(4)

(5)

用決定系數(shù)R2評估模型的泛化能力，如式(6)所示：

(6)

用L2正則化來限制權(quán)重大小，以避免模型過擬合，如式(7)～(8)所示：

J=J(θ)+λR(ω)

(7)

(8)

式中：J(θ)為原始損失函數(shù)；λ為正則化系數(shù)；R(ω)為模型復(fù)雜度；ω為權(quán)重。

圖7 沖擊地壓預(yù)警模型訓(xùn)練過程Fig.7 Training process of rockburst early-warning model

3 模型預(yù)警效果分析

3.1 測試集結(jié)果分析

基于上文搭建的一維卷積神經(jīng)網(wǎng)絡(luò)模型，用450個測試集數(shù)據(jù)進(jìn)行模型測試，4個等級的樣本數(shù)分別為122，103，133，92。如圖8和圖9分別展示訓(xùn)練迭代次數(shù)對測試集沖擊地壓危險預(yù)測結(jié)果的影響、測試集平均絕對誤差的變化情況。由圖8～9可知，20次迭代后，MAE迅速下降，MAE為12.5，測試集沖擊地壓危險的預(yù)測結(jié)果與專家評判結(jié)果擬合效果良好；迭代30次后，MAE為8.9，較迭代20次弱沖擊危險、強(qiáng)沖擊危險值擬合效果更好；之后隨著迭代次數(shù)的增加，部分危險值擬合效果明顯變差，且MAE無明顯變化，甚至出現(xiàn)小幅度提升，有過擬合風(fēng)險。從模型預(yù)測效果和訓(xùn)練速度考慮，訓(xùn)練次數(shù)為30時最佳，此時，沖擊地壓危險預(yù)測結(jié)果和專家評判結(jié)果的波動趨勢基本吻合，平均絕對誤差MAE最小，且83%的樣本絕對值誤差小于15，其中誤差小于10的占80%，只有極小部分樣本絕對值誤差在15～20之間。由于人的主觀意識的影響，誤差結(jié)果在可接受范圍之內(nèi)。

圖8 訓(xùn)練迭代次數(shù)對測試集沖擊地壓危險預(yù)測結(jié)果的影響Fig.8 Influence of training iteration times on prediction results of rockburst risk by test set

圖9 訓(xùn)練迭代次數(shù)的增加對測試集預(yù)測結(jié)果的平均絕對誤差的影響Fig.9 Influence of increase of training iteration times on MAE of prediction results by test set

運(yùn)用平均絕對誤差MAE、均方根誤差RMSE、決定系數(shù)R2對模型性能進(jìn)行評估[24]，如表2所示，3個評估指標(biāo)在訓(xùn)練集的結(jié)果比測試集稍好，但二者相差極小，這是符合實(shí)際的，說明并未出現(xiàn)過擬合；且測試集決定系數(shù)R2為0.78，說明模型的可解釋性強(qiáng)，泛化性能較好。

表2 模型性能評估Table 2 Model performance evaluation

3.2 現(xiàn)場應(yīng)用驗(yàn)證

選取該礦2020年8月1日—2020年9月18日的微震監(jiān)測數(shù)據(jù)進(jìn)行現(xiàn)場驗(yàn)證，因礦井沒有發(fā)生沖擊地壓，而大能量礦震與沖擊地壓的發(fā)生密切相關(guān)[22,25]，故將大能量礦震作為預(yù)警目標(biāo)，以該礦歷年礦震事件為參考，結(jié)合礦井生產(chǎn)實(shí)際，將大能量礦震定義為震動能量大于105的微震事件。將本模型的預(yù)警結(jié)果由0～100映射到0～1，與該礦井實(shí)際使用的算法模型的預(yù)警結(jié)果進(jìn)行對比，如圖10所示。

圖10 本文模型與礦井原有模型預(yù)警結(jié)果對比Fig.10 Comparison of early-warning results between this model and original model of mine

由圖10可知，在研究時段內(nèi)共發(fā)生5次大能量礦震事件，在每次大能量礦震發(fā)生前5 d內(nèi)，本文模型均進(jìn)行沖擊地壓危險預(yù)警，預(yù)警中等沖擊危險等級4次、弱沖擊危險等級1次；而礦井原有使用的預(yù)警模型預(yù)警了4次，預(yù)警中等沖擊危險等級2次，弱沖擊危險等級2次，有1次沒有給出預(yù)警?？梢?，本文提出的預(yù)警模型準(zhǔn)確度更高，具有一定的實(shí)際意義。

同時，由圖10可知，本文模型預(yù)警結(jié)果整體上較礦井原有模型預(yù)警結(jié)果的危險程度更高，且本文模型可以較好對專家打分進(jìn)行預(yù)測，這也說明，本文模型現(xiàn)場應(yīng)用時預(yù)警結(jié)果整體偏高與專家打分較高有關(guān)，下一步需增加打分專家的人數(shù)和樣本集的數(shù)量，對模型進(jìn)行進(jìn)一步訓(xùn)練和完善。

4 結(jié)論

1)建立基于一維卷積神經(jīng)網(wǎng)絡(luò)的沖擊地壓預(yù)警模型，模型預(yù)測結(jié)果并不隨訓(xùn)練迭代次數(shù)的增加而逐漸最優(yōu)，存在最優(yōu)迭代次數(shù)，本文模型為30次，此時，測試集的平均絕對誤差MAE為8.9，沖擊地壓危險預(yù)測結(jié)果與專家評判結(jié)果的波動趨勢基本吻合，誤差結(jié)果在可接受范圍內(nèi)。

2)將本文提出的預(yù)警模型與礦井原有使用的預(yù)警模型進(jìn)行對比，本文模型對研究時段內(nèi)發(fā)生的5次大能量礦震事件均進(jìn)行預(yù)警，而礦井原有模型僅預(yù)警4次，本文模型具有現(xiàn)場實(shí)際應(yīng)用價值。

3)通過微震數(shù)據(jù)分析與深度學(xué)習(xí)相結(jié)合構(gòu)建沖擊地壓預(yù)警模型，與傳統(tǒng)的基于機(jī)理分析和工程經(jīng)驗(yàn)的預(yù)警模型有顯著不同，主要為沖擊地壓監(jiān)測預(yù)警提供1種新的嘗試，也為地音、電磁輻射等其他監(jiān)測手段提供參考。