基于卷積神經(jīng)網(wǎng)絡的沖擊地壓預警方法研究*

曹亞利，李振雷，劉旭東，何學秋，宋大釗，王洪磊

(1.北京科技大學 金屬礦山高效開采與安全教育部重點實驗室，北京 100083；2.北京科技大學 土木與資源工程學院，北京 100083；3.北京科技大學 大安全科學研究院，北京 100083；4.國家能源集團新疆能源有限責任公司，新疆 烏魯木齊 830084)

0 引言

沖擊地壓是煤礦開采中1種常見的動力災害，是指煤(巖)體聚積的彈性變形能瞬時釋放而產生的1種動力現(xiàn)象，常造成巷道破壞、設備損毀以及人員傷亡等[1-4]。沖擊地壓預警技術在礦山災害防治方面有重要作用，是提高沖擊地壓防治水平的關鍵[5]。目前，越來越多的先進設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測方法，利用混淆矩陣的績效指標F確定預警指標的權重，可以對沖擊地壓發(fā)生的可能性進行定量預測；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-趨勢的沖擊危險預警方法；殷欣等[8]從巖石物理力學性質、巖體完整性和地應力3個方面選取巖爆的評價指標，提出1種基于離差平方和的最優(yōu)組合賦權規(guī)則，建立了巖爆烈度分級預測識別模型?，F(xiàn)有的沖擊地壓預警常采用經(jīng)驗類比或數(shù)理統(tǒng)計的方法確定預警指標和判別準則，以此對沖擊地壓危險進行預測[3,9]。但采用指標法進行沖擊地壓危險預警對監(jiān)測數(shù)據(jù)的挖掘并不夠充分，有待進一步提升。

深度學習是機器學習的1個重要分支[10]，依附于大量的數(shù)據(jù)來訓練模型[7]，擁有較強的自適應特征學習能力，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)絡是深度學習的代表算法之一，在煤巖動力災害方面得到了廣泛的研究和應用。荀曉玉等[11]將卷積神經(jīng)網(wǎng)絡與長短時期記憶網(wǎng)絡結合，從時間序列的角度對采煤工作面瓦斯?jié)舛冗M行預測；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)絡的波形辨識模型；裴艷宇等[13]建立一維卷積神經(jīng)網(wǎng)絡微震能級時序預測模型，以前若干次微震的能量級別作為輸入來預測下1次微震事件的能量級別。卷積神經(jīng)網(wǎng)絡在異常信號辨識、時序數(shù)據(jù)特征提取和預測方面展現(xiàn)了較強的能力。

本文利用一維卷積神經(jīng)網(wǎng)絡具有對時序數(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，建立沖擊地壓預警模型，能夠結合專家經(jīng)驗挖掘定性信息，與定量信息相結合，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)測手段智能化預警提供參考。

1 一維卷積神經(jīng)網(wǎng)絡簡介

一維卷積神經(jīng)網(wǎng)絡常用于序列類的數(shù)據(jù)處理，將著名的卷積運算和神經(jīng)網(wǎng)絡結合在一起，通過反向傳播算法更新網(wǎng)絡參數(shù)。如圖1所示，其結構主要包括輸入層、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)絡結構Fig.1 Typical structure of one-dimensional convolutional neural network

卷積層類似于前饋神經(jīng)網(wǎng)絡的神經(jīng)元，能對輸入的數(shù)據(jù)進行特征提取[16-17]，其中包含多個卷積核，卷積核對輸入的特征矢量進行卷積運算，并用非線性激活函數(shù)構建輸出特征矢量[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結果。

2 基于一維卷積神經(jīng)網(wǎng)絡的沖擊地壓預警模型

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)絡對時序數(shù)據(jù)具有較強的特征提取能力，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)絡來建立沖擊地壓預警模型，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)標簽；2)生成數(shù)據(jù)集；3)構建一維卷積神經(jīng)網(wǎng)絡模型，并將數(shù)據(jù)集輸入模型中進行訓練；4)完成訓練，確定模型結構和參數(shù)。具體流程如圖2所示。

圖2 沖擊地壓預警模型構建流程Fig.2 Construction flow chart of rockburst early-warning model

2.1 建立打分系統(tǒng)

由于對礦山生產安全高度重視，礦山?jīng)_擊地壓事故發(fā)生次數(shù)驟減，將實際發(fā)生的沖擊地壓作為預警標簽建立深度學習模型并不可觀。為了解決深度學習訓練數(shù)據(jù)缺少標簽的問題，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行評判，評判完成后保存，即可自動轉換為下一時刻，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)驗通過打分系統(tǒng)對某時刻t沖擊地壓危險進行分析評判，得到?jīng)_擊地壓危險評判值，即為樣本標簽。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)，可對微震事件進行實時監(jiān)測，自動記錄微震活動，并對微震進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)間內自動轉換，時間跨度較長，能夠克服樣本類型單一問題。

沖擊地壓預警方法采用有監(jiān)督學習方式，需要同時具備特征和標簽信息。樣本特征X為t時刻對應的微震監(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；樣本標簽Y由現(xiàn)場沖擊地壓監(jiān)測技術人員、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行分析評判，獲取t時刻樣本標簽，共生成2 360個不同時刻的樣本。

根據(jù)細化的專家評判標準計算樣本分布，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)絡模型的訓練效果，使用SMOTE算法對少數(shù)類樣本進行過采樣，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行排序，取前85%的數(shù)據(jù)作為訓練集，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 部分數(shù)據(jù)集Table 1 Part of data set

2.3 構建一維卷積神經(jīng)網(wǎng)絡模型

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

構建沖擊地壓預警的一維卷積神經(jīng)網(wǎng)絡模型，輸入層是將訓練集單個樣本的760個特征作為輸入，并對輸入數(shù)據(jù)進行Z-score標準化，消除特征之間量綱及取值范圍差異的影響；設置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)，增強模型的非線性表達，ReLU可解決sigmoid、tanh中常見的梯度消失問題，計算速度也最快；設置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)絡模型參數(shù)，降低訓練難度和時間[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測值。具體模型結構如圖6所示。

圖6 沖擊地壓預警的一維卷積神經(jīng)網(wǎng)絡模型結構Fig.6 Structure of one-dimensional convolutional neural network model for rockburst early-warning

2.4 完成訓練得到預警模型

本文借助Python語言運用Keras深度學習框架實現(xiàn)沖擊地壓預警模型的搭建和訓練，選用Nadam優(yōu)化器來訓練網(wǎng)絡，初始學習率為0.001，最大訓練次數(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來反映模型的訓練過程，平均絕對誤差是性能度量的指標，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)為模型復雜度；ω為權重。

圖7 沖擊地壓預警模型訓練過程Fig.7 Training process of rockburst early-warning model

3 模型預警效果分析

3.1 測試集結果分析

基于上文搭建的一維卷積神經(jīng)網(wǎng)絡模型，用450個測試集數(shù)據(jù)進行模型測試，4個等級的樣本數(shù)分別為122，103，133，92。如圖8和圖9分別展示訓練迭代次數(shù)對測試集沖擊地壓危險預測結果的影響、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測結果與專家評判結果擬合效果良好；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，有過擬合風險。從模型預測效果和訓練速度考慮，訓練次數(shù)為30時最佳，此時，沖擊地壓危險預測結果和專家評判結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，誤差結果在可接受范圍之內。

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

圖9 訓練迭代次數(shù)的增加對測試集預測結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對模型性能進行評估[24]，如表2所示，3個評估指標在訓練集的結果比測試集稍好，但二者相差極小，這是符合實際的，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，泛化性能較好。

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

3.2 現(xiàn)場應用驗證

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)進行現(xiàn)場驗證，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[22,25]，故將大能量礦震作為預警目標，以該礦歷年礦震事件為參考，結合礦井生產實際，將大能量礦震定義為震動能量大于105的微震事件。將本模型的預警結果由0～100映射到0～1，與該礦井實際使用的算法模型的預警結果進行對比，如圖10所示。

圖10 本文模型與礦井原有模型預警結果對比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，本文模型均進行沖擊地壓危險預警，預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警模型預警了4次，預警中等沖擊危險等級2次，弱沖擊危險等級2次，有1次沒有給出預警?？梢?，本文提出的預警模型準確度更高，具有一定的實際意義。

同時，由圖10可知，本文模型預警結果整體上較礦井原有模型預警結果的危險程度更高，且本文模型可以較好對專家打分進行預測，這也說明，本文模型現(xiàn)場應用時預警結果整體偏高與專家打分較高有關，下一步需增加打分專家的人數(shù)和樣本集的數(shù)量，對模型進行進一步訓練和完善。

4 結論

1)建立基于一維卷積神經(jīng)網(wǎng)絡的沖擊地壓預警模型，模型預測結果并不隨訓練迭代次數(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，沖擊地壓危險預測結果與專家評判結果的波動趨勢基本吻合，誤差結果在可接受范圍內。

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

3)通過微震數(shù)據(jù)分析與深度學習相結合構建沖擊地壓預警模型，與傳統(tǒng)的基于機理分析和工程經(jīng)驗的預警模型有顯著不同，主要為沖擊地壓監(jiān)測預警提供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。