基于多源信息融合的沖擊地壓風險預警與弱結構防治技術

賀永亮，王素萍，付玉平，曹雪芳，孫大力

（1.太原科技大學 安全與應急管理工程學院，山西 太原 030024；2.太原科技大學 煤礦粉塵智能監(jiān)測與防控山西省重點實驗室，山西 太原 030024；3.太原科技大學 應用科學學院，山西 太原 030024）

沖擊地壓（巖爆）是一種極具破壞性的重大災害，它可以通過地下工程開挖儲存的彈性變形能瞬間釋放，對巷道或工作面周圍的煤巖體造成突然、快速、劇烈的破壞[1-2]。沖擊地壓災害對于地下工程，特別是煤礦的安全開采，具有極大的危害性。因此，正確、及時地預測沖擊地壓災害，及時采取相應的措施，對于保障煤礦的安全運行具有極為重要的意義。沖擊地壓（巖爆）預警的重要性日益凸顯，并且在大型地下工程和煤礦資源開發(fā)中受到廣泛關注。

沖擊地壓的預警主要根據沖擊地壓機理預測、微震監(jiān)測和地音監(jiān)測等技術用于現場測量預警，以及大數據與人工智能結合的智能預警系統[3-5]。裴艷宇等[6]利用一維卷積神經網絡構建了一種有效的微震能級時間序列預測模型，其準確率高達93.5%；孫繼平等[7]針對沖擊地壓等重大事故的聲音特點提出多信息融合分析災害識別方法，研究基于聲音識別等沖擊地壓重大事故的分類器；陳結等[8]采用綜合指數和機器學習技術，總結了沖擊地壓預測預警方面的差異并展望了沖擊地壓預測技術的未來；祁和剛等[9]將智能化信息技術運用于沖擊地壓防治及礦井安全生產，提出了智能化防沖控采保障沖擊地壓等災害的高效反饋；齊慶新等[10]探討了智能化解決沖擊地壓防治的瓶頸問題，為我國沖擊地壓防治提供新的技術和路徑；魏立科等[11]運用人工智能、大數據等技術對沖擊地壓進行智能分析與監(jiān)測，構建了沖擊地壓風險智能檢測系統；GONG 等[12]結合貝葉斯判別分析理論的特點和原理，提出一種地下工程巖爆預測的貝葉斯判別分析方法；PU 等[13]采用支持向量分類器對沖擊地壓進行了預測，提出了一種新的降維方法，降低了原始數據屬性的相關性，然后采用聚類方法對原始數據進行重新標記，確定沖擊地壓的相對強度；賈義鵬等[14]提出基于粒子群和神經網絡模型預測沖擊地壓方法，通過工程案例驗證了該模型的可行性；SHIRANI 等[15]利用訓練數據集中的最大切向應力、單軸抗拉強度、單軸抗壓強度以及彈性能量指數等參數，構建出一個具有較高準確性的沖擊地壓模型，以便更好地預測沖擊地壓發(fā)生。

上述預測方法從不同的角度和理論對沖擊地壓進行了研究，機器學習對沖擊地壓風險評估與預警起到了極大的推動作用。沖擊地壓的復雜性在于其影響因素眾多，而且這些因素往往具有不定量、不可預知的特點，使得傳統的預測和預警技術無法完整地描述這一復雜的非線性問題。為此，基于多源信息融合機器學習的深度神經網絡模型，利用有限數據確定不同指標權重，結合定性、定量分析，對煤礦沖擊地壓有限數據進行深度分析，通過非精確和不完整的數據對沖擊地壓的發(fā)生進行評估，有效提高沖擊地壓的預測和防治方法。

1 沖擊地壓機器學習預警架構

隨著機器學習、人工智能和深度學習等技術的發(fā)展，目前主要的監(jiān)測技術有微震監(jiān)測、地音監(jiān)測等，由于沖擊地壓發(fā)生的復雜性和機理多樣性以及沖擊地壓預測樣本的有限性，沖擊地壓預警發(fā)生誤報和漏報時有發(fā)生。僅使用經典機器學習無法準確有效對沖擊地壓的發(fā)生時間和位置作為預測，多源信息融合預警方法為沖擊地壓監(jiān)測數據特征的判斷及融合、特征數據的分析及模型建立和機器學習特征數據的決策提供參考。國內外學者和現場工程技術人員通過對沖擊地壓理論、沖擊傾向性研究和現場實踐的分析，將沖擊地壓的危險程度分為4 個等級[16-17]：無沖擊、弱沖擊、中等沖擊和強沖擊，不同的沖擊等級用不同的沖擊危險防治方案。

多源信息融合預警是不同預警指標間概率融合的一種疊加和判斷方法，沖擊地壓的防治方法不僅與預測概率相關，同時考慮生產的需要、成本以及防治效果。多源信息融合沖擊地壓預警和防治措施流程如圖1。

圖1 多源信息融合沖擊地壓預警和防治措施Fig.1 Multi-source information fusion rock burst warning and prevention measures

2 深度學習方法簡介

2.1 機器學習算法簡介

機器學習算法是基于樣本數據訓練數學模型的1 組算法，并在不進行特殊編程情況下做出決策。機器學習算法使用帶有標記示例的訓練數據集，訓練過程繼續(xù)進行，直到模型達到所選指標的期望水平。沖擊地壓的復雜性在于它的影響因素眾多，而且這些因素往往具有不定量、不可預知的特點，使得傳統的預測和預警技術無法完整地描述這一復雜的非線性問題。

神經網絡模型如圖2。通過信號的正面?zhèn)鞑ヒ约罢`差的反向回應，可以獲得更多的結果，如果輸出樣本與期望樣本不匹配，則需要將樣本發(fā)送到誤差傳播過程中。輸入參數經過輸入層從隱藏層傳輸到輸出層，參數在不同層次中連續(xù)輸出和傳送，誤差數據平均后分布到隱藏層不同影響因素，通過分析隱藏層的誤差數據，對相應層次所屬因素權值進行分析。為了使不同影響因素誤差達到可接受的范圍，不斷地改進和優(yōu)化信號傳播和誤差反饋。

圖2 神經網絡模型Fig.2 Neural network model

對數函數和正切函數是神經網絡模型中的線性和非線性函數，由于對數函數具備明顯的線性變換能力，而正切函數則具備復雜的非線性變換能力。如果函數使用在輸出層，輸出結果較多。設輸入層函數為A=（a1，a2，…，an，…，am）T，隱藏層輸出函數為B=（b1，b2，…，bn，…，bm）T，輸出層函數為C=（c1，c2，…，cn，…，cm）T，期望輸出函數為X=（x1，x2，…，xn，…，xm）T，輸入層與隱含層的權值為W=（w1，w2，…，wn，…，wm）T，從隱藏層到輸出層的權重矩陣為Q=（q1，q2，…，qn，…，qm）T。

式中：qin為輸入層權重值；bk為隱藏層輸出值；netn為隱藏層輸入值之和；Cn=f（netn）為隱藏層輸入值函數。

式中：win為輸入層與隱含層權重值；ak為輸入層輸入值；netv為輸入層輸入值之和；bn=f（netv）為輸入層與隱含層輸入值函數。

如果輸出值與期望值不一致，則：

式中：λn為設置輸出值誤差值；x 為期望輸出值；C 為輸出值；xi為第i 個期望輸出值；Ci為第i個輸出值。

將誤差替換到隱藏層得到：

對380例非瓣膜病性房顫抗栓治療的調查與分析……………………… 吳怡婷，張宇禎，薛 領，等（5·375）

式中：λ 為輸入層和輸出層誤差。

由式（5）可知，誤差是各層權重的函數，若調整誤差就是調整各層的權重。

式中：Δqin、Δwin分別為輸入層誤差梯度、輸入層與隱含層誤差梯度；μ 為比例系數；負號表示梯度下降；φλ 為輸入層和輸出層學習效率；φqin輸入層權重值學習效率；φwin為輸入層與隱含層權重值學習效率。

算法的權值調整公式為：

式中：γic第i 個輸出值的誤差信號。

需要在網絡訓練開始時統一輸入樣本的組成部分，并保證每個輸入樣本具有相同狀態(tài)。在網絡訓練過程中，神經網絡對應函數是對數函數和切線函數，函數的輸出定義域為［0，1］。

2.2 沖擊地壓評價指標

將沖擊地壓的屬性數據庫、發(fā)生時間數據庫和知識數據庫形成沖擊地壓管理系統[18-19]。沖擊地壓的形成機制復雜多變，影響因素眾多，因此正確選擇指標是預測的關鍵。當指標數量過多時，可能會導致某些指標的實際值無法準確測量，從而增加預測的復雜度。由于指標數量不足以反映預測過程的完整性，因此預測結果與實際情況存在較大差異。

3 沖擊地壓評估預測及預警

根據沖擊地壓發(fā)生的微震監(jiān)測數據，采用6∶2∶2的比例將其分為訓練數據、驗證數據和測試數據3個部分，以便更好地理解微震的特征。經過精心篩選，最終確定了63 組有效的數據進行驗證。大部分數據被用于深度學習的訓練，而其余20%的數據則被用于驗證。經過精心設計的訓練算法，可以將訓練數據與實際測試結果完全隔離，以便更好地評估模型的準確度。此外，還可以根據不同的測試結果，調整訓練參數，并且可以根據不同的測試結果來優(yōu)化模型的擬合能力。根據模型計算次數，考慮模型的計算精度等因素，將神經網絡模型隱藏層的節(jié)點分為64、32、16。沖擊地壓預測評估模型參數見表1。沖擊地壓強度分為無沖擊、弱沖擊、中等沖擊和強沖擊，分別定義輸出值為“0”、“1”、“2”和“3”。神經網絡模型預測示意圖如圖3。

表1 沖擊地壓預測評估模型參數Table 1 Parameters of rock burst prediction and evaluation model

圖3 神經網絡模型預測示意圖Fig.3 Prediction diagram of neural network model

對于地質條件復雜、煤層開采困難煤層，巷道和工作面出現沖擊顯現現象，采用Python 語言對神經網絡函數算法進行編程。利用該煤礦的實時數據和歷史數據進行匯總，對選取模型進行計算和預測，將初始化算法進行迭代計算，經過迭代優(yōu)化后的不同算法函數精確度確定采用IPSO 算法。

加入測試樣本，歸一化后得到量子態(tài)的輸入矩陣。對實際值和預測值進行對比分析，將沖擊地壓預測應力值與實際值進行比較。實際值和預測值對比如圖4。

圖4 實際值和預測值對比Fig.4 Comparison between actual values and predicted values

由圖4 可以看出：沖擊地壓應力預測值與實際值非常接近。因此，IPSO 算法最優(yōu)預測模型具有很強的非線性數據處理能力，在回歸分析中具有非常明顯的優(yōu)勢。對比預測水平和預實際水平，可以看出兩者幾乎重合。預測精度的具體值高達95%，說明IPSO 的最優(yōu)預測模型具有很高的預測精度。

4 實例應用

陜西某煤礦401106 工作面運輸巷屬于大埋深高地應力厚煤層沖擊區(qū)域巷道布置，工作面埋深約700 m，在這段時間里，在掘進過程中遇到了“煤炮”和頂板急劇下沉等典型的地質問題。“煤炮”事件頻繁發(fā)生，伴隨著巨大的噪聲和煤塵飛揚，巷道迎頭及已支護段出現大面積的頂板瞬間下沉或切頂，下沉量可達300～700 mm，厚度達2 000 mm 的支護體整體崩塌，頂板錨索經常斷裂，局部出現明顯的底鼓現象。

在正常支護系統下，在巷道兩幫鉆15 m 深度鉆孔，直徑為110 mm。鉆孔之間的距離是1.6 m。每個鉆孔的10 m 處都放置了1 根與鉆孔直徑相等的鋼管，剩下的10～15 m 則用于防沖吸能。通過鉆孔，可以在10 m 外的鋼管周圍致裂煤巖的松散和脆性結構。經過多次的施工，當巷道兩幫的防沖弱結構層受到煤巖體的壓力作用時，就會發(fā)生變形，因此，為了確保安全，需要不斷地重復施工，以便形成持續(xù)的巷道防沖弱結構[22-23]。弱結構鉆孔分布示意圖如圖5。

圖5 弱結構鉆孔分布示意圖Fig.5 Distribution diagram of drilling holes with soft structure

預測與實測能量對比如圖6。從圖6 可以看出：預測和實測能量相差較小，弱結構致裂后，能量明顯減小。巷道實施了弱結構+支護相結合的綜合防治方案，方案實施后能量低于105J，表明該方案能有效降低煤巖體中儲存的能量和煤巖體的振動頻率。在巷道開挖過程中采用綜合防治方案后，沖擊地壓發(fā)生頻率和強度都明顯降低，而在應力水平較低區(qū)域則沒有受到影響，說明綜合防治方案起到了很好的控制作用。

圖6 預測與實測能量對比Fig.6 Comparison of predicted and measured energy

5 結 語

1）多源信息融合預警方法主要為沖擊地壓監(jiān)測數據特征的判斷及融合、特征數據分析及模型建立和機器學習對特征數據的決策，不同預警指標間概率融合的一種疊加和判斷方法。

2）通過煤巖的抗壓強度、抗拉強度、彈性能和地應力4 個物理力學指標可以反映出不同影響因素對沖擊地壓的作用，研究選取了4 個指標作為沖擊地壓預測評價指標。

3）巷道開挖過程中采用弱結構+支護綜合防治方案后，沖擊煤體發(fā)生頻率和強度明顯降低，而在低應力水平區(qū)域無影響。說明綜合防控方案取得了良好的防控效果。