(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111558332.8 (22)申请日 2021.12.20 (65)同一申请的已公布的文献号 申请公布号 CN 113947197 A (43)申请公布日 2022.01.18 (73)专利权人 煤炭科学研究总院有限公司 地址 100010 北京市朝阳区青年沟路5号 (72)发明人 李海涛　张海宽　杨冠宇　郑伟钰　 杜伟升　薛珊珊　 (74)专利代理 机构 北京天奇智新知识产权代理 有限公司 1 1340 代理人 龙涛 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) G01V 1/28(2006.01) G06Q 10/04(2012.01) (56)对比文件 CN 111123355 A,2020.0 5.08 CN 113723595 A,2021.1 1.30 CN 106680867 A,2017.0 5.17 EP 3619560 A1,2020.0 3.11 CN 10720 3003 A,2017.09.26 CN 113756870 A,2021.12.07 Jozef KABIESZ等.神经网络预测矿 震危险 性. 《煤炭科技》 .20 07,(第04期),全 文. 审查员 张雯 (54)发明名称 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 (57)摘要 本发明涉及一种基于CNN考虑冲击地压前兆 信息的微震事件危险性预测方法， 首先以时间间 隔、 各微震事件至中心点距离和能量为特征建立 微震事件时空和能量信息预测模 型， 以时序集中 度、 时空扩散度、 地点集中度和能量为特征指标 建立微震事件危险性预测模型， 然后利用微震事 件时空和能量信息预测模型对未来一次微震事 件发生时间、 地点和能量数据进行预测， 基于预 测结果， 利用微震事件危险性预测模 型预测未来 一次微震事件的危险性。 解决了目前对于矿井中 微震事件危险性预测研究中需要大量不同类型 微震监测数据和未考虑冲击地压前兆信息的问 题， 为冲击地压等矿井中危险事件的防治提供帮 助， 同时可以为冲击地压等危险性动力灾害发生 机理的研究提供帮助。 权利要求书2页 说明书6页 附图5页 CN 113947197 B 2022.04.26 CN 113947197 B 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， 使用权　利　要　求　书 1/2 页 2 CN 113947197 B 2Softmax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S 3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。 2.根据权利要求1所述的微震事件危险性预测方法， 其特征在于， 步骤S12中， 标签数据 的第a+b次微震事件的时间间隔为第 a+b次微震事件与第 a+b‑1次微震事件的时间间隔， 第 a +b次微震事 件的地点用三维坐标 x、y、z表示。 3.根据权利要求1或2所述的微震事件危 险性预测方法， 其特征在于， 步骤S12中， 预测 之前首先利用Kmeans聚类算法或分段方法对 所有微震事件的时间间隔、 各微震事件发生地 点至中心距离和能量进行分级； 标签为One ‑Hot编码后的分级标签， 时间间隔、 地点和能量 对应级别的标签为1， 其它为0 。 4.根据权利要求1所述的微震事件危险性预测方法， 其特征在于， 步骤S13中， 三个卷积 层的卷积核个数分别 为12、 24、 12， 卷积核大小分别 为1×1、 3×3、 3×3， 两层全连接层的神 经元个数分别为20和10； 和/或步骤S23中， 三个卷积层的卷积核个数分别为12、 24、 12， 卷积 核大小均为1 ×1， 两层全连接层的神经 元个数分别为 4和2。 5.根据权利要求4所述的微震事件危 险性预测方法， 其特征在于， 步骤S13和S23中， 训 练过程中选择Adam优化器来反向传播梯度信息从而更新网络的参数， 使用MSELoss损失函 数来表示模型计算结果与实际数据之间的差距程度。 6.根据权利要求1或4所述的微震事件危 险性预测方法， 其特征在于， 步骤S13中， 训练 过程中对标签分别为时间间隔、 地点坐标和能量的模型进行单独训练； 和 /或步骤S3中， 每 个需要预测的时间 间隔、 地点坐标和能量特 征指标进行 单独预测。 7.根据权利要求1所述的微震事件危险性预测方法， 其特征在于， 步骤S22中， One ‑Hot 编码处理后危险事 件对应标签为1， 不 危险事件对应标签为0 。 8.根据权利要求1或7所述的微震事件危 险性预测方法， 其特征在于， 步骤S22中， 轻微 扰动的方法为加上随机数。 9.根据权利要求1所述的微震事件危险性预测方法， 其特征在于， 还包括S24， 微震事件 危险性预测模型性能验证， 通过建立含混合标签样本和单独含危险事件标签样本两个测试 集评价微震事件危险性预测模型的性能。权　利　要　求　书 2/2 页 3 CN 113947197 B 3