沖擊地壓預(yù)測(cè)預(yù)警的機(jī)器學(xué)習(xí)方法

陳 結(jié)，高靖寬，蒲源源，姜德義，齊慶新，文志杰，孫啟龍，陳林林

( 1.重慶大學(xué) 煤礦災(zāi)害動(dòng)力學(xué)與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶 400044；2.煤炭科學(xué)研究總院，北京 100013；3.山東科技大學(xué)，山東 青島 266590；4.中科院重慶綠色智能技術(shù)研究院，重慶 400714；5.河南大有能源股份有限公司 耿村煤礦，河南 三門峽 472300 )

沖擊地壓( 非煤礦山和其他地下工程也稱為巖爆 )是煤礦開(kāi)采中一種常見(jiàn)的地質(zhì)災(zāi)害，是在煤巖體的應(yīng)力集聚超過(guò)其強(qiáng)度極限時(shí)，瞬間、突然、猛烈地釋放出彈性能，導(dǎo)致煤巖體瞬時(shí)破壞并伴有煤巖體大量噴射，造成人員傷亡和設(shè)備損毀的一種現(xiàn)象[1-6]。加拿大、美國(guó)、德國(guó)、澳大利亞等世界上大部分的采礦國(guó)家都有發(fā)生過(guò)沖擊地壓的記錄。在加拿大，15余座礦山發(fā)生過(guò)沖擊地壓，包括Brunswick鉛鋅礦、Macassa金礦、Diavik鉆石礦等[7]。在美國(guó)，沖擊地壓事件也有大量的記錄，僅1936—1993年，美國(guó)的礦井發(fā)生沖擊地壓事件約172起，共造成78人死亡和約160人受傷[8-9]。近年來(lái)，由于德國(guó)煤礦的逐漸關(guān)閉，德國(guó)礦井的沖擊地壓事件已大幅減少，但在1983—2007年，仍然有超過(guò)40起導(dǎo)致人員傷亡的沖擊地壓事件發(fā)生[10]。澳大利亞是世界上沖擊地壓災(zāi)害最嚴(yán)重的地區(qū)之一，其第1起有記錄的沖擊地壓事件于1917年發(fā)生在Golden Mile的金礦開(kāi)采中，迄今為止，已有超過(guò)100起導(dǎo)致人員傷亡的沖擊地壓事件發(fā)生[11]。其他包括南非、波蘭、巴西等國(guó)家也有因沖擊地壓帶來(lái)人員傷亡的記錄。

在我國(guó)，隨著煤礦開(kāi)采深度的逐漸增加，沖擊地壓已經(jīng)成為煤礦開(kāi)采特別是深部礦井開(kāi)采中面臨的主要地質(zhì)災(zāi)害[12]。我國(guó)第1次有記錄的沖擊地壓事件是1933年發(fā)生在遼寧撫順勝利煤礦的沖擊地壓事件。目前，沖擊地壓事件已遍布我國(guó)各大礦務(wù)局，僅2004—2014年，我國(guó)就有超過(guò)35起導(dǎo)致人員傷亡的沖擊地壓發(fā)生，超過(guò)300名礦工身亡和超過(guò)1 000名礦工受傷[13]。其中，2011年11月發(fā)生在義馬礦務(wù)局千秋煤礦的沖擊地壓事件，共造成10名礦工死亡，超過(guò)60人受傷。沖擊地壓已經(jīng)成為制約我國(guó)煤礦高效安全生產(chǎn)的主要災(zāi)害。圖1( a )為1995—2000年世界范圍內(nèi)的沖擊地壓分布[14]，圖1( b )為我國(guó)沖擊地壓礦井?dāng)?shù)量的變化趨勢(shì)( 中國(guó)能源統(tǒng)計(jì)年鑒2013 )。

圖1 世界范圍內(nèi)沖擊地壓分布和我國(guó)沖擊地壓礦井?dāng)?shù)Fig.1 Rockburst maps all of the worlds and the number of domestically impacted underground pressure mines in China

1 沖擊地壓的預(yù)測(cè)和預(yù)警

沖擊地壓的研究主要集中在3個(gè)方面：① 沖擊地壓的發(fā)生機(jī)理；② 沖擊地壓的預(yù)測(cè)預(yù)警和方法；③ 沖擊地壓的控制措施。其中，沖擊地壓的準(zhǔn)確預(yù)測(cè)預(yù)警不僅可以為人員以及設(shè)備的撤出贏得寶貴時(shí)間，也可以有效地控制沖擊地壓的發(fā)生，因而成為目前沖擊地壓研究的一個(gè)重點(diǎn)和熱點(diǎn)。

沖擊地壓的預(yù)測(cè)預(yù)警包括長(zhǎng)期預(yù)測(cè)和短期實(shí)時(shí)預(yù)警。長(zhǎng)期預(yù)測(cè)主要針對(duì)工程項(xiàng)目的設(shè)計(jì)階段( 如工作面回采之前，回采巷道掘進(jìn)之前 )，對(duì)整個(gè)工程作業(yè)區(qū)域發(fā)生沖擊地壓的可能性進(jìn)行評(píng)估。長(zhǎng)期預(yù)測(cè)覆蓋整個(gè)工程范圍和整個(gè)工期，是宏觀水平上對(duì)沖擊地壓發(fā)生的評(píng)估。短期實(shí)時(shí)預(yù)警則是在工程施工階段，利用實(shí)時(shí)監(jiān)測(cè)手段對(duì)局部范圍內(nèi)( 幾米到數(shù)百米 )短期( 幾小時(shí)到數(shù)天 )發(fā)生沖擊地壓的預(yù)測(cè)。短期實(shí)時(shí)預(yù)警主要回答3個(gè)問(wèn)題：何時(shí)發(fā)生、何地發(fā)生、沖擊等級(jí)。長(zhǎng)期預(yù)測(cè)和短期預(yù)警的結(jié)合是預(yù)防沖擊地壓發(fā)生的有效手段。

1.1 沖擊地壓長(zhǎng)期預(yù)測(cè)

沖擊地壓長(zhǎng)期預(yù)測(cè)可以看成沖擊危險(xiǎn)性評(píng)價(jià)的過(guò)程，是結(jié)合煤( 巖 )層的沖擊傾向性和現(xiàn)場(chǎng)地質(zhì)與開(kāi)采技術(shù)條件對(duì)沖擊地壓發(fā)生的可能性進(jìn)行評(píng)估。沖擊傾向性是煤巖體的一種固有屬性，是沖擊地壓長(zhǎng)期預(yù)測(cè)的基礎(chǔ)。但是，具有高沖擊傾向性的煤巖層并不一定會(huì)發(fā)生沖擊地壓，即使發(fā)生，危險(xiǎn)程度也不一樣，其還取決于現(xiàn)場(chǎng)地質(zhì)條件和開(kāi)采方法等。例如，最近10 a，所有發(fā)生過(guò)沖擊地壓的國(guó)內(nèi)礦井中只有75%的礦井是開(kāi)采沖擊傾向性煤層( 29%煤層強(qiáng)沖擊傾向性，8%煤層中等沖擊傾向性，38%煤層弱沖擊傾向性 )[15]。因此，直接用沖擊傾向性對(duì)沖擊地壓進(jìn)行長(zhǎng)期預(yù)測(cè)是不全面的。煤巖體的沖擊傾向性評(píng)價(jià)可以在實(shí)驗(yàn)室中進(jìn)行，國(guó)內(nèi)外學(xué)者提出了一系列的沖擊傾向性評(píng)價(jià)指標(biāo)和相應(yīng)的分類標(biāo)準(zhǔn)。沖擊傾向性評(píng)價(jià)指標(biāo)主要有4大類：能量指標(biāo)、剛度指標(biāo)、脆性指標(biāo)和時(shí)間指標(biāo)[16]。表1列出了一些常用的煤巖體沖擊傾向性評(píng)價(jià)指標(biāo)。

表1 常用的煤巖體沖擊傾向性評(píng)價(jià)指標(biāo)Table 1 Common tendency evaluation index of coal and rock mass

除了利用單一的沖擊傾向性評(píng)價(jià)指標(biāo)進(jìn)行沖擊傾向性的鑒定，通常情況下，沖擊地壓的長(zhǎng)期預(yù)測(cè)還應(yīng)該選取多個(gè)煤巖體傾向性評(píng)價(jià)指標(biāo)進(jìn)行沖擊傾向性的鑒定。例如，2018年8月1日頒布的《防治煤礦沖擊地壓細(xì)則》規(guī)定，鑒定煤層和頂?shù)装鍘r層的沖擊傾向性，需要考慮單軸抗壓強(qiáng)度( σd)、應(yīng)變能指數(shù)( WET)、沖擊能量( KE)和動(dòng)態(tài)破壞時(shí)間( Dt)，并且用綜合指數(shù)法確定最終的煤巖體沖擊傾向性。最后，綜合考慮煤巖體的沖擊傾向性和地質(zhì)條件、開(kāi)采方法等進(jìn)行沖擊地壓的長(zhǎng)期預(yù)測(cè)。

1.2 沖擊地壓短期預(yù)警

沖擊地壓短期預(yù)警主要是在工程施工階段利用地球物理方法監(jiān)測(cè)沖擊地壓的一些前兆信號(hào)，對(duì)沖擊地壓的發(fā)生做出預(yù)警。使用的地球物理方法包括電磁法( Electromagnetic radiation method )、微重力法( Micro-gravity method )、熱成像法( Infrared thermal imaging method )和微震監(jiān)測(cè)法( Microseismic monitoring )等，其中微震監(jiān)測(cè)是使用最廣泛的預(yù)警方法之一。通常，一次明顯的、可觀察的沖擊地壓發(fā)生之前會(huì)有若干次微震事件提前發(fā)生，這些事件記錄了巖石破裂和應(yīng)力傳遞的前兆信息。微震監(jiān)測(cè)可以實(shí)時(shí)地確定這些微震事件發(fā)生的時(shí)間、地點(diǎn)和強(qiáng)度，從而對(duì)潛在的沖擊地壓發(fā)生做出推斷[23]。圖2為利用微震監(jiān)測(cè)進(jìn)行沖擊地壓預(yù)警的一般過(guò)程，利用微震監(jiān)測(cè)進(jìn)行短期沖擊地壓預(yù)警有2個(gè)關(guān)鍵步驟：① 識(shí)別正確的微震事件信號(hào)。礦山開(kāi)采和地下工程施工中會(huì)監(jiān)測(cè)到各種信號(hào)，包括巖石破裂的聲發(fā)射信號(hào)、爆破信號(hào)、車輛震動(dòng)信號(hào)和電源信號(hào)等，必須從這些干擾信號(hào)中正確地識(shí)別和提取微震信號(hào)，才能用于后續(xù)的沖擊地壓預(yù)警分析。② 建立微震參數(shù)和沖擊地壓發(fā)生的時(shí)間、地點(diǎn)和強(qiáng)度之間的關(guān)系。工程中獲得的微震監(jiān)測(cè)信號(hào)包含了許多沖擊地壓發(fā)生的前兆信息，這些信息被各種各樣的監(jiān)測(cè)參數(shù)所表示。通過(guò)提取監(jiān)測(cè)參數(shù)里的有效信息，建立預(yù)測(cè)指標(biāo)與沖擊地壓發(fā)生的時(shí)間、空間和強(qiáng)度關(guān)系是利用微震監(jiān)測(cè)實(shí)時(shí)預(yù)警沖擊地壓的基本思想。通常，微震監(jiān)測(cè)系統(tǒng)收集到的沖擊地壓預(yù)測(cè)指標(biāo)包含3大類：第1類是可以反映煤巖體應(yīng)力狀態(tài)和失穩(wěn)情形的震源參數(shù)( Source parameters )，包括微震能量、地震矩、應(yīng)力降、傳感器觸發(fā)數(shù)量等；第2類是微震波形參數(shù)( Waveform characteristics )，其可以通過(guò)觀察時(shí)域和幅域的地震波得到，主要包括初次峰值幅值、初次峰值到時(shí)、最大峰值幅值、最大峰值到時(shí)等；第3類是從頻域分析所得到的頻譜特征( Spectrum characteristics )，包括微震信號(hào)的主頻等。微震監(jiān)測(cè)系統(tǒng)已經(jīng)廣泛應(yīng)用于國(guó)內(nèi)的礦山開(kāi)采和地下工程建設(shè)[24]，如冬瓜山銅礦、三河尖煤礦、錦屏二號(hào)電站地下引水隧洞等。

圖2 利用微震監(jiān)測(cè)進(jìn)行沖擊地壓預(yù)警的一般過(guò)程Fig.2 General process of impact ground pressure warning using microseismic monitoring

1.3 沖擊地壓長(zhǎng)期預(yù)測(cè)和短期預(yù)警的現(xiàn)存短板

在沖擊地壓長(zhǎng)期預(yù)測(cè)中，不論是進(jìn)行煤巖體沖擊傾向性的測(cè)定還是沖擊地壓危險(xiǎn)性評(píng)價(jià)，主要采用綜合指數(shù)法，即在考慮各個(gè)沖擊地壓指標(biāo)的基礎(chǔ)上，對(duì)沖擊地壓發(fā)生的可能性進(jìn)行綜合評(píng)估。目前，常用的沖擊地壓長(zhǎng)期預(yù)測(cè)綜合指數(shù)法有模糊邏輯( Fuzzy logic )[5，25-27]法，其先對(duì)沖擊地壓指標(biāo)進(jìn)行單因素評(píng)價(jià)，再通過(guò)模糊數(shù)學(xué)建立指標(biāo)的權(quán)重，最后綜合判定沖擊地壓發(fā)生的可能性。其他一些方法也被用來(lái)和模糊邏輯法相結(jié)合使用，如主成分分析( Principe component analysis，PCA )[25]用于在模糊邏輯中確定指標(biāo)權(quán)重、層次分析法( Analytic hierarchy process，AHP )[28-32]等。其余出現(xiàn)在沖擊地壓長(zhǎng)期預(yù)測(cè)里的綜合指數(shù)法有故障樹(shù)( Fault tree )[33]、云模型( Cloud model )[34-35]、模糊物元理論( Fuzzy-matter theory )[26]、灰度理論( Grey system theory )[36-37]等。

對(duì)于絕大多數(shù)綜合指數(shù)法，關(guān)鍵步驟是確定沖擊地壓的指標(biāo)( 包括權(quán)重 )和各指標(biāo)對(duì)應(yīng)的分類標(biāo)準(zhǔn)。通常，這些指標(biāo)為煤巖體沖擊傾向性指標(biāo)( 表1 )和工程現(xiàn)場(chǎng)的應(yīng)力狀態(tài)指標(biāo)( 如埋深、最大切應(yīng)力等 )。這個(gè)關(guān)鍵步驟使得利用綜合指數(shù)法預(yù)測(cè)沖擊地壓有2個(gè)關(guān)鍵缺陷：主觀性( Subjectivity )和不一致性( Inconsistency )。主觀性是指各指標(biāo)對(duì)應(yīng)的分類標(biāo)準(zhǔn)為人為制定，如對(duì)于應(yīng)變能指數(shù)( WET)，一個(gè)常用的分類標(biāo)準(zhǔn)是WET≤2.0為無(wú)沖擊傾向性；2.0＜WET≤3.5為弱沖擊傾向性；3.5＜WET＜5.0為中等沖擊傾向性；WET≥5.0 為強(qiáng)沖擊傾向性，但這是KIDYBI?SKI[17]根據(jù)波蘭西里西亞煤田煤層所確定的標(biāo)準(zhǔn)，能否無(wú)條件地推廣到其他地方仍值得思考。再者，確定各沖擊地壓指標(biāo)權(quán)重即確定指標(biāo)對(duì)沖擊地壓發(fā)生的影響力大小的過(guò)程依然是一個(gè)主觀過(guò)程。無(wú)論是利用PCA或者AHP，其中都有需要主觀確定的參數(shù)，這就導(dǎo)致即使選取同樣的指標(biāo)和同樣的分類標(biāo)準(zhǔn)，也有可能得到不同的預(yù)測(cè)結(jié)果。沖擊地壓長(zhǎng)期預(yù)測(cè)是以煤巖體沖擊傾向性為基礎(chǔ)，集合工程地質(zhì)條件和施工方法的綜合評(píng)測(cè)( 1.1節(jié) )，所以利用綜合指數(shù)法進(jìn)行長(zhǎng)期預(yù)測(cè)時(shí)，所選取的指標(biāo)必須既包括沖擊傾向性指標(biāo)又包括工程地質(zhì)條件指標(biāo)。目前，一些研究只選取沖擊傾向性指標(biāo)對(duì)沖擊地壓進(jìn)行長(zhǎng)期預(yù)測(cè)，這是非常不全面的，即所謂的不一致性。

對(duì)于利用微震監(jiān)測(cè)的沖擊地壓短期預(yù)警，2個(gè)關(guān)鍵步驟都涉及到提取微震信號(hào)中的有效信息( 參數(shù) )。在識(shí)別微震事件時(shí)，需通過(guò)各個(gè)監(jiān)測(cè)參數(shù)之間的差異來(lái)判斷是否是由于巖石破裂和應(yīng)力轉(zhuǎn)移誘發(fā)的微震事件。在后期進(jìn)行預(yù)警時(shí)，需建立監(jiān)測(cè)參數(shù)和沖擊地壓發(fā)生的時(shí)間、地點(diǎn)和強(qiáng)度的關(guān)系。微震監(jiān)測(cè)信號(hào)包含大量信息，人為定義和提取參數(shù)很難反映微震事件的全部特征，極易造成大量的有效信息被忽略。因而，目前的微震監(jiān)測(cè)只能監(jiān)控和反映已經(jīng)和正在發(fā)生的微震事件，對(duì)潛在的可能發(fā)生的微震很難準(zhǔn)確判斷。這也是沖擊地壓短期預(yù)警研究的瓶頸之一。

上述沖擊地壓長(zhǎng)期預(yù)測(cè)和短期預(yù)警研究存在的一些問(wèn)題迫使研究人員尋找新的解決思路，其中利用機(jī)器學(xué)習(xí)( Machine learning )等數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行沖擊地壓的預(yù)測(cè)預(yù)警有著很好的研究前景。目前，機(jī)器學(xué)習(xí)模型已經(jīng)逐步應(yīng)用到?jīng)_擊地壓長(zhǎng)期預(yù)測(cè)中，并取得了較好的效果。在短期預(yù)警中，也有學(xué)者利用機(jī)器學(xué)習(xí)方法對(duì)微震信號(hào)進(jìn)行識(shí)別。對(duì)于沖擊地壓長(zhǎng)期預(yù)測(cè)，機(jī)器學(xué)習(xí)能很好地克服綜合指數(shù)法帶來(lái)的問(wèn)題。首先，機(jī)器學(xué)習(xí)建模過(guò)程不涉及太多的主觀決策，是一個(gè)數(shù)據(jù)驅(qū)動(dòng)的策略。利用機(jī)器學(xué)習(xí)模型，研究人員不用關(guān)注各個(gè)沖擊地壓指標(biāo)的權(quán)重和對(duì)應(yīng)的分類標(biāo)準(zhǔn)，只需知道各個(gè)指標(biāo)的具體數(shù)值，而這個(gè)數(shù)值是客觀可度量的。其次，機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)( Supervised learning )策略可以考慮不同地區(qū)、不同條件、不同時(shí)間發(fā)生的沖擊地壓歷史數(shù)據(jù)，避免了只通過(guò)沖擊地壓指標(biāo)進(jìn)行評(píng)測(cè)。對(duì)于短期預(yù)警，利用機(jī)器學(xué)習(xí)方法分析監(jiān)測(cè)信號(hào)可以最大限度地獲取有效信息，其中的大部分信息是無(wú)法用顯式算法獲得的。在建立監(jiān)測(cè)參數(shù)和沖擊地壓發(fā)生的時(shí)間、地點(diǎn)和強(qiáng)度的關(guān)系上，機(jī)器學(xué)習(xí)方法也有著獨(dú)特的優(yōu)勢(shì)。機(jī)器學(xué)習(xí)方法可以將自動(dòng)監(jiān)測(cè)信號(hào)解析成一個(gè)高維矩陣，無(wú)需人為決定提取參數(shù)的類型，最大限度地保留信號(hào)特征。再者通過(guò)顯式編程或其他方法很難確定一個(gè)從高維矩陣到?jīng)_擊地壓發(fā)生的時(shí)間、地點(diǎn)和強(qiáng)度之間的映射。而許多機(jī)器學(xué)習(xí)方法善于處理高維數(shù)據(jù)之間的映射關(guān)系，如深度學(xué)習(xí)等。

2 機(jī)器學(xué)習(xí)在沖擊地壓預(yù)測(cè)預(yù)警中的應(yīng)用

2.1 機(jī)器學(xué)習(xí)方法簡(jiǎn)述

機(jī)器學(xué)習(xí)最早可追溯到20世紀(jì)40年代關(guān)于人工神經(jīng)網(wǎng)絡(luò)( Artificial neural network )的研究。MCCULLOCH W S[38]等提出的神經(jīng)網(wǎng)絡(luò)的層級(jí)模型被認(rèn)為是神經(jīng)網(wǎng)絡(luò)研究的開(kāi)端。ROSENBLATT F[39]提出了感知機(jī)( Perceptron )的概念，其還設(shè)計(jì)了世界上第1個(gè)計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)模型。感知機(jī)模型成為最早的有實(shí)際應(yīng)用的模型，被IBM公司用于一款射擊游戲程序中。1962年HUBEL和WIESEL[40]通過(guò)對(duì)貓大腦皮層的研究，提出了著名的HW生物視覺(jué)模型( Hubel-Wiesel biological visual model )，該模型可以有效地降低神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度，啟發(fā)了接下來(lái)的一系列神經(jīng)網(wǎng)絡(luò)模型的研發(fā)。然而，由于感知機(jī)模型不能解決異或( XOR )分類問(wèn)題，被學(xué)者們懷疑其實(shí)用價(jià)值，神經(jīng)網(wǎng)絡(luò)的研究在整個(gè)20世紀(jì)70年代陷入低潮，直至1985年，RUMELHART和HINTON[41]發(fā)表了著名的有關(guān)反向傳播( Backpropagation )的論文，提出通過(guò)訓(xùn)練誤差反向傳播和增加神經(jīng)網(wǎng)絡(luò)隱藏層來(lái)解決網(wǎng)絡(luò)參數(shù)優(yōu)化問(wèn)題和異或問(wèn)題。此外，BP模型還可以顯著地降低計(jì)算開(kāi)銷。BP模型的問(wèn)世立即重新激活了神經(jīng)網(wǎng)絡(luò)的研究。1989年，LECUN Yann[42]提出了卷積神經(jīng)網(wǎng)絡(luò)模型( Convolutional neural network，CNN )，并為CNN設(shè)計(jì)了基于誤差反向傳播的訓(xùn)練方法。CNN是第1個(gè)大規(guī)模用于工程實(shí)踐的神經(jīng)網(wǎng)絡(luò)，至今，CNN仍是計(jì)算機(jī)視覺(jué)領(lǐng)域和自然語(yǔ)言識(shí)別的主要模型。20世紀(jì)90年代后，各種機(jī)器學(xué)習(xí)模型層出不窮，包括決策樹(shù)( Decision tree )[43]、支持向量機(jī)( Support vector machine )[44]、提升學(xué)習(xí)( Boosting )[45]、邏輯回歸( Logistics regression )等。這些機(jī)器學(xué)習(xí)模型大都基于統(tǒng)計(jì)學(xué)習(xí)( Statistical learning )的概念，可以找到模型映射的閉式解，包含有限幾個(gè)隱藏層( 決策樹(shù) )、1個(gè)隱藏層( 支持向量機(jī)、提升學(xué)習(xí) )或者沒(méi)有隱藏層( 邏輯回歸 )。然而，這些模型的學(xué)習(xí)能力有限，不能表示大型復(fù)雜映射和提取大量數(shù)據(jù)特征[46]，只是由于這些模型需要數(shù)據(jù)量小，容易訓(xùn)練，才在計(jì)算機(jī)計(jì)算能力不強(qiáng)的時(shí)代占據(jù)了機(jī)器學(xué)習(xí)的主流。隨著計(jì)算機(jī)軟硬件的飛速發(fā)展，計(jì)算能力已不是一個(gè)阻礙機(jī)器學(xué)習(xí)模型訓(xùn)練的障礙。HINTON和SALAKHUTDINOV[47]于2006年提出了深度學(xué)習(xí)( Deep learning )的思想，用多隱層的神經(jīng)網(wǎng)絡(luò)模擬任意復(fù)雜映射。深度學(xué)習(xí)是一種接近人腦運(yùn)作模式的智能學(xué)習(xí)方法，開(kāi)啟了機(jī)器學(xué)習(xí)的新紀(jì)元。借助于云計(jì)算、大數(shù)據(jù)和其他的計(jì)算機(jī)技術(shù)，深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于生活中的各個(gè)領(lǐng)域，包括無(wú)人駕駛、人臉識(shí)別、智能推薦等?？梢哉f(shuō)，深度學(xué)習(xí)代表了機(jī)器學(xué)習(xí)的未來(lái)，在很大程度上決定了人工智能的發(fā)展方向[48]。本文成文之際，文獻(xiàn)[48]的3 位作者，LECUN，HINTON和BENGIO共同獲得了2018年度計(jì)算機(jī)領(lǐng)域的最高獎(jiǎng)——圖靈獎(jiǎng)。借此文向3位機(jī)器學(xué)習(xí)的先驅(qū)者致敬。圖3簡(jiǎn)要說(shuō)明了機(jī)器學(xué)習(xí)的發(fā)展簡(jiǎn)史。

圖3 機(jī)器學(xué)習(xí)發(fā)展簡(jiǎn)史Fig.3 A brief history of machine learning development

2.2 機(jī)器學(xué)習(xí)方法在沖擊地壓長(zhǎng)期預(yù)測(cè)中的應(yīng)用

機(jī)器學(xué)習(xí)的基本思想是讓計(jì)算機(jī)從過(guò)往經(jīng)驗(yàn)和歷史數(shù)據(jù)中獲得學(xué)習(xí)能力，從而對(duì)未知事物做出推斷。大多數(shù)出現(xiàn)在沖擊地壓長(zhǎng)期預(yù)測(cè)中的機(jī)器學(xué)習(xí)模型都是監(jiān)督學(xué)習(xí)模型，即模型用帶標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練。圖4為利用監(jiān)督學(xué)習(xí)建模的一般步驟。

圖4 監(jiān)督學(xué)習(xí)的一般建模步驟Fig.4 General modeling steps for supervised learning

神經(jīng)網(wǎng)絡(luò)模型已成為利用機(jī)器學(xué)習(xí)方法進(jìn)行沖擊地壓長(zhǎng)期預(yù)測(cè)的常用模型。只含1個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)就可以以任意精度逼近已知函數(shù)[49]，該特點(diǎn)保證了神經(jīng)網(wǎng)絡(luò)在處理類似沖擊地壓指標(biāo)和沖擊地壓強(qiáng)度的關(guān)系這種非線性任務(wù)時(shí)具有很好的適應(yīng)性。在沖擊地壓長(zhǎng)期預(yù)測(cè)中出現(xiàn)的神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)( Multi-layer perceptron )而非深度學(xué)習(xí)模型。除了一些最普通的反向傳播神經(jīng)網(wǎng)絡(luò)模型外[50-57]，其他的具有特殊適應(yīng)性的特殊網(wǎng)絡(luò)模型也被研究者用來(lái)進(jìn)行沖擊地壓長(zhǎng)期預(yù)測(cè)，包括廣義回歸神經(jīng)網(wǎng)絡(luò)( Generalized regression neural network，GRNN )和徑向基神經(jīng)網(wǎng)絡(luò)( Radial basis function network，RBF )[58]。如GRNN模型超參數(shù)最少，因?yàn)槠浣Y(jié)構(gòu)在訓(xùn)練數(shù)據(jù)集被確定時(shí)就自然確定。因此，GRNN需要的訓(xùn)練樣本數(shù)較少。然而，這些特點(diǎn)不一定總能提升模型的預(yù)測(cè)性能，因?yàn)槟軌蛘业降臎_擊地壓長(zhǎng)期預(yù)測(cè)任務(wù)的訓(xùn)練樣本很少( 通常小于300個(gè) )。

支持向量機(jī)也是被廣泛使用的模型[59-62]。因其建模思想是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化( Minimize structural risk )，因此，支持向量機(jī)比神經(jīng)網(wǎng)絡(luò)的泛化能力( Generalization ability )更強(qiáng)。但是，研究者多把支持向量機(jī)當(dāng)做神經(jīng)網(wǎng)絡(luò)的一個(gè)替代模型，而不是真正考慮其模型泛化能力。支持向量機(jī)模型中含有一些超參數(shù)，會(huì)極大地影響模型的性能，如核函數(shù)類型、軟間隔( C )、寬度參數(shù)( gamma，僅在Gaussian核函數(shù)中 )。文獻(xiàn)[63]比較了4種核函數(shù)類型，并利用徑向基核函數(shù)進(jìn)行建模。該文獻(xiàn)還利用網(wǎng)格搜索確定超參數(shù)C和gamma。文獻(xiàn)[61]用啟發(fā)式算法( 基因算法和粒子群算法 )優(yōu)化支持向量機(jī)模型中的超參數(shù)。啟發(fā)式算法加快了模型的收斂速度，獲得了良好的表現(xiàn)。

其他用在沖擊地壓長(zhǎng)期預(yù)測(cè)中的機(jī)器學(xué)習(xí)模型包括K近鄰法( K-nearest neighbor )[64]、隨機(jī)森林( Random forest )[65]、提升學(xué)習(xí)( Adaboost )[66]等。然而，大多數(shù)研究都沿用一種固定模式，即選擇一種機(jī)器學(xué)習(xí)模型，在其中添加某些特殊算法用于模型超參數(shù)優(yōu)化。鮮有研究考慮沖擊地壓長(zhǎng)期預(yù)測(cè)的特殊性而對(duì)模型進(jìn)行針對(duì)性調(diào)整。文獻(xiàn)[67]為此做了很好的嘗試，利用改進(jìn)的決策樹(shù)模型進(jìn)行沖擊地壓長(zhǎng)期預(yù)測(cè)。該模型可以使用有缺失特征的數(shù)據(jù)進(jìn)行訓(xùn)練，非常符合該任務(wù)的數(shù)據(jù)集特點(diǎn)。

目前來(lái)看，利用機(jī)器學(xué)習(xí)模型進(jìn)行沖擊地壓長(zhǎng)期預(yù)測(cè)的研究中存在4個(gè)值得深入探討的問(wèn)題。

( 1 ) 訓(xùn)練樣本少( Limited database )

作為一種數(shù)據(jù)驅(qū)動(dòng)的方法，機(jī)器學(xué)習(xí)需要足夠的高質(zhì)量數(shù)據(jù)來(lái)確保模型訓(xùn)練過(guò)程中的參數(shù)有效更新。沖擊地壓長(zhǎng)期預(yù)測(cè)任務(wù)的訓(xùn)練數(shù)據(jù)都來(lái)自實(shí)際發(fā)生的沖擊地壓實(shí)例。表2截取了1個(gè)典型的沖擊地壓長(zhǎng)期預(yù)測(cè)任務(wù)訓(xùn)練數(shù)據(jù)集，數(shù)據(jù)集包含9個(gè)訓(xùn)練樣本，每個(gè)樣本含有8個(gè)特征和1個(gè)數(shù)據(jù)標(biāo)簽。目前，已知的關(guān)于該任務(wù)的最大訓(xùn)練數(shù)據(jù)集來(lái)自文獻(xiàn)[69]，包含246個(gè)訓(xùn)練樣本，每個(gè)樣本含有7個(gè)特征和1個(gè)標(biāo)簽。盡管機(jī)器學(xué)習(xí)任務(wù)的數(shù)據(jù)需求量是依任務(wù)而定，但不足300個(gè)的訓(xùn)練數(shù)據(jù)依然太少，特別是針對(duì)特征維度比較高的情況。

( 2 ) 訓(xùn)練樣本標(biāo)簽不一致( Training label inconsistency )

在沖擊地壓長(zhǎng)期預(yù)測(cè)任務(wù)中，訓(xùn)練樣本標(biāo)簽是沖擊地壓工程案例的沖擊等級(jí)。然而，不同的研究者針對(duì)沖擊地壓提出了不同的等級(jí)判斷方法[69-72]。如，在挪威，沖擊地壓一般分為三級(jí)；前蘇聯(lián)把沖擊地壓分為三級(jí)或五級(jí)；中國(guó)國(guó)家標(biāo)準(zhǔn)把沖擊地壓分為四級(jí)( GB/T25217.2-2010 )。由于這個(gè)任務(wù)的訓(xùn)練數(shù)據(jù)集來(lái)自全世界的沖擊地壓工程案例，很難弄清每一個(gè)沖擊地壓案例所依據(jù)的分類標(biāo)準(zhǔn)。如，2個(gè)訓(xùn)練樣本都標(biāo)注“強(qiáng)沖擊”，如果一個(gè)是按挪威的三級(jí)分類標(biāo)準(zhǔn)，另一個(gè)是按中國(guó)的四級(jí)分類標(biāo)準(zhǔn)，則其所代表的沖擊地壓等級(jí)是不同的。但在樣本數(shù)據(jù)集中，他們被當(dāng)做等級(jí)相同的沖擊地壓。樣本標(biāo)簽的不一致會(huì)極大地影響預(yù)測(cè)結(jié)果的可靠性，這是一個(gè)必須解決的問(wèn)題。

表2 典型的沖擊地壓長(zhǎng)期預(yù)測(cè)訓(xùn)練數(shù)據(jù)集[68]Table 2 A typical impact ground pressure long-term prediction training data sets[68]

( 3 ) 特征重疊( Feature overlapping )

用于機(jī)器學(xué)習(xí)的理想的訓(xùn)練樣本特征應(yīng)該至少滿足富含信息、有識(shí)別力、獨(dú)立3 個(gè)條件( Informative，discriminating，independent )[73]。對(duì)于沖擊地壓長(zhǎng)期預(yù)測(cè)任務(wù)，訓(xùn)練樣本特征是沖擊地壓傾向性指標(biāo)和現(xiàn)場(chǎng)地質(zhì)條件指標(biāo)( 表2 )。毫無(wú)疑問(wèn)，表2這些特征可以滿足富含信息和有識(shí)別力2個(gè)條件，但是不滿足獨(dú)立性條件。如表2中的一些樣本特征是相關(guān)的。2 個(gè)煤巖體脆性參數(shù)和，都是由單軸抗拉強(qiáng)度和單軸抗壓強(qiáng)度決定的。雖然相關(guān)的特征不總是影響機(jī)器學(xué)習(xí)模型表現(xiàn)，但對(duì)于某些特殊模型，依然推薦去掉樣本中的關(guān)聯(lián)特征[74]。如，對(duì)于線性模型( 線性回歸和邏輯回歸 )，關(guān)聯(lián)特征會(huì)導(dǎo)致多重共線性( Multicollinearity )，造成預(yù)測(cè)值的異常波動(dòng)。此外，移除關(guān)聯(lián)特征會(huì)加速模型的訓(xùn)練，特別在高維特征樣本時(shí)可以避免“維度災(zāi)難”( The curse of dimensionality )。移除關(guān)聯(lián)特征并不是簡(jiǎn)單的手動(dòng)刪除，而是需要一些特殊降維算法。

( 4 ) 代價(jià)敏感分類( Cost-sensitive classification )

大多數(shù)研究者采用模型在驗(yàn)證數(shù)據(jù)集或測(cè)試數(shù)據(jù)集上的誤分類率( Misclassification rate )對(duì)模型表現(xiàn)進(jìn)行評(píng)判。然而，誤分類率并不能在一個(gè)代價(jià)敏感的分類任務(wù)中反映模型的真實(shí)表現(xiàn)。而沖擊地壓的長(zhǎng)期預(yù)警正是一個(gè)代價(jià)敏感的分類任務(wù)?？紤]2個(gè)模型( A和B )，模型A把所有的“強(qiáng)”沖擊地壓預(yù)測(cè)為“弱”沖擊地壓，模型B把所有的“弱”沖擊地壓預(yù)測(cè)為“強(qiáng)”沖擊地壓。上述的誤分類率是一樣的，但是模型A明顯比模型B更不可接受。模型A的誤分類代價(jià)是把工人置于一個(gè)強(qiáng)沖擊環(huán)境下，而模型B的誤分類代價(jià)是在一個(gè)不太可能發(fā)生沖擊地壓的環(huán)境下花更多的代價(jià)進(jìn)行沖擊地壓防治。兩個(gè)誤分類代價(jià)明顯不同。表3是一個(gè)推廣的多分類混淆矩陣( Confusion matrix )，該矩陣為非對(duì)稱矩陣()，反映沖擊地壓長(zhǎng)期預(yù)測(cè)任務(wù)是代價(jià)敏感的分類。針對(duì)此類問(wèn)題，需要用另外的標(biāo)準(zhǔn)來(lái)衡量模型表現(xiàn)。

表3 沖擊地壓長(zhǎng)期預(yù)測(cè)任務(wù)的混淆矩陣Table 3 Confusion matrix for long-term prediction tasks of rockburst

2.3 機(jī)器學(xué)習(xí)方法在沖擊地壓短期預(yù)警中的應(yīng)用

沖擊地壓短期預(yù)警包括2個(gè)重要步驟，即正確識(shí)別微震事件、建立微震監(jiān)測(cè)信號(hào)和沖擊地壓發(fā)生的時(shí)間、地點(diǎn)及強(qiáng)度之間的關(guān)系。其中，機(jī)器學(xué)習(xí)方法已大量應(yīng)用于識(shí)別微震事件。而對(duì)于利用機(jī)器學(xué)習(xí)建立微震監(jiān)測(cè)信號(hào)和沖擊地壓發(fā)生的時(shí)間、地點(diǎn)和強(qiáng)度之間的關(guān)系，目前尚未出現(xiàn)有價(jià)值的研究。

微震事件識(shí)別可以看作一個(gè)二( 多 )分類的分類任務(wù)，可以被很多機(jī)器學(xué)習(xí)模型所解決。事實(shí)上，由于微震監(jiān)測(cè)能夠獲得大量的數(shù)據(jù)，機(jī)器學(xué)習(xí)方法在該任務(wù)上的表現(xiàn)比沖擊地壓長(zhǎng)期預(yù)測(cè)任務(wù)更好。目前用于此任務(wù)的主要是監(jiān)督學(xué)習(xí)模型，主要工作流程為：收集微震監(jiān)測(cè)信號(hào)作為訓(xùn)練樣本；提取訓(xùn)練樣本的特征和確定訓(xùn)練樣本的標(biāo)簽；選擇合適的監(jiān)督學(xué)習(xí)模型進(jìn)行訓(xùn)練；用訓(xùn)練好的模型判斷新的輸入信號(hào)。

線性模型如Fisher線性判別[75-77]；邏輯回歸[78]和非線性模型如神經(jīng)網(wǎng)絡(luò)[79-82]、支持向量機(jī)[83-84]都被廣泛地用于微震事件的識(shí)別。其中一些研究不只是針對(duì)沖擊地壓預(yù)警的微震信號(hào)識(shí)別，也用在其他如地下工程巖爆和采石場(chǎng)爆破的微震監(jiān)測(cè)中。很多研究是通過(guò)建立幾個(gè)類比的監(jiān)督學(xué)習(xí)模型，從中選擇效果最好的一個(gè)。

一個(gè)代表性的工作是文獻(xiàn)[85]。研究人員建立了一個(gè)邏輯回歸模型來(lái)識(shí)別微震事件和開(kāi)采爆破活動(dòng)。訓(xùn)練數(shù)據(jù)集來(lái)自加拿大和澳大利亞的3個(gè)金屬礦山。共有40 000多個(gè)訓(xùn)練樣本被收集，每個(gè)樣本包括5個(gè)樣本特征，這些樣本被貼上標(biāo)簽，然后劃分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用于訓(xùn)練模型，驗(yàn)證數(shù)據(jù)集用于測(cè)試模型的表現(xiàn)。通過(guò)訓(xùn)練，該邏輯回歸模型獲得超過(guò)90%的分類精度，優(yōu)于該文獻(xiàn)中的另外2個(gè)模型，F(xiàn)isher分類器和樸素貝葉斯分類器。另一個(gè)相似的工作見(jiàn)于文獻(xiàn)[78]。研究人員運(yùn)用的邏輯回歸模型也收獲了超過(guò)90%的正確率，超過(guò)了其他的類比模型。

文獻(xiàn)[79]建立了2個(gè)神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別微震事件。其中一個(gè)神經(jīng)網(wǎng)絡(luò)模型用于提取信號(hào)特征來(lái)構(gòu)建訓(xùn)練樣本，另一個(gè)神經(jīng)網(wǎng)絡(luò)模型用于事件分類。文獻(xiàn)[81]收集了175個(gè)數(shù)據(jù)樣本訓(xùn)練了3種不同類型的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行微震事件的識(shí)別，最后發(fā)現(xiàn)前向神經(jīng)網(wǎng)絡(luò)模型在驗(yàn)證集上能達(dá)到99%的正確率。

由于邏輯回歸模型需要的數(shù)學(xué)假設(shè)比貝葉斯分類器和高斯分類器更弱，所以如果利用相同的數(shù)據(jù)集進(jìn)行訓(xùn)練，邏輯回歸模型的表現(xiàn)總是優(yōu)于其他模型。如，貝葉斯分類器假設(shè)訓(xùn)練樣本特征之間相互獨(dú)立，高斯分類器假設(shè)訓(xùn)練樣本特征取自一個(gè)高維的高斯分布等。事實(shí)上，邏輯回歸模型和貝葉斯分類器( 高斯分類器 )正是代表了機(jī)器學(xué)習(xí)的2大類分類模型：判別方法( Discriminative model )和生成方法( Generative model )。其具體差別和適用范圍可參見(jiàn)文獻(xiàn)[86]。然而，對(duì)于其他分類器，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、Fisher判別等，很難在理論上解釋為什么邏輯回歸表現(xiàn)比他們更好。這就是機(jī)器學(xué)習(xí)所謂的“黑箱”特性[87]。但是，基于試驗(yàn)事實(shí)，在微震事件識(shí)別任務(wù)中，邏輯回歸應(yīng)該是優(yōu)先選擇的模型。

縱覽目前的微震事件識(shí)別的機(jī)器學(xué)習(xí)研究，有3個(gè)主要問(wèn)題值得進(jìn)一步完善：

( 1 ) 大部分研究把微震事件識(shí)別考慮成一個(gè)二分類任務(wù)，即只識(shí)別微震事件和其他某一類的干擾信號(hào)( 大多數(shù)研究是識(shí)別微震事件和爆破事件 )。然而礦山開(kāi)采和地下工程活動(dòng)中，干擾信號(hào)的種類很多，如車輛震動(dòng)、電源信號(hào)等。一個(gè)更合理的做法是把微震事件識(shí)別看成一個(gè)多分類的任務(wù)，可以直接把微震事件和其他各種類的干擾信號(hào)共同進(jìn)行處理。在二分類問(wèn)題上表現(xiàn)最好的邏輯回歸模型可以很容易地推廣到多分類任務(wù)( SoftMax模型 )。但是目前沒(méi)有關(guān)于微震事件識(shí)別的多分類任務(wù)的研究，故不清楚SoftMax模型在這個(gè)任務(wù)上的表現(xiàn)。

( 2 ) 訓(xùn)練數(shù)據(jù)標(biāo)簽問(wèn)題。監(jiān)督學(xué)習(xí)需要利用有標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練。對(duì)于微震事件識(shí)別任務(wù)，訓(xùn)練數(shù)據(jù)來(lái)自現(xiàn)場(chǎng)連續(xù)監(jiān)測(cè)的信號(hào)，樣本量巨大。如文獻(xiàn)[85]的樣本量超過(guò)40 000，給如此大的數(shù)據(jù)貼標(biāo)簽需要大量的精力，而且準(zhǔn)確度不能保證。一個(gè)解決方案是利用非監(jiān)督學(xué)習(xí)的策略。非監(jiān)督學(xué)習(xí)可以利用無(wú)標(biāo)簽的數(shù)據(jù)樣本進(jìn)行訓(xùn)練。文獻(xiàn)[88]嘗試建立了一個(gè)非監(jiān)督學(xué)習(xí)模型( 自組織神經(jīng)網(wǎng)絡(luò)，The self-organizing neural network )識(shí)別微震事件。該模型并未取得較好的效果，在179個(gè)信號(hào)中，超過(guò)6%的信號(hào)被誤分類。理論上來(lái)說(shuō)，由于沒(méi)有訓(xùn)練數(shù)據(jù)標(biāo)簽的指引，在同一個(gè)任務(wù)上非監(jiān)督學(xué)習(xí)的效率( 表現(xiàn) )不如監(jiān)督學(xué)習(xí)合理[89]。

( 3 )訓(xùn)練數(shù)據(jù)的類別不平衡( Class-imbalance )問(wèn)題，即訓(xùn)練樣本中屬于某一類的樣本遠(yuǎn)遠(yuǎn)多于另一( 幾 )類。在文獻(xiàn)[85]中，3個(gè)訓(xùn)練數(shù)據(jù)集中，微震事件樣本數(shù)和爆破事件樣本數(shù)的比例分別為，23.5%∶76.5%；23.5%∶76.5%；13.2%∶86.8%。微震樣本數(shù)遠(yuǎn)小于爆破樣本數(shù)。在文獻(xiàn)[78]中，樣本中微震事件超過(guò)70%，其他干擾信號(hào)小于30%。樣本類別不平衡會(huì)造成對(duì)小比例樣本的識(shí)別精度出現(xiàn)偏差，需要用特殊的采樣方法重新構(gòu)建訓(xùn)練樣本。

3 總結(jié)和展望

隨著計(jì)算機(jī)軟件硬件的發(fā)展，以機(jī)器學(xué)習(xí)為主的數(shù)據(jù)驅(qū)動(dòng)方法已經(jīng)廣泛應(yīng)用到了生活和科學(xué)研究的各個(gè)領(lǐng)域，成為常規(guī)乃至主流工具。然而，在采礦工程和地下工程中，數(shù)據(jù)驅(qū)動(dòng)的方法仍然沒(méi)有大規(guī)模的進(jìn)入，更遑論占據(jù)主流。工程人員依然傾向于利用經(jīng)驗(yàn)驅(qū)動(dòng)和機(jī)理驅(qū)動(dòng)的策略來(lái)解決施工中遇到的問(wèn)題。這就產(chǎn)生了一個(gè)很尷尬的矛盾，一方面，越來(lái)越多的先進(jìn)電氣化設(shè)備被用于采礦與地下工程施工中，如微震監(jiān)測(cè)設(shè)備、TBM盾構(gòu)設(shè)備、無(wú)人駕駛礦車設(shè)備等，這些設(shè)備的使用過(guò)程中會(huì)產(chǎn)生海量的、攜帶大量有效信息的實(shí)時(shí)數(shù)據(jù)。而另一方面，工程技術(shù)人員仍執(zhí)著于經(jīng)驗(yàn)驅(qū)動(dòng)和機(jī)理驅(qū)動(dòng)的方法，這些方法對(duì)數(shù)據(jù)的使用還很不充分，導(dǎo)致大量數(shù)據(jù)的浪費(fèi)和有效信息的丟失。

對(duì)于沖擊地壓的預(yù)測(cè)預(yù)警問(wèn)題，傳統(tǒng)的經(jīng)驗(yàn)驅(qū)動(dòng)和機(jī)理驅(qū)動(dòng)的策略已很難準(zhǔn)確回答何時(shí)發(fā)生、何地發(fā)生、沖擊等級(jí)這3個(gè)關(guān)鍵問(wèn)題。這恰恰給了數(shù)據(jù)驅(qū)動(dòng)方法一個(gè)機(jī)會(huì)，事實(shí)上目前對(duì)于這個(gè)問(wèn)題，最優(yōu)秀的研究成果都或多或少地涉及了數(shù)據(jù)驅(qū)動(dòng)的方法?？梢哉f(shuō)，利用數(shù)據(jù)驅(qū)動(dòng)方法解決沖擊地壓的預(yù)測(cè)預(yù)警問(wèn)題將會(huì)成為數(shù)據(jù)驅(qū)動(dòng)進(jìn)入傳統(tǒng)工程領(lǐng)域的一個(gè)切入點(diǎn)，也是能否讓礦山開(kāi)采這一古老行業(yè)邁入智慧礦山、數(shù)據(jù)礦山的一個(gè)關(guān)鍵。

而2.2和2.3節(jié)中提到的在沖擊地壓的長(zhǎng)期預(yù)測(cè)和短期預(yù)警中出現(xiàn)的一些問(wèn)題，在數(shù)據(jù)科學(xué)中都不難找到解決方案。如，解決長(zhǎng)期預(yù)測(cè)訓(xùn)練樣本過(guò)少的問(wèn)題，可以考慮在線( On-line )學(xué)習(xí)和離線( Off-line )學(xué)習(xí)。一方面，盡量選擇判別模型進(jìn)行長(zhǎng)期預(yù)測(cè)( 關(guān)于生成模型和判別模型在該任務(wù)下的小樣本適應(yīng)性，參見(jiàn)文獻(xiàn)[89] )。另一方面，可以通過(guò)云連接建立沖擊地壓事件數(shù)據(jù)庫(kù)，不斷累積事件樣本數(shù)。解決訓(xùn)練樣本標(biāo)簽不一致的問(wèn)題，可以利用非監(jiān)督學(xué)習(xí)重新給沖擊地壓訓(xùn)練樣本貼上標(biāo)簽，再進(jìn)行訓(xùn)練。解決特征重疊問(wèn)題，可以考慮一些非線性降維方法，如t-SNE進(jìn)行特征組合和篩選。解決分類代價(jià)敏感問(wèn)題，可以利用特殊的模型評(píng)價(jià)標(biāo)準(zhǔn)，如ROC曲線和代價(jià)曲線等。在沖擊地壓短期預(yù)警中，解決訓(xùn)練樣本貼標(biāo)簽問(wèn)題可以采用半監(jiān)督學(xué)習(xí)( Semisupervised )策略，用大量無(wú)標(biāo)簽樣本結(jié)合少量有標(biāo)簽樣本組成訓(xùn)練集，兼顧了模型效率和精度。解決類別不平衡問(wèn)題，可以采用過(guò)采樣( Over-sampling )和欠采樣( Under-sampling )構(gòu)建新的訓(xùn)練數(shù)據(jù)集。也可以調(diào)整( 概率 )分類模型的閾值( Threshold )，匹配不平衡的訓(xùn)練樣本?？傊瑪?shù)據(jù)科學(xué)是一門日新月異的新興科學(xué)，每天都有大量的模型、算法、標(biāo)準(zhǔn)、工具包的更新。數(shù)據(jù)科學(xué)源源不斷地推陳出新是利用其解決工程實(shí)際問(wèn)題的根本保障。

沖擊地壓預(yù)測(cè)預(yù)防的技術(shù)壁壘是如何通過(guò)微震( 或其他現(xiàn)場(chǎng)監(jiān)測(cè)手段 )監(jiān)測(cè)信號(hào)準(zhǔn)確確定沖擊地壓發(fā)生的時(shí)間、地點(diǎn)和強(qiáng)度，特別是確定準(zhǔn)確的發(fā)生時(shí)間。傳統(tǒng)方法已無(wú)法回答這個(gè)問(wèn)題。目前利用機(jī)器學(xué)習(xí)進(jìn)行的相關(guān)研究還在進(jìn)行中。但是，憑借數(shù)據(jù)科學(xué)強(qiáng)大的實(shí)用性、海量的工具支持和眾多的研究團(tuán)隊(duì)，突破這個(gè)技術(shù)壁壘只是時(shí)間問(wèn)題，從而完成建立沖擊地壓預(yù)測(cè)預(yù)警系統(tǒng)這一巖石力學(xué)與工程中的歷史性難題。

參考文獻(xiàn)( References )：

[1] HE M，REN F，LIU D.Rockburst mechanism research and its control[J].International Journal of Mining Science and Technology，2018，28( 5 )：829-837.

[2] HE J，DOU L，GONG S，et al.Rock burst assessment and prediction by dynamic and static stress analysis based on micro-seismic monitoring[J].International Journal of Rock Mechanics and Mining Sciences，2017，93：46-53.

[3] PU Y Y，APEL D B，LINGGA B.Rockburst prediction in kimberlite using decision tree with incomplete data[J].Journal of Sustainable Mining，2018，17( 3 )：158-165.

[4] PU Y Y，APEL D B，WANG C，et al.Evaluation of burst liability in kimberlite using support vector machine[J].Acta Geophysica，2018，66( 5 )：973-982.

[5] CAI W，DOU L，SI G，et al.A principal component analysis/fuzzy comprehensive evaluation model for coal burst liability assessment[J].International Journal of Rock Mechanics and Mining Sciences，2016，81：62-69.

[6] HE M C，MIAO J L，F(xiàn)ENG J L.Rock burst process of limestone and its acoustic emission characteristics under true-triaxial unloading conditions[J].International Journal of Rock Mechanics and Mining Sciences，2010，47( 2 )：286-298.

[7] BLAKE W，HEDLEY D G F.Rockbursts：Case studies from North American hard-rock mines[M].SME，2003.

[8] MARK C.Coal bursts in the deep longwall mines of the United States[J].International Journal of Coal Science & Technology，2016，3( 1 )：1-9.

[9] WILLIAMS T J，BRADY T M，BAYER D C，et al.Underhand cut and fill mining as practiced in three deep hard rock mines in the United States[A].Proceedings of the CIM Conference and Exhibition，Montreal，Quebec，Canada，April 29-May 2，2007[C].Montreal，Quebec，Canada：Canadian Institute of Mining，Metallurgy and Petroleum，2007：1-11.

[10] BALTZ R，HUCKE A.Rockburst prevention in the German coal industry[A].Proceedings of the 27th International Conference on Ground Control in Mining[C].Morgantown WV：West Virginia University，2008.

[11] POTVIN Y，HUDYMA M，JEWELL R J.Rockburst and seismic activity in underground Australian mines-An introduction to a new research project[A].ISRM International Symposium[C].International Society for Rock Mechanics and Rock Engineering，2000.

[12] 齊慶新，李曉璐，趙善坤.煤礦沖擊地壓應(yīng)力控制理論與實(shí)踐[J].煤炭科學(xué)技術(shù)，2013，41( 6 )：1-5.QI Qingxin，LI Xiaolu，ZHAO Shankun.Theory and practices on stress control of mine pressure bumping[J].Coal Science and Technology，2013，41( 6 )：1-5.

[13] DOU L，CAI W，CAO A，et al.Comprehensive early warning of rock burst utilizing microseismic multi-parameter indices[J].International Journal of Mining Science and Technology，2018，28( 5 )：767-774.

[14] BENNETT T J，MARSHALL M E.Identification of rockbursts and other mining events using regional signals at international monitoring system stations[R].Science Applications International Corp Mclean VA，2001.

[15] 姜耀東，趙毅鑫.我國(guó)煤礦沖擊地壓的研究現(xiàn)狀：機(jī)制，預(yù)警與控制[J].巖石力學(xué)與工程學(xué)報(bào)，2015，34( 11 )：2188-2204.JIANG Yaodong，ZHAO Yixin.State of the art：Investigation on mechanism，forecast and control of coal bumps in china[J].Chinese Journal of Rock Mechanics and Engineering，2015，34( 11 )：2188-2204.

[16] 張傳慶，盧景景，陳珺，等.巖爆傾向性指標(biāo)及其相互關(guān)系探討[J].巖土力學(xué)，2017，38( 5 )：1397-1404.ZHANG Chuanqing，LU Jingjing，CHEN Jun，et al.Discussion on rock burst proneness indexes and their relation[J].Rock and Soil Mechanics，2017，38( 5 )：1397-1404.

[17] KIDYBI?SKI A.Bursting liability indices of coal[J].International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts( Pergamon )，1981，18( 4 )：295-304.

[18] WATTIMENA R K，SIRAIT B，WIDODO N P，et al.Evaluation of rockburst potential in a cut-and-fill mine using energy balance[J].International Journal of the JCRM，2012，8( 1 )：19-23.

[19] WANG J A，PARK H D.Comprehensive prediction of rockburst based on analysis of strain energy in rocks[J].Tunnelling and Underground Space Technology，2001，16( 1 )：49-57.

[20] AUBERTIN M，GILL DE，SIMON R.On the use of the brittleness index modified( BIM ) to estimate the post-peak behavior or rocks[J].Aqua Fennica，1994，23：24－25.

[21] WU Y，ZHANG W.Evaluation of the bursting proneness of coal by means of its failure duration[A].Rock-bursts and Seismicity in Mines[C].Rotterdam：Balkema，1997：285-288.

[22] SIMON R.Analysis of fault-slip mechanisms in hard rock mining [D].Montreal：Mc Gill University，1999.

[23] WANG J ，ZHANG J.Preliminary engineering application of microseismic monitoring technique to rockburst prediction in tunneling of Jinping II project[J].Journal of Rock Mechanics and Geotechnical Engineering，2010，2( 3 )：193-208.

[24] 張文東，馬天輝，唐春安，等.錦屏二級(jí)水電站引水隧洞巖爆特征及微震監(jiān)測(cè)規(guī)律研究[J].巖石力學(xué)與工程學(xué)報(bào)，2014，33( 2 )：339-348.ZHANG Wendong，MA Tianhui，TANG Chun'an，et al.Research on characteristics of rockburst and rules of microseismic monitoring at diversion tunnels in Jinping Ⅱ hydropower station[J].Chinese Journal of Rock Mechanics and Engineering，2014，33( 2 )：339-348.

[25] PU Y，APEL D，XU H.A principal component analysis/fuzzy comprehensive evaluation for rockburst potential in kimberlite[J].Pure and Applied Geophysics，2018，175( 6 )：2141-2151.

[26] WANG C，WU A，LU H，et al.Predicting rockburst tendency based on the fuzzy matter-element model[J].International Journal of Rock Mechanics and Mining Sciences，2015，75：224-232.

[27] WANG X，LI S，XU Z，et al.An interval fuzzy comprehensive assessment method for rock burst in underground caverns and its engineering application[J].Bulletin of Engineering Geology and the Environment，2019，78( 7 )：1-16.

[28] ZHU Z，ZHANG H，HAN J，et al.A risk assessment method for rockburst based on geodynamic environment[J].Shock and Vibration，2018( 6 )：2586842.

[29] FENG Q，YAO C，XIAO Z.Construction of students' comprehensive quality evaluation model based on improved AHP[A].2018 13th International Conference on Computer Science & Education ( ICCSE )[C].IEEE，2018：1-5.

[30] JI M，GUO H，ZHANG Y，et al.Hierarchic analysis method to evaluate rock burst risk[J].Mathematical Problems in Engineering，2015( 13 )：1-8.

[31] 陳丹，馮東梅，邵良杉.采用AHP—可拓學(xué)的地下工程圍巖穩(wěn)定性預(yù)測(cè)模型[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)( 自然科學(xué)版 )，2016，35( 1 )：32-36.CHEN Dan，F(xiàn)ENG Dongmei，SHAO Liangshan.AHP-extenics model for stability classification of underground engineering surrounding rock[J].Journal of Liaoning Technical University ( Natural Science )，2016，35( 1 )：32-36.

[32] LU J，WANG W，ZHANG Y，et al.Multi-objective optimal design of stand-alone hybrid energy system using entropy weight method based on HOMER[J].Energies，2017，10( 10 )：1664.

[33] MOTTAHEDI A，ATAEI M.Fuzzy fault tree analysis for coal burst occurrence probability in underground coal mining[J].Tunnelling and Underground Space Technology，2019，83：165-174.

[34] LIU Z，SHAO J，XU W，et al.Prediction of rock burst classification using the technique of cloud models with attribution weight[J].Natural Hazards，2013，68( 2 )：549-568.

[35] ZHOU K，YUN L，DENG H，et al.Prediction of rock burst classification using cloud model with entropy weight[J].Transactions of Nonferrous Metals Society of China，2016，26( 7 )：1995-2002.

[36] JIANG T，HUANG Z，ZHAO Y.Application of grey system optimal theory model to forecasting rockburst[J].Journal of North China Institute of Water Conservancy and Hydroelectric Power，2003，24( 2 )：37-40.

[37] WANG M，JIN J，LI L.SPA-VFS model for the prediction of rockburst[A].2008 Fifth International Conference on Fuzzy Systems and Knowledge Discovery[C].IEEE，2008，5：34-38.

[38] MCCULLOCH W S，PITTS W.A logical calculus of the ideas immanent in nervous activity[J].The Bulletin of Mathematical Biophysics，1943，5( 4 )：115-133.

[39] ROSENBLATT F.The perceptron：A probabilistic model for information storage and organization in the brain[A].Neurocomputing：Foundations of Research[C].MIT Press，1988.

[40] HUBEL D H，WIESEL T N.Receptive fields，binocular interaction and functional architecture in the cat's visual cortex[J].The Journal of Physiology，1962，160( 1 )：106-154.

[41] RUMELHART D E，HINTON G E，WILLIAMS R J.Learning internal representations by error propagation [J].Readings in Cognitive Science，1988，323( 6088 )：399-421.

[42] LECUN Y，BOSER B，DENKER J S，et al.Backpropagation applied to handwritten zip code recognition[J].Neural Computation，1989，1( 4 )：541-551.

[43] SAFAVIAN S R，LANDGREBE D.A survey of decision tree classifier methodology[J].IEEE Transactions on Systems ，Man and Cybernetics，1991，21( 3 )：660-674.

[44] CORTES C，VAPNIK V.Support-vector networks[J].Machine Learning，1995，20( 3 )：273-297.

[45] FREUND Y，SCHAPIRE R E.Experiments with a new boosting algorithm DRAFT—Please do not distribute[A].Thirteenth International Conference on International Conference on Machine Learning[C].Morgan Kaufmann Publishers Inc，1996：148-156.

[46] SCHMIDHUBER J.Deep learning in neural networks：An overview[J].Neural Networks，2015，61：85-117.

[47] HINTON G E，SALAKHUTDINOV R R.Reducing the dimensionality of data with neural networks[J].Science，2006，313( 5786 )：504-507.

[48] LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature，2015，521( 7553 )：436.

[49] CYBENKO G.Approximation by superpositions of a sigmoidal function[J].Mathematics of Control，Signals and Systems，1989，2( 4 )：303-314.

[50] FENG X T，WANG L.Rockburst prediction based on neural networks[J].Transactions of Nonferrous Metals Society of China，1994，4( 1 )：7-14.

[51] BAI M Z，WANG L J，XU Z Y.Study on a neutral network model and its application in predicting the risk of rock blast[J].China Safety Science Journal，2002( 4 )：68-72.

[52] CHEN H.Prediction of rockburst by artificial neural network[J].Chinese Journal of Rock Mechanics and Engineering，2003，22( 5 )：762-768.

[53] WANG X.Application of BP neural network into prediction of rockburst in tunneling[A].Proceedings of the 2004 International Symposiumon Safety Science and Technology[C].2004：617-621.

[54] ZHANG X Z.Prediction of rock burst at underground works based on artificial neural network[J].Yangtze River，2005，36( 5 )：17-18.

[55] ZHANG Y，LIU X，HU Z.Rock burst forecast based on artificial neural network in underground engineering[J].Hunan Nonferrous Metal，2007，23( 3 )：1-4.

[56] XUAN Z B，XU H.The forecasting of rockburst in deep-buried tunnel with adaptive neural network[A].In 2009 International Conference on Industrial and Information Systems[C].IEEE，2009.

[57] ZHANG G，GAO Q，DU J，et al.Rockburst criterion based on artificial neural networks and nonlinear regression[J].Journal of Central South University ( Science and Technology )，2013，44( 7 )：2977-2981.

[58] 張樂(lè)文，張德永，李術(shù)才，等.基于粗糙集理論的遺傳-RBF神經(jīng)網(wǎng)絡(luò)在巖爆預(yù)測(cè)中的應(yīng)用[J].巖土力學(xué)，2012，33( S1 )：270-276.ZHANG Lewen，ZHANG Deyong，LI Shucai，et al.Application of RBF neural network to rockburst prediction based on rough set theory[J].Rock and Soil Mechanics，2012，33( S1 )：270-276.

[59] 馮夏庭，趙洪波.巖爆預(yù)測(cè)的支持向量機(jī)[J].東北大學(xué)學(xué)報(bào)( 自然科學(xué)版 )，2002，23( 1 )：59-62.FENG Xiating，ZHAO Hongbo.Prediction of rockburst using support vector machine[J].Journal of Northeastern University ( Natural Science )，2002，23( 1 )：59-62.

[60] 趙洪波.巖爆分類的支持向量機(jī)方法[J].巖土力學(xué)，2005，26( 4 )：642-644.ZHAO Hongbo.Classification of rockburst using support vector machine[J].Rock and Soil Mechanics，2005，26( 4 )：642-644.

[61] ZHOU J，LI X，SHI X.Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines[J].Safety Science，2012，50( 4 )：629-644.

[62] 祝云華，劉新榮，周軍平.基于V-SVR算法的巖爆預(yù)測(cè)分析[J].煤炭學(xué)報(bào)，2008，33( 3 )：277-281.ZHU Yunhua，LIU Xinrong，ZHOU Junping.Rockburst prediction analysis based on V-SVR algorithm[J].Journal of China Coal Society，2008，33( 3 )：277-281.

[63] PU Y Y，APEL D B，WANG C.Evaluation of burst liability in kimberlite using support vector machine[J].Acta Geophysica，2018，66( 5 )：973-982.

[64] 蘇國(guó)韶，張小飛，燕柳斌.基于案例推理的巖爆預(yù)測(cè)方法[J].采礦與安全工程學(xué)報(bào)，2008，25( 1 )：63-67.SU Guoshao，ZHANG Xiaofei，YAN Liubin.Rockburst prediction method based on case reasoning pattern recognition[J].Journal of Mining & Safety Engineering，2008，25( 1 )：63-67.

[65] DONG L J，LI X B，KANG P.Prediction of rockburst classification using Random Forest[J].Transactions of Nonferrous Metals Society of China，2013，23( 2 )：472-477.

[66] 葛啟發(fā)，馮夏庭.基于AdaBoost組合學(xué)習(xí)方法的巖爆分類預(yù)測(cè)研究[J].巖土力學(xué)，2008，29( 4 )：943-948.GE Qifa，F(xiàn)ENG Xiating.Classification and prediction of rockburst using AdaBoost combination learning method[J].Rock And Soil Mechanics，2008，29( 4 )：943-948.

[67] PU Y Y，APEL D B，LINGGA B.Rockburst prediction in kimberlite using decision tree with incomplete data[J].Journal of Sustainable Mining，2018，17( 3 )：158-165.

[68] 王元漢，李臥東，李啟光，等.巖爆預(yù)測(cè)的模糊數(shù)學(xué)綜合評(píng)判方法[J].巖石力學(xué)與工程學(xué)報(bào)，1998，17( 5 )：3-5.WANG Yuanhan，LI Wodong，LI Qiguang，et al.Method of fuzzy comprehensive evaluations for rockburst prediction[J].Chinese Journal of Rock Mechanics and Engineering，1998，17( 5 )：3-5.

[69] ZHOU J，LI X，MITRI H S.Classification of rockburst in underground projects：Comparison of ten supervised learning methods[J].Journal of Computing in Civil Engineering，2016，30( 5 )：04016003.

[70] 譚以安.巖爆巖石斷口掃描電鏡分析及巖爆漸進(jìn)破壞過(guò)程[J].電子顯微學(xué)報(bào)，1989( 2 )：41-48.TAN Yi'an.Analysis of fractured face of rockburst with scanning electron microscope and its progressive failure process[J].Journal of Chinese Electron Microscopy Society，1989( 2 )：41-48.

[71] ПЕТУХОВ И，ЛИНЬКОВ А，СИДОРОВ В.Расчетные методы в механике горных ударов и выбросов：Справочное пособие( in Russian )[J].Недра，1992.

[72] RUSSENES B F.Analyses of rockburst in tunnels in valley sides[D].Trondheim：Norwegian Institute of Technology，1974.

[73] BISHOP C M.Pattern recognition and machine learning[M].Springer，2006.

[74] SCULLEY D，HOLT G，GOLOVIN D，et al.Hidden technical debt in machine learning systems[A].Advances in Neural Information Processing Systems[C].2015：2503-2511.

[75] BOOKER A ，MITRONOVAS W.An application of statistical discrimination to classify seismic events[J].Bulletin of the Seismological Society of America，1964，54( 3 )：961-971.

[76] KIM W Y，AHARONIAN V，LERNER-LAM A L，et al.Discrimination of earthquakes and explosions in southern Russia using regional highfrequency three-component data from the IRIS/JSP Caucasus Network[J].Bulletin of the Seismological Society of America，1997，87( 3 )：569-588.

[77] WüSTER J.Discrimination of chemical explosions and earthquakes in central Europe—A case study[J].Bulletin of the Seismological Society of America，1993，83( 4 )：1184-1212.

[78] VALLEJOS J A，MCKINNON S D.Logistic regression and neural network classification of seismic records[J].International Journal of Rock Mechanics and Mining Sciences，2013，62：86-95.

[79] DEL PEZZO E ，ESPOSITO A ，GIUDICEPIETRO F ，et al.Discrimination of earthquakes and underwater explosions using neural networks[J].Bulletin of the Seismological Society of America，2003，93( 1 )：215-223.

[80] FORD S R，WALTER W R.Aftershock characteristics as a means of discriminating explosions from earthquakes[J].Bulletin of the Seismological Society of America，2010，100( 1 )：364-376.

[81] MUSIL M，PLE?INGER A.Discrimination between local microearthquakes and quarry blasts by multi-layer perceptrons and Kohonen maps[J].Bulletin of the Seismological Society of America，1996，86( 4 )：1077-1090.

[82] YILDIRIM E，GüLBA? A，HORASAN G，et al.Discrimination of quarry blasts and earthquakes in the vicinity of Istanbul using soft computing techniques[J].Computers & Geosciences，2011，37( 9 )：1209-1217.

[83] DONG L，LI X，XIE G.Nonlinear methodologies for identifying seismic event and nuclear explosion using random forest，support vector machine，and naive Bayes classification[A].Abstract and Applied Analysis[C].Hindawi，2014.

[84] RUANO A E，MADUREIRA G，BARROS O，et al.Seismic detection using support vector machines[J].Neurocomputing，2014，135：273-283.

[85] DONG L，WESSELOO J，POTVIN Y，et al.Discrimination of mine seismic events and blasts using the fisher classifier，naive bayesian classifier and logistic regression[J].Rock Mechanics and Rock Engineering，2016，49( 1 )：183-211.

[86] NG A Y，JORDAN M I.On discriminative vs.generative classifiers：A comparison of logistic regression and naive bayes[A].Advances in Neural Information Processing Systems[C].2002：841-848.

[87] ANZAI Y.Pattern recognition and machine learning[M].Elsevier，2012.

[88] KUYUK H S，YILDIRIM E，DOGAN E，et al.An unsupervised learning algorithm：Application to the discrimination of seismic events and quarry blasts in the vicinity of Istanbul[J].Natural Hazards and Earth System Sciences，2011：11( 1 )：93-100.

[89] MIROSLAV Kubat.An introduction to machine learning[M].Springer International Publishing Switzerland，2015.