基于多源信息融合的沖擊地壓風(fēng)險(xiǎn)預(yù)警與弱結(jié)構(gòu)防治技術(shù)

賀永亮，王素萍，付玉平，曹雪芳，孫大力

（1.太原科技大學(xué) 安全與應(yīng)急管理工程學(xué)院，山西 太原 030024；2.太原科技大學(xué) 煤礦粉塵智能監(jiān)測(cè)與防控山西省重點(diǎn)實(shí)驗(yàn)室，山西 太原 030024；3.太原科技大學(xué) 應(yīng)用科學(xué)學(xué)院，山西 太原 030024）

沖擊地壓（巖爆）是一種極具破壞性的重大災(zāi)害，它可以通過地下工程開挖儲(chǔ)存的彈性變形能瞬間釋放，對(duì)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(zāi)害對(duì)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(shí)地預(yù)測(cè)沖擊地壓災(zāi)害，及時(shí)采取相應(yīng)的措施，對(duì)于保障煤礦的安全運(yùn)行具有極為重要的意義。沖擊地壓（巖爆）預(yù)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(guān)注。

沖擊地壓的預(yù)警主要根據(jù)沖擊地壓機(jī)理預(yù)測(cè)、微震監(jiān)測(cè)和地音監(jiān)測(cè)等技術(shù)用于現(xiàn)場(chǎng)測(cè)量預(yù)警，以及大數(shù)據(jù)與人工智能結(jié)合的智能預(yù)警系統(tǒng)[3-5]。裴艷宇等[6]利用一維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種有效的微震能級(jí)時(shí)間序列預(yù)測(cè)模型，其準(zhǔn)確率高達(dá)93.5%；孫繼平等[7]針對(duì)沖擊地壓等重大事故的聲音特點(diǎn)提出多信息融合分析災(zāi)害識(shí)別方法，研究基于聲音識(shí)別等沖擊地壓重大事故的分類器；陳結(jié)等[8]采用綜合指數(shù)和機(jī)器學(xué)習(xí)技術(shù)，總結(jié)了沖擊地壓預(yù)測(cè)預(yù)警方面的差異并展望了沖擊地壓預(yù)測(cè)技術(shù)的未來；祁和剛等[9]將智能化信息技術(shù)運(yùn)用于沖擊地壓防治及礦井安全生產(chǎn)，提出了智能化防沖控采保障沖擊地壓等災(zāi)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(shù)和路徑；魏立科等[11]運(yùn)用人工智能、大數(shù)據(jù)等技術(shù)對(duì)沖擊地壓進(jìn)行智能分析與監(jiān)測(cè)，構(gòu)建了沖擊地壓風(fēng)險(xiǎn)智能檢測(cè)系統(tǒng)；GONG 等[12]結(jié)合貝葉斯判別分析理論的特點(diǎn)和原理，提出一種地下工程巖爆預(yù)測(cè)的貝葉斯判別分析方法；PU 等[13]采用支持向量分類器對(duì)沖擊地壓進(jìn)行了預(yù)測(cè)，提出了一種新的降維方法，降低了原始數(shù)據(jù)屬性的相關(guān)性，然后采用聚類方法對(duì)原始數(shù)據(jù)進(jìn)行重新標(biāo)記，確定沖擊地壓的相對(duì)強(qiáng)度；賈義鵬等[14]提出基于粒子群和神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)沖擊地壓方法，通過工程案例驗(yàn)證了該模型的可行性；SHIRANI 等[15]利用訓(xùn)練數(shù)據(jù)集中的最大切向應(yīng)力、單軸抗拉強(qiáng)度、單軸抗壓強(qiáng)度以及彈性能量指數(shù)等參數(shù)，構(gòu)建出一個(gè)具有較高準(zhǔn)確性的沖擊地壓模型，以便更好地預(yù)測(cè)沖擊地壓發(fā)生。

上述預(yù)測(cè)方法從不同的角度和理論對(duì)沖擊地壓進(jìn)行了研究，機(jī)器學(xué)習(xí)對(duì)沖擊地壓風(fēng)險(xiǎn)評(píng)估與預(yù)警起到了極大的推動(dòng)作用。沖擊地壓的復(fù)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(yù)知的特點(diǎn)，使得傳統(tǒng)的預(yù)測(cè)和預(yù)警技術(shù)無法完整地描述這一復(fù)雜的非線性問題。為此，基于多源信息融合機(jī)器學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)模型，利用有限數(shù)據(jù)確定不同指標(biāo)權(quán)重，結(jié)合定性、定量分析，對(duì)煤礦沖擊地壓有限數(shù)據(jù)進(jìn)行深度分析，通過非精確和不完整的數(shù)據(jù)對(duì)沖擊地壓的發(fā)生進(jìn)行評(píng)估，有效提高沖擊地壓的預(yù)測(cè)和防治方法。

1 沖擊地壓機(jī)器學(xué)習(xí)預(yù)警架構(gòu)

隨著機(jī)器學(xué)習(xí)、人工智能和深度學(xué)習(xí)等技術(shù)的發(fā)展，目前主要的監(jiān)測(cè)技術(shù)有微震監(jiān)測(cè)、地音監(jiān)測(cè)等，由于沖擊地壓發(fā)生的復(fù)雜性和機(jī)理多樣性以及沖擊地壓預(yù)測(cè)樣本的有限性，沖擊地壓預(yù)警發(fā)生誤報(bào)和漏報(bào)時(shí)有發(fā)生。僅使用經(jīng)典機(jī)器學(xué)習(xí)無法準(zhǔn)確有效對(duì)沖擊地壓的發(fā)生時(shí)間和位置作為預(yù)測(cè)，多源信息融合預(yù)警方法為沖擊地壓監(jiān)測(cè)數(shù)據(jù)特征的判斷及融合、特征數(shù)據(jù)的分析及模型建立和機(jī)器學(xué)習(xí)特征數(shù)據(jù)的決策提供參考。國內(nèi)外學(xué)者和現(xiàn)場(chǎng)工程技術(shù)人員通過對(duì)沖擊地壓理論、沖擊傾向性研究和現(xiàn)場(chǎng)實(shí)踐的分析，將沖擊地壓的危險(xiǎn)程度分為4 個(gè)等級(jí)[16-17]：無沖擊、弱沖擊、中等沖擊和強(qiáng)沖擊，不同的沖擊等級(jí)用不同的沖擊危險(xiǎn)防治方案。

多源信息融合預(yù)警是不同預(yù)警指標(biāo)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(yù)測(cè)概率相關(guān)，同時(shí)考慮生產(chǎn)的需要、成本以及防治效果。多源信息融合沖擊地壓預(yù)警和防治措施流程如圖1。

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

2 深度學(xué)習(xí)方法簡介

2.1 機(jī)器學(xué)習(xí)算法簡介

機(jī)器學(xué)習(xí)算法是基于樣本數(shù)據(jù)訓(xùn)練數(shù)學(xué)模型的1 組算法，并在不進(jìn)行特殊編程情況下做出決策。機(jī)器學(xué)習(xí)算法使用帶有標(biāo)記示例的訓(xùn)練數(shù)據(jù)集，訓(xùn)練過程繼續(xù)進(jìn)行，直到模型達(dá)到所選指標(biāo)的期望水平。沖擊地壓的復(fù)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(yù)知的特點(diǎn)，使得傳統(tǒng)的預(yù)測(cè)和預(yù)警技術(shù)無法完整地描述這一復(fù)雜的非線性問題。

神經(jīng)網(wǎng)絡(luò)模型如圖2。通過信號(hào)的正面?zhèn)鞑ヒ约罢`差的反向回應(yīng)，可以獲得更多的結(jié)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?yún)?shù)經(jīng)過輸入層從隱藏層傳輸?shù)捷敵鰧?，參?shù)在不同層次中連續(xù)輸出和傳送，誤差數(shù)據(jù)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(shù)據(jù)，對(duì)相應(yīng)層次所屬因素權(quán)值進(jìn)行分析。為了使不同影響因素誤差達(dá)到可接受的范圍，不斷地改進(jìn)和優(yōu)化信號(hào)傳播和誤差反饋。

圖2 神經(jīng)網(wǎng)絡(luò)模型Fig.2 Neural network model

對(duì)數(shù)函數(shù)和正切函數(shù)是神經(jīng)網(wǎng)絡(luò)模型中的線性和非線性函數(shù)，由于對(duì)數(shù)函數(shù)具備明顯的線性變換能力，而正切函數(shù)則具備復(fù)雜的非線性變換能力。如果函數(shù)使用在輸出層，輸出結(jié)果較多。設(shè)輸入層函數(shù)為A=（a1，a2，…，an，…，am）T，隱藏層輸出函數(shù)為B=（b1，b2，…，bn，…，bm）T，輸出層函數(shù)為C=（c1，c2，…，cn，…，cm）T，期望輸出函數(shù)為X=（x1，x2，…，xn，…，xm）T，輸入層與隱含層的權(quán)值為W=（w1，w2，…，wn，…，wm）T，從隱藏層到輸出層的權(quán)重矩陣為Q=（q1，q2，…，qn，…，qm）T。

式中：qin為輸入層權(quán)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(shù)。

式中：win為輸入層與隱含層權(quán)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(shù)。

如果輸出值與期望值不一致，則：

式中：λn為設(shè)置輸出值誤差值；x 為期望輸出值；C 為輸出值；xi為第i 個(gè)期望輸出值；Ci為第i個(gè)輸出值。

將誤差替換到隱藏層得到：

對(duì)380例非瓣膜病性房顫抗栓治療的調(diào)查與分析……………………… 吳怡婷，張宇禎，薛 領(lǐng)，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(quán)重的函數(shù)，若調(diào)整誤差就是調(diào)整各層的權(quán)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(shù)；負(fù)號(hào)表示梯度下降；φλ 為輸入層和輸出層學(xué)習(xí)效率；φqin輸入層權(quán)重值學(xué)習(xí)效率；φwin為輸入層與隱含層權(quán)重值學(xué)習(xí)效率。

算法的權(quán)值調(diào)整公式為：

式中：γic第i 個(gè)輸出值的誤差信號(hào)。

需要在網(wǎng)絡(luò)訓(xùn)練開始時(shí)統(tǒng)一輸入樣本的組成部分，并保證每個(gè)輸入樣本具有相同狀態(tài)。在網(wǎng)絡(luò)訓(xùn)練過程中，神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)函數(shù)是對(duì)數(shù)函數(shù)和切線函數(shù)，函數(shù)的輸出定義域?yàn)椋?，1］。

2.2 沖擊地壓評(píng)價(jià)指標(biāo)

將沖擊地壓的屬性數(shù)據(jù)庫、發(fā)生時(shí)間數(shù)據(jù)庫和知識(shí)數(shù)據(jù)庫形成沖擊地壓管理系統(tǒng)[18-19]。沖擊地壓的形成機(jī)制復(fù)雜多變，影響因素眾多，因此正確選擇指標(biāo)是預(yù)測(cè)的關(guān)鍵。當(dāng)指標(biāo)數(shù)量過多時(shí)，可能會(huì)導(dǎo)致某些指標(biāo)的實(shí)際值無法準(zhǔn)確測(cè)量，從而增加預(yù)測(cè)的復(fù)雜度。由于指標(biāo)數(shù)量不足以反映預(yù)測(cè)過程的完整性，因此預(yù)測(cè)結(jié)果與實(shí)際情況存在較大差異。

3 沖擊地壓評(píng)估預(yù)測(cè)及預(yù)警

根據(jù)沖擊地壓發(fā)生的微震監(jiān)測(cè)數(shù)據(jù)，采用6∶2∶2的比例將其分為訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)3個(gè)部分，以便更好地理解微震的特征。經(jīng)過精心篩選，最終確定了63 組有效的數(shù)據(jù)進(jìn)行驗(yàn)證。大部分?jǐn)?shù)據(jù)被用于深度學(xué)習(xí)的訓(xùn)練，而其余20%的數(shù)據(jù)則被用于驗(yàn)證。經(jīng)過精心設(shè)計(jì)的訓(xùn)練算法，可以將訓(xùn)練數(shù)據(jù)與實(shí)際測(cè)試結(jié)果完全隔離，以便更好地評(píng)估模型的準(zhǔn)確度。此外，還可以根據(jù)不同的測(cè)試結(jié)果，調(diào)整訓(xùn)練參數(shù)，并且可以根據(jù)不同的測(cè)試結(jié)果來優(yōu)化模型的擬合能力。根據(jù)模型計(jì)算次數(shù)，考慮模型的計(jì)算精度等因素，將神經(jīng)網(wǎng)絡(luò)模型隱藏層的節(jié)點(diǎn)分為64、32、16。沖擊地壓預(yù)測(cè)評(píng)估模型參數(shù)見表1。沖擊地壓強(qiáng)度分為無沖擊、弱沖擊、中等沖擊和強(qiáng)沖擊，分別定義輸出值為“0”、“1”、“2”和“3”。神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)示意圖如圖3。

表1 沖擊地壓預(yù)測(cè)評(píng)估模型參數(shù)Table 1 Parameters of rock burst prediction and evaluation model

圖3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)示意圖Fig.3 Prediction diagram of neural network model

對(duì)于地質(zhì)條件復(fù)雜、煤層開采困難煤層，巷道和工作面出現(xiàn)沖擊顯現(xiàn)現(xiàn)象，采用Python 語言對(duì)神經(jīng)網(wǎng)絡(luò)函數(shù)算法進(jìn)行編程。利用該煤礦的實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)進(jìn)行匯總，對(duì)選取模型進(jìn)行計(jì)算和預(yù)測(cè)，將初始化算法進(jìn)行迭代計(jì)算，經(jīng)過迭代優(yōu)化后的不同算法函數(shù)精確度確定采用IPSO 算法。

加入測(cè)試樣本，歸一化后得到量子態(tài)的輸入矩陣。對(duì)實(shí)際值和預(yù)測(cè)值進(jìn)行對(duì)比分析，將沖擊地壓預(yù)測(cè)應(yīng)力值與實(shí)際值進(jìn)行比較。實(shí)際值和預(yù)測(cè)值對(duì)比如圖4。

圖4 實(shí)際值和預(yù)測(cè)值對(duì)比Fig.4 Comparison between actual values and predicted values

由圖4 可以看出：沖擊地壓應(yīng)力預(yù)測(cè)值與實(shí)際值非常接近。因此，IPSO 算法最優(yōu)預(yù)測(cè)模型具有很強(qiáng)的非線性數(shù)據(jù)處理能力，在回歸分析中具有非常明顯的優(yōu)勢(shì)。對(duì)比預(yù)測(cè)水平和預(yù)實(shí)際水平，可以看出兩者幾乎重合。預(yù)測(cè)精度的具體值高達(dá)95%，說明IPSO 的最優(yōu)預(yù)測(cè)模型具有很高的預(yù)測(cè)精度。

4 實(shí)例應(yīng)用

陜西某煤礦401106 工作面運(yùn)輸巷屬于大埋深高地應(yīng)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(shí)間里，在掘進(jìn)過程中遇到了“煤炮”和頂板急劇下沉等典型的地質(zhì)問題?！懊号凇笔录l繁發(fā)生，伴隨著巨大的噪聲和煤塵飛揚(yáng)，巷道迎頭及已支護(hù)段出現(xiàn)大面積的頂板瞬間下沉或切頂，下沉量可達(dá)300～700 mm，厚度達(dá)2 000 mm 的支護(hù)體整體崩塌，頂板錨索經(jīng)常斷裂，局部出現(xiàn)明顯的底鼓現(xiàn)象。

在正常支護(hù)系統(tǒng)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(gè)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(jié)構(gòu)。經(jīng)過多次的施工，當(dāng)巷道兩幫的防沖弱結(jié)構(gòu)層受到煤巖體的壓力作用時(shí)，就會(huì)發(fā)生變形，因此，為了確保安全，需要不斷地重復(fù)施工，以便形成持續(xù)的巷道防沖弱結(jié)構(gòu)[22-23]。弱結(jié)構(gòu)鉆孔分布示意圖如圖5。

圖5 弱結(jié)構(gòu)鉆孔分布示意圖Fig.5 Distribution diagram of drilling holes with soft structure

預(yù)測(cè)與實(shí)測(cè)能量對(duì)比如圖6。從圖6 可以看出：預(yù)測(cè)和實(shí)測(cè)能量相差較小，弱結(jié)構(gòu)致裂后，能量明顯減小。巷道實(shí)施了弱結(jié)構(gòu)+支護(hù)相結(jié)合的綜合防治方案，方案實(shí)施后能量低于105J，表明該方案能有效降低煤巖體中儲(chǔ)存的能量和煤巖體的振動(dòng)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(qiáng)度都明顯降低，而在應(yīng)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(yù)測(cè)與實(shí)測(cè)能量對(duì)比Fig.6 Comparison of predicted and measured energy

5 結(jié) 語

1）多源信息融合預(yù)警方法主要為沖擊地壓監(jiān)測(cè)數(shù)據(jù)特征的判斷及融合、特征數(shù)據(jù)分析及模型建立和機(jī)器學(xué)習(xí)對(duì)特征數(shù)據(jù)的決策，不同預(yù)警指標(biāo)間概率融合的一種疊加和判斷方法。

2）通過煤巖的抗壓強(qiáng)度、抗拉強(qiáng)度、彈性能和地應(yīng)力4 個(gè)物理力學(xué)指標(biāo)可以反映出不同影響因素對(duì)沖擊地壓的作用，研究選取了4 個(gè)指標(biāo)作為沖擊地壓預(yù)測(cè)評(píng)價(jià)指標(biāo)。

3）巷道開挖過程中采用弱結(jié)構(gòu)+支護(hù)綜合防治方案后，沖擊煤體發(fā)生頻率和強(qiáng)度明顯降低，而在低應(yīng)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。