一种融合开采信息与地质信息的煤矿微震区域定位方法技术

一种融合开采信息与地质信息的煤矿微震区域定位方法，台站安装在有微震风险的采煤工作面四周，台站将采集到的原始微震数据传至上位机，上位机对原始微震数据进行数据处理；构建微震波形数据集，对上述处理过的微震波形数据进行标记，确定每次微震的震源位置，然后将收集的数据集划分为训练集、验证集和测试集；根据微震波形的特征设计微震波形区域定位模型进行特征提取，在区域定位模型的最后添加全连接层，由全连接层的输出确定概率最大的前两类微震震源区域；利用相对距离定位算法对概率最大的前三个区域进行比较，确定最终结果。本发明专利技术使用相对距离定位的方法来辅助定位，提高微震定位的精度和可靠性，同时还可以减少设备成本和维护成本。成本和维护成本。

【技术实现步骤摘要】
一种融合开采信息与地质信息的煤矿微震区域定位方法


[0001]本专利技术涉及一种微震区域定位方法，具体是一种融合开采信息与地质信息的煤矿微震区域定位方法，属于井下微震定位


技术介绍

[0002]近年来，随着我国煤矿开采深度快速增加以及地质、采矿条件的日趋复杂，冲击地压灾害形式日渐严峻，已成为制约煤矿安全生产的关键因素。由于冲击地压具有突发性、瞬时震动性和巨大破坏性等特征，所以事先难以预料其发生的时间、地点和程度。冲击地压危害程度大，影响面广，一旦发生，极易引起其他连锁事故，如瓦斯异常涌出、煤与瓦斯突出、突水和瓦斯爆炸等，造成极大的财产损失和人员伤亡。然而冲击地压发生的时间、地点、区域、震源等的复杂多样性和冲击地压的突发性，使得定位工作极为困难复杂，成为急需解决的世界性难题。
[0003]目前在使用深度学习技术进行微震波形定位时，可能会出现定位不准的情况，传统的微震定位使用深度学习技术进行微震波形定位，该方法常常受到矿山地质条件复杂和台站部署方式等因素的影响，可能会出现定位不准确的情况，导致定位精度较低。r/>
技术实现思路
<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合开采信息与地质信息的煤矿微震区域定位方法，其特征在于，包括以下步骤：步骤1、矿震数据采集：在采煤工作面四周安装台站t
i
，i＝(1,2,3,4)，对应台站的微震传感器将采集到的原始微震数据传至地面控制室的上位机，原始微震数据包括微震数据的波形数据、发生时间、能量大小、震源坐标，由上位机对原始微震数据进行微震数据处理；步骤2、微震波形数据处理：微震波形数据处理方法包括预处理、时频分析，预处理包括滤波、去噪操作；时频分析包括利用傅里叶变换、小波变换，对微震波形数据进行时频分析，以分离出有效信息；步骤3、微震波形数据构建：构建微震波形数据集，要先对步骤2处理过的微震波形数据进行标记，确定每次微震的震源位置，将确定好的微震震源位置进行区域划分，共划分10个区域u
j
，j＝(0,1,2,
…
,9)：1.根据井下停采线中间点的实时位置，以其为中心按照150m
×
150m的范围划分一个正方形区域，并将这块正方形区域平均划分9个子正方形区域，每个子正方形区域的大小为50m
×
50m，编号为0～8；2.采煤工作面中断层区域会频发微震事件，所以将断层区域单独划分成一个区域，编号为9；按以上划分的区域编号给已经发生过的微震事件归类位置标签，然后将收集的数据集划分为训练集、验证集和测试集，比例为8:1:1，用于模型训练和评估；步骤4、建立微震波形区域定位模型：根据微震波形的特征设计微震波形区域定位模型进行特征提取，其中包括卷积层、残差连接和批归一化层来提取微震波形数据的高频特征和低频特征，并使用优化器来优化区域定位模型，在区域定位模型的最后添加一个全连接层，这一层的输出为微震震源可能位置区域的概率集合，由全连接层的输出确定概率最大的前两类微震震源区域；步骤5、利用相对距离定位算法对区域定位模型输出概率最大的前三个区域进行比较，确定最终结果。2.根据权利要求1所述的一种融合开采信息与地质信息的煤矿微震区域定位方法，其特征在于，步骤4中的微震波形区域定位模型是通过深度学习方法构建的，具体为：深度学习定位方法是一种具有50层的微震波形区域定位模型，深度学习定位模型的网络结构由三个部分组成：输入层、残差块和输出层，输入层是深度学习定位模型的第一层，第一层采用的输入数据是640
×
480像素的微震波形图片，每个微震波形图片上具有四个台站接收到的微震波形，经过输入层的图片矩阵变换将每个微震波形图片转换为640
×
480
×
3的矩阵数组x，将其视该矩阵数组x为具有高维度特征的单个样本；在输出层之前，还设置残差块，残差块是深度学习定位模型的基本组成单元；残差块的基本构造如下：矩阵数组x作为输入数据由输入层输入，以适配深度学习定位模型的输入形式，然后再与残差函数F(x)进行相加，得到输出y；F(x)是一个非线性函数，用于处理矩阵数组x，其包含多个卷积、激活、归一化层；其中卷积层的具体公式为：N＝(W
‑
H)/S+1式中：N为输入数据；H为卷积核；S步长；
归一化层的公式为：X
″
＝X
′
*(mx
‑
mi)+mi作用于输入矩阵数据X
′
的每一列，max为一列的最大值，min为一列的最小值，X
″
作为归一化层的输出结果，mx，mi分别为指定区间值，默认mx为1，mi为0；设输入为矩阵数组x，输出为y，残差函数为F(x)，则残差块的输出为：y＝F(x)+x，残差块的作用是将矩阵数组x和残差函数为F(x)进行相加，并将结果作为残差块的输出；深度学习定位模型的残差块部分由16个残差块组成，它的残差块数量是以4个阶段进行设计的，具体如下：阶段1：...

【专利技术属性】
技术研发人员：曹安业，杨旭，张远哲，李森，汪子琨，王常彬，林宇涵，牛强，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：