一种基于时间序列模型的多参数岩爆风险预测方法技术

本发明专利技术涉及岩土工程技术领域，涉及一种基于时间序列模型的多参数岩爆风险预测方法,其包括以下步骤：一：对每一次岩爆灾害形成全过程的微震数据进行等时化处理，使每一个小时对应一个事件数、能量释放和视体积的值；二：对事件数、能量释放和视体积进行归一化；三：将累计事件数、累计能量释放和累计视体积的值缩放至0～1之间；四：建立累计视体积与能量指数变化趋势的数据样本库；五：基于卷积神经网络建立多元平行时间序列预测模型；六：模型训练；七：输入累计视体积和能量指数的多个平行时间序列，输出为这2个微震参数变量对应的未来时间段内的数据演化，从而预测岩爆风险。本发明专利技术能较佳地预测岩爆风险。较佳地预测岩爆风险。较佳地预测岩爆风险。

【技术实现步骤摘要】
一种基于时间序列模型的多参数岩爆风险预测方法


[0001]本专利技术涉及岩土工程
，具体地说，涉及一种基于时间序列模型的多参数岩爆风险预测方法。

技术介绍

[0002]近年来，随着地下工程建设逐渐向地层深部拓展，兴建了许多超大埋深的引水隧洞。深埋工程地质条件复杂，具有“三高一扰动”(高地应力、高地温、高水压、强开挖扰动)的特点，导致施工过程中各种地质灾害频发，其中岩爆就是较常见的一种严重地质灾害。岩爆定义为高地应力条件下硬岩开挖卸荷引发的围岩弹射破坏现象，其严重威胁施工期人员和设备安全，同时延缓工程进度，使工程量和工程造价大幅增加。
[0003]目前，现有技术从应力、强度、能量、岩性和埋深等角度构建了不同岩爆判据和准则，并结合岩爆灾害形成全过程震源参数(事件数、能量释放、视体积、视应力、能量指数等)提炼出基于微震监测的岩爆预警模型；然而，上述技术要经过多次的数据采集，采集大量数据进行对比，耗时较长；而且，并未或者较少考虑了未来时间因素，仅通过当前数据分析进行岩爆灾害预测及预警，基本未对未来岩爆发生的时间进行定量分析，这大大降低了岩爆预警的时效性。

技术实现思路

[0004]本专利技术的内容是提供一种基于时间序列模型的多参数岩爆风险预测方法，其选取合适的微震指标构建岩爆微震预警指标，不需要采集大量数据进行对比，并建立基于神经网络的微震预测模型和岩爆预警模型；通过微震预测模型获取未来微震信息的变化趋势，并结合岩爆预警模型判断未来岩爆风险从而实现岩爆灾害实时和动态预警，提高了岩爆预警的时效性。
[0005]根据本专利技术的一种基于时间序列模型的多参数岩爆风险预测方法，其包括以下步骤：
[0006]步骤一：对每一次岩爆灾害形成全过程的微震数据进行等时化处理，使每一个小时对应一个事件数、能量释放和视体积的值；
[0007]步骤二：对每一次岩爆灾害形成全过程的微破裂事件数、能量释放和视体积进行归一化，使其值均分布于0到1之间；
[0008]步骤三：将累计事件数、累计能量释放和累计视体积的值缩放至0～1之间；
[0009]步骤四：根据步骤一～三的处理结果，建立累计视体积与能量指数变化趋势的数据样本库，用于元平行时间序列数据的单步或多步预测；
[0010]步骤五：基于卷积神经网络建立多元平行时间序列预测模型；
[0011]步骤六：将每次岩爆灾害看作一个单独的整体，选取岩爆灾害作为样本训练集；随机选取样本训练集中的某一次岩爆灾害数据进行模型训练，待训练完成后随机选取余下的岩爆灾害数据依次代入模型进行迭代训练，直至所有岩爆灾害数据均输入模型完成训练；
[0012]步骤七：输入累计视体积和能量指数的多个平行时间序列，输出为这2个微震参数变量对应的未来时间段内的数据演化，从而预测岩爆风险。
[0013]作为优选，步骤一中，具体方法为：
[0014]结合震源定位计算和现场实际岩爆灾害发生位置，将属于整个岩爆灾害形成全过程的微破裂事件与其他非岩爆区域的微破裂事件进行区分；对岩爆灾害形成全过程实现等时化，以1个小时为间隔，即每天均匀划分为24个小时，岩爆灾害形成全过程的微破裂事件参数信息分布于等时化后的时间坐标轴下；对于1个小时内多次发生的微破裂事件，以事件数、能量释放和视体积的值作为该小时所对应参数的数值，对于未发生微破裂事件的时间段则为0，最终，每一个小时对应一个事件数、能量释放和视体积的值。
[0015]作为优选，步骤二中，具体方法为：选取岩爆发生时刻所对应的事件数、能量释放和视体积量值为基准点，计算岩爆灾害形成全过程其余时刻的参数信息与岩爆发生时刻的欧氏距离进行相似度度量，最终再将计算的欧式距离度量值归一化[0，1]之间，该数值越小表示该时刻的震源参数与岩爆发生时刻参数距离越近，相似度越高，则表明岩爆发生风险可能性越大，岩爆发生时刻该数值为0；最后，将岩爆危险度定义为(1
‑
归一化后的欧氏距离)
×
100％，即岩爆发生时刻的危险度为100％。
[0016]作为优选，步骤三中，具体方法为：采用下述公式将累计事件数、累计能量释放和累计视体积参数量值缩放至0～1之间：
[0017][0018]其中，X为累计事件数、累计能量释放或累计视体积的值，表示处理后的值。
[0019]作为优选，步骤五的多元平行时间序列预测模型中，将一系列过去观测值作为输入，并输出下一时间步的预测值；模型输入的向量为观测值序列，紧接着连接卷积层、池化层、展平层和全连接层，展平层用于将特征映射简化为一个一维向量，全连接层用于解释模型卷积部分提取的特征，并获得输出结果，即下一步预测值。
[0020]作为优选，卷积层包括第一卷积层和第二卷积层，第一卷积层用于拓展特征的深度，第二卷积层用于从第一卷积层的输出提取到最显著的特征。
[0021]本专利技术的有益效果为：
[0022]多元平行时间序列预测模型的样本数据库训练集与测试集并未按照传统按比例分配方式，而是将每次岩爆灾害看作一个单独的整体。在模型训练过程中，训练集并不是简单将数据进行合并训练，而是随机选取训练集中的某一次岩爆灾害数据进行模型训练，待该数据训练完成后随机选取余下的岩爆灾害数据依次代入模型进行迭代训练，直至所有岩爆灾害数据均输入模型完成训练，一定程度上提高了模型预测的准确性。
[0023]模型输入数据时为多个时间序列的并行输入，在模型输出时，特征分别映射了多个独立的全连接层，即分别输出多变量下一时间步的预测值。它可以提供更大的灵活性或更好的性能，这取决于所建模问题的具体情况。多元平行时间序列预测模型可以支持多个时间序列数据预测，加快了数据获取的效率，一定程度上提高了岩爆预警的时效性。
附图说明
[0024]图1为实施例1中一种基于时间序列模型的多参数岩爆风险预测方法的流程图；
[0025]图2为实施例1中数据处理结果示意图；
[0026]图3为实施例1中模型结构示意图；
[0027]图4为实施例2中多元平行序列模型对测试集的预测结果示意图；
[0028]图5为实施例2中累积视体积和能量指数对应的未来时间段内的数据演化示意图。
具体实施方式
[0029]为进一步了解本专利技术的内容，结合附图和实施例对本专利技术作详细描述。应当理解的是，实施例仅仅是对本专利技术进行解释而并非限定。
[0030]实施例1
[0031]如图1所示，本实施例提供了一种基于时间序列模型的多参数岩爆风险预测方法，其包括以下步骤：
[0032]步骤一：对每一次岩爆灾害形成全过程的微震数据进行等时化处理，结合震源定位计算和现场实际岩爆灾害发生位置，将属于整个岩爆灾害形成全过程的微破裂事件与其他非岩爆区域的微破裂事件进行区分；对岩爆灾害形成全过程实现等时化，以1个小时为间隔，即每天均匀划分为24个小时，岩爆灾害形成全过程的微破裂事件参数信息分布于等时化后的时间坐标轴下；对于1个小时内多次发生的微破裂事件，以事件数、能量释本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列模型的多参数岩爆风险预测方法，其特征在于：包括以下步骤：步骤一：对每一次岩爆灾害形成全过程的微震数据进行等时化处理，使每一个小时对应一个事件数、能量释放和视体积的值；步骤二：对每一次岩爆灾害形成全过程的微破裂事件数、能量释放和视体积进行归一化，使其值均分布于0到1之间；步骤三：将累计事件数、累计能量释放和累计视体积的值缩放至0～1之间；步骤四：根据步骤一～三的处理结果，建立累计视体积与能量指数变化趋势的数据样本库，用于元平行时间序列数据的单步或多步预测；步骤五：基于卷积神经网络建立多元平行时间序列预测模型；步骤六：将每次岩爆灾害看作一个单独的整体，选取岩爆灾害作为样本训练集；随机选取样本训练集中的某一次岩爆灾害数据进行模型训练，待训练完成后随机选取余下的岩爆灾害数据依次代入模型进行迭代训练，直至所有岩爆灾害数据均输入模型完成训练；步骤七：输入累计视体积和能量指数的多个平行时间序列，输出为这2个微震参数变量对应的未来时间段内的数据演化，从而预测岩爆风险。2.根据权利要求1所述的一种基于时间序列模型的多参数岩爆风险预测方法，其特征在于：步骤一中，具体方法为：结合震源定位计算和现场实际岩爆灾害发生位置，将属于整个岩爆灾害形成全过程的微破裂事件与其他非岩爆区域的微破裂事件进行区分；对岩爆灾害形成全过程实现等时化，以1个小时为间隔，即每天均匀划分为24个小时，岩爆灾害形成全过程的微破裂事件参数信息分布于等时化后的时间坐标轴下；对于1个小时内多次发生的微破裂事件，以事件数、能量释放和视体积的值作为该小时所对应参数的数值，对于未发生微破裂事件的时间段则为0，最终，每一个小时对应一个事件数、能...

【专利技术属性】
技术研发人员：马春驰，袁炀，许韦豪，徐洪伟，张航，蔡胡阳，李天斌，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：