一种融合开采信息与地质信息的煤矿微震区域定位方法

本发明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。

背景技术：

1、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。

2、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。

技术实现思路

1、本发明的目的是提供一种融合开采信息与地质信息的煤矿微震区域定位方法，该方法使用相对距离定位的方法来辅助定位，可以降低由于地质条件、微震波传播路径和台站部署方式对定位精度的影响，从而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。

2、为了实现上述目的，本发明提供一种融合开采信息与地质信息的煤矿微震区域定位方法，包括以下步骤：

3、步骤1、矿震数据采集：在采煤工作面四周安装台站ti，i＝(1,2,3,4)，对应台站的微震传感器将采集到的采煤工作面开采信息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；

4、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、去噪等操作；时频分析包括利用傅里叶变换、小波变换等方法，对微震波形数据进行时频分析，以分离出有效信息；

5、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uj，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.根据采煤工作面的地质信息，在采煤工作面中的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(将不同编号的微震事件放到不同的文件夹中)，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；

6、步骤4、建立微震波形区域定位模型：根据微震波形的特征专门设计了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；

7、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。

8、本发明步骤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：

9、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，输入层是本发明深度学习定位模型的第一层，用于接收微震波形数据，本发明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，每个微震事件的波形文件的格式为1000×4个bit的波形数据点，将其转化为深度学习定位模型容易处理的格式，大小为640×480×3的格式，×3代表640×480像素大小图片的rgb三通量值，这样就可以将其视该矩阵数组x为具有高维度特征的单个样本；

10、在输出层之前，还设置残差块，残差块用于捕捉特征和实现残差学习。残差块是深度学习定位模型的基本组成单元，其目的是解决深度神经网络中的梯度消失问题，梯度消失是指，随着网络的加深，反向传播的梯度开始减小，从而使网络的训练难以有效收敛；

11、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、归一化等层；

12、其中卷积层的具体公式为：

13、n＝(w-h)/s+1

14、式中：n为输入数据；

15、h为卷积核；

16、s步长，本发明步长均设置为3；

17、归一化层可以使得某一个特征对最终的结果不会造成更大的影响的公式为：

18、

19、x″＝x′*(mx-mi)+mi

20、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；

21、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；这样可以使得残差块在对残差进行处理时不会使信息丢失，同时也可以有效缓解梯度消失的问题；

22、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：

23、阶段1：包含三个残差块，每个残差块中含有三个卷积层，第一个卷积层的卷积核为1x1，通道数为64；第二个卷积层的卷积核为3x3，通道数为64；第三个卷积层的卷积核为1x1，通道数为256；

24、阶段2：包含四个残差块，每个残差块中含有三个卷积层，第一个卷积层的卷积核为1x1，通道数为128；第二个卷积层的卷积核为3x3，通道数为128；第三个卷积层的卷积核为1x1，通道数为512；

25、阶段3：包含六个残差块，每个残差块中含有三个卷积层，第一个卷积层的卷积核为1x1，通道数为256；第二个卷积层的卷积核为3x3，通道数为256；第三个卷积层的卷积核为1x1，通道数为1024；

26、阶段4：包含三个残差块，每个残差块中含有三个卷积层，第一个卷积层的卷积核为1x1，通道数为512；第二个卷积层的卷积核为3x3，通道数为512；第三个卷积层的卷积核为1x1，通道数为2048；

27、输出层是深度学习定位模型的最后一层，用于预测微震定位，输出层为一个分类层，它将高维度特征向量映射到预测概率分布，本发明使用softmax函数作为激活函数，它会将输出转换为概率分布，softmax函数为：

28、

29、输出层的输出格式是一个9维向量p

30、

31、式中；是每一个区域可能发生的概率；

32、选取其中概率最大的三个区域k、l和o进行输出。

33、本发明步骤5中的相对距离定位算法是基于微震事件到台站的远近关系序列来寻找最优的微震震源发生区域，在井下工作面会布置多个台站，同时对微震事件进行监测和数据采集，当一个微震事件发生时，多个台站将接收到不同的信号，并记录下各自的到时信息，通过分析这些到时信息，可以计算出各个台站之间的距离差，由于这种彼此之间相互的距离差能够在一定程度上反映彼此之间的位置关系，因此通过这些距离差信息，能够将微震事件定位在矿区内的具体位置；

34、首先计算每一个子正方形区域中心对于各台站的相对距离参数集合rj

35、

36、式中：为j区域对于i台站的相对距离参数；

37、j区域为步骤3中划分的十个区域，十个区域中包含三个概率最大的区域；

38、设待定位震源为z，计算待定位震源z的相对距离值集合为与步骤4中区域定位模型输出的概率最大的三个区域k、l和o的相对距离值集合rk、rl和ro分别与rz进行协方差的计算，并比较其绝对值大小，协方差的计算公式如下：

39、

40、

41、

42、式中：分别为三个区域k、l和o和待定位震源z对于不同台站的相对距离值；选择协方差绝对值更大的区域作为最终预测区域；

43、本步骤中相对距离值的详细计算方法如下：

44、基于微震事件到台站的远近关系序列不同，对待测区域uj，j＝(0,1,2,…,9)和将接收到微震信号的台站ti，i＝(1,2,3,4)进行排序获得签名签名即所有节点到某一节点远近关系序列的排序，节点u5的签名即计算出各个台站与待测区域的签名距离d，台站与待测区域之间的签名距离等于显式翻转隐式翻转和0.5倍可能翻转数量的和；其中显式翻转指的是在签名中相同的两节点顺序颠倒的个数，例如中的节点序(u5,t4)在被翻转为(t4,u5)；隐式翻转指的是一个节点存在于签名中却不存在于中的个数，例如中的节点序(t1,t4)在仅有t4而未出现t1；可能翻转指的是两个节点都不在一个签名中无法判断其顺序的个数，例如中的节点序(t1,t2)在未出现，计算后对其签名距离d进行修正，签名距离d能够根据位置和台站关系规范化为

45、

46、

47、式中：是ti和uj的邻居节点并集的数量。

48、与现有技术相比，本发明首先通过微震波形区域定位模型对煤矿微震发生概率最高的区域进行定位，然后通过相对距离定位算法对概率最高的区域进行具体定位由此得出最优的微震发生区域，本发明能从采煤工作面开采信息与地质信息的大量数据中自动学习有用的特征，不需要过多的专家知识，使其在传统方法微震定位能力不足时，也能够进行相对精准的微震区域定位，为微震定位提供区域预测，其中，本发明的区域定位模型是通过深度学习方法构建而成，深度学习方法具有较强的泛化能力，能够很好地适应新的数据，也能够很好的适应噪声和数据缺失的情况，稳健性更好；本发明的相对距离定位算法可以通过多个台站之间的距离差来计算微震事件的位置，可以减少地质条件、微震波传播路径和台站部署方式对定位精度的影响，从而提高定位的精度。