基于卷积神经网络和注意力机制的冲击地压类型预测算法的制作方法

本发明涉及矿井中冲击地压等危险灾害预警领域，具体为一种基于矿井卷积神经网络和注意力机制的冲击地压类型预测算法。

背景技术：

1、冲击地压是深部煤矿开采过程中典型的危险性灾害，其发生往往造成工作人员的伤亡和巷道的毁坏。防治冲击地压破坏事故的发生，需要准确可靠的分析矿井中具有冲击危险的区域，然后采取适当措施来解除威胁。因此，冲击地压类型的合理划分可以为冲击地压的预防和治理提供重要依据。

2、目前关于冲击地压类型划分和主控因素的研究中，一般都是利用室内实验确定工作面或巷道中煤岩的冲击倾向性，然后基于简化的计算模型、研究理论和现场经验，针对某一区域的冲击倾向性和冲击地压主控因素进行分析，从而确定冲击地压类型。考虑到冲击地压类型受到顶板、地质构造、煤柱、重力埋深等多种主控因素和采场布设、开采速度等多种影响因素的影响，而以往方法缺少对于矿井地质、开采信息的综合利用，某种经验或理论只能用于某一特殊区域，所以这些冲击地压分类方法的泛化能力很差，而且无法对矿井或工作面精确范围进行实时的冲击地压主控因素评估。

技术实现思路

1、为解决上述问题，本发明提出了基于卷积神经网络和注意力机制的冲击地压类型预测算法，用于预测某一开采工作面在某日回采的回采范围内发生冲击地压的类型，包括如下步骤：

2、s1：提取矿井地质-开采资料信息

3、获取矿井地质构造、巷道、煤柱、已回采工作面信息，确定已回采工作面范围、巷道范围、煤柱范围和地质构造范围，并记录坐标值；确定不同地层的岩性及分布情况，为不同岩性地层匹配抗压强度；获取各已回采工作面的回采信息，包括某日回采进尺、某日回采范围以及当日回采范围内的冲击地压类型；

4、s2：构建工作面地质-开采信息的冲击地压分类数据集

5、针对各已回采工作面，确定其在空间上的工作面范围，匹配各已回采工作面对应的巷道范围、煤柱范围、地质构造范围、自地面到煤层顶板各地层厚度、自地面到煤层顶板各地层抗压强度，并确定各工作面某日回采进尺和某日回采范围；

6、以工作面范围、巷道范围、煤柱范围、地质构造范围、自地面到煤层顶板各地层厚度、自地面到煤层顶板各地层抗压强度、某日回采进尺及某日回采范围为样本特征，以对应的当日的回采范围内的冲击地压类型为样本标签，构建工作面地质-开采信息的冲击地压分类数据集；所述冲击地压类型包括重力型、构造型、顶板型、煤柱型和无冲击地压；

7、s3：确定工作面地质-开采特征向量特征提取算法

8、针对冲击地压分类数据集中样本特征，利用工作面地质-开采特征向量特征提取算法将样本特征映射为工作面地质-开采特征向量；所述的特征提取算法由由输入层和三层一维卷积神经网络组成；

9、s4：确定不同类型冲击地压代表性向量提取算法

10、将样本分为重力型、构造型、顶板型、煤柱型和无冲击地压样本组；使用k-means算法分别对重力型、构造型、顶板型、煤柱型和无冲击地压样本组的地质-开采特征向量进行聚类；选取五个样本组的聚类中心作为代表性向量，最终可得到k1个重力型冲击地压地质-开采信息的代表性向量、k2个构造型冲击地压地质-开采信息的代表性向量、k3个顶板型冲击地压地质-开采信息的代表性向量、k4个煤柱型冲击地压地质-开采信息的代表性向量、k5个无冲击地压地质-开采信息的代表性向量；

11、s5：构建基于注意力机制的冲击地压类型预测算法

12、所构建的基于注意力机制的冲击地压类型预测算法中，以s3中得到的工作面地质-开采特征向量为查询，以s4中不同类型冲击地压代表性向量为关键词，计算工作面地质-开采特征向量与k1+k2+k3+k4+k5个代表性向量之间的余弦相似度，以代表性向量所表示的冲击地压类型为值，根据所计算的余弦相似度匹配工作面地质-开采特征向量与最接近的代表性向量，根据所匹配的代表性向量得到对应的冲击地压类型；

13、s6：基于注意力机制的冲击地压类型预测算法的训练

14、基于s3中得到的工作面地质-开采特征向量，以及s4中获取的不同类型冲击地压对应的代表性向量，对s5构建的基于注意力机制的冲击地压类型预测算法进行训练；利用均方误差损失函数评价预测值与真实值的差距，更新基于注意力机制的冲击地压类型预测算法中的可训练参数，并保存性能最好的算法参数。

15、优选的，步骤s2中，将不同地质-开采信息都设置为[1,50]维的向量，维度不足的用0补充，样本特征为[8,50]维的向量。

16、优选的，步骤s3中，三层一维卷积神经网中卷积核的大小分别为1×1、3×3、1×1，每层一维卷积神经网后会跟随批正则化和relu激活函数，每层一维卷积神经网的输出维度均为[8,64]维；所述特征提取算法输出[8,64]维的工作面地质-开采特征向量。

17、优选的，步骤s4中，五个样本组的聚类中心个数分别为k1＝5、k2＝10、k3＝20，k4＝10和k5＝10个，最大迭代次数为300，所使用的初始化方法为k-means++；每个代表性向量的维度都是[8,64]维；将不同类型冲击地压对应的代表性向量进行拼接后得到[k1+k2+k3+k4+k5,8,64]维的代表性向量。

18、优选的，还包括s7：基于注意力机制的冲击地压类型预测算法的应用

19、按照s1-s2提取某一工作面的工作面范围、巷道范围、煤柱范围、地质构造范围、自地面到煤层顶板各地层厚度、自地面到煤层顶板各地层抗压强度；以及该工作面某日回采进尺及某日回采范围，从而构建一个样本特征；将该样本特征输入到s3中工作面地质-开采特征向量特征提取算法得到工作面地质-开采特征向量；再将工作面地质-开采特征向量输入到s6训练好的基于注意力机制的冲击地压类型预测算法中，对某日回采范围的冲击地压类型进行预测。

20、本发明的有益技术效果：本发明考虑到以往冲击地压类型预测算法泛化能力差，且无法对工作面精确范围进行实时预测的问题，提出了一种基于卷积神经网络和注意力机制的冲击地压类型预测算法；该算法可以根据矿井资料提取矿井地质-开采信息，预测整个工作面范围内或某日工作面开采范围的冲击地压类型，为冲击地压防治提供重要依据。

技术特征：

1.基于卷积神经网络和注意力机制的冲击地压类型预测算法，用于预测某一开采工作面在某日回采的回采范围内发生冲击地压的类型，其特征在于，包括如下步骤：

2.根据权利要求1所述的冲击地压类型预测算法，其特征在于，步骤s2中，将不同地质-开采信息都设置为[1,50]维的向量，维度不足的用0补充，样本特征为[8,50]维的向量。

3.根据权利要求2所述的冲击地压类型预测算法，其特征在于，步骤s3中，三层一维卷积神经网中卷积核的大小分别为1×1、3×3、1×1，每层一维卷积神经网后会跟随批正则化和relu激活函数，每层一维卷积神经网的输出维度均为[8,64]维；所述特征提取算法输出[8,64]维的工作面地质-开采特征向量。

4.根据权利要求3所述的冲击地压类型预测算法，其特征在于，步骤s4中，五个样本组的聚类中心个数分别为k1＝5、k2＝10、k3＝20，k4＝10和k5＝10个，最大迭代次数为300，所使用的初始化方法为k-means++；每个代表性向量的维度都是[8,64]维；将不同类型冲击地压对应的代表性向量进行拼接后得到[k1+k2+k3+k4+k5,8,64]维的代表性向量。

5.根据权利要求1或4所述的冲击地压类型预测算法，其特征在于，还包括s7：基于注意力机制的冲击地压类型预测算法的应用

技术总结
本发明涉及矿井中冲击地压等危险灾害预警领域，具体为一种基于矿井卷积神经网络和注意力机制的冲击地压类型预测算法，用于预测某一开采工作面在某日回采的回采范围内发生冲击地压的类型，包括提取矿井地质‑开采资料信息；构建工作面地质‑开采信息的冲击地压分类数据集；确定工作面地质‑开采特征向量特征提取算法；确定不同类型冲击地压代表性向量提取算法；构建基于注意力机制的冲击地压类型预测算法；基于注意力机制的冲击地压类型预测算法的训练；基于注意力机制的冲击地压类型预测算法的应用。本发明的算法可以根据矿井资料提取矿井地质‑开采信息，预测整个工作面范围内或某日工作面开采范围的冲击地压类型，为冲击地压防治提供重要依据。

技术研发人员：张修峰,陈洋,李国营,张海宽,李海涛,李阿涛,王浩,杨洋,石超弘
受保护的技术使用者：山东能源集团有限公司
技术研发日：
技术公布日：2024/11/18