煤矿深部开采冲击地压危险预测的选题研究.pdfVIP

题目：煤矿深部开采冲击地压危险预测的选题研究

关键词：多维泰勒网；干扰信号；SARIMA模型；卷积神经网络；特征提取

摘要：

本文针对煤矿深部开采冲击低压的危险预测问题，采用多维泰勒网的时间序列

预测模型、SARIMA模型和卷积神经网络等方法，借助MATLAB等软件首先提取

了干扰信号数据的特征信息，并对干扰信号所在的时间区间进行了识别；其次通过

提取前兆特征信号数据的特征信息，预测了其变化趋势，并对前兆特征信号所在的

时间区间进行了预测识别；最后预测了每个时间段最后时刻出现前兆特征数据的概

率，旨在为保障煤矿安全生产提供一定的理论参考和实践指导。

针对问题一，基于干扰信号特征提取及时间区间的预测识别问题。首先，提取

附件1-2数据，通过对原始数据集进行预处理，其次根据不同的情况采用分箱、等

方法处理，对分类变量进行编码，并对数据进行归一化处理。然后根据干扰信号数

据的特点构建多维泰勒网的时间序列预测模型，提取干扰信号数据的特征见错误!未

找到引用源。，得到干扰信号数据的显著性特征为幅度前兆度、频率偏差度、信号失

真度及年周期性。预测得到最早发生干扰信号所在的时间区间如错误!未找到引用源。

-6所示。此外，对预测结果进行可视化处理如错误!未找到引用源。所示，从电磁辐

射和声发射序列预测图中可以看出，模型对数据拟合的吻合都非常好。

针对问题二，基于前兆信号变化趋势及时间区间的预测识别问题。首先，本文

采用季节性自回归移动平均（SARIMA）模型对前兆特征进行了深入的特征提取，

基于建立的季节性时间序列模型提取前兆特征数据的特征如错误!未找到引用源。所

示，确定前兆特征数据的显著性特征信息为幅度前兆度、频率偏差度、信号失真度

及年周期性。其次在模型构建过程中，进行了参数估计，并对残差及拟合优度进行

了检验，以确保模型的泛化能力和准确性。然后通过模型优化处理，成功提取出了

前兆特征数据信号的变化趋势，如错误!未找到引用源。所示。最后得到电磁辐射和

声发射最早发生前兆特征信号所在的时间区间见错误!未找到引用源。-10。

针对问题三，基于出现前兆特征数据的概率预警问题。首先，本文应用卷积神

经网络（CNN）构建前兆特征识别与危险概率预测模型。然后通过将离散数据特征

扩展到连续时间数据序列，得到基于递归神经网络模型的前兆特征识别如错误!未找

到引用源。所示。其次，通过设置不同的数据预处理参数、卷积神经网络参数以及

池化层的引入对特征识别结果AUC值进行模型校准，实验结果如错误!未找到引用

源。所示。其中特征识别结果的最高AUC值为0.790，以及相应的最高特征识别结

果的校准值0.797。最后，得到电磁辐射和声发射采集数据所在时刻出现前兆特征的

概率如错误!未找到引用源。所示。

一、问题重述

1.1问题背景

煤矿深部开采过程中，随着开采深度的增加，地压问题日益突出，特别是冲击地压

作为一种突发性、破坏性强的动力现象，对矿工安全和矿井生产构成严重威胁。冲击地

压的发生往往与煤矿开采过程中的多种因素有关，如地质构造、开采布局、开采深度、

应力集中等。因此，对煤矿深部开采中的冲击地压危险进行有效预测，对于保障煤矿安

全生产具有重要意义。

在预测冲击地压危险的过程中，探测信号的特征识别分析扮演着至关重要的角色。

通过分析地音、微震、应力等信号，可以揭示岩体内部结构的动态变化和能量积累过程，

从而对冲击地压的可能性进行评估。深度学习作为一种强大的信号处理工具，尤其适用

于非平稳信号的时频分析，已被广泛应用于地球物理、生物医学信号处理等领域。在煤

矿冲击地压预测中，深度学习可以用来识别和提取岩体破裂过程中的微弱信号，提高预

测的准确性。

1.2文献综述

（1）地压监测技术：地压监测是预测冲击地压的基础。文献中介绍了多种地压监测

技术，包括应力监测、微震监测、电磁辐射监测等，这些技术能够提供地压变化的直接

[1]

信息。

（2）信号处理方法：在信号处理方面，除了小波分析，还有其他技术可用于特征识

别分析，如傅里叶变换、短时傅里叶变换、Wigner-Ville分布等时频分析方法，它们在

[2]

处理线性和非线性信号中都有应用。

（3）非线性动态系统分析：冲击地压作为一种非线性动力现象，其预测方法涉及非

线性动态系统理论。文献中提到了利用非线性时间序列分析、混沌理论等方法对地压