文摘

微地震监测是一个岩石破裂监测技术,它已成为一个主要的技术工具地下灾害预警和预防。然而,大量的数据参与多点监测微震的研究增加了困难当研究对象涉及大型复杂地下工程在时间和空间尺度上。岩爆的风险预测基于微震的参数只依靠经验的研究由人为因素和主观因素。因变量不能声和能量信号相关函数方程的形式。因此,我们收集了大量的微震的数据获得的工作面临Shoushan我平顶山煤集团在中国和过滤数据,然后建造了一个预测模型基于地下空间三维坐标的微震的数据使用遗传编程(GP),可以实现微地震信号的实时监测和灾害预警。我们建立了大小和能量预测公式通过GP和获得实时的最优个体的每个参数的进化。结果表明,工作面临的实际地震和能源数据表现出良好的协议与预测的预测公式。高能源和地震分布引起的矿山压力的边缘工作面临着由于开挖卸荷的影响表面,以及能源和地震预测的进化医生也可以显示这一现象。

1。介绍

在中国的14^th五年计划,科学技术发展重点前沿领域,即。,地球深处,深海、航空和航天技术(1]。深层地下空间有丰富的煤炭、石油、和非常规天然气资源,但它也在复杂地质条件下高地应力、流体压力、温度与强大的采矿扰动(2- - - - - -4]。因此,能源开采是非常容易岩爆和其他动态风险,这成为一个挑战的有效发展深层地球资源(5- - - - - -9]。

微地震监测技术是一种岩石裂缝监测技术,已成为一个主要的技术工具,早期预警和预防井下灾害(10- - - - - -12]。基于声学和能量信号通过在破裂岩体,分析源特征和评估岩体的破坏,因此提供了一个理论依据控制岩石动态风险(13,14]。许多学者评价储层稳定性和基于微震的生产状况监控(15- - - - - -17]。唐et al。18]分析了岩爆的分布多面板和multistope同时开采的地区和设计传感器网络空间布置方案与优化的多个微地震监测系统。麦克斯韦et al。19变形监测在Yibal油田等领域通过确定微震的信号特征和相应的微震的来源。唐et al。20.]分析了隧道岩爆机制通过微震的监测,并指出诱发的岩爆岩石和围岩之间的相互作用和变形本地化。Zhang et al。21)利用微震监测系统获得微震的能源在采矿和定义新的岩爆预测参数。他们建立了微震的能源之间的关系和岩石损伤有效评估煤岩体的稳定性。

声和能源数据获得微地震监测提供了一种有效的预警和预防和控制数据库的动态危害。然而,大量的数据参与多点监控提出了微震的研究,因为研究对象的困难通常涉及复杂的地下工程在大时间和空间尺度上的。此外,岩爆的风险预测基于微震的参数只依赖于研究者的经验,极大地影响了人类的主观因素(22]。因此,使用机器学习算法来处理微震的数据已经成为一个研究热点23- - - - - -25]。它还可以确保数据的准确度和精密度。王等人。26)提出了一个自我优化机制,介绍了机器学习算法称为自动检测网络,可以实时监测微震的信号。唐et al。27)提出了一种新的端到端培训网络体系结构自动识别微震的信号。智能微地震监测的准确性大大提高了自主调整因变量的重量不增加计算成本。马等。28)用数值方法模拟煤层地板的渐进损伤在采矿和构造微地震监测系统。他们利用虚拟现实技术实现三维可视化微震的监测和分析的损伤特征地板更准确。

当前学者们使用有效的微震的处理数据的机器学习。然而,大多数的研究往往需要时间找到最优或算法网络结构对微震的信号监控和调优,他们不能与因变量的声信号和能量泛函方程的形式(29日,30.]。遗传编程(GP)、遗传算法(GA)的延伸,提供了一种新的软计算方法来解决这个方法(31日- - - - - -33]。它不需要用户调整权重,可以自动演化类型,所需模型的结构和参数。它明确地得出预测方程来描述变量之间的关系。GP的有效预测地质力学已被证实(34- - - - - -36]。因此,我们收集了大量的微震的数据获得的工作面临Shoushan我平顶山煤集团在中国和过滤数据,然后建造了一个预测模型基于地下空间三维坐标的微震的数据使用的全科医生。微震的数据得到的预测公式,可以实现微震的数据的实时监测和灾害预警。

2。地质信息

在这项研究中,微震的数据来自12070年和12090年的工作面临Shoushan矿平顶山煤矿集团在中国。Shoushan矿位于平顶山城市的东北部,与轴的6.1公里长在东西方向,4.4公里宽的南北倾向。煤层的平均深度的领域是750米,有一个8°~ 12°倾角。煤层H₁₅和H_{16 - 17}都是煤层与爆发的风险。12070工作面位于Shoushan煤矿的六角形的东部矿区,罢工1 580 m的长度和设计开采240米的长度。H的煤层_{15 - 17日}与矿业开采高度4.0米。屋顶和地板的综合柱状图12070年石板煤层工作面图所示1。12090工作面平均埋深455米,平均煤厚度为4.5米。围岩一般单斜结构稍微向西倾斜。大约10°倾角。原始瓦斯含量是4.32米³/ t,普氏的煤层是0.17。气体压力测量为0.21 MPa。根据可用的地质数据,没有明显的结构在这工作的脸,但板块起伏的顶部和底部。它有一定的对开挖的影响。煤层顶底板岩性的石板在12090工作面表所示1。在这项研究中,7851年附近微震的数据12070年和12090年面临着选择工作在这项研究中,和他们的分布从0.41到6.86级。微地震数据的深度分布,从0到-1400。传感器记录数据的规则是,当超过设定的阈值,任何传感器接收信号的数据从500年前女士1000毫秒后接收这个信号被截获所有传感器作为微震的数据。下一步是过滤能源和级数据现场微震的数据监控获得的排除噪声的干扰。

3所示。样本数据的过滤

原始微震的波形从传感器获得包含大量背景噪音,所以原始波形需要过滤。过滤是一种操作,过滤掉某些波频率(高或低频)从信号中提取所需的信号37]。一般来说,高频信号图像重要的点在图像灰度变化和现在的轮廓或噪音,而低频信号显示平面和无关紧要的灰度图像的变化。根据图像的高、低频率,相应的高和低通滤波器可以设计。高通滤波图像中检测到夏普和明显的变化,而低通滤波的图像平滑和滤除图像中的噪声。过滤器通常是设计为一个离散时间系统。所以系统的输入是一个时间序列 ,和输出 。 与可以表示如下(38]: 在哪里表示输入和输出之间的反应,表示卷积信号表示加性噪声引起的反滤波实现最好的恢复平滑度规。不与 。上述方程可以得到的傅里叶变换: 在哪里滤波器的传递函数,反映了滤波器的频率特性。加性噪声的功率谱。

低通滤波包括线性均值滤波器,高斯滤波器,非线性双边滤波,中值滤波;高通滤波基于精明和索贝尔算子有各种过滤器。高低通滤波算法往往相互矛盾,所以常常需要减少噪音低通滤波前边缘检测和调整参数来处理更多的噪点不丢失高频边缘(39]。

理想低通滤波器模型可以表示如下: 在哪里通频带半径, 的距离谱的中心,也被称为欧氏距离;它可以计算如下: ,在哪里和表示频谱图像的大小,( )表示频谱的中心。

高斯低通滤波器可以表示如下:

获得低通滤波器表达式后,高通滤波器表达式可以被减去低通滤波器构造模型1。

为了更好的去除噪声、响应函数需要不断调整。因此,卷积函数需要进一步提高输入信号根据输出:

频率域的滤波函数可以表示如下: 在哪里和表示的傅里叶变换和在频率域,和表示输入的功率谱函数和加性噪声分别在频率领域。表示共轭复数。方程(6)可以进一步改写如下: 在哪里 表示的信噪比。当信噪比趋于无穷时,即,the noise closes to zero, the above equation is equal to 1, so the filtering is simplified as an inverse filtering process. However, when the noise increases, the signal-to-noise ratio decreases, and the values of the above parameters decrease as well. This suggested that the bandpass frequency of the filtering depends on the signal-to-noise ratio. Substituting Equation (7)方程(5),输入信号在频率领域可以获得:

在获得 ,反褶积的结果可以通过傅里叶变化。

最初的微震的波形从传感器获得的是过滤、微震的能量和获得级数据如图2和3。过滤后的数据将被用来建立一个预测模型通过GP在下一节能量和级数据。

4所示。能源和震级预测建模

全科医生,作为一个改善遗传算法(40),已广泛应用于岩土工程储层力学预测和模拟(41- - - - - -43]。原则是基于适者生存的遗传法,模拟了繁殖和种群的进化(例如,复制、交叉和变异)来生成最优个体对于给定条件。与GA相比,医生利用树结构编码代表个人在一个人口而不是二进制代码行GA (35,44]。树结构的个体由预测变量,数学符号,数字,输出变量的表达式可以构造下固定输出规则。遗传算子(复制、交叉和变异等)上使用树形结构的个体人口创造新的后代项目。它可以产生最好的个体,也被称为最高的个人健康,也就是说。与最好的预测方程,适者生存的法则下(45]。的总和之间的绝对误差测量和预测个体的值( )作为衡量健康的医生。这意味着更低对应于一个更高的健身,方程可以表示如下: 在哪里通过微震的数据字段;是微震的数据预测的全科医生。样本的总体数量。

表2显示了GP建模中使用的参数。在这项研究中,三维坐标( , ,和 )地下空间作为预测变量,和能源和级数据被用作输出变量预测使用坐标。初始化的微震的人口,增加对半方法用于生成微震的个体具有不同宽度和维度增强多样性(36]。在微震的个人的选择,比赛方法随机选择一定数量的高度适应个人的微震的人口作为父母使用高健身为准绳,然后创建微震的个人使用的后代遗传算子包括复制、交叉和变异36]。最高的健康个体每一代直接进入复制操作符的后代,和复制的数量可以由用户指定。下一代个体,其余位置的微震的人根据编程转基因交叉和变异概率。

子树的选择是交叉随机交叉点(节点)的微震的父母和替换创建新的微震的个体,和交叉如图4(一)。突变是随机突变的选择节点的微震的个人和替换的子树节点使用系统随机生成的微震的个体,和突变如图4 (b)。交叉和变异概率的初始值是系统设置的默认值。变异和交叉概率的初始值设置为0.5,并随时调整人口迭代期间反映了算子的性能。操作员的增加表明,概率产生微震的人比上一代更适应;同时,它的概率减少生产不适应环境的人。最高的微震的个人健身期间获得的最终运行算法GP的预测结果。

能源和级数据分别替换到全科医生,和下面的预测曲线。人口迭代的算法运行的功能可以单独提出,以12090级预测工作面为例子。图5展示了交叉和变异概率的动态演化算法运行期间,累计发生交叉,变异和复制操作符。当高的个人健身人口出现时,复制操作符将引入高健身人士直接复制到下一代增加人口的平均健身,和复制操作符的发生在过去的一代是87。从图可以发现,交叉算子的能力高于变异算子产生高度适应个体在早期迭代的人口。然而,随着人口的发展,健康稳定,个体大小的变异能力需要改善,创造更好的个人。变异算子来创建最好的个人的能力高于交叉在进化后期阶段,与474年和525年出现的交叉和变异算子在过去的一代,分别。

图6显示的最大、最优和种群个体的平均大小和深度在12090 -级建模。随着人口的增加,人口的规模和深度个人增加。级大小的预测表达式,所代表的个体,也逐渐增加的复杂性也逐渐稳定随着世代的增加。图中的紫色曲线代表人口的平均填充率,这是人口的多样性密切相关。平均填充率代表了每个单独的充填程度,和不均衡发展个人的平均填充率很低。在程序的开始,平均填充率提出了一种突然减少,但是减少逐渐趋于平衡。更低的平均填充率意味着更高的人口多样性,这显示了个人的发展不平衡。这种现象与增加对半方法调用生成微震的个体具有不同宽度和维度。图7显示了健身、节点数量和深度进化每一代的最优个体。因为我们用绝对误差的总和( )测量值和预测值之间的个人健身的测量,可以发现,最优个体的健康逐渐增加,显示出持续下降 。最好的个人出现在第90代种群进化,和健身最好的个人为212.20,树的深度是14,节点的数量是24。

最高的树的表达个人级健身结束时生成的人口为给定的3 d坐标迭代环境如图8。获取大小的预测公式,我们遍历从底部和左节点,每个节点根据从下到上,从左到右,直到树的顶端。最后生成的预测公式如表所示3。表3显示了深度,节点数、迭代代,健身(总和_呃),R²的能量,最终预测公式和最优级个人工作的12070年和12090年的脸。从方程,坐标和对能源和更大的影响力大小和显示预测中的一个重要的角色。相比之下, - - - - - -方向不显示能源和大小之间的显著差异,所以 - - - - - -协调不出现在预测公式大小和能量。用坐标到预测公式,获得的能量和数据级两个工作表面数据所示9和10。由于开挖卸荷影响工作面,矿山压力会导致高能源和级的边缘工作面,和能量级进化预测的医生也可以描述这一现象。比较图3,图4,图9与图10,可以发现,实际的大小和能源数据的工作面很适合预测数据,和没有显示一个精确的适合由于获得大量的数据,但它是在可接受的范围之内的。这意味着医生显示了良好的性能预测和级信号的能量。

5。结论

在这项研究中,我们建立了大小和能量预测公式通过GP和获得每个参数的实时演化的最优个体基于大量的能量和数据级的12070年和12090年工作面临Shoushan矿平顶山煤矿集团在中国。数据过滤和微地震数据的预测模型构建是基于地下空间三维坐标。本研究的主要结论如下:(我)自从原始微震的波形包含大量背景噪音,最初的波形是过滤。滤波函数设计的函数进行卷积在频率域,输入信号根据输出,可以不断提高和反褶积后可以通过傅里叶变化,然后是噪声消除(2)大小和能源预测公式建立了GP。每个参数的实时演化的最优个体。工作面临的实际大小和能源数据显示良好的协议与全科医生预测的预测公式。由于开挖卸荷的影响工作面,矿山压力会导致高能源和级的边缘表面,和能量级进化预测的医生还可以显示这一现象

数据可用性

支持结论的实验数据可从相应的作者的请求。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项研究是由中国国家自然科学基金资助(51874053和51874053),科学研究基金会的煤矿灾害动力学与控制国家重点实验室(2011 da105287-zd201804),和江西省千人才计划项目(jxsq2019102082)。