Prediction of rockburst intensity grade based on convolutional neural network
-
摘要: 岩爆是深部资源开采过程中亟待解决的问题之一。为安全高效地预测岩爆灾害，提出一种基于链式方程多重插补法(MICE)与卷积神经网络(CNN)的岩爆烈度等级预测模型(MICE-CNN)。基于岩爆的主要影响因素与获取条件，建立预测指标体系，搜集120组岩爆案例原始数据，运用拉依达准则进行异常值处理，应用MICE选取RF、BLR、ET、KNN 4种插补模型进行缺失值插补，结合Mean、Median 2种传统插补方法，依据RMES选取最优模型进行数据插补得到完整数据集，将数据平铺为6×1×1的一维图像数据作为输入层，结合输入层大小进行计算，确定卷积核与池化核大小为3×1，特征边缘处理方法为前后补零。添加批量归一化层增加模型稳定性与收敛速度，优选ReLU激活函数、SGDM优化器函数。对CNN预测模型进行训练，训练集与验证集的准确率分别为100%、91.67%。建立RBF、SVM与PNN模型，分别对3个模型与CNN模型输入测试集数据进行对比验证，CNN模型预测结果准确率高于其他模型，为91.67%；对比PNN模型与CNN模型的混淆矩阵，CNN模型误判结果比实际结果岩爆程度高，即误判后的安全性更好，表明MICE-CNN岩爆等级预测模型切实可行。Abstract: Rockburst is one of the urgent problems to be addressed in the process of deep resource extraction. In order to predict the rockburst disasters safely and efficiently, a rockburst intensity grade prediction model (MICE-CNN) based on the Multiple Imputation by Chained Equations (MICE) and Convolutional Neural Network (CNN) was proposed. Specifically, a predictive indicator system was established based on the main influencing factors and the acquisition conditions of rockburst. A total of 120 sets of raw data from rockburst cases were collected, with the outliers processed by pauta criterion. Then, the missing data were interpolated with the four interpolation models of RF, BLR, ET and KNN, which were selected using MICE. Besides, data interpolation was performed with the optimal model selected according to RMES, in combination with the two traditional interpolation methods (Mean and Median), resulting in a complete data set. In addition, the data were flattened into a 6×1×1 one-dimensional image data as the input layer, and the sizes of the convolutional kernel and pooling kernel were calculated to be 3×1 based on the size of the input layer. Moreover, zero-padding was applied for the feature edge processing. Batch normalization layers were added to improve the model stability and convergence speed. Thus, ReLU activation function and SGDM optimizer function were selected. Further, the CNN prediction model was trained, with accuracy rates of 100% for the training set and 91.67% for the validation set. Meanwhile, the RBF, SVM and PNN models were established for the comparison and verification of their test set data with that of the CNN model. Generally, the CNN model shows higher accuracy (91.67%) than the other models. By comparing the confusion matrix of the PNN model with the CNN model, it is found that the CNN model tends to overestimate the degree of rockburst compared to the actual results, indicating better safety after misjudgment. This demonstrates the feasibility of the MICE-CNN prediction model of rockburst intensity grade.
-
Keywords:
- rockburst /
- intensity grade /
- indicator system /
- data interpolation /
- deep learning /
- prediction model
-
煤矿井下煤与瓦斯突出、突水是煤矿生产过程中的主要灾害，在碎软煤层中尤为突出，这类煤矿的数量很多，占比也很高[1]。利用近水平定向钻孔抽采瓦斯、进行探放水是保障煤矿安全的有效方法[2-3]。煤矿碎软煤层煤质软、破碎、透气性较差，顺煤层钻进时煤层处于欠平衡状态，尤其采用孔底液动螺杆定向钻进施工时，经常出现坍塌卡钻、沉渣卡钻，造成卡钻埋钻事故[4-5]；采用水力驱动螺杆马达的高压水也极容易造成塌孔无法成孔[6-8]。针对碎软煤层定向钻进遇到的问题，科技人员开展了大量的研究工作，在碎软煤层钻进中，采用风压空气钻进技术[9]，解决上述问题，在淮南、淮北等矿区碎软煤层中广泛应用，最深孔达到了400多m，已成为碎软煤层钻孔施工的主要技术，取得了良好的应用效果。电磁波随钻测量技术既适用液动螺杆钻进，还适用风动螺杆钻进，可以弥补液动随钻测量系统的不足，是解决钻孔横穿软煤工作面的设备保障[10-11]。
电磁波随钻测量技术主要是依靠地层介质和钻杆来进行数据传输，在孔中将测量的数据加载到电磁波载波信号上，电磁波载波信号沿着地层和钻杆向孔口传播，在孔口将检测到的电磁波中的测量信号卸载解码、计算得到姿态测量数据[12-13]。
电磁波随钻测量技术的姿态测量精度直接决定了定向钻孔的施工效果，姿态测量精度偏差大，会对钻孔定向指导造成极大的影响。笔者将无线电磁波全过程影响姿态精度的因素逐条进行论述分析，提出影响姿态精度的因素和相应的解决对策方案，确保电磁波随钻测量系统的测量精度满足定向钻进要求。
1 钻孔姿态测量与定向钻进技术
钻孔姿态可以用倾角和方位角2个参数来确定。用仪器轴线OP与水平面的锐夹角$ \beta $表示倾斜角，称$ \beta $为倾角。物体轴线OP在水平面上的投影OP'与地球磁北方向ON顺时针计量的夹角$ \alpha $，即为磁方位角$ \alpha $(磁方位角经过大地磁偏角校正后为方位角)[14]，如图 1所示。
钻孔轨迹即钻头在钻进过程中形成的空间钻孔路径。以测点为基础绘制的钻孔轨迹基本为折线，钻孔轨迹与实际轨迹吻合程度取决于测点的密集程度。在造斜组合钻具中，弯曲工具的2个轴线组成的平面，定义为工具面，工具面与铅垂面夹角为工具面向角，定义沿钻进方向顺时针旋转增加，如图 2中所示。
电磁波随钻测量系统的姿态测量组件是由三轴磁通门传感器和三轴重力加速度计组成，3个相互垂直的坐标轴分别安装加速度传感器和磁传感器，构成姿态测量系统，通过坐标旋转确定唯一的钻孔姿态参数[15-16]，如图 3所示。
加速度传感器和磁传感器测量不同方向上的重力分量和磁场分量，根据下面4个公式计算得出倾角$ \beta $、方位角$ \alpha $和工具面角$ \gamma $数值[17]。
$$ \beta {\text{ = }}\arctan \frac{{ - {G_y}}}{{\sqrt {\left( {G_x^2 + G_z^2} \right)} }} \beta \in \left[ { - \frac{{\text{π }}}{{\text{2}}}, \frac{{\text{π }}}{{\text{2}}}} \right] $$ (1) $$ \alpha = \arctan \left[ {\frac{{{G_0}\left( {{B_z}{G_x} - {B_x}{G_z}} \right)}}{{{B_y}\left( {G_x^2 + G_z^2} \right) - {G_y}\left( {{B_x}{G_x} - {B_z}{G_z}} \right)}}} \right] $$ (2) $$ \gamma = \arctan \left( {\frac{{ - {G_x}}}{{ - {G_z}}}} \right) \gamma \in \left[ {0, 2{\text{π }}} \right] $$ (3) $$ {G_0} = \sqrt {G_x^2 + G_y^2 + G_z^2} $$ (4) 式中：Gx、Gy、Gz为加速度传感器所在轴的3个分量测量值，m/s2；Bx、By、Bz为地磁场的3个分量测量值，T；G0为重力加速度值，m/s2。
定向钻进过程中，一般3 m或6 m测量一次钻孔轨迹，轨迹计算时，将2个相邻测点的姿态值的平均值作为进尺的姿态值计算直线段，设测点Pi的坐标($ {X_i} $, $ {Y_i} $, $ {Z_i} $)，则其坐标计算如下[18]。
$$ {X_i} = \sum\limits_{i = 0}^n {\Delta L\cos \frac{{{\beta _i} + {\beta _{i - 1}}}}{2}} \cos \left( {\frac{{{\alpha _i} + {\alpha _{i - 1}}}}{2} - \lambda } \right) $$ (5) $$ {Y_i} = \sum\limits_{i = 0}^n {\Delta L\cos \frac{{{\beta _i} + {\beta _{i - 1}}}}{2}} \sin \left( {\frac{{{\alpha _i} + {\alpha _{i - 1}}}}{2} - \lambda } \right) $$ (6) $$ {Z_i} = \sum\limits_{i = 0}^n {\Delta L\sin \frac{{{\beta _i} + {\beta _{i - 1}}}}{2}} $$ (7) 式中：ΔL为测点之间的距离，m；λ为主设计方位角，(°)。
定向钻进是通过改变造斜件螺杆弯角工具面来造斜，利用钻孔造斜轨迹设计来实现，如图 4所示。
按照常规定义，当工具面调整到Ⅰ、Ⅳ区域里时，倾角增大，工具面调整到Ⅱ、Ⅲ区域里时，倾角减小[19-20]。当工具面向角为0°或180°时，造斜强度最大。当工具面调整到Ⅰ、Ⅱ区域里时，方位向右，工具面调整到Ⅲ、Ⅳ区域里时，方位角向左。当工具面向角为90°或270°时，则左右强度最大。
2 设计精度影响因素与解决方案
无线电磁波随钻测量系统姿态测量精度影响因素可分为测量短节设计精度和系统应用引入误差精度。测量短节设计精度主要有以下方面：
① 传感器和基准电源器件自身精度受到元器件制作时工艺不同引起的误差，选择不同的测量传感器，其稳定性、温度特性、响应时间及抗冲击能力等都不同，这些差异都会影响传感器测量精度。因此，设计时，应优先采用品牌较好的器件，必要时对批次进行测试核准。
② 测斜仪结构系统误差主要是由于测量系统传感器敏感轴的不正交、与仪器坐标轴不重合等因素引起的，不正交角和不重合角实际都是小角度，很难或几乎不能通过测量确定，而且是非线性问题，通过分析，采用最优化技术的无约束条件下多变量函数的寻优方法，变量轮换法确定不正交角，单纯形加速法确定不重合角，能有效地确定这些参数，从而达到校正精度[21]。
③ 随机振动和采集不当带来的误差由于测量传感器在采集时，受到瞬间干扰或特殊振动等，使得采集到的样点数据不准从而带来误差。这种误差需要建立采集样点数据判别准则和一次多样点的方式采集数据，进行判别、剔除解决。具体是采用软件设计同一点静态下采集多次样点数据，对采集样点异常点自动剔除，对采集样点稳定部分的数据再进行均值处理，理论上，测量数据越多，准确率越高。
④ 传感器干扰传感器在使用、运输过程中，尤其是磁传感器抗磁干扰性能差，容易受到外界强磁环境影响，发生超差的情况。这种情况一般在测量短节设计时，在传感器外围增加消磁电路和采用误差修正来解决外界对传感器的影响。
⑤ 普通钢质钻杆对测量短节的干扰钢质钻杆距离测量短节较近时，会使测量短节周围的磁环境发生畸变，测量短节测量的精度也会受到影响。通常采用的办法是增加上下无磁钻杆，在设计时根据钻杆的磁性情况以及测量短节对应精度要求，确定无磁钻杆配备长度，减少误差。
⑥ 测量短节标定在出厂时对测量短节进行标定，用于补偿磁传感器、加速度传感器因安装、漂移和随机误差等引入的误差[22]。出厂测量短节标定的精度要求、标定现场磁环境、标定台架、标定数据密度等都影响着数据的精度。这个环节是测量短节出厂前必备的环节，也是测量短节出厂前的综合校准环节。
以上6种影响因素采取合理的处置方法，在产品结构和工艺定型后，也就确定了测量短节系统的重复误差水平。
3 钻场实钻影响因素及数据分析
在煤矿井下现场实钻时，测量短节与无磁钻杆管间的同轴度也会影响探管测量精度，这些影响因素有的还导致较严重精度误差，以往认为测量短节精度就是轨迹测量精度，致使这部分误差容易被忽视。当这种情况严重时，测量结果会被判定为测量系统故障。这也就是常说的“孔中不准，标定架上准”的原因。
如某矿井实施无线电磁波定向钻进作业，在钻进过程中，发现相邻的不同测量点倾角数据变化过大。通常钻孔倾角弯曲强度应不大于0.05 rad/6 m (3°/6 m)；钻孔方位角弯曲强度应不大于0.035 rad/6 m(2°/6 m)。现场测量数据不符合弯曲强度要求，钻孔测量人员对测试数据分析后，质疑无线电磁波随钻测量系统的可靠性。
测试人员收集原始数据、测试情况和井下工况条件。在井下钻场，现有钻孔深度(100 m)位置，钻机处于未给进状态，连续多圈旋转钻具实施姿态数据测量。现场采用感应线圈接收方式，随机停机，静置测量了共26组不同工具面的倾角、方位角，数据见表 1。
表 1 同一位置不同工具面实测姿态数据Table 1. The actual attitude data of different tool surfaces at the same position序号 工具面向角/(°) 倾角/(°) 方位角/(°) 1 357.7 –13.5 78.5 2 25.0 –13.6 78.6 3 46.6 –13.7 78.6 4 71.6 –13.8 78.5 5 95.4 –13.8 78.3 6 129.5 –13.6 78.1 7 185.0 –12.8 77.7 8 155.6 –13.4 78.0 9 234.5 –12.2 77.6 10 299.9 –12.6 78.1 11 325.3 –13.0 78.5 12 183.5 –12.8 77.7 13 241.3 –12.2 77.5 14 333.5 –13.2 78.6 15 19.1 –13.6 78.6 16 228.6 –12.2 77.5 18 224.0 –12.3 77.5 19 20.4 –13.6 78.6 20 143.9 –13.5 77.9 21 236.0 –12.2 77.4 22 335.3 –13.2 78.6 23 62.8 –13.9 78.4 24 147.2 –13.4 77.9 25 252.4 –12.2 77.5 26 348.6 –13.4 78.6 由于是随机停机，不同圈数的工具面向角值也是随机产生，实测数据在图表中较为分散，不利于分析。因此，对所有的数据按照工具面向角数据从小到大进行了排列，再按照工具面变化分别对倾角和方位角的数据变化趋势进行成图，如图 5所示。
![]()
图 5 同一位置不同工具面姿态变化Figure 5. Attitude changes of different tool face angles at the same position通过数据分析及曲线，可以看到：
① 尽管是不同圈数的数据，但倾角、方位角的误差变化随着工具面变化有着明显的规律。即倾角在工具面向角70°时呈现低谷，在250°附近呈现高峰。方位角在工具面向角220°附近呈现低谷，在30°呈现高峰。波峰和波谷工具面相差约为180°，能够呈现出较为明显的规律和走势。
② 按照不同时刻测量的数据来分析，不同圈数相近工具面向角测点的倾角最大误差不超过0.1°(工具面向角62.8°和71.6°)，方位角最大误差为0.2°(工具面向角234.5°和236°)。可以看出，无线电磁波系统的重复测量精度对照本文表述的6种设计误差，补偿处理较好，完全满足无线电磁波测量系统设计需求。
针对图 5中的测点变化趋势，分析造成上述原因，初步判定是由于外钻杆与测量短节不同轴造成，不同轴会使图 2和图 3所示模型中的Y轴不垂直于X轴与Z轴的平面。此时，利用式(1)—式(7)计算得出的姿态和轨迹变化量也就不准确。
现场提钻查看测量系统，测量短节与无磁钻杆四周受力不均，拆装时有憋劲情况，主要原因是无磁钻杆变形或内部的测量短节变形，因此，测量短节与无磁钻杆的同轴度已经无法保证。
4 姿态数据误差修正
根据上述分析，数据修正主要依据倾角、方位角的变化趋势，综合考虑变形的原因，建议在无线电磁波测量系统测量工艺中，增加现场校准环节。校准是在钻孔开孔完成后，将电磁波探管随钻进入孔中，正式钻进前，对无线电磁波探管姿态测量进行校准。校准方法是在不给进情况下，在同一钻孔深度(> 10 m)，旋转钻具，在工具面向角0°~360°范围内多次测量倾角、方位角，记录并建立姿态校准数据表。建议标校准数据表中测点数不少于12个点，且尽可能均匀分布到钻杆轴向垂直平面的4个象限(即约每30°，布置1个测点)。考虑到现场情况和操作人员的技术能力，数据修正方式可选择查表补偿法和拟合函数法。
查表补偿法是根据姿态校准数据表，建立工具面的补偿表。补偿表的基值是数据波动的中心值，基值减去校准数据表中不同工具面的倾角和方位角得到的数值确定为补偿值。正常实钻测量时，根据工具面的位置就近查表，在测量的数值上加补偿值即可进行误差修正。这种修正方法，对测点的均匀度和数据要求较高，测点均匀度和数据多少决定了修正的精度高低。该方法虽然操作难度小，但每次需要查表校准。
拟合函数法是利用数据波动规律建立补偿函数，无磁钻杆和测量短节不同轴具有旋转特性，其规律与正弦函数较为接近，因此，采用拟合正弦函数进行补偿。倾角、方位角修正函数的基本幅值为倾角、方位角各自变化的平均值，当标定点在工具面0°~360°范围内分布均匀波峰波谷明显可见时，也可采用1/2波峰和波谷差值。倾角、方位角误差波动值分别按照下面公式计算。
$$ {A_{\Delta \beta }} = \left( {{A_{\beta \max }} - {A_{\beta \min }}} \right) - {A_{\beta \min }} $$ (8) $$ {A_{\Delta \alpha }} = \left( {{A_{\alpha \max }} - {A_{\alpha \min }}} \right) - {A_{\alpha \min }} $$ (9) 式中：$ {A_{\Delta \beta }} $为倾角测量误差波动值，(°)；$ {A_{\beta \max }} $、$ {A_{\beta \min }} $分别为倾角测量最大值、最小值，(°)；$ {A_{\Delta \alpha }} $方位角测量误差波动值，(°)；$ {A_{\alpha \max }} $、$ {A_{\alpha \min }} $分别为方位角测量最大值、最小值，(°)。
初相角的选择是利用角度变化趋势选定，初相角初步选定后，利用建立的数据进行测试，选择修正后的幅度变化最小时的相角作为函数的初相角。基值、波动值、初相角确定后，修正函数也就确定。
$$ {\beta _{\text{c}}} = {\beta _{\text{b}}} + \frac{1}{2}{A_{\Delta \beta }}\sin \left( {x + {\varphi _\beta }} \right) $$ (10) $$ {\alpha _{\text{c}}} = {\alpha _{\text{b}}} + \frac{1}{2}{A_{\Delta \alpha }}\sin \left( {x + {\varphi _\alpha }} \right) $$ (11) 式中：$ {\beta _{\text{c}}} $、$ {\beta _{\text{b}}} $分别为标定后、实测的倾角数据，(°)；$ {\alpha _{\text{c}}} $、$ {\alpha _{\text{b}}} $分别为标定后、实测的方位角数据，(°)；$ {\varphi _\beta } $、$ {\varphi _\alpha } $分别为拟合函数法修正的倾角、方位角初相角，rad。
拟合函数法技术分析难度稍大，但函数确定后，可以导入到定向钻进轨迹设计计算表中，直接按照设计轨迹进行定向钻进，不再需要其他干预。
利用拟合函数法对现场实测的数据进行修正测试。将表 1中的姿态数据代入式(8)、式(9)中，得到倾角补偿函数的幅值为1.6，方位角补偿函数的幅值为1.1。倾角的初相角选择$ \frac{{\text{π }}}{{10}} $，方位角的初相角选择1。将补偿数值和初相角代入式(10)、式(11)计算得到补偿后数据，计算结果见表 2。
表 2 姿态数据修正前后对比Table 2. Comparison table of attitude data before and after correction工具面向角/(°) 倾角/(°) 方位角/(°) 修正前 修正后 修正前 修正后 19.1 –13.6 –13.12 78.6 78.07 20.4 –13.6 –13.10 78.6 78.06 25.0 –13.6 –13.05 78.6 78.05 46.6 –13.7 –12.98 78.6 78.07 62.8 –13.9 –13.11 78.4 77.92 71.6 –13.8 –13.00 78.5 78.07 87.8 –13.9 –13.13 78.3 77.99 95.4 –13.8 –13.07 78.3 78.05 129.5 –13.6 –13.17 78.1 78.17 143.9 –13.5 –13.25 77.9 78.10 147.2 –13.4 –13.20 77.9 78.13 155.6 –13.4 –13.31 78.0 78.30 183.5 –12.8 –13.09 77.7 78.18 185.0 –12.8 –13.11 77.7 78.19 224.0 –12.3 –13.01 77.5 78.04 228.6 –12.2 –12.93 77.5 78.03 228.6 –12.2 –12.93 77.5 78.03 234.5 –12.2 –12.96 77.6 78.11 236.0 –12.2 –12.97 77.4 77.91 241.3 –12.2 –12.99 77.5 77.98 252.4 –12.2 –13.00 77.5 77.92 299.9 –12.6 –13.14 78.1 78.13 325.3 –13.0 –13.23 78.5 78.29 333.5 –13.2 –13.32 78.6 78.32 335.3 –13.2 –13.29 78.6 78.30 348.6 –13.4 –13.31 78.6 78.21 357.7 –13.5 –13.28 78.5 78.05 修正后的倾角、方位角随工具面向角变化趋势，如图 6所示。
从表 2和图 6中可以看出，补偿后倾角精度达到±0.2°，方位角精度达到±0.2°。倾角、方位角在同一位置变化很小，基本不受工具面旋转的影响。补偿后的现场采集数据达到了定向钻进的精度要求。
5 结论
a. 明确了无线电磁波随钻测量系统出厂前器件自身精度、结构系统误差、随机振动和采集不当、传感器干扰、普通钻杆干扰、测量短节标定等的6种影响因素，并给出了相应的处理方法。
b. 根据现场测试数据分析，发现不同工具面倾角和方位角数据具有明显的旋转变化规律，确定误差原因是测量短节与无磁钻杆不同轴造成的；根据数据特性提出现场校准数据采集方法和技术要求。通过数据分析，纠正短节精度就是钻孔测量精度的错误认识。针对不同轴问题，建议在现场仪器组装完成入孔后，对孔中测量部分进行校正，确保仪器测量精度。
c. 根据不同轴造成的因素精度考虑到钻场的条件和操作人员的技术能力，提出查表补偿法和拟合函数法两种修正方法，就补偿方法和计算给出说明。现场人员依据情况选择合适的校准方法，能够使得测量的数据更加准确。倾角和方位角校准修正后，精度均控制在±0.2°，满足碎软煤层轨迹控制精度要求。
d. 本次在无线电磁波随钻测量施工工艺上，增加校准流程对不同轴进行补偿，但主要依靠人员手动事后去补偿，仅解决了施工现场遇到的问题，没有达到主动预防目的，后续将在测量软件中增加现场实测前自标定环节，完成入孔后自动标定，提高随钻测量精度。
-
[1] 冯夏庭，肖亚勋，丰光亮，等. 岩爆孕育过程研究[J]. 岩石力学与工程学报，2019，38（4）：649-673. FENG Xiating,XIAO Yaxun,FENG Guangliang,et al. Study on the development process of rockbursts[J]. Chinese Journal of Rock Mechanics and Engineering,2019,38（4）:649-673.
[2] 苗金丽，何满潮，李德建，等. 花岗岩应变岩爆声发射特征及微观断裂机制[J]. 岩石力学与工程学报，2009，28（8）：1593-1603. MIAO Jinli,HE Manchao,LI Dejian,et al. Acoustic emission characteristics of granite under strain rockburst test and its micro-fracture mechanism[J]. Chinese Journal of Rock Mechanics and Engineering,2009,28（8）:1593-1603.
[3] 何满潮，谢和平，彭苏萍，等. 深部开采岩体力学研究[J]. 岩石力学与工程学报，2005，24（16）：2803-2813. HE Manchao,XIE Heping,PENG Suping,et al. Study on rock mechanics in deep mining engineering[J]. Chinese Journal of Rock Mechanics and Engineering,2005,24（16）:2803-2813.
[4] 谢和平，PARISEAU W G. 岩爆的分形特征和机理[J]. 岩石力学与工程学报，1993，12（1）：28-37. XIE Heping,PARISEAU W G. Fractal character and mechanism of rock bursts[J]. Chinese Journal of Rock Mechanics and Engineering,1993,12（1）:28-37.
[5] 冯夏庭，陈炳瑞，明华军，等. 深埋隧洞岩爆孕育规律与机制：即时型岩爆[J]. 岩石力学与工程学报，2012，31（3）：433-444. FENG Xiating,CHEN Bingrui,MING Huajun,et al. Evolution law and mechanism of rockbursts in deep tunnels:Immediate rockburst[J]. Chinese Journal of Rock Mechanics and Engineering,2012,31（3）:433-444.
[6] 徐林生，王兰生，李永林. 岩爆形成机制与判据研究[J]. 岩土力学，2002，23（3）：300-303. XU Linsheng,WANG Lansheng,LI Yonglin. Study on mechanism and judgement of rockbursts[J]. Rock and Soil Mechanics,2002,23（3）:300-303.
[7] 王元汉，李卧东，李启光，等. 岩爆预测的模糊数学综合评判方法[J]. 岩石力学与工程学报，1998，17（5）：493-501. WANG Yuanhan,LI Wodong,LI Qiguang,et al. Method of fuzzy comprehensive evaluations for rockburst prediction[J]. Chinese Journal of Rock Mechanics and Engineering,1998,17（5）:493-501.
[8] 张镜剑，傅冰骏. 岩爆及其判据和防治[J]. 岩石力学与工程学报，2008，27（10）：2034-2042. ZHANG Jingjian,FU Bingjun. Rockburst and its criteria and control[J]. Chinese Journal of Rock Mechanics and Engineering,2008,27（10）:2034-2042.
[9] 徐林生，王兰生. 二郎山公路隧道岩爆发生规律与岩爆预测研究[J]. 岩土工程学报，1999，21（5）：569-572. XU Linsheng,WANG Lansheng. Study on the laws of rockburst and its forecasting in the tunnel of Erlang Mountain road[J]. Chinese Journal of Geotechnical Engineering,1999,21（5）:569-572.
[10] 孙飞跃，刘希亮，郭佳奇，等. 岩爆预测评估方法的动力数值分析[J]. 应用力学学报，2022，39（1）：26-34. SUN Feiyue,LIU Xiliang,GUO Jiaqi,et al. Dynamic numerical calculation analysis of rockburst prediction assessment methods[J]. Chinese Journal of Applied Mechanics,2022,39（1）:26-34.
[11] KIDYBINSKI A. Bursting liability indices of coal[J]. International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts,1981,18（4）:295-304.
[12] SINGH S P. Burst energy release index[J]. Rock Mechanics and Rock Engineering,1988,21（2）:149-155.
[13] MA C S,CHEN W Z,TAN X J,et al. Novel rockburst criterion based on the TBM tunnel construction of the Neelum-Jhelum （NJ） hydroelectric project in Pakistan[J]. Tunnelling and Underground Space Technology,2018,81:391-402.
[14] AUBERTIN M,GILL D E,SIMON R. On the use of the brittleness index modified （BIM） to estimate the post-peak behavior of rocks[J]. Aqua Fennica,1994（23）:24-25.
[15] WANG J A,PARK H D. Comprehensive prediction of rock burst based on analysis of strain energy in rocks[J]. Tunnelling and Underground Space Technology,2001,16（1）:49-57.
[16] 王学滨，陶帅，潘一山，等. 基于非线性屈服准则及主应力判据的圆形巷道围岩岩爆过程的数值模拟[J]. 防灾减灾工程学报，2012，32（2）：131-137. WANG Xuebin,TAO Shuai,PAN Yishan,et al. Numerical simulation of rockburst process of surrounding rock in circular tunnel based on nonlinear yielding and principal stress criteria[J]. Journal of Disaster Prevention and Mitigation Engineering,2012,32（2）:131-137.
[17] SOUSA L R,MIRANDA T,SOUSA R L,et al. The use of data mining techniques in rockburst risk assessment[J]. Engineering,2017,3（4）:552-558.
[18] 王迎超，尚岳全，孙红月，等. 基于功效系数法的岩爆烈度分级预测研究[J]. 岩土力学，2010，31（2）：529-534. WANG Yingchao,SHANG Yuequan,SUN Hongyue,et al. Study of prediction of rockburst intensity based on efficacy coefficient method[J]. Rock and Soil Mechanics,2010,31（2）:529-534.
[19] 赵洪波. 岩爆分类的支持向量机方法[J]. 岩土力学，2005，26（4）：642-644. ZHAO Hongbo. Classification of rockburst using support vector machine[J]. Rock and Soil Mechanics,2005,26（4）:642-644.
[20] DONG Longjun,LI Xibing,PENG Kang. Prediction of rockburst classification using random forest[J]. Transactions of Nonferrous Metals Society of China,2013,23（2）:472-477.
[21] 兰明，刘志祥，冯凡. 在线极限学习机在岩爆预测中的应用[J]. 安全与环境学报，2014，14（2）：90-93. LAN Ming,LIU Zhixiang,FENG Fan. Attempt to study the applicability of the online sequential extreme learning machine to the rock burst forecast[J]. Journal of Safety and Environment,2014,14（2）:90-93.
[22] 靳春玲，党丹丹，贡力，等. IPP-PNN模型在川藏铁路深埋长大隧道岩爆预测中的应用[J]. 铁道科学与工程学报，2023，20（3）：986-995. JIN Chunling,DANG Dandan,GONG Li,et al. Application of IPP-PNN model in rockburst prediction occurring deep-buried long tunnel of Sichuan-Tibet Railway[J]. Journal of Railway Science and Engineering,2023,20（3）:986-995.
[23] 吴顺川，张晨曦，成子桥. 基于PCA-PNN原理的岩爆烈度分级预测方法[J]. 煤炭学报，2019，44（9）：2767-2776. WU Shunchuan,ZHANG Chenxi,CHENG Ziqiao. Prediction of intensity classification of rockburst based on PCA-PNN principle[J]. Journal of China Coal Society,2019,44（9）:2767-2776.
[24] 张凯，张科，李昆. 主元分析-神经网络岩爆等级预测模型[J]. 中国安全科学学报，2021，31（3）：96-104. ZHANG Kai,ZHANG Ke,LI Kun. Prediction model of rockburst grade based on PCA-neural network[J]. China Safety Science Journal,2021,31（3）:96-104.
[25] 赵兵，王增平，纪维佳，等. 基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 电网技术，2019，43（12）：4370-4376. ZHAO Bing,WANG Zengping,JI Weijia,et al. A short-term power load forecasting method based on attention mechanism of CNN-GRU[J]. Power System Technology,2019,43（12）:4370-4376.
[26] 姚程文，杨苹，刘泽健. 基于CNN-GRU混合神经网络的负荷预测方法[J]. 电网技术，2020，44（9）：3416-3423. YAO Chengwen,YANG Ping,LIU Zejian. Load forecasting method based on CNN-GRU hybrid neural network[J]. Power System Technology,2020,44（9）:3416-3423.
[27] 马永杰，程时升，马芸婷，等. 卷积神经网络及其在智能交通系统中的应用综述[J]. 交通运输工程学报，2021，21（4）：48-71. MA Yongjie,CHENG Shisheng,MA Yunting,et al. Review of convolutional neural network and its application in intelligent transportation system[J]. Journal of Traffic and Transportation Engineering,2021,21（4）:48-71.
[28] 罗文慧，董宝田，王泽胜. 基于CNN-SVR混合深度学习模型的短时交通流预测[J]. 交通运输系统工程与信息，2017，17（5）：68-74. LUO Wenhui,DONG Baotian,WANG Zesheng. Short-term traffic flow prediction based on CNN-SVR hybrid deep learning model[J]. Journal of Transportation Systems Engineering and Information Technology,2017,17（5）:68-74.
[29] 彭道刚，朱琪，车权，等. 基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测[J]. 电力自动化设备，2021，41（6）：127-132. PENG Daogang,ZHU Qi,CHE Quan,et al. Short-term coal storage forecasting of thermal power plant for power grid dispatching based on CNN-LSTM neural network[J]. Electric Power Automation Equipment,2021,41（6）:127-132.
[30] 陈建平，王春雷，王雪冬. 基于CNN神经网络的煤层底板突水预测[J]. 中国地质灾害与防治学报，2021，32（1）：50-57. CHEN Jianping,WANG Chunlei,WANG Xuedong. Coal mine floor water inrush prediction based on CNN neural network[J]. The Chinese Journal of Geological Hazard and Control,2021,32（1）:50-57.
[31] 钱超，陈建勋，罗彦斌，等. 基于随机森林的公路隧道运营缺失数据插补方法[J]. 交通运输系统工程与信息，2016，16（3）：81-87. QIAN Chao,CHEN Jianxun,LUO Yanbin,et al. Random forest based operational missing data imputation for highway tunnel[J]. Journal of Transportation Systems Engineering and Information Technology,2016,16（3）:81-87.
[32] LAQUEUR H S,SHEV A B,KAGAWA R M C. SuperMICE:An ensemble machine learning approach to multiple imputation by chained equations[J]. American Journal of Epidemiology,2021,191（3）:516-525.
[33] ROYSTON P, WHITE I R. Multiple imputation by chained equations （MICE）: Implementation in stata[J]. Journal of Statistical Software, 2011, 45（4）: 1-20.
[34] 何满潮，苗金丽，李德建，等. 深部花岗岩试样岩爆过程实验研究[J]. 岩石力学与工程学报，2007，26（5）：865-876. HE Manchao,MIAO Jinli,LI Dejian,et al. Experimental study on rockburst processes of granite specimen at great depth[J]. Chinese Journal of Rock Mechanics and Engineering,2007,26（5）:865-876.
[35] 齐庆新，陈尚本，王怀新，等. 冲击地压、岩爆、矿震的关系及其数值模拟研究[J]. 岩石力学与工程学报，2003，22（11）：1852-1858. QI Qingxin,CHEN Shangben,WANG Huaixin,et al. Study on the relations among coal bump,rockburst and mining tremor with numerical simulation[J]. Chinese Journal of Rock Mechanics and Engineering,2003,22（11）:1852-1858.
[36] 唐礼忠，杨承祥，潘长良. 大规模深井开采微震监测系统站网布置优化[J]. 岩石力学与工程学报，2006，25（10）：2036-2042. TANG Lizhong,YANG Chengxiang,PAN Changliang. Optimization of microseismic monitoring network for large-scale deep well mining[J]. Chinese Journal of Rock Mechanics and Engineering,2006,25（10）:2036-2042.
[37] KEVIN R,JEFF L,MICHAEL S. Crystal structure prediction via deep learning[J]. Journal of the American Chemical Society,2018,140（32）:10158-10168.
[38] 张彪，戴兴国. 基于指标距离与不确定度量的岩爆云模型预测研究[J]. 岩土力学，2017，38（增刊2）：257-265. ZHANG Biao,DAI Xingguo. A cloud model for predicting rockburst intensity grade based on index distance and uncertainty measure[J]. Rock and Soil Mechanics,2017,38（Sup.2）:257-265.
[39] 周飞燕，金林鹏，董军. 卷积神经网络研究综述[J]. 计算机学报，2017，40（6）：1229-1251. ZHOU Feiyan,JIN Linpeng,DONG Jun. Review of convolutional neural network[J]. Chinese Journal of Computers,2017,40（6）:1229-1251.
[40] 刘建伟，赵会丹，罗雄麟，等. 深度学习批归一化及其相关算法研究进展[J]. 自动化学报，2020，46（6）：1090-1120. LIU Jianwei,ZHAO Huidan,LUO Xionglin,et al. Research progress on batch normalization of deep learning and its related algorithms[J]. Acta Automatica Sinica,2020,46（6）:1090-1120.
[41] 李校林，钮海涛. 基于VGG-NET的特征融合面部表情识别[J]. 计算机工程与科学，2020，42（3）：500-509. LI Xiaolin,NIU Haitao. Facial expression recognition using feature fusion based on VGG-NET[J]. Computer Engineering and Science,2020,42（3）:500-509.
[42] 常亮，邓小明，周明全，等. 图像理解中的卷积神经网络[J]. 自动化学报，2016，42（9）：1300-1312. CHANG Liang,DENG Xiaoming,ZHOU Mingquan,et al. Convolutional neural networks in image understanding[J]. Acta Automatica Sinica,2016,42（9）:1300-1312.
[43] 徐冰冰，岑科廷，黄俊杰，等. 图卷积神经网络综述[J]. 计算机学报，2020，43（5）：755-780. XU Bingbing,CEN Keting,HUANG Junjie,et al. A survey on graph convolutional neural network[J]. Chinese Journal of Computers,2020,43（5）:755-780.
[44] 张瑞程，王新颖，胡磊磊，等. 基于一维卷积神经网络的燃气管道泄漏声发射信号识别[J]. 中国安全生产科学技术，2021，17（2）：104-109. ZHANG Ruicheng,WANG Xinying,HU Leilei,et al. Acoustic emission signal identification of gas pipeline leakage based on one-dimensional convolution neural network[J]. Journal of Safety Science and Technology,2021,17（2）:104-109.
下载:
计量
- 文章访问数: 66
- HTML全文浏览量: 8
- PDF下载量: 19
