本發明屬于巖爆風險預測，具體涉及基于結合lstm與卷積神經網絡的巖爆風險預測方法及系統。

背景技術：

1、巖爆是能量巖體在開挖后沿臨空面瞬間釋放能量而引發的一種動態失穩過程。它是一種無法控制的巖體破壞現象，這種現象伴隨著極其劇烈的能量釋放，對現場工作人員和設備構成了巨大的威脅，嚴重地影響了工程的進度。因此，精準地預測巖爆風險對于減輕或避免事故的發生具有重要意義。隨著社會發展和科技進步，巖爆預測從傳統的數學模型方法預測逐漸發展到深度學習方法預測。現有的深度學習模型巖爆預測方法從不同角度進行了優化，取得了一定的成果，對巖爆風險預測有著顯著的推動作用。然而，這些方法在預測精度方面仍存在一定的不足。

技術實現思路

1、為解決現有技術存在的問題，本發明提供基于結合lstm與卷積神經網絡的巖爆風險預測方法及系統，對巖爆數據進行分析及預測，提高巖爆風險預測的精確度，能夠減少甚至避免工程事故，保障人身和財產安全。

2、為實現上述目的，本發明提供了如下方案：

3、結合lstm與卷積神經網絡的巖爆風險預測方法，包括以下步驟：

4、采集巖爆樣本數據，并對所述巖爆樣本數據進行kendall相關性分析，獲得相關性分析值；其中，所述巖爆樣本數據包括硐壁圍巖最大切向應力、巖石單軸抗壓強度、巖石單軸抗拉強度、應力指數、脆性指數、巖石彈性能量指數以及巖爆風險等級標簽列；

5、基于所述相關性分析值，獲得與所述巖爆風險等級標簽列滿足預設相關性閾值的巖爆風險特征；

6、基于所述巖爆風險特征以及所述巖爆風險等級標簽列，構建數據集；將所述數據集劃分為訓練集和測試集；

7、基于長短期記憶網絡lstm與卷積神經網絡cnn，構建巖爆風險預測模型；并利用所述訓練集訓練所述巖爆風險預測模型；其中，所述長短期記憶網絡lstm為引入注意力機制attention的雙層長短期記憶網絡double?lstm；

8、基于訓練好的所述巖爆風險預測模型，預測所述測試集的巖爆風險等級，完成巖爆風險預測。

9、優選的，所述數據集中，

10、巖爆風險特征包括應力指數、脆性指數和巖石彈性能量指數；

11、巖爆風險等級標簽列包括無巖爆、輕度巖爆、中度巖爆以及重度巖爆。

12、優選的，所述巖爆風險預測模型的結構包括：cnn層、lstm-att-lstm層和輸出層；

13、所述cnn層用于基于一維卷積層提取訓練集的特征，并采用最大池化方式對提取的特征進行下采樣，獲得關鍵特征；計算公式如下：

14、xconv[i,j,k]＝relu(xinput[i,j:j+k,:]*wconv[k,:,:]+bconv)，

15、xpool[i,j]＝max(xconv[i,2j,:],xconv[i,2j+1,:])，

16、式中，xinput是輸入模型的訓練集的數據序列，n為樣本數，t為序列長度，f為每個序列的特征數；wconv是卷積核，形狀為k×f×fconv，fconv為卷積核數量，bconv為偏置項；relu(z)＝max(0,z)是relu激活函數，xconv[i,j,k]為卷積層的輸出，xpool[i,j]為池化后輸出的關鍵特征；

17、所述lstm-att-lstm層包括第一層lstm、注意力機制層以及第二層lstm層，用于處理所述關鍵特征，獲得特征向量；其中，通過雙層lstm的內部門控結構控制信息的流動，通過注意力機制attention為所述關鍵特征動態分配權重；其中，所述門控結構包括遺忘門、輸入門和輸出門，門控結構通過sigmoid函數和tanh函數控制信息的流動；

18、所述輸出層用于基于所述特征向量，獲得預測結果，并使用分類交叉熵損失函數獲得所述預測結果與真實值之間的差異。

19、優選的，所述lstm-att-lstm層處理所述關鍵特征的方法包括：

20、基于第一層lstm處理所述關鍵特征，獲得第一層lstm輸出，計算公式如下：

21、xlstm1＝lstm(xpool,wlstm1,blstm1)

22、式中，wlstm1為第一層lstm權重矩陣，blstm1為第一層lstm偏置項，xlstm1為第一層lstm的輸出；

23、基于注意力機制層對所述第一層lstm輸出進行加權求和，獲得注意力機制層的輸出，計算公式如下：

24、et＝tanh(xlstm1[t]watt+batt)

25、

26、

27、式中，xlstm1[t]是第t個時間步的第一層lstm的輸出，形狀為n×u，watt是注意力權重矩陣，形狀為u×u，batt是注意力偏置，形狀為u，αt是第t個時間步的注意力權重，xatt為加權求和后的輸出，形狀為n×u，作為第二層lstm的輸入；et是表示時間步t上的注意力得分；

28、基于第二層lstm處理注意力機制層的輸出，獲得所述特征向量，計算公式如下：

29、xlstm2＝lstm(xatt,wlstm2,blstm2)

30、式中，wlstm2為第二層lstm的權重矩陣，blstm2為第二層lstm的偏置項，xlstm2為特征向量。

31、優選的，還包括基于評價指標評估巖爆風險預測模型的預測性能，其中所述評價指標包括準確率、召回率以及f1值；其中，f1值是準確率與召回率的調和平均值。

32、本發明還提供結合lstm與卷積神經網絡的巖爆風險預測系統，用于實現所述方法，包括：

33、樣本采集模塊，用于采集巖爆樣本數據，并對所述巖爆樣本數據進行kendall相關性分析，獲得相關性分析值；其中，所述巖爆樣本數據包括硐壁圍巖最大切向應力、巖石單軸抗壓強度、巖石單軸抗拉強度、應力指數、脆性指數、巖石彈性能量指數以及巖爆風險等級標簽列；

34、相關性分析模塊，用于基于所述相關性分析值，獲得與所述巖爆風險等級標簽列滿足預設相關性閾值的巖爆風險特征；

35、數據集構建模塊，用于基于所述巖爆風險特征以及所述巖爆風險等級標簽列，構建數據集；將所述數據集劃分為訓練集和測試集；

36、巖爆風險預測模型構建模塊，用于基于長短期記憶網絡lstm與卷積神經網絡cnn，構建巖爆風險預測模型；并利用所述訓練集訓練所述巖爆風險預測模型；其中，所述長短期記憶網絡lstm為引入注意力機制attention的雙層長短期記憶網絡double?lstm；

37、巖爆風險預測模塊，用于基于訓練好的所述巖爆風險預測模型，預測所述測試集的巖爆風險等級，完成巖爆風險預測。

38、優選的，巖爆風險預測模型的結構包括cnn層、lstm-att-lstm層和輸出層；其中，所述lstm-att-lstm層包括第一層lstm、注意力機制層以及第二層lstm層；

39、關鍵特征提取單元，用于基于所述cnn層的一維卷積層提取輸入序列的特征，并采用最大池化方式對提取的特征進行下采樣，獲得關鍵特征；計算公式如下：

40、xconv[i,j,k]＝relu(xinput[i,j:j+k,:]*wconv[k,:,:]+bconv)，

41、xpool[i,j]＝max(xconv[i,2j,:],xconv[i,2j+1,:])，

42、式中，xinput是輸入模型的訓練集的數據序列，n為樣本數，t為序列長度，f為每個序列的特征數；wconv是卷積核，形狀為k×f×fconv，fconv為卷積核數量，bconv為偏置項；relu(z)＝max(0,z)是relu激活函數，xconv[i,j,k]為卷積層的輸出，xpool[i,j]為池化后輸出的關鍵特征；

43、特征向量獲取單元，用于處理所述關鍵特征，獲得特征向量；其中，通過雙層lstm的內部門控結構控制信息的流動，通過注意力機制attention為所述關鍵特征動態分配權重；其中，所述門控結構包括遺忘門、輸入門和輸出門，門控結構通過sigmoid函數和tanh函數控制信息的流動；

44、所述預測單元，用于在所述輸出層，基于所述特征向量，獲得預測結果，并使用分類交叉熵損失函數獲得所述預測結果與真實值之間的差異。

45、優選的，所述特征向量獲取單元包括：

46、第一層lstm子單元，用于基于第一層lstm處理所述關鍵特征，獲得第一層lstm輸出，計算公式如下：

47、xlstm1＝lstm(xpool,wlstm1,blstm1)

48、式中，wlstm1為第一層lstm權重矩陣，blstm1為第一層lstm偏置項，xlstm1為第一層lstm的輸出；

49、注意力機制子單元，用于基于注意力機制層對所述第一層lstm輸出進行加權求和，獲得注意力機制層的輸出，計算公式如下：

50、et＝tanh(xlstm1[t]watt+batt)

51、

52、

53、式中，xlstm1[t]是第t個時間步的第一層lstm的輸出，形狀為n×u，watt是注意力權重矩陣，形狀為u×u，batt是注意力偏置，形狀為u，αt是第t個時間步的注意力權重，xatt為加權求和后的輸出，形狀為n×u，作為第二層lstm的輸入；et是表示時間步t上的注意力得分；

54、第二層lstm子單元，用于基于第二層lstm處理注意力機制層的輸出，獲得所述特征向量，計算公式如下：

55、xlstm2＝lstm(xatt,wlstm2,blstm2)

56、式中，wlstm2為第二層lstm的權重矩陣，blstm2為第二層lstm的偏置項，xlstm2為特征向量。

57、與現有技術相比，本發明的有益效果為：本發明根據巖爆樣本數據進行相關性分析選取特征，劃分數據集，使用結合長短期記憶網絡與卷積神經網絡模型方法進行訓練，通過訓練好的巖爆風險預測模型進行精準預測，減少甚至避免工程事故，保障人身和財產安全。