煤岩单轴压缩破坏声发射轻量化三维卷积预测模型研究

作     者：赵毅鑫 乔海清 谢镕澴 郭继鸿 ZHAO Yixin;QIAO Haiqing;XIE Ronghuan;GUO Jihong

作者机构：中国矿业大学(北京)共伴生能源精准开采北京市重点实验室北京100083 中国矿业大学(北京)能源与矿业学院北京100083 

出 版 物：《岩石力学与工程学报》 (Chinese Journal of Rock Mechanics and Engineering)

年 卷 期：2022年第41卷第8期

页      面：1567-1580页

核心收录：

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 

基　　金：国家自然科学基金资助项目(51874312,U1910206) 山东省重大科技创新工程项目(2019SDZY01) 

主　　题：采矿工程 煤岩 单轴压缩 声发射 破坏预测 轻量化三维卷积 

摘      要：声发射前兆信息能揭示煤岩内在破坏规律,因此基于声发射前兆信息建立判识模型是煤岩破坏监测预警的核心。基于DenseNet骨架,结合分组卷积(GC)与注意力机制中的“压缩-激励模块(SE),构建能融合声发射时空特征的轻量化三维卷积预测模型。以红庆河矿3^(-1)煤层强冲击倾向性煤样为研究对象,在煤样单轴压缩过程中,采集不同速率加载下的声发射损伤破坏参数,并将参数预处理为能融合声发射时空特征的图像序列,作为模型输入样本,预测煤样破坏的危险等级,并采用迁移学习预测煤样破坏的剩余时间。结果显示:在预测煤样破坏危险等级的验证样本中,4种网络结构(DenseNet,DenseNet+GC,DenseNet+SE和DenseNet+GC+SE)的预测准确率均高于99.08%,高风险样本召回率均高于99.50%,表明三维卷积能有效捕获声发射时空信息。DenseNet+GC+SE网络的预测概率趋于单点分布,表明该模型能区分不同危险等级。DenseNet+GC+SE网络嵌入分组卷积与SE模块能在保证模型精度的同时,大幅下降模型复杂度与时间复杂度,提升模型效率。煤样破坏剩余时间的预测值与真实值的R2高达99.85%,表明DenseNet+GC+SE迁移模型能依据声发射信号有效预测煤岩破坏。分组卷积还能表征声发射特征多样性,SE模块能评估声发射特征重要性。