Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于Transformer的冲击地压时间-空间协同预测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:中国矿业大学

摘要:一种基于Transformer的冲击地压时间‑空间协同预测方法,数据预处理将微震时间特征指标处理为具有特定时间窗的序列,添加位置编码转换为Transformer模型的输入格式;预测模型构建采用编码器和解码器网络结构,利用时空注意力机制捕捉数据中的复杂模式。在编码器和解码器中使用前馈神经网络、层归一化和残差连接,提高模型的表达能力和收敛性;在模型训练和模型测试中,得出采用不同时间窗的预测值。最后采用了克里金插值法处理归一化数据,根据微震时空特征指标网格矩阵,利用网格矩阵绘制空间云图,确立危险区域,完成冲击地压预测方法的构建。本发明结合冲击地压时间序列预测方法,实现了冲击地压时间序列预测,预测结果准确。

主权项:1.一种基于Transformer的冲击地压时间-空间协同预测方法,其特征在于,包括微震数据特征指标计算与预处理模块、超经验模式提取模块、时空注意力机制模块以及Transformer预测模块,包括以下步骤:S1、采集原始微震数据,包括微震时间、震源坐标、频次和能量大小;S2、在微震数据特征指标计算与预处理模块中,结合步骤S1采集的微震时间和震源坐标构建时间序列数据集,然后利用最小二乘法线性拟合计算b值,同时借助归一化,将计算的b值和步骤S1的原始微震数据缩放到同一范围内,形成最终的时间序列数据集M;S3、在超经验模式提取模块中,该模式利用随时间变化的频率的余弦多项式解析表示,提取每个时间序列数据集M的特征,然后定义一个动态图的固有模式函数,并将固有模式函数纳入步骤S4的时空注意力机制中;S4、时空注意力机制模块计算动态图有三个部分:节点特征、边特征、图特征,节点特征能够直接处理包含在节点中的时间序列关系;边特征表示两个时间序列之间的相关性;图特征是由邻接矩阵构成,该邻接矩阵是由边特征的残差计算组合而来;时空注意力机制充分结合了时间注意力机制和空间注意力机制,空间注意力机制利用步骤S3的微震数据的空间演化特征,将微震数据进行最大池化,减少特征图的尺寸并提取显著特征;之后,再进行卷积操作,有效提取时间序列数据集M中的局部相关性,大大减少了模型参数量;借助位置编码,更好地建模时间序列数据集M中的位置依赖关系,提高模型性能;多维度特征借助时间注意力机制和空间注意力机制,完成了时间序列数据集在时间上、空间上的深度挖掘,并对多维度特征数据进行了重新定义并作为输出;S5、在Transformer预测模型中,将步骤S4输出的多维特征数据作为输入,利用patchembedding以降低多维特征数据的空间分辨率,并通过下采样将时间、空间、b值数据组合成3D立方体数据,3D立方体数据通过Transformer的编码器架构传播,再通过上采样数据,增强处理后的3D立方体数据的分辨率,利用解码器对3D立方体数据进行转换,还原回原始格式,输出b值预测结果;最后采用插值法处理该矿震区域内b值分布情况,绘制b值空间云图危险区域,完成预测方法的构建。

全文数据:

权利要求:

百度查询: 中国矿业大学 基于Transformer的冲击地压时间-空间协同预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。

-相关技术