基于DNN的矿井超前探测反演方法研究_韩晓冰.pdf

第42卷第03期2023年03月煤炭技术Coal TechnologyVol.42 No.03Mar.2023doi:10.13301/ki.ct.2023.03.0220引言煤炭作为重要自然资源，关系着国计民生的基本问题。我国是煤炭资源大国，但随着我国煤炭资源的长期开采，浅层资源不断减少，导致煤炭开采不断加深。随着巷道深度不断增加与地下地质的多变，巷道的安全问题日益凸显，水害及断层问题已成为影响巷道安全生产的主要因素。超前探测技术可以有效且安全地探知巷道前方的地质情况，减小开采的风险，避免巷道的地质安全事故，对于巷道的安全生产尤为重要。目前超前探测方法主要有钻探法和物探法。钻探法是利用钻机在巷道的掘进面进行钻孔并进行采样分析的方法，能够对前方的陷落柱和断层等进行精准定位，但该方法速度慢，设备复杂，费时费力；物探法是利用物理学原理和仪器获得已知介质的物理参数，通过其规律变化来判断地质结构的方法，相比于前者，物探法探测范围广、效率高、且施工成本低，因此矿井超前探测大多采用物探法进行。电磁勘探法就是其中最有效的方法之一，电磁勘探法对低阻区反应更加敏感，在煤矿岩层水断层探测方面更具优势。该方法是以矿石之间电性差异为基础，通过观测和研究电磁场的分布规律，实现对地质结构的探测。中煤科工集团的苏超等学者采用地孔瞬变电磁法进行超前探测，成功地定位了异常体的中心位置。焦作煤业有限公司的温亨聪团队将瞬变电磁法和地震法的优势结合，利用探测信息的多元互补，实现了水害超前探测。但目前电磁勘探采用的算法对初始模型依赖度高，且易陷入局部最优解，严重影响了反演的速度和精度。人工神经网络具有较好的非线性拟合能力，可以更好地解决传统反演算法存在的问题，在电磁反演数据信息处理中得到广泛的认可。范涛等人将地球物理与机器学习有机结合，采用基于 DNN 的矿井超前探测反演方法研究*韩晓冰，余思淼，梁冰洋，周远国（西安科技大学 通信与信息工程学院，西安710699）摘要：提出了一种基于DNN的矿井超前探测算法，该算法可以快速准确地实现一维复杂地质的重建。首先，利用层状介质并矢Green函数方法获得不同地质模型的数值解；随后，依据数据样本搭建网络框架，网络的输入主要由电场分量构成，输出为相应的地质模型电导率参数，通过对神经网络进行训练，得到网络的最优系数；最后，为了提升网络的抗噪声性能，采用不同噪声的数据对网络进行训练。结果表明：利用DNN算法在精度和效率上都比BP神经网络有所提升，相同模型下速度比BP神经网络速度快1013倍。网络模型可以在20%噪声下，准确反演出低阻层。DNN算法，可以有效提高矿井超前探测效率。关键词：超前探测；DNN；Green函数；矿井信息化中图分类号：P631文献标志码：A文章编号：1008 8725（2023）03 117 05Research on Inversion Method of Mine Advance Detection Based onDNNHAN Xiaobing，YU Simiao，LIANG Bingyang，ZHOU Yuanguo（College of Communication and Information Engineering,Xian University of Science and Technology,Xian 710699,China）Abstract:A DNN-based mine advance detection algorithm is proposed,which can quickly andaccurately reconstruct one-dimensional complex geology.Firstly,the numerical solution of Greenfunction is used.Then,based to the data sample,the input of the corresponding conductivity parametersof the neural network,and to improve the noise resistance with the data of different noise.The resultsshow that the accuracy and efficiency of DNN algorithm are improved than that of BP neural network,and the speed is 10-13 times faster than that of BP neural network.The network model can accuratelyreverse perform the low resistance layer at 20%noise.The DNN algorithm proposed can effectivelyimprove the advance detection efficiency of the mine.Key words:advance detection;DNN;Green function;mine informatization*陕西省科技厅基金项目（2020GY-029）；陕西省科技厅基金项目（2021JQ-573）；陕西省教育厅一般专项科学研究计划（20JK0759）117K-means聚类算法对井下富水性进行预测，为井下超前探测提供了技术支撑。中国矿业大学的程久龙教授等人提出将改进的BP神经网络算法引入到矿井的超前探测中，来提高岩层富水性的解释精度。李哲等人将BP神经网络引入矿井含水层富水性的预测计算中，实现了对主控因素到富水性的精确模拟。以上研究虽取得了较好的结果，但传统BP神经网络算法存在收敛速度较慢和过拟合问题。本文针对传统BP神经网络应用于电磁勘探存在的问题，将DNN算法引入电磁勘探中，来解决BP神经网络过拟合问题，并提高电磁超前勘探的速度和精度。其中，第1章阐述了大地电磁法一维正演理论；第2章介绍深度神经网络的结构以及反演过程；第3章利用实例验证了算法的效果。1正演理论分析对于地球物理勘探，由于地形起伏不大，通常近似为平面分层结构。典型的矿井勘探模型如图1所示，由发射机、接收机及数据处理与显示系统组成。发射机发射特定频率的电磁波照射地表，电磁波会在地层中传播，并在界面处发生反射与折射，反射回的信号被接收机接收。通过分析接收到的回波信号，可以知道地层结构，从而实现煤矿超前探测。图1煤矿巷道掘进示意图1.发射机2.数据处理与显示系统3.接收机4.煤层5.岩层6.水断层所有电磁问题，都可以利用Maxwell方程来解决，对于上述模型，以发射电流源为例，满足以下方程形式：E=-j?H（1）H=j?E+J（2）式中旋度；J电流源；?复磁导率；?复介电常数；E电场强度；H磁场强度；j虚数单位；角频率。利用传输线理论，求解以上Maxwell方程，可以得到：电场强度E=GEJ；J（3）磁场强度H=GHJ；J（4）式中；2个函数的积分，其中逗号上的点表示2个函数的点积；J频域的电偶极子源；GEJ频域场分层介质并矢格林函数，由一系列的Sommerfeld积分组成。其中发射源为x极化，z方向电场Ez（r，rs）=-jcos 2?（z）+0IipJn（k）k2dk（5）式中Iip在源处1A的电流源（上标P指e和h，分别表示TM场和TE场）；x方向与接收点、源点之间的角度；?（z）接收点所在层的复介电常数；接收点和源点的水平距离；k方向的波数；Jnn阶Bessel函数；详细的参数见文献13。求解方程（1）方程（5），可得到电偶极子源所产生的电场，即网络训练所需数据样本中的输入分量。2深度神经网络反演2.1神经网络构建本文所采用神经网络为隐含层为10层的全连接深度神经网络，网络架构如图2所示。图2深度神经网络示例图包含输入层、隐含层和输出层。其中输入层由发射源坐标（x，y，z）、接收机坐标（x，y，z）、发射频率以及各个频点下的电场分量数值构成，所有参数构成了网络输入的维度；由于LeakyReLU函数加快网络训练速度、防止梯度消失、增强非线性拟合能力等第1层电导率参数第42卷第03期基于DNN的矿井超前探测反演方法研究韩晓冰，等Vol.42 No.03第2层电导率参数第n层电导率参数发射源坐标接收机坐标发射频率多频点的电场分量参数输入层隐含层输出层654321118优点，且还可以避免了训练时的丢失情况，因此网络的隐含层采用LeakyReLU函数作为激活函数，其表达式为LeakyReLU（x）=x，x0ax，x0（6）式中x输入量；a常数，一般取a=0.01。神经网络的输出层使用Tanh函数，并保持维度固定，由地质模型的分层结构组成，表示地质分层的电导率参数。训练学习过程中为了加快网络的收敛速度且降低数据分布变化的影响，对输入和输出数据进行归一化处理。训练过程中还包含前向传播与反向传播2个重要的计算过程。其中前向传播是输入数据经过隐含层的计算，直到输出预测的过程，前向传播由隐含层中众多神经元计算完成，输出层第j个节点的输出Zj=（aj）=（mk=1wjkxk+bj）（7）式中xk输入层中第k个节点的输入；wjkk节点与j节点连接的权值；bj隐含层连接输出层第j个节点的偏置；激活函数。反向传播是利用算法寻找最优参数的过程，在反向传播的过程中，通过计算损失函数的值来衡量权值与偏置的优劣，通过迭代与更新，得到网络参数的最优解。本文采用的损失函数MSE=1nni=1（yi-yi）2（8）式中yi网络预测值；yi真实值；n节点个数。本文基于DNN反演的流程如图3所示。首先，设置地电模型电导率变化范围，利用并矢Green函数计算数据模型样本；然后，设置神经网络的初始网络参数，对网络进行训练，并不断迭代优化，形成最优的网络结构；最后，利用神经网络进行反演预测。通过上述过程对网络进行训练，结束后计算验证数据的相对误差，并以此作为衡量算法精度的标准。相对误差eres=norm（Hreal-H）norm（Hreal）（9）式中Hreal真实值；H预测值。式（9）代表预测值与真实值之间的误差关系，其值越低表示预测值误差越小，反演效果越好。2.2数据生成对于矿井超前探测多采用高频信号发射器，探测深度一般在1050 m不等。基于此，本文设置频率为90110 MHz频段，并等间隔取11个频点的数据对模型进行训练；因为地层参数的变化是连续的，且保持在一定的范围内，所以模型训练过程中，采用带约束的地电模型的电导率分布：层状模型电导率输出值Y=int（10lg min+ilg max-lg minN-1），i=0，1N-1（10）式中min每层介质电导率的最小值；max每层介质电导率的最大值；int取整函数；N样本总数。式（10）中Y随着样本数i呈指数增长，且Y不会产生突变情况。因此采用式（10）设置地电模型介质的电导率参数，可以去除冗余样本，有效降低模型的复杂性。3煤矿超前探测反演本章节将展示利用DNN算法进行矿井超前探测的反演示例，为了验证DNN的优越性，搭建了传统BP神经网络进行对比，BP神经网络的参数设置：单隐含层的激活函数为Sigmoid函数，学习率和迭代次数与DNN相同。本文所见的网络配置均在配置为Intel（R）Core（TM）i7-4710MQ的CPU以及8 GB内存的工作平台上进行。图3DNN反演流程图第42卷第03期Vol.42 No.03基于DNN的矿井超前探测反演方法研究韩晓冰，等得到最优的权值和偏置达到迭代次数？DNN训练阶段误差反向传播，修改网络参数否是计算损失函数寻找最优权值和偏置导入数据并进行迭代设置迭代次数、学习率设置电导率变化范围、生成数据样本开始结束1193.14层地电模型为了验证网络的可行性，本文首先设置了4层等距分布的地电模型，地层深度14 m，层厚度3.5 m。假设探测过程中第1层结构为非含水层，依据式（10），4层地