工程科学学报.第43卷，第7期：1003-1009.2021年7月 Chinese Journal of Engineering,Vol.43,No.7:1003-1009,July 2021 https://doi.org/10.13374/j.issn2095-9389.2020.11.22.001;http://cje.ustb.edu.cn 一维卷积神经网络特征提取下微震能级时序预测 裴艳宇)，杨小彬四，传金平2)，吴学松2)，程虹铭，吕祥锋) 1)中国矿业大学（北京）应急管理与安全工程学院，北京1000832)华亭煤业公司砚北煤矿，华亭7441053)北京科技大学土木与资源工 程学院，北京100083 ☒通信作者，E-mail:yangxiaobin02@126.com 摘要微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一 维卷积神经网络(Convolutional neural networks.CNN).建立微震能级时间序列预测模型：通过模型训练，实现以前十次微震事 件的能量级别作为输人来预测下一次微震事件的能量级别.由于微震样本数据类间不平衡问题，导致模型测试时将10能量 级别的微震事件全部判断为10能量级别的微震事件，为进一步提高模型对10°能级微震事件预测的准确率，对模型进行改 进并使用混合采样方法训练改进后的模型：利用砚北煤矿250202工作面微震能级实测部分数据，改进后模型的总体测试正 确率达到98.4%.其中10°能量级别的微震事件测试正确率提升到99%.将模型应用于砚北煤矿250202工作面进行微震能级 时序预测，模型的预测正确率整体达到93.5%，且对高能级微震事件的预测正确率接近100% 关键词微震能级时序预测：一维卷积神经网络：类间不平衡：混合采样：冲击地压 分类号TD76 Time series prediction of microseismic energy level based on feature extraction of one- dimensional convolutional neural network PEI Yan-yu,YANG Xiao-bin,CHUAN Jin-ping,WU Xue-song,CHENG Hong-ming,LU Xiang-feng 1)School of Emergency Management and Safety Engineering,China University of Mining and Technology(Beijing),Beijing 100083,China 2)Yanbei Coal Mine,Huating Coal Industry Company,Huating 744105,China 3)School of Civil and Resource Engineering,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:yangxiaobin02@126.com ABSTRACT With the gradual transition of coal mining to deep mining,the number and intensity of rock burst events in the deep mining process are gradually increasing.Thus,it is of great significance to study the change of rock burst precursor signal for the prediction of rock burst.Microseismic signal monitoring plays an important role in rock burst prediction.The microseismic energy level changes with time,a good corresponding relationship exists between the high-energy microseismic events and rock burst.To advance the time node of rock burst prediction and provide more time guarantee for rock burst prevention and control,a time series prediction model of mine microseismic energy based on the one-dimensional convolutional neural network(CNN)was established to predict the temporal variation of mine microseismic energy.Through model training,the energy level of the previous 10 microseismic events can be used as input to predict the energy level of the next microseismic event.Due to the imbalance of the microseismic sample data,the microseismic events of the 10-energy level were all judged as 10-energy level microseismic events in the model test.To improve the prediction accuracy of the model for the 10-energy level microseismic events,a hybrid sampling method was used to train the improved model. Using the microseismic energy level data of 250202 working face in Yanbei coal mine,the overall test accuracy of the improved model 收稿日期：2020-11-22 基金项目：国家自然科学基金资助项目(51774015.51774048)：中央高校基本科研业务费资助项目(2021 YJSAQ03)一维卷积神经网络特征提取下微震能级时序预测 裴艳宇1)，杨小彬1) 苣，传金平2)，吴学松2)，程虹铭1)，吕祥锋3) 1) 中国矿业大学（北京）应急管理与安全工程学院，北京 100083    2) 华亭煤业公司砚北煤矿，华亭 744105    3) 北京科技大学土木与资源工 程学院，北京 100083 苣通信作者，E-mail：yangxiaobin02@126.com 摘    要    微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一 维卷积神经网络（Convolutional neural networks，CNN），建立微震能级时间序列预测模型；通过模型训练，实现以前十次微震事 件的能量级别作为输入来预测下一次微震事件的能量级别. 由于微震样本数据类间不平衡问题，导致模型测试时将 106 能量 级别的微震事件全部判断为 105 能量级别的微震事件，为进一步提高模型对 106 能级微震事件预测的准确率，对模型进行改 进并使用混合采样方法训练改进后的模型；利用砚北煤矿 250202 工作面微震能级实测部分数据，改进后模型的总体测试正 确率达到 98.4%，其中 106 能量级别的微震事件测试正确率提升到 99%. 将模型应用于砚北煤矿 250202 工作面进行微震能级 时序预测，模型的预测正确率整体达到 93.5%，且对高能级微震事件的预测正确率接近 100%. 关键词    微震能级时序预测；一维卷积神经网络；类间不平衡；混合采样；冲击地压 分类号    TD76 Time series prediction of microseismic energy level based on feature extraction of one￾dimensional convolutional neural network PEI Yan-yu1) ，YANG Xiao-bin1) 苣 ，CHUAN Jin-ping2) ，WU Xue-song2) ，CHENG Hong-ming1) ，LÜ Xiang-feng3) 1) School of Emergency Management and Safety Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China 2) Yanbei Coal Mine, Huating Coal Industry Company, Huating 744105, China 3) School of Civil and Resource Engineering, University of Science and Technology Beijing, Beijing 100083, China 苣 Corresponding author, E-mail: yangxiaobin02@126.com ABSTRACT    With  the  gradual  transition  of  coal  mining  to  deep  mining,  the  number  and  intensity  of  rock  burst  events  in  the  deep mining  process  are  gradually  increasing.  Thus,  it  is  of  great  significance  to  study  the  change  of  rock  burst  precursor  signal  for  the prediction of rock burst. Microseismic signal monitoring plays an important role in rock burst prediction. The microseismic energy level changes with time, a good corresponding relationship exists between the high-energy microseismic events and rock burst. To advance the time node of rock burst prediction and provide more time guarantee for rock burst prevention and control, a time series prediction model of mine microseismic energy based on the one-dimensional convolutional neural network (CNN) was established to predict the temporal variation of mine microseismic energy. Through model training, the energy level of the previous 10 microseismic events can be used as input to predict the energy level of the next microseismic event. Due to the imbalance of the microseismic sample data, the microseismic events  of  the  106 -energy  level  were  all  judged  as  105 -energy  level  microseismic  events  in  the  model  test.  To  improve  the  prediction accuracy of the model for the 106 -energy level microseismic events, a hybrid sampling method was used to train the improved model. Using the microseismic energy level data of 250202 working face in Yanbei coal mine, the overall test accuracy of the improved model 收稿日期: 2020−11−22 基金项目: 国家自然科学基金资助项目（51774015，51774048）；中央高校基本科研业务费资助项目（2021YJSAQ03） 工程科学学报，第 43 卷，第 7 期：1003−1009，2021 年 7 月 Chinese Journal of Engineering, Vol. 43, No. 7: 1003−1009, July 2021 https://doi.org/10.13374/j.issn2095-9389.2020.11.22.001; http://cje.ustb.edu.cn