一种煤矿开采地表沉陷监测系统

技术领域

本发明涉及地表监测技术领域，特别涉及一种煤矿开采地表沉陷监测系统。

背景技术

有用矿物被采出以后，开采区域周围的岩体的原始应力平衡状态受到破坏，应力重新分布，达到新的平衡。在此过程中，使岩层和地表产生连续的移动、变形和非连续的破坏(开裂、冒落等)，这种现象称为“开采沉陷”。岩体本身是一种非常复杂的介质，它不仅是出各种不同性质的岩层组成，而且还由于各种地质作用(如褶皱、断层、开裂、火成岩侵入、陷落柱等)而产生了大量的不连续面。岩体在受到各种不同开采方法的开采影响时，产生的开采沉陷是一个在时间和空间上都是非常复杂的过程。在时间上来说，在移动过程中，开采沉陷的形式和大小在不同的时间是不同的，也就是说，此时的开采沉陷是“动态的”；随着时间的推移，开采沉陷的形式和大小逐渐趋向于稳定，开采沉陷变成“静态的”或“最终的”。从空间上来说，若地下开采的范围较小、开采的矿物的埋藏深度较大，则开采沉陷波及的范围往往只局限于开采区域周围的岩体；若开采范围较大、开采矿物的埋藏深度较小，则开采沉陷波及的范围就会从岩体发展到地表，引起“地表移动”。由于人类的生产和生活活动大部分都是在地表进行，所以地表移动对人类的影响更为普遍。现有技术对于煤矿开采地表沉陷程度监测不够智能及准确，所以亟需一种智能化及精准化的煤矿开采地表沉陷系统。

发明内容

为解决上述现有技术中所存在的问题，本发明提供一种煤矿开采地表沉陷监测系统，能够智能化、有效化及准确化的对煤矿开采地表沉降进行监测。

为了实现上述技术目的，本发明提供了如下技术方案：一种煤矿开采地表沉陷监测系统，包括：

采集模块，优化模块，识别模块及存储模块；所述采集模块、所述优化模块分别与识别模块连接；所述识别模块与所述存储模块连接；

其中所述采集模块用于采集煤矿地表沉陷的监测数据；所述优化模块用于构建深度学习模型，其中所述深度学习模型采用CNN-LSTM网络；对CNN-LSTM网络进行优化，得到优化模型；所述识别模块用于通过优化模型对监测数据进行识别，得到煤矿开采地表沉陷程度；所述存储模块用于对监测数据、优化模型及地表沉陷程度进行存储。

可选的，所述采集模块中，煤矿地表沉陷的监测数据包括：地表图像数据、地质相关分析数据及地面激光雷达数据。

可选的，所述优化模块包括预处理模块及训练模块；所述预处理模块与所述训练模块连接；其中所述预处理模块用于获取历史监测数据，并对历史监测数据进行预处理，得到训练样本；所述训练模块用于构建深度学习模型，并通过训练样本对深度学习模型进行训练，得到优化模型。

可选的，所述优化模块还包括学习模块；其中所述学习模块与所述训练模块连接；所述学习模块用于获取特征监测数据，通过特征监测数据对所述深度学习模型进行特征迁移学习，并通过训练样本对迁移学习后的模型进行训练。

可选的，所述预处理模块中，预处理过程包括缺失值处理、异常值处理及数据无量纲化。

可选的，所述存储模块中，通过数据架构对对监测数据、优化模型及地表沉陷程度进行存储。

可选的，所述存储模块中，所述数据架构采用XML架构。

可选的，所述存储模块连接有可视化模块，其中所述可视化模块用于对存储的数据进行可视化处理。

本发明具有如下技术效果：

本发明通过获取监测数据，通过相关预处理操作对历史监测数据进行处理，以提供有效的训练数据基础，并训练数据对CNN-LSTM模型进行训练即特征迁移学习，生成相关优化模型，通过优化模型对监测数据进行识别，得到煤矿开采地表沉陷程度监测结果；本发明实现了“面域”地面沉降变化趋势的时空预测，本发明的地面沉降趋势预测模型具有精度高、适用性强的显著优势，能够对地表沉陷程度进行准确监测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所述，本发明提供了一种煤矿开采地表沉陷监测系统，包括：

采集模块，优化模块，识别模块及存储模块；所述采集模块、所述优化模块分别与识别模块连接；所述识别模块与所述存储模块连接；

所述采集模块用于采集煤矿地表沉陷的监测数据；所述采集模块中，煤矿地表沉陷的监测数据包括：地表图像数据、地质相关分析数据及地面激光雷达数据分别通过对应的设备和数据源来获取上述数据。

所述优化模块用于构建深度学习模型，其中所述深度学习模型采用CNN-LSTM网络；对CNN-LSTM网络进行优化，得到优化模型；

作为一些实施例，所述优化模块包括预处理模块及训练模块；所述预处理模块与所述训练模块连接；其中所述预处理模块用于获取历史监测数据，并对历史监测数据进行预处理，得到训练样本；

预处理过程包括缺失值处理、异常值处理及数据无量纲化。缺失值处理：缺失值是指原始数据集中的行和列存在缺失数据的情况。根据煤矿地表沉陷历史监测数据的特点，采用均值插补法对原始样本数据的缺失值进行填充。该种方法指的是采用属性的平均值来对缺失值进行填补。异常值处理：异常值指的是样本数据集中的异常或者错误(偏离期望的孤立点值)，因此在构建训练样本之前，需要对这些异常数据进行去除。本发明根据区域地面沉降数据的特点采用拉依达准则法对空间上、时间上的异常值进行处理。数据无量纲化：数据无量纲化是指将数据集中的各属性数据按照各属性特征进行同比例缩放，使各属性值处在同一量纲级别之内。尤其对涉及距离计算的模型，该数据处理步骤至关重要。本实例选择min-max标准化方法，在保存数据完整信息的基础上，将样本数据映射到区间[0，1]范围内，可以提高模型训练有效率。

所述训练模块用于构建深度学习模型，并通过训练样本对深度学习模型进行训练，得到优化模型。所述深度学习模型采用CNN-LSTM网络；

CNN-LSTM网络中前半部分为CNN网络层，用于地面沉降时空场数据的多维特征提取。其中CNN网络包括隐藏层16层，隐藏层包括卷积层和池化层。卷积层用于提取特征，参数共享的特征降低了网络的稀疏性。在卷积层之后添加池化层，用于降维，减少卷积核的尺寸，防止出现过拟合，同时提升了运行的效率。组合模型的后半部分为LSTM预测模型，用于提取地面沉降的时间特征。最后通过全连接层来输出最后的预测结果。

采用训练样本通过十折交叉验证方法对深度学习模型进行训练，训练过程中对网络中内参数进行预先设置及优化，得到训练好的深度学习模型即优化模型，其中CNN-LSTM网络内包括超参数及权重参数，超参数包括网络的隐藏层数量、损失函数、各层的神经元数量、激活函数、迭代次数、学习速率，上述参数进行预先设置。通过前向传播计算深度学习模型中网络层神经元的输出数据，基于输出数据，将均方误差作为损失函数；通过反向传播计算深度学习模型中网络层神经元的误差值，通过对误差值及损失函数计算得到权重参数梯度，根据权重参数梯度，通过Adam优化算法对权重参数进行迭代更新，直到权重参数不再变化或迭代次数达到最大值时，迭代结束，通过迭代结束时更新的训练好的深度学习模型参数进行识别预测。

作为一些实施例，所述优化模块还包括学习模块；其中所述学习模块与所述训练模块连接；所述学习模块用于获取特征监测数据，通过特征监测数据对所述深度学习模型进行特征迁移学习，并通过训练样本对迁移学习后的模型进行训练。特征监测数据包括其他场景下如矿山、公路、堤坡等场景下的地表沉陷监测数据及对应标签，并通过对对应的沉陷程度进行记录，记录后的沉陷程度作为标签与监测数据作为特征样本，特征样本可以体现出一定的沉陷特征，通过上述方案能够在有限训练样本数量下，通过具有相似特征的样本进行预先训练，通过特征迁移的学习方式，提升模型训练的准确度，在源域数据中，可选择不同场景下的路面沉陷数据，通过特征迁移方式将源域即不同场景下的数据进行特征学习，学习完成后，通过历史监测数据将源域数据迁移到目标域，完成特征迁移学习，生成优化模型。

所述识别模块用于通过优化模型对监测数据进行识别，得到煤矿开采地表沉陷程度；

所述存储模块用于对监测数据、优化模型及地表沉陷程度进行存储。作为一些实施例，所述存储模块中，通过数据架构对对监测数据、优化模型及地表沉陷程度进行存储。所述存储模块中，所述数据架构采用XML架构。XML架构中按照地点、时间、地表沉陷的相关数据的层层递进的顺序，将地点作为根元素，并将时间及地点作为约束条件，将地表沉陷的相关数据作为时间下的详细描述，同时地表沉陷的相关数据按照设定的顺序进行排列约束，设定顺序可以为监测数据、优化模型及地表沉陷程度，通过上述内容进行构建XML架构，将地点、时间、地表沉陷的相关数据作为编写数据，按照对应位置编写到XML架构中，形成存储文件，对上述信息进行存储，提高数据存储的条理性和有效性。存储之后，可以通过对存储文件进行时间、地点查找，并提取地表沉陷的相关数据，通过统计方法或者差值计算，来反映出地表沉陷变化的趋势或者一段时间的变化情况，由于上述数据按照一定结构进行排列，能够对数据进行有效信息的提取，对后续的数据分析提供数据基础，有效节省了数据梳理的时间。

作为一些实施例，所述存储模块连接有可视化模块，其中所述可视化模块用于对存储的数据进行可视化处理。可视化操作包括转换为通用格式数据、三维格式数据或图表格式数据，并通过相关软件对上述格式数据进行显示。

本发明通过获取监测数据，通过相关预处理操作对历史监测数据进行处理，以提供有效的训练数据基础，并训练数据对CNN-LSTM模型进行训练即特征迁移学习，生成相关优化模型，通过优化模型对监测数据进行识别，得到煤矿开采地表沉陷程度监测结果；本发明实现了“面域”地面沉降变化趋势的时空预测，本发明的地面沉降趋势预测模型具有精度高、适用性强的显著优势，能够对地表沉陷程度进行准确监测。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。