本申請涉及礦井水害預測領域，特別是涉及一種礦井突水預測方法、裝置、設備、介質及產品。

背景技術：

1、我國許多煤田水文地質條件非常復雜，煤礦生產過程中受到多種水害的威脅，嚴重影響了礦井安全生產。

2、由于深度學習技術在預測、分類、聚類等方面展現(xiàn)出強大的能力，其也被應該在礦井水害預測領域，但深度學習需要大量訓練樣本對模型進行訓練，而礦井水害防治領域，因歷史突水事故數(shù)據有限，這樣就會使得深度學習模型在訓練時的訓練樣本數(shù)量天然受限，從而使得訓練后得到的深度學習模型的預測結果不夠準確。

技術實現(xiàn)思路

1、本申請的目的是提供一種礦井突水預測方法、裝置、設備、介質及產品，可提升預測結果的準確性。

2、為實現(xiàn)上述目的，本申請?zhí)峁┝巳缦路桨福?/p>

3、第一方面，本申請?zhí)峁┝艘环N礦井突水預測方法，包括：

4、接收礦井的待預測數(shù)據；

5、將所述待預測數(shù)據輸入礦井水害預測模型中，輸出所述礦井是否發(fā)生突水的預測結果；

6、所述礦井水害預測模型通過如下方式訓練得到：

7、獲取多組訓練樣本，其中，每組所述訓練樣本中包括多個影響因素，所述影響因素包括地質資料和物探資料，多組所述訓練樣本中包括突水樣本；

8、獲取每組所述訓練樣本中各個所述影響因素對突水的影響權重；

9、根據每組所述訓練樣本各個所述影響因素的影響權重和各個所述影響因素對應的樣本值獲取每組所述訓練樣本的分數(shù)；

10、根據所述突水樣本對應的分數(shù)獲取所述突水樣本對應的突水平均值和突水方差；

11、根據所有所述訓練樣本對應的分數(shù)獲取所有所述訓練樣本對應的訓練平均值和訓練方差；

12、在所述突水平均值和所述訓練平均值滿足第一預設條件，且所述突水方差和所述訓練方差滿足第二預設條件時，確定所有所述訓練樣本為目標訓練樣本；

13、根據所述目標訓練樣本對深度學習模型進行訓練，得到所述礦井水害預測模型。

14、第二方面，本申請?zhí)峁┝艘环N礦井突水預測裝置，所述礦井突水預測裝置包括：

15、接收模塊，用于接收礦井的待預測數(shù)據；

16、處理模塊，用于將所述待預測數(shù)據輸入所述礦井水害預測模型中，輸出所述礦井是否發(fā)生突水的預測結果；

17、所述處理模塊還用于通過如下方式訓練得到所述礦井水害預測模型：

18、獲取多組訓練樣本，其中，每組所述訓練樣本中包括多個影響因素，所述影響因素包括地質資料和物探資料，多組所述訓練樣本中包括突水樣本；

19、獲取每組所述訓練樣本中各個所述影響因素對突水的影響權重；

20、根據每組所述訓練樣本各個所述影響因素的影響權重和各個所述影響因素對應的樣本值獲取每組所述訓練樣本的分數(shù)；

21、根據所述突水樣本對應的分數(shù)獲取所述突水樣本對應的突水平均值和突水方差；

22、根據所有所述訓練樣本對應的分數(shù)獲取所有所述訓練樣本對應的訓練平均值和訓練方差；

23、在所述突水平均值和所述訓練平均值滿足第一預設條件，且所述突水方差和所述訓練方差滿足第二預設條件時，確定所有所述訓練樣本為目標訓練樣本；

24、根據所述目標訓練樣本對深度學習模型進行訓練，得到所述礦井水害預測模型。

25、第三方面，本申請?zhí)峁┝艘环N計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述中任一項所述的礦井突水預測方法的步驟。

26、第四方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的礦井突水預測方法的步驟。

27、第五方面，本申請?zhí)峁┝艘环N計算機程序產品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述中任一項所述的礦井突水預測方法的步驟。

28、根據本申請?zhí)峁┑木唧w實施例，本申請公開了以下技術效果：

29、本申請?zhí)峁┝艘环N礦井突水預測方法、裝置、設備、介質及產品，包括：接收礦井的待預測數(shù)據；將待預測數(shù)據輸入礦井水害預測模型中，輸出礦井是否發(fā)生突水的預測結果；礦井水害預測模型通過如下方式訓練得到：獲取多組訓練樣本，其中，每組訓練樣本中包括多個影響因素，影響因素包括地質資料和物探資料，多組訓練樣本中包括突水樣本；獲取每組訓練樣本中各個影響因素對突水的影響權重；根據每組訓練樣本各個影響因素的影響權重和各個影響因素對應的樣本值獲取每組訓練樣本的分數(shù)；根據突水樣本對應的分數(shù)獲取突水樣本對應的突水平均值和突水方差；根據所有訓練樣本對應的分數(shù)獲取所有訓練樣本對應的訓練平均值和訓練方差；在突水平均值和訓練平均值滿足第一預設條件，且突水方差和訓練方差滿足第二預設條件時，確定所有訓練樣本為目標訓練樣本；根據目標訓練樣本對深度學習模型進行訓練，得到礦井水害預測模型。其中，通過計算突水樣本和所有訓練樣本的平均值和方差，再通過平均值和方差比較突水樣本和所有訓練樣本相似程度，如果突水樣本的平均值和方差分別與所有訓練樣本的平均值和方差接近，認為所有訓練樣本和突水樣本相似，則將所有訓練樣本均標記為突水樣本，這樣就可以獲得大量的帶標記的突水樣本用于后續(xù)深度模型訓練，從而提升了模型訓練的準確性，從而提升了突水預測結果的準確性。

技術特征：

1.一種礦井突水預測方法，其特征在于，所述礦井突水預測方法包括：

2.根據權利要求1所述的礦井突水預測方法，其特征在于，所述礦井水害預測方法包括：

3.根據權利要求1所述的礦井突水預測方法，其特征在于，所述突水平均值和所述訓練平均值滿足第一預設條件，包括：

4.根據權利要求1所述的礦井突水預測方法，其特征在于，所述突水方差和所述訓練方差滿足第二預設條件，包括：

5.根據權利要求1所述的礦井突水預測方法，其特征在于，所述獲取每組所述訓練樣本中各個所述影響因素對突水影響的權重，包括：

6.根據權利要求1所述的礦井突水預測方法，其特征在于，

7.一種礦井突水預測裝置，其特征在于，所述礦井突水預測裝置包括：

8.一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序以實現(xiàn)權利要求1-6中任一項所述的礦井突水預測方法的步驟。

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1-6中任一項所述的礦井突水預測方法的步驟。

10.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1-6中任一項所述的礦井突水預測方法的步驟。

技術總結
本申請公開了一種礦井突水預測方法、裝置、設備、介質及產品，涉及礦井水害預測領域，該方法包括：接收礦井的待預測數(shù)據；將待預測數(shù)據輸入礦井水害預測模型中，輸出礦井是否發(fā)生突水的預測結果；礦井水害預測模型通過如下方式訓練得到：獲取多組訓練樣本，每組訓練樣本中各個影響因素對突水的影響權重；根據每組訓練樣本各個影響因素的影響權重獲取每組訓練樣本的分數(shù)；獲取突水樣本的突水平均值和突水方差；獲取所有訓練樣本的訓練平均值和訓練方差；在突水平均值和訓練平均值，以及，突水方差和訓練方差滿足預設條件時，確定所有訓練樣本為目標訓練樣本；根據目標訓練樣本對深度學習模型進行訓練。本申請可提升突水預測結果的準確性。

技術研發(fā)人員：牛云飛,杜雯莉,李國法,徐世業(yè),祝玉函
受保護的技術使用者：北京探創(chuàng)資源科技股份有限公司
技術研發(fā)日：
技術公布日：2025/1/2