基于条件对抗增强的Transformer煤矿微震定位方法
丁琳琳1
胡永亮1
李昱达1
王凯璐1
王慧颖2
1.辽宁大学信息学院 沈阳 1100362.国网辽宁省电力有限公司信息通信分公司 沈阳 110065
摘要：随着人工智能技术的发展以及煤矿微震监测系统的广泛应用,越来越多的深度学习模型被应用到煤矿微震事件震源定位问题的求解上.然而,由于目前的微震数据量小且数据单一不足以训练大且深的神经网络模型,而小且浅的神经网络模型也不足以表征受多方因素影响的微震事件的震源,因而导致了定位模型定位精度低和鲁棒性弱,在实际生产生活中表现较差,严重地阻碍了深度学习模型在微震定位领域上的发展.针对上述问题,提出一种基于条件对抗增强的Transformer煤矿微震定位方法CGAN-Transformer,该方法首先通过一个CGAN架构的网络模型将数据量少且单一的微震数据增强成数据量庞大且具有一定多样性的微震数据;其次,利用Transformer编码器层将微震波形数据转换为特征数据后再利用其注意力机制进一步学习微震波形数据深层次特征和复杂的站间依赖关系,同时也利用高斯分布随机变量抵消了不同地质条件对定位精度的影响;最后,通过引入混合密度输出层获取高斯分布参数,计算最优的震源位置.在智利和辽宁某矿数据集上的实验结果验证了该方法的有效性,结果表明该方法所获得的震中误差与震源误差均优于其他方法,在两个数据集上的定位误差分别降低了38%和12%,达到了提高震源定位精度和定位模型鲁棒性的目的.
关键词：生成对抗网络Transformer模型微震定位注意力机制混合密度网络
分类号：O141.4(数理逻辑、数学基础)
资助基金：国家自然科学基金(62072220)国家重点研发计划(2022YFC3004603)辽宁省自然科学基金计划项目(2022-KF-13-06)
论文发表日期：2024-01-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 1-8,17 )
英文信息