基于人工智能的金属矿山巷道围岩稳定性预测方法和系统

本发明涉及地下金属矿山安全，特别是指一种基于人工智能的金属矿山巷道围岩稳定性预测方法和系统。

背景技术：

1、巷道围岩稳定性是矿山地下开采过程中不可忽视的地质力学问题，围岩稳定与否直接影响矿山的安全生产和工程决策，因此，金属矿山巷道围岩稳定性预测对于金属矿山的安全生产有重要意义。受深部岩体赋存状态、应力环境和工程条件等的影响，巷道围岩极易出现各种变形破坏现象，巷道围岩稳定性分析常用的方法有刚体极限平衡理论方法、岩体质量分类评价法和数值模拟法等，然而这些现有巷道围岩稳定性预测技术普遍存在的问题是考虑的因素单一或较少，缺乏可供查询和参考的可视化围岩稳定性数据库，缺乏考虑多源异构信息的围岩稳定性预测方法。

技术实现思路

1、为了解决现有技术存在的上述技术问题，本发明实施例提供了一种基于人工智能的金属矿山巷道围岩稳定性预测方法和系统。所述技术方案如下：

2、一方面，提供了一种基于人工智能的金属矿山巷道围岩稳定性预测方法，所述方法包括：获取金属矿山巷道围岩的稳定性相关数据；基于所述稳定性相关数据搭建所述金属矿山巷道围岩的稳定性语料库；对所述稳定性语料库中的数据进行知识抽取，构建所述金属矿山巷道围岩的稳定性领域知识图谱；基于多层bp神经网络构建所述金属矿山巷道围岩的稳定性预测模型；基于所述稳定性领域知识图谱训练所述稳定性预测模型，得到训练好的稳定性预测模型；基于所述训练好的稳定性预测模型，对待分析金属矿山巷道围岩进行稳定性预测。

3、进一步地，获取金属矿山巷道围岩的稳定性相关数据，包括：从文献库、百科类网站、科研机构、相关新闻门户、图书馆和矿山现场勘察，获取金属矿山巷道围岩的稳定性相关数据。

4、进一步地，基于所述稳定性相关数据搭建所述金属矿山巷道围岩的稳定性语料库，包括：预先基于积累的工程实践经验，界定所述金属矿山巷道围岩的稳定性领域的知识覆盖的范畴；通过分析所述金属矿山巷道围岩的稳定性领域的知识数据特征，初步总结构建所述金属矿山巷道围岩的稳定性领域知识图谱所需的知识类型，并依据定义实体类别，形成基础数据集；将所述稳定性相关数据依据预设的数据模式进行系统的分类匹配与补充优化，确定最终知识类型，搭建所述金属矿山巷道围岩的稳定性语料库。

5、进一步地，对所述稳定性语料库中的数据进行知识抽取，构建所述金属矿山巷道围岩的稳定性领域知识图谱，包括：对所述稳定性语料库中的数据进行知识抽取，得到实体；归纳总结所述实体之间的关系，并定义关系类型，对关系类型标签进行去噪处理，得到降噪处理之后的实体关系；基于预训练语言模型对所述实体中的相近语义进行实体合并，通过对合并之后的实体与所述降噪处理之后的实体关系之间的匹配和对齐，完善、更新数据层中的实体类型与关系类型，创建三元组；将所述三元组存储在neo4j图数据库中，构建所述金属矿山巷道围岩的稳定性领域知识图谱。

6、进一步地，对所述稳定性语料库中的数据进行知识抽取，得到实体，包括：利用ltp分词工具外加人工辅助依据预设分词准确率对所述稳定性语料库中的数据进行筛选，将所述稳定性语料库中分词准确率超过所述预设分词准确率且召回率超过预设阈值的词汇组成核心知识库；对于所述稳定性语料库中的结构化数据，依据所述核心知识库设定的词汇匹配机制对数据自行处理得到实体；对于所述稳定性语料库中的半结构化的数据和非结构化的数据，采用预训练语言模型辅以人工修正，重新组织语序和逻辑抽取实体。

7、进一步地，所述稳定性领域知识图谱包括五级节点；其中，一级节点包括“地下金属矿山”属性标签；二级节点包括矿山分类属性标签；三级节点包括金属矿山名称；四级节点包括各金属矿山巷道的特征信息；五级节点包括巷道围岩稳定性分级；所述巷道围岩稳定性分级包括多个围岩稳定性等级和每个围岩稳定性等级对应的稳定性系数。

8、进一步地，所述多层bp神经网络包括由输入层、隐含层和输出层构成的三层bp神经网络；基于多层bp神经网络构建所述金属矿山巷道围岩的稳定性预测模型，包括：选定所述金属矿山巷道围岩的稳定性系数作为预测指标，采用极差变换法将预测指标的标准化，将预测指标转化为0~1之间的数据；基于所述稳定性领域知识图谱构建时知识抽取的结果和所述特征信息，确定主要影响因素作为输入指标；采用试算优化方法确定所述隐含层的节点数，所述隐含层和所述输出层的节点都采用sigmoid函数作为激活函数；以所述稳定性系数作为输出，将所述稳定性领域知识图谱中的数据划分为训练集和测试集后导入所述多层bp神经网络中进行迭代训练，选择误差最小的隐含层节点数建立bp神经网络模型，得到所述稳定性预测模型。

9、另一方面，还提供了一种基于人工智能的金属矿山巷道围岩稳定性预测系统，包括：获取模块，搭建模块，第一构建模块，第二构建模块，训练模块和预测模块；其中，所述获取模块，用于获取金属矿山巷道围岩的稳定性相关数据；所述搭建模块，用于基于所述稳定性相关数据搭建所述金属矿山巷道围岩的稳定性语料库；所述第一构建模块，用于对所述稳定性语料库中的数据进行知识抽取，构建所述金属矿山巷道围岩的稳定性领域知识图谱；所述第二构建模块，用于基于多层bp神经网络构建所述金属矿山巷道围岩的稳定性预测模型；所述训练模块，用于基于所述稳定性领域知识图谱训练所述稳定性预测模型，得到训练好的稳定性预测模型；所述预测模块，用于基于所述训练好的稳定性预测模型，对待分析金属矿山巷道围岩进行稳定性预测。

10、另一方面，还提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例提供的方法。

11、另一方面，还提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如本发明实施例提供的方法。

12、本发明实施例提供了一种基于人工智能的金属矿山巷道围岩稳定性预测方法和系统，综合考虑影响巷道围岩稳定性的多因素指标，利用知识图谱对于数据的归纳管理能力，在获取和解决了巷道围岩稳定性影响因素多源异构数据后导入bp神经网络中迭代训练，建立金属矿山巷道围岩稳定性预测模型，缓解了现有围岩稳定性预测方法中考虑的影响因素指标单一或较少、评价可靠性低的问题。

技术特征：

1.一种基于人工智能的金属矿山巷道围岩稳定性预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，获取金属矿山巷道围岩的稳定性相关数据，包括：

3.根据权利要求1所述的方法，其特征在于，基于所述稳定性相关数据搭建所述金属矿山巷道围岩的稳定性语料库，包括：

4.根据权利要求1所述的方法，其特征在于，对所述稳定性语料库中的数据进行知识抽取，构建所述金属矿山巷道围岩的稳定性领域知识图谱，包括：

5.根据权利要求4所述的方法，其特征在于，对所述稳定性语料库中的数据进行知识抽取，得到实体，包括：

6.根据权利要求1所述的方法，其特征在于，所述稳定性领域知识图谱包括五级节点；其中，一级节点包括“地下金属矿山”属性标签；二级节点包括矿山分类属性标签；三级节点包括金属矿山名称；四级节点包括各金属矿山巷道的特征信息；五级节点包括巷道围岩稳定性分级；所述巷道围岩稳定性分级包括多个围岩稳定性等级和每个围岩稳定性等级对应的稳定性系数。

7.根据权利要求6所述的方法，其特征在于，所述多层bp神经网络包括由输入层、隐含层和输出层构成的三层bp神经网络；基于多层bp神经网络构建所述金属矿山巷道围岩的稳定性预测模型，包括：

8.一种基于人工智能的金属矿山巷道围岩稳定性预测系统，其特征在于，包括：获取模块，搭建模块，第一构建模块，第二构建模块，训练模块和预测模块；其中，

9.一种电子设备，其特征在于，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。

10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至7任一项所述的方法。

技术总结本发明公开了一种基于人工智能的金属矿山巷道围岩稳定性预测方法和系统，涉及地下金属矿山安全技术领域，包括：获取金属矿山巷道围岩的稳定性相关数据；基于稳定性相关数据搭建金属矿山巷道围岩的稳定性语料库；对稳定性语料库中的数据进行知识抽取，构建金属矿山巷道围岩的稳定性领域知识图谱；基于多层BP神经网络构建金属矿山巷道围岩的稳定性预测模型；基于巷道围岩稳定性领域知识图谱训练围岩稳定性预测模型，得到训练好的稳定性预测模型；基于训练好的稳定性预测模型，对待分析金属矿山巷道围岩进行稳定性预测。本发明缓解了现有围岩稳定性预测方法中考虑的影响因素指标单一或较少、评价可靠性低的问题。技术研发人员：谭文辉,梁爽,李凯,郭奇峰,李泽龙受保护的技术使用者：北京科技大学技术研发日：技术公布日：2024/9/12