具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

本发明的发明人考虑到，借助于三维地质建模、巷道水流数值模拟及物联网等信息技术手段，矿井水害应急疏散模拟系统于2017年被首次提出，并于2018年融合云计算与机器学习算法等，构建了矿井水害“一张图”及智慧应急系统，为矿井水害防治提供了新的研究方向。

因此，在这一应急系统研究的基础上，进一步整理了“快速应急”框架，即：首先根据矿井地质及水文地质条件、采掘工程等分析可能的矿井突(透)水情景，建立矿井突(透)水情景库；然后利用巷道水流数值模拟技术计算突(透)水蔓延规律，构建矿井突(透)水蔓延情景库；再对突(透)水蔓延情景进行聚类分析，得到不同的情景类；基于分类出的情景类，利用随机森林算法训练出分类器，建立矿井突(透)水快速判识模型。快速判识的构建及使用是发挥智慧应急系统作用的重要环节，有效地连接了水害事故前的分析研究工作和事故后的应急救援与处置，极大地降低了事故前的分析研究工作的难度。

由此，本发明的技术方案中，获取部署于矿井各巷道中的各监测设备当前监测的水流数据，组成当前的监测数据向量h₁；将h₁输入到分类器，获取所述分类器输出的h₁对应的情景类；根据h₁对应的情景类中的情景数据向量所涉及的突水或透水情景，判识当前的突水或透水情景；其中，所述分类器是预先通过分类为不同情景类的情景数据样本集训练得到的；所述情景数据样本集中包括多个情景数据向量其中，表示在突水或透水情景c下，在情景时刻t采集的各监测设备监测的水流数据组成的情景数据向量；c∈Ρ，t∈Τ，Ρ表示包含各种突水、透水情景的集合，Τ表示突水或透水情景下的情景模拟期。从而实现基于矿井巷道中各监测设备当前监测的水流数据，快速地判识出矿井中的突透水情景的目的，以便及时开展相应的应急救援与处置。

下面结合附图详细说明本发明实施例的技术方案。

本发明实施例中应用的分类器具体可以根据如下方法训练得到，流程如图1所示，包括如下步骤：

步骤S101：生成情景数据样本集。

具体地，在分析矿区地质条件、水文地质条件及矿井采掘计划等资料后，提出矿井可能发生的突(透)水情景，即突(透)水位置及突(透)水量变化。利用巷道水流数值模拟方法计算突(透)水情景对应的巷道水流蔓延过程，并标记矿井各巷道中的设置于不同位置处的各监测设备在不同时间的水流数据(水深、流速、测压水头等)为：

其中，表示第i个监测设备采集的水流数据值，t表示时间，i表示监测设备的编号，T表示突水或透水情景下的情景模拟期，Ω表示监测设备的编号范围。将同一时刻的、矿井中所有监测设备采集的数据，组成一维情景数据向量保存，即：

其中，其中，表示在突水或透水情景c下，在情景时刻t采集的各监测设备监测的水流数据组成的情景数据向量；也就是说，是突水或透水情景c的情景数据向量，c是情景数据向量所涉及的突水或透水情景，t是情景数据向量对应的情景时刻；c∈Ρ，t∈Τ，Ρ表示包含各种突水、透水情景的集合，Τ表示突水或透水情景下的情景模拟期。分别表示矿井中第1～n个监测设备在情景时刻t采集的水流数据；n为矿井中监测设备总数。

将各种突水或透水情景下，获得的不同情景时刻的情景数据向量组成情景数据样本集。

步骤S102：对情景数据样本集中的情景数据向量进行聚类后，分类为不同情景类。

具体地，可以采用层次聚类、或K均值聚类方法对情景数据样本集中的情景数据向量进行聚类，将情景数据样本集中的情景数据向量分类为不同情景类。聚类过程中，可根据如下公式一计算两个情景数据向量之间的相似性：

公式一中，sm表示情景数据向量a和情景数据向量b的归一化相似性度量，i表示情景数据向量中的元素编号。

步骤S103：基于分为不同情景类的情景数据样本集，通过随机森林方法训练分类器。

具体地，基于分为不同情景类的情景数据样本集中的情景数据向量，可以通过随机森林方法训练分类器：利用有放回的抽样方式创建随机森林；在分类计算过程中，利用随机森林中所有二叉树对某一情景数据向量进行分类，其属于某一类的概率由分到该类的二叉树个数除以随机森林中二叉树总个数计算得到。

在得到训练好的分类器后，本发明提供的一种基于上述分类器进行矿井中突透水情景的判识方法，具体流程如图2所示，包括如下步骤：

步骤S201：获取部署于矿井各巷道中的各监测设备当前监测的水流数据，组成当前的监测数据向量h₁。

具体地，将矿井中所有监测设备当前采集的数据，组成一维的监测数据向量h₁＝[v₁,…,v_n]，v₁,…,v_n分别表示矿井中第1～n个监测设备当前采集的水流数据；n为矿井中监测设备总数。

步骤S202：将h₁输入到分类器，获取所述分类器输出的h₁对应的情景类。

步骤S203：根据h₁对应的情景类中的情景数据向量所涉及的突水或透水情景，判识当前的突水或透水情景。

具体地，若当前的判识为首次判识，即h₁为首次输入到所述分类器的监测数据向量，则可以根据如下方法判识当前的突水或透水情景，得到当前的判识结果，具体流程如图3所示，包括如下步骤：

步骤S301：将h₁对应的情景类中的情景数据向量所涉及的突水或透水情景，作为当前的判识结果中的情景；

步骤S302：针对当前的判识结果中的每个情景，可以根据如图4流程所示方法，进一步确定当前的判识结果中当前为该情景的判识率，以及当前所处该情景的最佳情景时刻，具体包括如下子步骤：

子步骤S401：从h₁对应的情景类中获取该情景的各情景数据向量；

子步骤S402：针对每个获取的情景数据向量，计算h₁与该情景数据向量之间的相似度；

具体地，可以根据上述公式一的计算方式计算h₁与该情景数据向量之间的相似度。

子步骤S403：确定出与h₁相似度最高的该情景的情景数据向量，作为该情景的判识时刻向量；

子步骤S404：根据该情景的判识时刻向量与h₁的相似度计算该情景的判识率；

具体地，可以根据如下公式二计算该情景的判识率p⁰：

p⁰＝sm⁰×p_ini(公式二)

公式二中，sm⁰为该情景的判识时刻向量与h₁的相似度，p_ini为设置的判识率初始值。

子步骤S405：将该情景的判识时刻向量对应的情景时刻确定为当前所处该情景的最佳情景时刻。

子步骤S406：将确定的该情景的判识率，以及当前所处该情景的最佳情景时刻加入到当前的判识结果中。

若当前的判识非首次判识，即h₁为非首次输入到所述分类器的监测数据向量，即所述矿井中各监测设备之前监测的水流数据组成的监测数据向量h₀，早于h₁输入到分类器，且在分类器输出了h₀对应的情景类后，可以根据h₀对应的情景类中的情景数据向量所涉及的突水或透水情景，得到所述矿井之前的突水或透水情景的判识结果(即前次判识结果)，则可以结合前次判识结果，判识矿井当前的突水或透水情景，得到当前的判识结果，具体流程如图5所示，包括如下步骤：

步骤S501：判断h₁对应的情景类中的情景数据向量所涉及的突水或透水情景，是否存在于前次判识结果中；若是，则执行如下步骤S502；否则，执行如下步骤S503。

步骤S502：对于存在于前次判识结果中、且h₁对应的情景类中的情景数据向量所涉及的每个突水或透水情景，结合前次判识结果经迭代运算来确定当前的判识结果中该情景的相关信息。

具体地，对于存在于前次判识结果中、且h₁对应的情景类中的情景数据向量所涉及的每个突水或透水情景，将该情景作为当前的判识结果中的情景，后，根据如下方法确定所述当前的判识结果中当前所处该情景的最佳情景时刻，以及当前为该情景的判识率：

从h₁对应的情景类中的情景数据向量中，选取情景时刻最接近t₀+Δt的该情景的情景数据向量作为该情景的判识时刻向量，并获取该情景数据向量的情景时刻t₁；

确定当前的判识结果中当前所处该情景的最佳情景时刻为(t₀+Δt+t₁)/2.0，其中，t₀为所述前次判识结果中该情景的最佳情景时刻，Δt为h₁和h₀输入到所述分类器的时间差，h₀为前次输入到所述分类器的监测数据向量；

将所述前次判识结果中该情景的判识率，经过如下公式三所示的迭代运算得到当前的判识结果中该情景的判识率：

pⁿ＝p^n-1×p_a+smⁿ×p_b (公式三)

其中，p^n-1表示所述前次判识结果中该情景的判识率，pⁿ表示计算得到的当前的判识结果中该情景的判识率，smⁿ为h₁与该情景的判识时刻向量之间的相似度，p_a为设置的累积判识率贡献比例值，例如可以设置为0.9；p_b为设置的当前判识率贡献比例值，例如可以设置为0.1。

步骤S503：对于不存在于前次判识结果中、而h₁对应的情景类中的情景数据向量所涉及的每个突水或透水情景，直接计算当前的判识结果中的该情景的相关信息。

具体地，对于不存在于前次判识结果中、而h₁对应的情景类中的情景数据向量所涉及的每个突水或透水情景，将该情景作为当前的判识结果中的情景后，可以根据上述图4所示流程中各步骤的方法，确定所述当前的判识结果中当前所处该情景的最佳情景时刻，以及当前为该情景的判识率，此处不再赘述。

步骤S504：判断是否有存在于前次判识结果中、但h₁对应的情景类中的情景数据向量不涉及的突水或透水情景；若是，则执行如下步骤S505；否则，结束。

步骤S505：对于存在于前次判识结果中、但h₁对应的情景类中的情景数据向量不涉及的突水或透水情景，根据前次判识结果推断当前的判识结果中该情景的相关信息。

具体地，对于存在于前次判识结果中、但h₁对应的情景类中的情景数据向量不涉及的突水或透水情景，将该情景作为当前的判识结果中的情景后，根据如下方法确定所述当前的判识结果中当前所处该情景的最佳情景时刻，以及当前为该情景的判识率：

确定当前的判识结果中当前所处该情景的最佳情景时刻为t₀+Δt，其中，t₀为所述前次判识结果中该情景的最佳情景时刻，Δt为h₁和h₀输入到所述分类器的时间差，h₀为前次输入到所述分类器的监测数据向量；

将所述前次判识结果中该情景的判识率，经过上述公式三的迭代运算得到当前的判识结果中当前的判识结果；其中，由于该情景不是h₁对应的情景类中的情景数据向量所涉及的突水或透水情景，因此，运算时smⁿ＝0，即表示h₁与该情景的情景数据向量的相似度为0。

例如，一个部署了35个监测设备的矿井，其中各监测设备位置如图6所示。选择一个突(透)水情景，模拟矿井发生水害之后监测设备的运行情况。从监测设备监测到矿井突(透)水发生开始记录数据并生成判识结果；判识结果中选择三个情景作为代表，分析判识结果的变化过程，如图7a所示。给定的p_ini的值小于50％，三个突(透)水情景的判识率体现出了不同的变化趋势，从图7a可以看出：情景a的判识率在小幅波动后，稳定增加超过90％；情景b在波动增加后，逐渐下降至50％以下；情景c则在波动增长后，急剧下降低于10％。判识结果表明，情景a与模拟监测设备数据的情景相似度较高。实质上，情景a就是选择模拟监测设备数据的情景；情景b与情景a突(透)水位置相同，但突(透)水量较小；情景c与情景a突(透)水量相同，但突(透)水位置不同。三个突(透)水情景的突(透)水量变化如图7b所示。因此，应用本发明的技术方案，在判识时刻41之后，即可预测出矿井的情景为情景a，为矿井水害应急救援和处置提供依据。

在利用快速判识获得矿井水害事故信息后，可以通过三维可视化的方式展示巷道淹没范围，并预测未来的巷道水流蔓延过程，如图8所示，巷道着色由深到浅刻画了侧压水头由小(0m)到大(>1.5m)的变化。图8展示了情景a的矿井水害事故发生5min、10min、20min、30min、1h和2h时，矿井淹没范围的变化情况，为矿井水害应急救援和处置提供依据。

基于上述的矿井中突透水情景的判识方法，本发明实施例提供的一种矿井中突透水情景的判识装置，结构如图9所示，包括：监测数据获取模块901、情景分类模块902、情景判识模块903。

监测数据获取模块901用于获取部署于矿井各巷道中的各监测设备当前监测的水流数据，组成当前的监测数据向量h₁；

情景分类模块902用于将h₁输入到分类器，获取所述分类器输出的h₁对应的情景类；其中，所述分类器是预先通过分类为不同情景类的情景数据样本集训练得到的；

情景判识模块903用于根据h₁对应的情景类中的情景数据向量所涉及的突水或透水情景，判识当前的突水或透水情景，得到当前的判识结果。具体地，情景判识模块903可以根据上述图3所示流程各步骤中的方法判识当前的突水或透水情景，得到当前的判识结果，此处不再赘述。

进一步，本发明实施例提供的一种矿井中突透水情景的判识装置还可包括：分类器训练模块904。

分类器训练模块904用于通过分类为不同情景类的情景数据样本集训练分类器。具体地，分类器训练模块904可以根据上述图1所示流程各步骤中的方法训练分类器，此处不再赘述。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

图10示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的矿井中突透水情景的判识方法。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本发明的技术方案中，获取部署于矿井各巷道中的各监测设备当前监测的水流数据，组成当前的监测数据向量h₁；将h₁输入到分类器，获取所述分类器输出的h₁对应的情景类；根据h₁对应的情景类中的情景数据向量所涉及的突水或透水情景，判识当前的突水或透水情景；其中，所述分类器是预先通过分类为不同情景类的情景数据样本集训练得到的；从而实现基于矿井巷道中各监测设备当前监测的水流数据，快速地判识出矿井中的突透水情景的目的，以便及时开展相应的应急救援与处置。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。