基于ConDenseNet架构煤岩破坏识别模型及其优化研究

摘要

为深入了解煤岩的变形和破裂过程，建立基于声发射前兆信息的判别模型进行煤岩破坏的监测和预警。通过构建整合声发射时空特征的轻量级三维卷积煤岩破坏识别模型，研究煤岩不同破坏阶段识别模型的预测效果，并验证模型的泛化能力。在识别煤岩损伤危险阶段的验证样本中，煤岩破坏识别模型预测准确率为99.39%,高风险样本的召回率超99.2%,表明三维卷积模型能有效捕捉煤岩破坏声发射波形的时空耦合信息。ConDenseNet-SE模型通过知识蒸馏优化进一步降低模型过拟合程度并获得性能和准确率兼备的煤岩破坏识别模型，验证了优化后的ConDenseNet-SE模型在识别煤岩破坏及破坏预警方面的优越性。

关键词

深度学习 / 煤岩 / 变形破坏 / 知识蒸馏 / 三维卷积神经网络