煤岩单轴压缩破坏声发射轻量化三维卷积预测模型研究

声发射前兆信息能揭示煤岩内在破坏规律,因此基于声发射前兆信息建立判识模型是煤岩破坏监测预警的核心。基于DenseNet骨架,结合分组卷积(GC)与注意力机制中的“压缩-激励”模块(SE),构建能融合声发射时空特征的轻量化三维卷积预测模型。以红庆河矿3^(-1)煤层强冲击倾向性煤样为研究对象,在煤样单轴压缩过程中,采集不同速率加载下的声发射损伤破坏参数,并将参数预处理为能融合声发射时空特征的图像序列,作为模型输入样本,预测煤样破坏的危险等级,并采用迁移学习预测煤样破坏的剩余时间。结果显示:在预测煤样破坏危险等级的验证样本中,4种网络结构(DenseNet,DenseNet+GC,DenseNet+SE和DenseNet+GC+SE)的预测准确率均高于99.08%,高风险样本召回率均高于99.50%,表明三维卷积能有效捕获声发射时空信息。DenseNet+GC+SE网络的预测概率趋于单点分布,表明该模型能区分不同危险等级。DenseNet+GC+SE网络嵌入分组卷积与SE模块能在保证模型精度的同时,大幅下降模型复杂度与时间复杂度,提升模型效率。煤样破坏剩余时间的预测值与真实值的R2高达99.85%,表明DenseNet+GC+SE迁移模型能依据声发射信号有效预测煤岩破坏。分组卷积还能表征声发射特征多样性,SE模块能评估声发射特征重要性。