1.一种基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，包括如下步骤：

S10：在煤岩体中布置探测装置，并将煤岩体置于试验机中，由试验机对所述煤岩体进行受载破裂试验，在试验过程中记录采集得到的探监测信息和加载边界条件信息；

S20：通过建立速度场、裂隙场、内部应变与应力值间的耦合关系对探监测信息进行转换，得到探监测位置处的应力值；

S30：将转换后得到的试验过程中的应力值、探监测位置坐标和边界条件数据划分为训练集、验证集和测试集；

S40：搭建由空间特征提取部分、应力特征提取部分和应力场构建部分组成的应力场反演神经网络模型，并由反演神经网络模型通过训练集和验证集数据学习获取应力值、探监测位置坐标和边界条件特征；其中，空间特征提取部分配置为用于将观测点坐标数据进行特征提取；应力特征提取部分配置为用于将观测点应力值据进行特征提取；应力场构建部分配置为用于根据观测点的空间位置、应力值和边界条件之间的映射关系对煤岩体受载过程中的边界条件进行预测；

S50：将测试集中通过耦合关系得到的探监测位置处的应力值输入训练后的应力场反演神经网络模型得到反演煤岩体应力场，并预测试验过程中的边界条件；通过测试集中传感器测得的应力值和边界条件对反演煤岩体应力场和预测的边界条件的精度进行校验，并根据校验结果对模型参数进行调整直至反演煤岩体应力场和边界条件的精度达到要求。

2.根据权利要求1所述的基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，在所述步骤S10中，所述探测装置包括：超声相控阵传感器和多频声波探测传感器、光纤微纳传感器和应力监测传感器，其中，超声相控阵传感器布置在煤岩体顶部；多频声波探测传感器布置在煤岩体侧面；光纤微纳传感器和应力传感器布置在煤岩体内部。

3.根据权利要求2所述的基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，在所述步骤S10中，由试验机对所述煤岩体进行受载破裂试验之前还包括如下步骤：设置超声相控阵传感器的工作频率，超声横波波速；按照对应的波形道设置多频声波探测传感器的工作频率；光纤微纳传感器具有多个通道，将多个传感器并联至一给通道，设置其扫描频率；设置应力传感器采样频率和监测位置；设置试验机的加载方式和需要采集的数据。

4.根据权利要求2所述的基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，在所述步骤S20中，包括如下步骤：由超声相控阵传感器得到的波速场和裂隙场信息建立其与应力场间的耦合关系；

由多频声波探测传感器得到的破裂位置，并通过机制解反演方法计算出破裂尺度，推断出裂隙点处的应力方向和大小；

由光纤微纳传感器监测煤岩体内部应变的变化趋势，结合胡克定律计算点或线监测位置的应力值大小。

5.根据权利要求1所述的基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，在所述步骤S40中，应力场反演神经网络模型中空间特征提取部分对观测点坐标数据进行特征提取包括如下步骤：首先，通过输入层读取测点坐标数据，将数据格式转化为张量格式，对数据进行时间位置编码，通过自注意力机制的Q、K、V辅助矩阵对煤岩体空间位置测点坐标数据进行特征提取，公式如下：其中，SA代表Self‑Attention自注意力机制；Q代表查询模块，该模块负责去查询其与被查询特征间的关系；K代表被查询模块，该模块负责接受Q模块的查询；V模块代表计算得到的实际特征信息；x、y、z代表测点的空间位置坐标；ZX、ZY、ZZ代表自注意力机制提取得到的空间位置坐标特征；softmax代表激活函数；

然后，将多个自注意力机制层采用残差方式进行连接，使x+1层的自注意力机制提取到的空间位置特征同时包含x和x+1层提取到的特征，公式如下：O(x)＝F(x)+x

其中，x代表输入神经网络的空间位置；F(x)代表神经网络通过输入x提取得到的空间位置特征；O(x)代表通过残差连接得到的空间位置特征；

最后，将处理后的特征传入前向反馈网络FNN中，通过FNN层进行线性变换，将测点坐标特征从低维度空间映射到高维度空间，对煤岩体内的有限测点进行空间位置建模，公式如下：FNN(ZX)＝max(0，ZXW1+b1)W2+b2

FNN(ZY)＝max(0，ZYW1+b1)W2+b2

FNN(ZZ)＝max(0，ZZW1+b1)W2+b2

其中，ZX、ZY、ZZ代表输入FNN的测点空间位置特征；FNN()为提取到的测点空间位置坐标特征，W1、W2代表权重参量；b1、b2代表偏置参量。

6.根据权利要求1所述的基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，在所述步骤S40中，应力场反演神经网络模型中应力特征提取部分对观测点应力值据进行特征提取包括如下步骤：首先，通过输入层读取应力值数据，将数据格式转化为张量格式，对数据进行时间位置编码，通过自注意力机制的Q、K、V辅助矩阵对煤岩体测点处的应力值数据进行特征提取，公式如下：其中 代表自注意力机制提取到的应力特征，σX、σY、σZ代表测点位置的X、Y、Z方向的应力值大小；

然后，将多个自注意力机制层采用残差方式进行连接，使x+1层的自注意力机制提取到的应力特征同时包含x和x+1层提取到的特征，公式如下：O(x)＝F(x)+x

其中，x代表输入神经网络的应力值；F(x)代表神经网络通过输入x提取得到的应力特征；O(x)代表通过残差连接得到的应力特征；

最后，将处理后的特征传入Feed Forward Neural Network中，通过FNN层进行线性变换，将测点处的应力特征从低维度空间映射到高维度空间，公式如下：其中，W1、W2代表权重参量；b1、b2代表偏置参量；FNN()为提取到的应力特征。

7.根据权利要求1所述的基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，在所述步骤S40中，应力场反演神经网络模型中应力场构建部分根据观测点的空间位置、应力值和边界条件之间的映射关系对煤岩体受载过程中的边界条件进行预测包括如下步骤：S41：将空间特征和应力特征提取部分得到的特征输入到应力场构建部分的第一特征拼接层，第一特征拼接层对这两部分提取到的特征进行拼接，提取应力值和煤岩体坐标位置特征的相似度，学习预测煤岩体不同位置的应力值大小，公式如下：其中，Conf代表Con‑features特征拼接结果，W1、W2代表权重参量；b1、b2代表偏置参量；

(FNN(σX)+FNN(σY)+FNN(σZ))为应力特征提取部分提取得到的应力特征；(FNN(x)+FNN(y)+FNN(z))为空间特征提取部分提取得到的测点空间位置坐标特征； 为通过(FNN(σX)+FNN(σY)+FNN(σZ))和(FNN(x)+FNN(y)+FNN(z))得到的特征拼接结果；

S42：在应力场反演神经网络模型的训练过程中，应力场构建部分的第一特征拼接层通过自注意力机制的Q、K、V辅助矩阵对边界条件进行特征提取，公式如下：其中，ZB代表自注意力机制提取得到的边界条件特征；WQ、WK和WV代表Q、K、V辅助矩阵的特征提取权重；QB、KB和VB代表辅助矩阵的特征提取结果；

S42：应力场构建部分的第二层特征拼接层有两个特征输入端，包括边界条件和拼接特征输入；通过将输入的由自注意力机制提取得到的边界条件特征与拼接特征结果进行特征融合，得到煤岩体的应力场分布特征，最后通过全连接层输出煤岩体的应力场分布，公式如下：σfield＝(Confσ_field·W1+b1)·W2+b2

Boundary＝(Confσ_field·W1+b1)·W2+b2

其中， 为应力场分布特征；σfield代表最终预测得到的应力场分布；Boundary代表最终预测得到的边界条件；W1和W2代表全连接层的权重；b1和b2代表偏置参量。

8.根据权利要求1所述的基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，在所述步骤S40中，反演神经网络模型通过训练集和验证集数据学习获取应力值、探监测位置坐标和边界条件特征还包括：通过MSE均方差函数对预测得到的应力值和边界条件计算偏差，公式如下：其中，N为预测序列的长度；yσp和yBp分别代表预测的应力值和边界条件；yσt和yBt分别代表真实的应力值和边界条件。

9.根据权利要求1所述的基于探‑监测信息的受载煤岩应力场反演方法，其特征在于，在所述步骤S50中，通过测试集中传感器测得的应力值和边界条件对反演煤岩体应力场和预测的边界条件的精度进行校验，并根据校验结果对模型参数进行调整直至反演煤岩体应力场和边界条件的精度达到要求包括如下步骤：通过RMSE计算应力传感器监测得到的真值和模型反演得到的应力值间的误差；若计算得到的误差较大，则对应力场反演神经网络的超参数进行调整，包括：初始化权重、学习率、训练批次大小和训练次数；其中，RMSE计算应力传感器监测得到的真值和模型反演得到的应力值间的误差的计算公式如下：其中，N为预测序列的长度；yobs，i和ymodel，i分别代表应力传感器监测得到的应力真值和模型反演得到的应力值。

10.一种如权利要求1至权利要求9中任意一项所述的基于探‑监测信息的受载煤岩应力场反演装置，其特征在于，包括：信息获取单元，配置为用于在煤岩体中布置探监测传感器，并将煤岩体置于试验机中，由试验机对所述煤岩体进行受载破裂试验，在试验过程中记录采集得到的探监测信息和加载边界条件信息；

应力计算单元，配置为用于通过建立速度场、裂隙场、内部应变与应力值间的耦合关系对探监测信息进行转换，得到探监测位置处的应力值；

数据划分单元，配置为用于将转换后得到的试验过程中的应力值、探监测位置坐标和边界条件数据划分为训练集、验证集和测试集；

模型搭建单元，配置为用于搭建由空间特征提取部分、应力特征提取部分和应力场构建部分组成的应力场反演神经网络模型，并由反演神经网络模型通过训练集和验证集数据学习获取应力值、探监测位置坐标和边界条件特征；其中，空间特征提取部分配置为用于将观测点坐标数据进行特征提取；应力特征提取部分配置为用于将观测点应力值据进行特征提取；应力场构建部分配置为用于根据观测点的空间位置、应力值和边界条件之间的映射关系对煤岩体受载过程中的边界条件进行预测；

反演计算单元，配置为用于将测试集中通过耦合关系得到的探监测位置处的应力值输入训练后的应力场反演神经网络模型得到反演煤岩体应力场，并预测试验过程中的边界条件；通过测试集中传感器测得的应力值和边界条件对反演煤岩体应力场和预测的边界条件的精度进行校验，并根据校验结果对模型参数进行调整直至反演煤岩体应力场和边界条件的精度达到要求。