CN104834004A - 基于峰值前后波形斜率的矿山微震与爆破信号识别方法 - Google Patents
基于峰值前后波形斜率的矿山微震与爆破信号识别方法 Download PDFInfo
- Publication number
- CN104834004A CN104834004A CN201510170565.9A CN201510170565A CN104834004A CN 104834004 A CN104834004 A CN 104834004A CN 201510170565 A CN201510170565 A CN 201510170565A CN 104834004 A CN104834004 A CN 104834004A
- Authority
- CN
- China
- Prior art keywords
- event
- peak point
- blast
- sigma
- maximal peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于峰值前后波形斜率的矿山微震与爆破信号识别方法,步骤1:获得线性识别方程:基于N次微震事件与M次爆破事件获得分别以A、k1、k2、k3、k4、k5和k6的对数为特征参数的线性识别方程Y=a1*lg(k1)+a2*lg(k2)+a3*lg(k3)+a4*lg(k4)+a5*lg(k5)+a6*lg(k6)+b*lg(A)+c;步骤2:计算判别阈值Yd;步骤3:基于线性识别方程和判别阈值Yd对待识别事件进行识别:计算待识别事件的判别值Y,若Y≤Yd,则该待识别事件为微震事件,否则为爆破事件。本发明方法计算量小;识别结果不受信号噪音影响,准确度高。
Description
技术领域
本发明涉及一种矿山微震和爆破信号识别方法,尤其涉及一种基于峰值前后波形斜率的矿山微震与爆破信号识别方法。
背景技术
微震监测是通过分析生产活动所产生的微震事件来监测地下状态的地球物理技术。由于该技术并非直接测定被监测岩体的应力、应变等基本力学参数,而是通过微震震源定位确定其在受到应力和变形时的稳定性,因此相比于传统位移和应力监测的方法,微震监测技术能够获知岩体内部微破裂分布及微破裂演化过程并反映相邻区域内的岩体变形或位移。近年来,该技术在地下工程及岩体边坡工程领域得到快速发展,广泛应用于矿山、隧道、石油和天然气及地热资源储藏库、核废料处置室等地下构筑物和岩石边坡、超大桥墩及水坝等地表工程的稳定性监测,并在油气和金属资源勘探开发中发挥越来越重要的作用。
由于矿山微震监测主要是采集岩体破裂产生的震动信号,通过信号的分析与处理求解震源参数,分析微震事件的时空分布,以此评价岩体的稳定性。整个过程的基础是信号的辨识,针对监测目标,剔除噪音、爆破等无用信号,为岩体稳定性分析和地压灾害评价提供可靠数据。目前,国内外应用微震监测系统对岩体的稳定性进行监测时,都因遇到或多或少的问题而不被现场认可,这其中最主要的原因就是:现场生产环境较为复杂、噪声源多且杂、爆破影响较大,导致大量的爆破数据与有效的微震信息夹杂在一起,很难准确地甄别,以致难以提供直观的监测数据为现场生产服务,而传统的依靠人工手动不精确的波形识别和处理,很容易导致微震事件快速标定和微震事件空间分布规律预测产生严重误差。
涉及微震事件与爆破事件识别的专利申请(申请号201410556890.4)给出了一种基于波形起振特征的矿山微震与爆破识别方法,该方法具有较高的识别准确度,但背景噪音较大时,首次峰值点不易拾取,且波形起振斜率受噪音影响较大,尤其当噪音的幅值高于原信号的首次峰值时,识别结果将更多的取决于噪音信号的起振斜率,而不是原信号的波形起振特征,识别结果出现不准确性。
因此,有必要设计一种充分考虑波形的起振特征和衰减特征,计算简单,识别效果良好,且识别结果不受噪音影响的矿山微震与爆破信号识别方法。
发明内容
本发明所要解决的技术问题是,针对现有技术的不足,提供一种基于峰值前后波形斜率的矿山微震与爆破信号识别方法,该方法计算量小、识别准确度高、无需时域到频域变换,且识别结果不受噪音影响。
本发明的技术解决方案如下:
一种基于峰值前后波形斜率的矿山微震与爆破信号识别方法,包括以下步骤:
步骤1:获得线性识别方程:
基于N次微震事件与M次爆破事件的采样序列,获得以A、k1、k2、k3、k4、k5和k6的对数为特征参数的线性识别方程:Y=a1*lg(k1)+a2*lg(k2)+a3*lg(k3)+a4*lg(k4)+a5*lg(k5)+a6*lg(k6)+b*lg(A)+c;其中Y为线性识别方程的因变量,即待识别事件的判别值;【Y是一个能将多维空间中的点(此处指x=(A,k1,k2,k3,k4,k5,k6))降为一维数值的线性函数,这个线性函数把多维空间中的已知类别总体以及求知类别归属的样本都变换为一维数据,这个线性函数能够在把多维空间中的所有点转化为一维数值之后,既能最大限度地缩小同类中各个样本点之间的差异,又能最大限度地扩大不同类别中各个样本点之间的差异。本发明中字母Y是线性识别函数的因变量】,k1、k2和k3为最大峰值点之前的三个波形斜率【波形斜率根据最大峰值点和其它采样点的坐标计算得到】,k4、k5和k6为最大峰值点之后的三个波形斜率,A为波形最大峰值点幅值的绝对值,a1、a2、a3、a4、a5、a6、b和c为基于样本辨识得到的8个常量值;N和M为整数,且N,M≥100;
步骤2:计算判别阈值Yd:
步骤3:基于线性识别方程和判别阈值Yd对待识别事件进行识别:
计算待识别事件最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A,代入所述的识别方程得判别值Y,若Y≤判别阈值Yd,则说明该待识别事件为微震事件,否则若Y>判别阈值Yd,则说明该待识别事件为爆破事件。
所述步骤1中,针对每一次微震事件或爆破事件,进行以下操作:
(1)选取采样序列中振幅绝对值最大的采样点,即最大峰值点,记为P(y,x),y的绝对值记为A;
(2)选取与最大峰值点最近的前后三个采样点,依时间顺序分别记为P1(x1,y1)、P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5)和P6(x6,y6);
(3)计算最大峰值点前后的波形斜率的大小,k1=abs[(y-y1)/(x-x1)],k2=abs[(y-y2)/(x-x2)],k3=abs[(y-y3)/(x-x3)],k4=abs[(y-y4)/(x-x4)],k5=abs[(y-y5)/(x-x5)],k6=abs[(y-y6)/(x-x6)];
统计已确定的N次微震事件与M次爆破事件,得到以k1、k2、k3、k4、k5、k6和A的对数为特征参数的线性识别方程:Y=a1*lg(k1)+a2*lg(k2)+a3*lg(k3)+a4*lg(k4)+a5*lg(k5)+a6*lg(k6)+b*lg(A)+c。
采用Fisher判别方法得到所述的线性识别方程。
所述步骤2中,计算判别阈值Yd的方法为:
计算N次微震事件的最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A;
计算N次微震事件中各特征参数的平均值: 和
将kms1、kms2、kms3、kms4、kms5、kms6和Ams代入线性识别方程Y,得到微震事件类型判别临界值为Yms=a1*kms1+a2*kms2+a3*kms3+a4*kms4+a5*kms5+a6*kms6+b*Ams+c;
计算M次爆破事件的最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A;
计算M次爆破事件中各特征参数的平均值: 和
将kblast1、kblast2、kblast3、kblast4、kblast5、kblast6和Ablast代入线性识别方程Y,得到爆破事件类型判别临界值为Yblast=a1*kblast1+a2*kblasts2+a3*kblast3+a4*kblasts4+a5*kblast5+a6*kblast6+b*Ablast+c;
取Yms和Yblast的平均值作为未知事件判别阈值Yd。
所述步骤3,针对待识别事件计算k1、k2、k3、k4、k5、k6和A的步骤为:
(1)选取待识别事件采样序列中振幅绝对值最大的采样点,即最大峰值点,记为P(y,x),y的绝对值记为A;
(2)选取与最大峰值点最近的前后三个采样点,依时间顺序分别记为P1(x1,y1)、P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5)和P6(x6,y6);
(3)计算最大峰值点前后的波形斜率的大小,k1=abs[(y-y1)/(x-x1)],k2=abs[(y-y2)/(x-x2)],k3=abs[(y-y3)/(x-x3)],k4=abs[(y-y4)/(x-x4)],k5=abs[(y-y5)/(x-x5)],k6=abs[(y-y6)/(x-x6)]。
有益效果:
1)、识别结果不受背景噪音的影响
虽然现有技术中,涉及微震事件与爆破事件识别的专利(申请号201410556890.4)已给出了一种基于波形起振特征的矿山微震与爆破识别方法,但当背景噪音较大时,首次峰值点不易拾取,且波形起振斜率受噪音影响较大,尤其当噪音的幅值高于原信号的首次峰值时,识别结果将更多的取决于噪音信号的起振斜率,而不是原信号的波形起振特征,识别结果出现不准确性。而本技术方案彻底放弃依据首次峰值前波形起振斜率这一识别特征,选用受噪音信号干扰影响较小的最大峰值前后波形的起振与衰减特征作为识别参数,该方法不仅降低了噪音信号对识别结果的影响,而且增加了衰减特征作为识别参数,使识别结果更为精准。
2)、无需时域到频域转换,计算量少
本发明针矿山微震与爆破信号识别,提出一种基于峰值前后波形斜率的矿山微震和爆破信号识别方法。该方法充分考虑了信号的起振和衰减特征,无需波形从时域到频域的变化,计算量少。
3)、识别正确率高
相比于以震源参数为特征参数进行事件类型识别的方法,本发明无需P波和S波的到时提取,从而避免了由到时提取误差造成的识别正确率低下。
4)、自动识别、效率高
传统的人工手动识别不仅工作量巨大且与识别效率与数据处理员的技术经验息息相关关,本发明建立了自动识别爆破和微震信号的数学模型,可由计算机程序进行自动识别,大大提高了识别效率。
5)、本发明成本低,易于实施。
附图说明
图1是针对两类事件各100次采样的各参数统计的结果;图1(a)、1(b)、1(c)、1(d)、1(e)、1(f)和1(g)分别为针对两类事件各100次采样的k1,k2,k3,k4,k5,k6,A统计的结果。
图2是本发明关键数据点选取示意图。
图3是微震事件首先触发传感器波形图。
图4是爆破事件首先触发传感器波形图。
图5是待识别事件首先触发传感器波形图;图5(a)和图5(b)分别为两次待识别事件首先触发传感器波形图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明:
本发明提供了一种基于峰值前后波形斜率的矿山微震与爆破信号识别方法,包括以下步骤:
步骤1:获得线性识别方程:
基于N次微震事件与M次爆破事件的采样序列,获得以A、k1、k2、k3、k4、k5和k6的对数为特征参数的线性识别方程:Y=a1*lg(k1)+a2*lg(k2)+a3*lg(k3)+a4*lg(k4)+a5*lg(k5)+a6*lg(k6)+b*lg(A)+c;其中Y为线性识别方程的因变量,即待识别事件的判别值;k1、k2和k3为最大峰值点之前的三个波形斜率【波形斜率根据最大峰值点和其它采样点的坐标计算得到】,k4、k5和k6为最大峰值点之后的三个波形斜率,A为波形最大峰值点幅值的绝对值,a1、a2、a3、a4、a5、a6、b和c为基于样本辨识得到的8个常量值;N和M为整数,且N,M≥100;
步骤2:计算判别阈值Yd:
步骤3:基于线性识别方程和判别阈值Yd对待识别事件进行识别:
计算待识别事件最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A,代入所述的识别方程得判别值Y,若Y≤判别阈值Yd,则说明该待识别事件为微震事件,否则若Y>判别阈值Yd,则说明该待识别事件为爆破事件。
所述步骤1中,针对每一次微震事件或爆破事件,进行以下操作:
(1)选取采样序列中振幅绝对值最大的采样点,即最大峰值点,记为P(y,x),y的绝对值记为A;
(2)选取与最大峰值点最近的前后三个采样点,依时间顺序分别记为P1(x1,y1)、P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5)和P6(x6,y6);
(3)计算最大峰值点前后的波形斜率的大小,k1=abs[(y-y1)/(x-x1)],k2=abs[(y-y2)/(x-x2)],k3=abs[(y-y3)/(x-x3)],k4=abs[(y-y4)/(x-x4)],k5=abs[(y-y5)/(x-x5)],k6=abs[(y-y6)/(x-x6)];
统计已确定的N次微震事件与M次爆破事件,得到以k1、k2、k3、k4、k5、k6和A的对数为特征参数的线性识别方程:Y=a1*lg(k1)+a2*lg(k2)+a3*lg(k3)+a4*lg(k4)+a5*lg(k5)+a6*lg(k6)+b*lg(A)+c。
采用Fisher判别方法得到所述的线性识别方程。
所述步骤2中,计算判别阈值Yd的方法为:
计算N次微震事件的最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A;
计算N次微震事件中各特征参数的平均值: 和
将kms1、kms2、kms3、kms4、kms5、kms6和Ams代入线性识别方程Y,得到微震事件类型判别临界值为Yms=a1*kms1+a2*kms2+a3*kms3+a4*kms4+a5*kms5+a6*kms6+b*Ams+c;
计算M次爆破事件的最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A;
计算M次爆破事件中各特征参数的平均值: 和
将kblast1、kblast2、kblast3、kblast4、kblast5、kblast6和Ablast代入线性识别方程Y,得到爆破事件类型判别临界值为Yblast=a1*kblast1+a2*kblasts2+a3*kblast3+a4*kblasts4+a5*kblast5+a6*kblast6+b*Ablast+c;
取Yms和Yblast的平均值作为未知事件判别阈值Yd。
所述步骤3,针对待识别事件计算k1、k2、k3、k4、k5、k6和A的步骤为:
(1)选取待识别事件采样序列中振幅绝对值最大的采样点,即最大峰值点,记为P(y,x),y的绝对值记为A;
(2)选取与最大峰值点最近的前后三个采样点,依时间顺序分别记为P1(x1,y1)、P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5)和P6(x6,y6);
(3)计算最大峰值点前后的波形斜率的大小,k1=abs[(y-y1)/(x-x1)],k2=abs[(y-y2)/(x-x2)],k3=abs[(y-y3)/(x-x3)],k4=abs[(y-y4)/(x-x4)],k5=abs[(y-y5)/(x-x5)],k6=abs[(y-y6)/(x-x6)]。
以下分两个方面说明线性识别方程Y=a1*lg(k1)+a2*lg(k2)+a3*lg(k3)+a4*lg(k4)+a5*lg(k5)+a6*lg(k6)+b*lg(A)+c能对微震事件和爆破事件进行准确识别的依据。
第一,针对两类事件各100次采样的各参数进行统计,结果如图1所示。结果表明,两类事件在各特征参数上的分布具有明显差异,所选各特征参数均能有效识别微震和爆破事件,且本发明选取的特征参数计算简单,容易获取。
第二,实验数据表明,所建立的线性识别方程具有绝对高准确率的识别效果。现将该线性识别方程对上述各100次事件的识别结果与人工手动识别结果汇总列于下表:表中,1代表微震事件,2代表爆破事件,**表示识别错误。
序号 | 实际 | 识别 | 序号 | 实际 | 识别 | 序号 | 实际 | 识别 | 序号 | 实际 | 识别 | |
1 | 1 | 1 | 51 | 1 | 2** | 1 | 2 | 1** | 51 | 2 | 2 | |
2 | 1 | 1 | 52 | 1 | 2** | 2 | 2 | 2 | 52 | 2 | 2 | |
3 | 1 | 1 | 53 | 1 | 1 | 3 | 2 | 2 | 53 | 2 | 2 | |
4 | 1 | 1 | 54 | 1 | 1 | 4 | 2 | 2 | 54 | 2 | 1** | |
5 | 1 | 1 | 55 | 1 | 2** | 5 | 2 | 2 | 55 | 2 | 2 | |
6 | 1 | 1 | 56 | 1 | 1 | 6 | 2 | 2 | 56 | 2 | 2 | |
7 | 1 | 1 | 57 | 1 | 1 | 7 | 2 | 1** | 57 | 2 | 2 | |
8 | 1 | 1 | 58 | 1 | 1 | 8 | 2 | 2 | 58 | 2 | 2 | |
9 | 1 | 1 | 59 | 1 | 1 | 9 | 2 | 2 | 59 | 2 | 2 | |
10 | 1 | 1 | 60 | 1 | 1 | 10 | 2 | 2 | 60 | 2 | 2 | |
11 | 1 | 1 | 61 | 1 | 1 | 11 | 2 | 2 | 61 | 2 | 2 | |
12 | 1 | 1 | 62 | 1 | 1 | 12 | 2 | 2 | 62 | 2 | 2 | |
13 | 1 | 1 | 63 | 1 | 1 | 13 | 2 | 2 | 63 | 2 | 2 | |
14 | 1 | 1 | 64 | 1 | 1 | 14 | 2 | 2 | 64 | 2 | 1** | |
15 | 1 | 1 | 65 | 1 | 1 | 15 | 2 | 2 | 65 | 2 | 2 | |
16 | 1 | 2** | 66 | 1 | 1 | 16 | 2 | 2 | 66 | 2 | 2 | |
17 | 1 | 1 | 67 | 1 | 1 | 17 | 2 | 1** | 67 | 2 | 2 | |
18 | 1 | 1 | 68 | 1 | 1 | 18 | 2 | 1** | 68 | 2 | 2 | |
19 | 1 | 1 | 69 | 1 | 1 | 19 | 2 | 2 | 69 | 2 | 2 | |
20 | 1 | 1 | 70 | 1 | 1 | 20 | 2 | 2 | 70 | 2 | 2 | |
21 | 1 | 1 | 71 | 1 | 2** | 21 | 2 | 2 | 71 | 2 | 2 | |
22 | 1 | 1 | 72 | 1 | 1 | 22 | 2 | 2 | 72 | 2 | 2 | |
23 | 1 | 1 | 73 | 1 | 1 | 23 | 2 | 2 | 73 | 2 | 2 | |
24 | 1 | 1 | 74 | 1 | 1 | 24 | 2 | 2 | 74 | 2 | 2 | |
25 | 1 | 1 | 75 | 1 | 1 | 25 | 2 | 2 | 75 | 2 | 2 | |
26 | 1 | 1 | 76 | 1 | 1 | 26 | 2 | 2 | 76 | 2 | 2 | |
27 | 1 | 1 | 77 | 1 | 1 | 27 | 2 | 2 | 77 | 2 | 2 | |
28 | 1 | 1 | 78 | 1 | 1 | 28 | 2 | 2 | 78 | 2 | 1** | |
29 | 1 | 1 | 79 | 1 | 1 | 29 | 2 | 2 | 79 | 2 | 2 | |
30 | 1 | 2** | 80 | 1 | 1 | 30 | 2 | 2 | 80 | 2 | 2 | |
31 | 1 | 1 | 81 | 1 | 1 | 31 | 2 | 1** | 81 | 2 | 2 | |
32 | 1 | 1 | 82 | 1 | 1 | 32 | 2 | 2 | 82 | 2 | 2 | |
33 | 1 | 1 | 83 | 1 | 1 | 33 | 2 | 1** | 83 | 2 | 2 | |
34 | 1 | 1 | 84 | 1 | 1 | 34 | 2 | 2 | 84 | 2 | 2 | |
35 | 1 | 1 | 85 | 1 | 2** | 35 | 2 | 2 | 85 | 2 | 2 | |
36 | 1 | 1 | 86 | 1 | 1 | 36 | 2 | 2 | 86 | 2 | 2 | |
37 | 1 | 1 | 87 | 1 | 1 | 37 | 2 | 2 | 87 | 2 | 2 | |
38 | 1 | 1 | 88 | 1 | 1 | 38 | 2 | 2 | 88 | 2 | 2 | |
39 | 1 | 1 | 89 | 1 | 1 | 39 | 2 | 2 | 89 | 2 | 2 | |
40 | 1 | 1 | 90 | 1 | 1 | 40 | 2 | 2 | 90 | 2 | 2 | |
41 | 1 | 1 | 91 | 1 | 1 | 41 | 2 | 2 | 91 | 2 | 2 | |
42 | 1 | 1 | 92 | 1 | 1 | 42 | 2 | 2 | 92 | 2 | 2 | |
43 | 1 | 1 | 93 | 1 | 1 | 43 | 2 | 2 | 93 | 2 | 2 | |
44 | 1 | 1 | 94 | 1 | 1 | 44 | 2 | 2 | 94 | 2 | 2 | |
45 | 1 | 1 | 95 | 1 | 1 | 45 | 2 | 2 | 95 | 2 | 2 | |
46 | 1 | 1 | 96 | 1 | 1 | 46 | 2 | 2 | 96 | 2 | 2 | |
47 | 1 | 1 | 97 | 1 | 1 | 47 | 2 | 2 | 97 | 2 | 2 | |
48 | 1 | 1 | 98 | 1 | 1 | 48 | 2 | 2 | 98 | 2 | 2 | |
49 | 1 | 1 | 99 | 1 | 1 | 49 | 2 | 2 | 99 | 2 | 2 | |
50 | 1 | 1 | 100 | 1 | 1 | 50 | 2 | 2 | 100 | 2 | 2 |
实施例1:
本实施例的基于峰值前后波形斜率的矿山微震与爆破信号识别方法,取N=M=100,其步骤如下:
1)选取已准确识别的100次微震事件和100次爆破事件,其中一微震事件的波形如图3所示,一爆破事件的波形如图4所示。
2)图3中,该微震事件的最大峰值点为P(0.3305,-7.36198E-05),因此A=7.36198E-05,依时间顺序依次选取该最大峰值点之前和最大峰值点之后的三个采样点,分别为P1(0.33000,-7.2542E-05)、P2(0.33017,-7.31802E-05)、P3(0.33033,-7.35475E-05)、P4(0.33067,-7.34391E-05)、P5(0.33083,-7.2548E-05)和P6(0.331,-7.1687E-05)。图4中,该爆破事件的最大峰值点为P(0.25433,0.000208829),因此A=0.000208829,依时间顺序依次选取该最大峰值点之前和最大峰值点之后的三个采样点,分别为P1(0.25383,0.000168277)、P2(0.254,0.000184986)、P3(0.25417,0.00020391)、P4(0.2545,0.00019029)、P5(0.25467,0.000160974)和P6(0.25483,0.000134686)。图2是本发明关键数据点选取示意图。
3)计算最大峰值前后波形斜率的大小,该微震事件(图3)的k1=abs[(y-y1)/(x-x1)]=0.002155548,k2=abs[(y-y2)/(x-x2)]=0.001318617,k3=abs[(y-y3)/(x-x3)]=0.000433518,k4=abs[(y-y4)/(x-x4)]=0.001083795,k5=abs[(y-y5)/(x-x5)]=0.003215258,k6=abs[(y-y6)/(x-x6)]=0.003865535;该爆破事件(图4)的k1=abs[(y-y1)/(x-x1)]=0.081103984,k2=abs[(y-y2)/(x-x2)]=0.071530461,k3=abs[(y-y3)/(x-x3)]=0.029515344,k4=abs[(y-y4)/(x-x4)]=0.111233478,k5=abs[(y-y5)/(x-x5)]=0.143566695,k6=abs[(y-y6)/(x-x6)]=0.148287224。按上述方法计算其余各99次事件的特征参数k1、k2、k3、k4、k5、k6和A。
4)应用Fisher判别【Fisher判别的基本原理是:使类间样本分布尽可能分开,类内样本投影尽可能密集】方法得到k1、k2、k3、k4、k5、k6和A为参数的识别方程Y=0.494*lg(k1)-0.783*lg(k2)+0.538*lg(k3)+0.391*lg(k4)+1.461*lg(k5)-0.164*lg(k6)-1.018*lg(A)-0.084。
5)计算该100次微震事件各特征参数的平均值得
将kms1、kms2、kms3、kms4、kms5、kms6和Ams代入线性识别方程Y,得到微震事件类型判别临界值为Yms=-1.055726698;计算该100次爆破事件各特征参数的平均值得
将kblast1、kblast2、kblast3、kblast4、kblast5、kblast6和Ablast代入线性识别方程Y,得到微震事件类型判别临界值为Yblast=1.254448271;取Yms和Yblast的平均值作为未知事件判别阈值Yd=0.099360787。
6)该待识别事件(波形如图5(a)所示)的最大峰值点为P(0.52333,-1.47456E-05),因此A=1.47456E-05,依时间顺序依次选取该最大峰值点之前和最大峰值点之后的三个采样点,分别为P1(0.52283,-1.43844E-05)、P2(0.523,-1.47155E-05)、P3(0.52316,-1.46252E-05)、P4(0.5235,-1.47456E-05)、P5(0.52366,-1.46975E-05)和P6(0.52383,-1.46975E-05)。计算最大峰值前后波形斜率的大小,该事件(波形如图5(a)所示)的k1=abs[(y-y1)/(x-x1)]=0.0007224,k2=abs[(y-y2)/(x-x2)]=0.0000903,k3=abs[(y-y3)/(x-x3)]=0.0007224,k4=abs[(y-y4)/(x-x4)]=0.0007224,k5=abs[(y-y5)/(x-x5)]=0.0001443,k6=abs[(y-y6)/(x-x6)]=9.62E-05;
7)将k1、k2、k3、k4、k5、k6和A代入线性识别方程Y=0.494*lg(k1)-0.783*lg(k2)+0.538*lg(k3)+0.391*lg(k4)+1.461*lg(k5)-0.164*lg(k6)-1.018*lg(A)-0.084,得到该事件判别值为Y=-1.421513763;
8)Y=-1.421513763<Yd=0.099360787,因此该待识别事件为微震事件。尽管该信号中含有较强的噪音信号,但该识别结果与人工识别结果相同,识别准确。
以图5(b)为例说明本发明能很好地克服现有技术中存在的技术问题。很明显,5(b)的波形为爆破事件的波形,但波形中有较强的背景噪音,若以专利201410556890.4所提出的方法对该事件进行识别,需首先确定该波形的首次峰值点和最大峰值点。专利201410556890.4对图5(b)最大峰值点的选取不会造成错误,但对于首次峰值点的选取则会出现较大的错误,很明显该波形的实际首次峰值点为B点,但受噪音影响,该波形的首次峰值点则会选择为A点。图5(b)按专利201410556890.4的识别方法,计算待识别事件波形起振趋势线斜率得k1=3.025E-6,k2=3.150E-6,代入识别方程得Y=k1+0.664k2-0.676×10-4=-6.248E-5,该值小于判别阈值-1.984E-5,即该事件为微震事件。很明显,识别结果错误。峰值点的选取错误导致专利201410556890.4中的两个波形起振斜率计算出现错误,而最终识别结果则取决于噪音的强度,噪音的持续时间等因素,最终导致识别结果的不稳定性。而使用本发明的发明则能有效地克服这一问题,识别结果准确。
本发明提供的基于峰值前后波形斜率的矿山微震与爆破信号识别方法,识别结果不受背景噪音的影响;无需时域到频域的变换,计算方便;识别效率高,解决了矿山微震监测过程中微震事件信号与爆破信号难以自动识别的问题。
Claims (5)
1.一种基于峰值前后波形斜率的矿山微震与爆破信号识别方法,其特征在于,包括以下步骤:
步骤1:获得线性识别方程:
基于N次微震事件与M次爆破事件的采样序列,获得以A、k1、k2、k3、k4、k5和k6的对数为特征参数的线性识别方程:Y=a1*lg(k1)+a2*lg(k2)+a3*lg(k3)+a4*lg(k4)+a5*lg(k5)+a6*lg(k6)+b*lg(A)+c;其中Y为线性识别方程的因变量,即待识别事件的判别值;k1、k2和k3为最大峰值点之前的三个波形斜率,k4、k5和k6为最大峰值点之后的三个波形斜率,A为最大峰值点幅值的绝对值,a1、a2、a3、a4、a5、a6、b和c为基于样本辨识得到的8个常量值;N和M为整数,且N,M≥100;
步骤2:计算判别阈值Yd:
步骤3:基于线性识别方程和判别阈值Yd对待识别事件进行识别:
计算待识别事件最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A,代入所述的识别方程得判别值Y,若Y≤判别阈值Yd,则说明该待识别事件为微震事件,否则若Y>判别阈值Yd,则说明该待识别事件为爆破事件。
2.根据权利要求1所述的基于峰值前后波形斜率的矿山微震与爆破信号识别方法,其特征在于,所述步骤1中,针对每一次微震事件或爆破事件,进行以下操作:
(1)选取采样序列中振幅绝对值最大的采样点,即最大峰值点,记为P(y,x),y的绝对值记为A;
(2)选取与最大峰值点最近的前后三个采样点,依时间顺序分别记为P1(x1,y1)、P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5)和P6(x6,y6);
(3)计算最大峰值点前后的波形斜率的大小,k1=abs[(y-y1)/(x-x1)],k2=abs[(y-y2)/(x-x2)],k3=abs[(y-y3)/(x-x3)],k4=abs[(y-y4)/(x-x4)],k5=abs[(y-y5)/(x-x5)],k6=abs[(y-y6)/(x-x6)];
统计已确定的N次微震事件与M次爆破事件,得到以k1、k2、k3、k4、k5、k6和A的对数为特征参数的线性识别方程:Y=a1*lg(k1)+a2*lg(k2)+a3*lg(k3)+a4*lg(k4)+a5*lg(k5)+a6*lg(k6)+b*lg(A)+c。
3.根据权利要求2所述的基于峰值前后波形斜率的矿山微震与爆破信号识别方法,其特征在于,采用Fisher判别方法得到所述的线性识别方程。
4.根据权利要求3所述的基于峰值前后波形斜率的矿山微震与爆破信号识别方法,其特征在于,所述步骤2中,计算判别阈值Yd的方法为:
计算N次微震事件的最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A;
计算N次微震事件中各特征参数的平均值: 和
将kms1、kms2、kms3、kms4、kms5、kms6和Ams代入线性识别方程Y,得到微震事件类型判别临界值为Yms=a1*kms1+a2*kms2+a3*kms3+a4*kms4+a5*kms5+a6*kms6+b*Ams+c;
计算M次爆破事件的最大峰值点之前的三个波形斜率k1、k2和k3、最大峰值点之后的三个波形斜率k4、k5和k6及最大峰值点幅值的绝对值A;
计算M次爆破事件中各特征参数的平均值: 和
将kblast1、kblast2、kblast3、kblast4、kblast5、kblast6和Ablast代入线性识别方程Y,得到爆破事件类型判别临界值为Yblast=a1*kblast1+a2*kblasts2+a3*kblast3+a4*kblasts4+a5*kblast5+a6*kblast6+b*Ablast+c;
取Yms和Yblast的平均值作为未知事件判别阈值Yd。
5.根据权利要求1~4中任一项所述的基于峰值前后波形斜率的矿山微震与爆破信号识别方法,其特征在于,所述步骤3,针对待识别事件计算k1、k2、k3、k4、k5、k6和A的步骤为:
(1)选取待识别事件采样序列中振幅绝对值最大的采样点,即最大峰值点,记为P(y,x),y的绝对值记为A;
(2)选取与最大峰值点最近的前后三个采样点,依时间顺序分别记为P1(x1,y1)、P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5)和P6(x6,y6);
(3)计算最大峰值点前后的波形斜率的大小,k1=abs[(y-y1)/(x-x1)],k2=abs[(y-y2)/(x-x2)],k3=abs[(y-y3)/(x-x3)],k4=abs[(y-y4)/(x-x4)],k5=abs[(y-y5)/(x-x5)],k6=abs[(y-y6)/(x-x6)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510170565.9A CN104834004B (zh) | 2015-04-13 | 2015-04-13 | 基于峰值前后波形斜率的矿山微震与爆破信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510170565.9A CN104834004B (zh) | 2015-04-13 | 2015-04-13 | 基于峰值前后波形斜率的矿山微震与爆破信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104834004A true CN104834004A (zh) | 2015-08-12 |
CN104834004B CN104834004B (zh) | 2017-04-05 |
Family
ID=53812000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510170565.9A Active CN104834004B (zh) | 2015-04-13 | 2015-04-13 | 基于峰值前后波形斜率的矿山微震与爆破信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834004B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与爆破振动信号的非线性识别方法 |
CN106202919A (zh) * | 2016-07-08 | 2016-12-07 | 中南大学 | 一种基于震源参数的微震与爆破事件识别方法 |
CN108846307A (zh) * | 2018-04-12 | 2018-11-20 | 中南大学 | 一种基于波形图像的微震与爆破事件识别方法 |
CN110598312A (zh) * | 2019-09-09 | 2019-12-20 | 武汉安保通科技有限公司 | 一种地下振动事件类型识别方法及系统 |
CN110646844A (zh) * | 2019-09-30 | 2020-01-03 | 东北大学 | 基于波形包络线的隧道岩石破裂微震s波到时拾取方法 |
CN113031060A (zh) * | 2021-03-19 | 2021-06-25 | 中国科学院武汉岩土力学研究所 | 近场微震信号识别方法、装置、设备及存储介质 |
CN113050158A (zh) * | 2021-03-19 | 2021-06-29 | 中国科学院武汉岩土力学研究所 | 近场微震信号波形的分析方法、装置、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146920B (zh) * | 2019-06-26 | 2020-11-10 | 广东石油化工学院 | 基于幅值相对变化的微震事件检测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770038A (zh) * | 2010-01-22 | 2010-07-07 | 中国科学院武汉岩土力学研究所 | 矿山微震源智能定位方法 |
CN104297788A (zh) * | 2014-10-20 | 2015-01-21 | 中南大学 | 基于波形起振趋势线斜率的矿山微震和爆破信号识别方法 |
US20150081223A1 (en) * | 2013-09-19 | 2015-03-19 | Schlumberger Technology Corporation | Microseismic survey |
-
2015
- 2015-04-13 CN CN201510170565.9A patent/CN104834004B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770038A (zh) * | 2010-01-22 | 2010-07-07 | 中国科学院武汉岩土力学研究所 | 矿山微震源智能定位方法 |
US20150081223A1 (en) * | 2013-09-19 | 2015-03-19 | Schlumberger Technology Corporation | Microseismic survey |
CN104297788A (zh) * | 2014-10-20 | 2015-01-21 | 中南大学 | 基于波形起振趋势线斜率的矿山微震和爆破信号识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740840A (zh) * | 2016-02-29 | 2016-07-06 | 中南大学 | 一种岩体破裂信号与爆破振动信号的非线性识别方法 |
CN106202919A (zh) * | 2016-07-08 | 2016-12-07 | 中南大学 | 一种基于震源参数的微震与爆破事件识别方法 |
CN106202919B (zh) * | 2016-07-08 | 2017-06-06 | 中南大学 | 一种基于震源参数的微震与爆破事件识别方法 |
CN108846307A (zh) * | 2018-04-12 | 2018-11-20 | 中南大学 | 一种基于波形图像的微震与爆破事件识别方法 |
CN108846307B (zh) * | 2018-04-12 | 2021-12-28 | 中南大学 | 一种基于波形图像的微震与爆破事件识别方法 |
CN110598312A (zh) * | 2019-09-09 | 2019-12-20 | 武汉安保通科技有限公司 | 一种地下振动事件类型识别方法及系统 |
CN110646844A (zh) * | 2019-09-30 | 2020-01-03 | 东北大学 | 基于波形包络线的隧道岩石破裂微震s波到时拾取方法 |
CN110646844B (zh) * | 2019-09-30 | 2021-01-26 | 东北大学 | 基于波形包络线的隧道岩石破裂微震s波到时拾取方法 |
CN113031060A (zh) * | 2021-03-19 | 2021-06-25 | 中国科学院武汉岩土力学研究所 | 近场微震信号识别方法、装置、设备及存储介质 |
CN113050158A (zh) * | 2021-03-19 | 2021-06-29 | 中国科学院武汉岩土力学研究所 | 近场微震信号波形的分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104834004B (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834004A (zh) | 基于峰值前后波形斜率的矿山微震与爆破信号识别方法 | |
CN110109895A (zh) | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 | |
CN104297788A (zh) | 基于波形起振趋势线斜率的矿山微震和爆破信号识别方法 | |
CN103930892A (zh) | 利用空间上独立的数据子集来计算空间上相关的储藏数据的属性分布不确定性的系统和方法 | |
Li et al. | Automatic modal parameter identification of high arch dams: feasibility verification | |
CN103282908A (zh) | 用于表征储藏层评估不确定性的系统和方法 | |
CN109190291B (zh) | 获取动力触探锤击数修正系数的方法 | |
Wang et al. | Determination of discontinuity persistent ratio by Monte-Carlo simulation and dynamic programming | |
CN110795793A (zh) | 一种隧道围岩快速分级设备系统及其操作方法 | |
CN111123374A (zh) | 一种基于匹配滤波的探地雷达全波形反演方法 | |
CN101950031B (zh) | 基于中国规范的强度折减系数模型的建模方法 | |
Tasakos et al. | Deep learning-based anomaly detection in nuclear reactor cores | |
CN110968840A (zh) | 一种基于大地电磁测深电阻率判定隧围岩等级的方法 | |
CN116842765B (zh) | 基于物联网实现石油测井下的安全管理方法及系统 | |
CN107609284B (zh) | 一种定量评价滑坡灾害危险性的方法 | |
Pakyuz-Charrier et al. | Common uncertainty research explorer uncertainty estimation in geological 3D modelling | |
CN103576208A (zh) | 一种面向铀矿床定位的瞬时测氡数据异常提取方法 | |
CN106338768A (zh) | 一种生成储层预测属性数据的处理方法、装置及系统 | |
Pierce et al. | Synthetic rock mass applications in mass mining | |
Chen et al. | Probabilistic back analysis for geotechnical engineering based on Bayesian and support vector machine | |
CN114943149A (zh) | 一种隧道内岩爆损伤岩体体积的计算方法 | |
CN110927789B (zh) | 一种基于欠失数据预测页岩平面分布的方法及装置 | |
CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
CN110174694A (zh) | 一种超前地质预报数据采集及分析方法 | |
Sun et al. | Classification of anchor bolts based on spectral kurtosis and K-means clustering algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |