CN111272883A - 一种基于声发射模型的岩石破裂模式智能探测识别方法 - Google Patents

Abstract

本发明公开了一种基于声发射模型的岩石破裂模式智能探测识别方法，包括以下步骤：首先在待监测岩石上布置用于测试岩石破裂过程声发射参数的声发射系统，然后将目标特征数据输入预先训练好的信号识别模型，信号识别模型预先通过岩石破裂声发射的训练集训练得到，再然后智能识别岩石破裂过程中张拉与剪切裂纹发展的比例，最后根据岩石破裂声发射信号确定的波形特征与岩石破裂模式识别存在相应的关系，为定量制定岩体灾害预警方案提供一些列可靠的检测阈值，同时为深入研究识别岩石破裂失稳前兆信号特征提供一种分析方法。

Description

一种基于声发射模型的岩石破裂模式智能探测识别方法

技术领域

本发明涉及地质勘测应用技术领域，尤其涉及一种基于声发射模型的岩石破裂模式智能探测识别方法。

背景技术

声发射信号探测技术为各类岩质结构(边坡、大坝、路基、隧道等)的损伤评价/结构健康监测提供了一种有吸引力的解决方案。这些民用结构的性能和功能关系到社会的安全，在各类自然事件中(即地震、飓风和海啸)，这些事件可能危及其安全性和可用性。为了确保这些结构的整体稳定性，正确的评估和预测岩石破裂的发展至关重要，尤其是在工程实践中非常重要，因为岩石破裂的模型不仅反映了其作为材料的状况，而且也反映了整个系统在结构层面的状况。

基于声发射(AE)的方法为岩石结构中裂纹的形核和扩展提供了一个有吸引力的解决方案。本发明提出该种基于高斯混合模型(GMM)的岩石破裂模式智能探测识别方法是一种基于分布的无监督分类技术，已成功地应用于许多领域，包括声音识别、图像处理、动态系统和跟踪和文本识别；但是，还没有将此技术用于基于声发射的岩石破裂模式智能识别。基于以上理由，提出了一种基于声发射高斯混合模型的岩石破裂模式分类概率方案。

发明内容

本发明的目的是为了解决现有技术领域中存在的缺点，而提出一种基于声发射模型的岩石破裂模式智能探测识别方法。

为了实现本发明的目的，本发明提出如下技术方案：

一种基于声发射模型的岩石破裂模式智能探测识别方法，包括以下步骤：

步骤1，在待监测岩石上布置用于测试岩石破裂过程声发射参数的声发射系统；

步骤2，将岩石破裂过程中的声发射系统收集的声发射参数输入到预先训练好的信号识别模型，信号识别模型通过岩石破裂声发射的训练集预先训练得到；

步骤3，信号识别模型智能识别岩石破裂过程中的张拉与剪切裂纹发展比例；

步骤4，根据岩石破裂声发射信号确定的波形特征与岩石破裂模式识别存在的关系，为定量制定岩体灾害预警方案提供一系列可靠的检测阈值，同时为深入研究识别岩石破裂失稳前兆信号特征提供一种分析方法。

作为优选地，在步骤1中，所述声发射系统选测岩石声信号中的振铃计数、持续时间、峰值频率和上升时间用来分析岩石破裂的过程。

作为优选地，在步骤1中，所述声发射系统采集岩石声信号的方法是基于JCMS参数分析法：

用振铃计数/持续时间求得声发射参数平均频率A_F，用上升时间/峰值振幅求得R_A后，对这两组数据进行分类。

作为优选地，在步骤2中，所述信号识别模型的预设训练集包括混合高斯模型(Gaussian Mixture Model，简称GMM)和期望最大(Expectation Maximization，简称EM)算法。

作为优选地，在步骤2中，根据A_F和R_A之间的关系，进行拉张与剪切裂纹的分析，在进行拉张与剪切裂纹分析时，通过结合混合高斯模型与期望最大算法作为训练模型，通过观察采样的概率值和模型概率值的接近程度，来判断一个模型是拟合和良好，对A_F和R_A之间的关系进行智能探测和识别。

作为优选地，在步骤2中，通过调整模型以让新模型与概率值更适配，反复迭代这个过程多次，直到两个概率值非常接近时，停止更新并完成模型训练，将这个过程用算法来实现：

通过混合高斯模型来计算数据的期望值，混合高斯模型本身是一个参数概率密度函数，表示为M分量高斯密度的加权，通过不断迭代来更新分布的均值μ和标准差σ来让期望值最大化，直到这两个参数变化非常小为止；

对于D维的测量、训练，将混合密度定义为：

式中，ω_i为混合权值，

为单模态的高斯(正常)密度，

为特征向量；

每一个单模式的高斯分量密度的形式是一个D变量高斯函数为：

式中，

为D×1的平均向量，∑i为D×D的协方差矩阵；

为了让混合权值ω_i满足

完整的混合高斯模型应由平均向量

协方差矩阵

∑i和所有分量密度M的混合加权来使之参数化λ，参数λ用式(3)表示为：

对于基于混合高斯模型的分类系统，模型训练的目标是估计混合高斯模型参数的λ，使高斯混合密度与特征向量

的分布匹配，确定λ的最佳估值；

最大似然值估计(Maximum Likelihood，简称ML)是用于估计ω_i、

和∑i的常用方法之一，最大似然值估计估计能在给定训练数据的情况下使混合高斯模型的可能性最大化，对于一系列T训练向量

假定各向量之间是独立的，可以写成

由于该表达式作为λ的非线性函数，直接最大化(即设置一阶导数等于零并且约束二阶导数为正)计算上难以处理，所以考虑通过期望最大化算法(Expectation-maximization algorithm，简称EM)迭代来获得ML参数。

作为优选地，在步骤S2中，期望最大算法的训练过程是一个迭代的过程，从最初的模型λ^k开始，之后估计一个新的模型λ^k+1，如此有p(X|λ^k+1)＞p(X|λ^k)，这样新模型就成为下一个迭代的初始模型，并重复此过程，直到达到某个收敛阈值为止(如对数的似然值为1026)，该算法由期望和最大化两个步骤组成，这保证了模型释然值的单调递增，期望步骤的结果是对第i个分量的后验概率，它被定义为状态为i的概率，当第m个高斯混合结果为

时，给定第 k个重新估计的模型λ^k

式中，

分别由式(6)(7)(8)用最大化步骤来返回分布参数：

这样混合高斯模型便可对岩石、混凝土等具有两类裂纹模式的结构进行分类，即张拉和剪切裂纹分类(M＝2)，为了对这两种裂纹模式进行分类，将特征向量

(或测量向量)认为是一个二维向量(即

)，当有T个训练向量时序列

两种分类对应张拉和剪切模式分别是I＝{1，2}，此时再“估计”混合高斯模型的参数(每个隐藏类的权重，均值和协方差矩阵)，使它们与训练特征向量

的分布最为匹配。

与现有技术相比，本发明的有益效果有：

本发明提出一种基于声发射模型的岩石破裂模式智能探测识别方法，为岩崩、岩质滑坡等岩体突发性脆性破裂的灾害类型提供了一种解决方案，突破了传统变形间接监测岩体损伤破坏实现预警的“实时性差、前兆不足、成功率低”等客观局限性，解决了突发性岩体脆性失稳破坏灾害的有效监测预警技术途径，为大型岩质破坏灾害(岩崩、落石、滑坡)的防灾减灾和应急救灾提供了有效科技支撑，具有非常重要的科学意义和应用价值。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为岩石裂纹分类图；

图2为灰岩在单轴压缩下应力σ_c初期和中后期的裂纹识别结果；

图3为灰岩张拉、剪切裂纹应力区间百分比列表；

图4为灰岩的两种裂纹各加载阶段分别所占的比例。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

一种基于声发射模型的岩石破裂模式智能探测识别方法，具体包括以下步骤：

步骤1，在待监测岩石上布置用于测试岩石破裂过程声发射参数的声发射系统；

在步骤1中，声发射系统选测岩石声信号中的振铃计数、持续时间、峰值频率和上升时间用来分析岩石破裂的过程。

在步骤1中，声发射系统采集岩石声信号的方法是基于JCMS参数分析法：

用振铃计数/持续时间求得声发射参数平均频率A_F，用上升时间/峰值振幅求得R_A后，对这两组数据进行分类。

步骤2，将目标特征数据输入预先训练好的信号识别模型，信号识别模型预先通过岩石破裂声发射的训练集训练得到；

在步骤2中，信号识别模型的预设训练集包括混合高斯模型(Gaussian MixtureModel，简称GMM)和期望最大(Expectation Maximization，简称EM)算法。

在步骤2中，根据A_F和R_A之间的关系，进行拉张与剪切裂纹的分析，在进行拉张与剪切裂纹分析时，通过结合混合高斯模型与期望最大算法作为训练模型，通过观察采样的概率值和模型概率值的接近程度，来判断一个模型是拟合和良好，对A_F和R_A之间的关系进行智能探测和识别。

在步骤2中，通过调整模型以让新模型与概率值更适配，反复迭代这个过程多次，直到两个概率值非常接近时，停止更新并完成模型训练，将这个过程用算法来实现：

通过混合高斯模型来计算数据的期望值，混合高斯模型本身是一个参数概率密度函数，表示为M分量高斯密度的加权，通过不断迭代来更新分布的均值μ和标准差σ来让期望值最大化，直到这两个参数变化非常小为止；

对于D维的测量、训练，将混合密度定义为：

式中，ω_i为混合权值，

为单模态的高斯(正常)密度，

为特征向量；

每一个单模式的高斯分量密度的形式是一个D变量高斯函数为：

式中，

为D×1的平均向量，∑i为D×D的协方差矩阵；

为了让混合权值ω_i满足

完整的混合高斯模型应由平均向量

协方差矩阵

∑i和所有分量密度M的混合加权来使之参数化λ，参数λ用式(3)表示为：

对于基于混合高斯模型的分类系统，模型训练的目标是估计混合高斯模型参数的λ，使高斯混合密度与特征向量

的分布匹配，确定λ的最佳估值；

最大似然值估计(Maximum Likelihood，简称ML)是用于估计ω_i、

和∑i的常用方法之一，最大似然值估计估计能在给定训练数据的情况下使混合高斯模型的可能性最大化，对于一系列T训练向量

假定各向量之间是独立的，可以写成

由于该表达式作为λ的非线性函数，直接最大化(即设置一阶导数等于零并且约束二阶导数为正)计算上难以处理，所以考虑通过期望最大化算法(Expectation-maximization algorithm，简称EM)迭代来获得ML参数。

在步骤S2中，期望最大算法的训练过程是一个迭代的过程，从最初的模型λ^k开始，之后估计一个新的模型λ^k+1，如此有p(X|λ^k+1)＞p(X|λ^k)，这样新模型就成为下一个迭代的初始模型，并重复此过程，直到达到某个收敛阈值为止(如对数的似然值为1026)，该算法由期望和最大化两个步骤组成，这保证了模型释然值的单调递增，期望步骤的结果是对第i个分量的后验概率，它被定义为状态为i的概率，当第m个高斯混合结果为

时，给定第k个重新估计的模型λ^k

式中，

分别由式(6)(7)(8)用最大化步骤来返回分布参数：

这样GMM便可对岩石、混凝土等具有两类裂纹模式的结构进行分类，即张拉和剪切裂纹分类(M＝2)，为了对这两种裂纹模式进行分类，将特征向量

(或测量向量)认为是一个二维向量(即

)，当有T个训练向量时序列

两种分类对应张拉和剪切模式分别是I＝{1，2}，此时再“估计”GMM的参数(每个隐藏类的权重，均值和协方差矩阵)，使它们与训练特征向量

的分布最为匹配。

步骤3，智能识别岩石破裂过程中张拉与剪切裂纹发展的比例，如图1所示；

步骤4，根据岩石破裂声发射信号确定的波形特征与岩石破裂模式识别存在相应的关系，为定量制定岩体灾害预警方案提供一些列可靠的检测阈值，同时为深入研究识别岩石破裂失稳前兆信号特征提供一种分析方法。

实施例1

整个训练可以概括为：

①将λ中的参数初始化，利用矢量量化的方法，初步确定状态相关下高斯混合的两个编码的参数；

②应用式(5)得到Pr(i|x_t，λ^k)；

③使用Pr(i|x_t，λ^k)来更好的估算参数λ^k+1(见式(6)～式(8))；

④迭代步骤②和③直到收敛。

如图2所示，(a)(b)分别是灰岩在单轴压缩下应力σ_c初期和中后期的智能裂纹识别结果。从图中可以观察到灰岩在加载初期(0～0.1)σ_c几乎全为张拉裂纹，张拉聚类的椭圆较为圆润，中心点周围的点分散较为平均，加载到中间步骤(0.5～0.6)σ_c时发展为拉伸到剪切的过渡阶段，此时在较大载荷的作用下，A_F通常具有较高的幅值，因此R_A值在较小范围内变化，聚类高概率区域逐渐向剪切类的均值范围移动，两个互斥的分类(剪切和拉伸)开始逐渐形成汇合(混合),但这两类仍是分割的，这个阶段，高概率的区域几乎全集中在剪切类的平均值附近。

本专利已在室内单轴压缩及声发射试验中得到良好的应用，图3给出了灰岩张拉裂纹和剪切裂纹整个加载阶段所占的百分比，发现在加载总时间的80％～90％剪切裂纹所占比例达到最大值，此时岩样已经进入非稳定扩展阶段的后期。在本研究中，灰岩剪切裂纹所占比例的最大值为44.59％，用该值作为预测灰岩破坏的前兆阈值，当百分比超过这个阈值时，就可以触发早期警报，作为岩体严重损伤的预判。同时两种破坏裂纹类型集群中心位置的R_A和 A_F的值具有剪切裂纹低A_F、高R_A值的声发射信号特征，张拉裂纹具有高A_F和低R_A值的特征，这与JCMS参数分析法得到的张拉裂纹和剪切裂纹的R_A和A_F值的特点一样。

最后为了验证所有加载步骤的裂纹的分类结果，图4显示了灰岩在各加载步骤中两种裂纹集群关联的声发射活动所占的比例。可以发现灰岩在整个加载过程中张拉裂纹起主导作用，即大部分的声发射信号是由张拉裂纹的成核产生的。岩石室内声发射试验裂纹破坏模式不像钢筋混凝土四点弯曲试验中可以明显的分为三个阶段：①张拉的主导作用阶段，初始加载步骤，特征向量的集中在张力类的平均值附近；②过渡阶段，中间加载步骤从张拉到剪切的过渡阶段，在此阶段，高概率区域逐渐向剪切类的均值移动；③破坏阶段，在最终加载步骤过程中为剪切裂缝控制，在这个阶段，最有可能发生破坏的区域集中在剪切裂纹的平均值附近。究其原因为两种加载方式的不同和材料均一性有差别。虽然岩石室内声发射试验两类裂纹在整个加载阶段所占的比例没有明显的规律性，但是我们仍然可以发现剪切裂纹所占比例的最大值出现在加载总时间80％～90％的阶段，该时间段对应岩石加载过程中非稳定扩展阶段的中后期，以此作为产生破坏的前兆。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于包括以下步骤：

步骤1，在待监测岩石上布置用于测试岩石破裂过程声发射参数的声发射系统；

步骤2，将目标特征数据输入预先训练好的信号识别模型，信号识别模型预先通过岩石破裂声发射的训练集训练得到；

步骤3，智能识别岩石破裂过程中张拉与剪切裂纹发展的比例；

步骤4，根据岩石破裂声发射信号确定的波形特征与岩石破裂模式识别存在相应的关系，为定量制定岩体灾害预警方案提供一些列可靠的检测阈值，同时为深入研究识别岩石破裂失稳前兆信号特征提供一种分析方法。

2.根据权利要求1所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤1中，所述声发射系统选测岩石声信号中的振铃计数、持续时间、峰值频率和上升时间用来分析岩石破裂的过程。

3.根据权利要求2所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤1中，所述声发射系统采集岩石声信号的方法是基于JCMS参数分析法，即用振铃计数除以持续时间求得声发射参数平均频率A_F，用上升时间除以峰值振幅求得R_A后，并对这两组数据进行分类。

4.根据权利要求3所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤2中，所述信号识别模型的预设训练集包括混合高斯模型(GaussianMixture Model，简称GMM)和期望最大(Expectation Maximization，简称EM)算法。

5.根据权利要求4所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤2中，根据A_F和R_A之间的关系，进行拉张与剪切裂纹的分析，在进行拉张与剪切裂纹分析时，通过结合混合高斯模型与期望最大算法作为训练模型，通过观察采样的概率值和模型概率值的接近程度，来判断一个模型是拟合和良好，对A_F和R_A之间的关系进行智能探测和识别。

6.根据权利要求5所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤2中，通过调整信号识别模以让新的信号识别模型与概率值更适配，反复迭代这个过程多次，直到两个概率值非常接近时，停止更新并完成模型训练，将这个过程用算法来实现：

通过混合高斯模型来计算数据的期望值，混合高斯模型本身是一个参数概率密度函数，表示为M分量高斯密度的加权，通过不断迭代来更新分布的均值μ和标准差σ来让期望值最大化，直到这两个参数变化非常小为止；

对于D维的测量、训练，将混合密度定义为：

式中，ω_i为混合权值，

为单模态的高斯(正常)密度，

为特征向量；

每一个单模式的高斯分量密度的形式是一个D变量高斯函数为：

式中，

为D×1的平均向量，∑i为D×D的协方差矩阵；

为了让混合权值ω_i满足

完整的混合高斯模型应由平均向量

协方差矩阵∑i和所有分量密度M的混合加权来使之参数化λ，参数λ用式(3)表示为：

对于基于混合高斯模型的分类系统，模型训练的目标是估计混合高斯模型参数的λ，使高斯混合密度与特征向量

的分布匹配，确定λ的最佳估值；

最大似然值估计(Maximum Likelihood，简称ML)是用于估计ω_i、

和∑i的常用方法之一，最大似然值估计估计能在给定训练数据的情况下使混合高斯模型的可能性最大化，对于一系列T训练向量

假定各向量之间是独立的，可以写成

该表达式作为λ的非线性函数，直接最大化(即设置一阶导数等于零并且约束二阶导数为正)计算上难以处理，考虑通过期望最大化算法(Expectation-maximizationalgorithm，简称EM)迭代来获得ML参数。

7.根据权利要求6所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤S2中，期望最大算法的训练过程是一个迭代的过程，从最初的模型λ^k开始，之后估计一个新的模型λ^k+1，如此有p(X|λ^k+1)＞p(X|λ^k)，这样新模型就成为下一个迭代的初始模型，并重复此过程，直到达到某个收敛阈值为止(如对数的似然值为1026)，该算法由期望和最大化两个步骤组成，这保证了模型释然值的单调递增，期望步骤的结果是对第i个分量的后验概率，它被定义为状态为i的概率，当第m个高斯混合结果为

时，给定第k个重新估计的模型λ^k

式中，ω_i′

分别由式(6)(7)(8)用最大化步骤来返回分布参数：

这样混合高斯模型便可对岩石、混凝土等具有两类裂纹模式的结构进行分类，即张拉和剪切裂纹分类(M＝2)，为了对这两种裂纹模式进行分类，将特征向量

(或测量向量)认为是一个二维向量(即

)，当有T个训练向量时序列

两种分类对应张拉和剪切模式分别是I＝{1，2}，此时再“估计”混合高斯模型的参数(每个隐藏类的权重，均值和协方差矩阵)，使它们与训练特征向量

的分布最为匹配。

Images