CN111965255B - 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置 - Google Patents

压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置 Download PDF

Info

Publication number
CN111965255B
CN111965255B CN202010820187.5A CN202010820187A CN111965255B CN 111965255 B CN111965255 B CN 111965255B CN 202010820187 A CN202010820187 A CN 202010820187A CN 111965255 B CN111965255 B CN 111965255B
Authority
CN
China
Prior art keywords
dangerous rock
karst
precursor
signal
early warning
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.)
Active
Application number
CN202010820187.5A
Other languages
English (en)
Other versions
CN111965255A (zh
Inventor
苏国韶
李培峰
许华杰
张研
罗丹旎
黄小华
蒋剑青
郑志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN202010820187.5A priority Critical patent/CN111965255B/zh
Publication of CN111965255A publication Critical patent/CN111965255A/zh
Application granted granted Critical
Publication of CN111965255B publication Critical patent/CN111965255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0232—Glass, ceramics, concrete or stone
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置，以解决岩溶地区压剪滑移式危岩崩塌灾害的自动预警问题。首先，根据危岩失稳前夕的声响变化特征，制定5种危岩声响前兆特征与稳定性等级的关系规则；然后，从室内试验及现场工程实例两种途径收集危岩失稳过程中各阶段的5种声响前兆特征作为机器学习样本集；最后，利用机器学习样本集建立具有优异统计模式识别性能的高斯过程分类模型，由此建立声响前兆特征与危岩稳定性的非线性映射关系，进而实现在线监测中的危岩稳定性等级的快速评价，并通过预警装置将评价结果传输至危岩管理者的预警信息接收终端。

Description

压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置
技术领域
本发明属于地质灾害防治工程技术领域，涉及一种利用声响信号预警压剪滑移式岩溶危岩崩塌的方法及装置。
背景技术
危岩是指被多组结构面切割分离，稳定性差，可能以倾倒、坠落、滑移等形式发生崩塌的地质体。压剪滑移式岩溶危岩，是指岩溶地区陡峻斜坡的危岩体在重力等因素作用下沿倾向坡外的软弱结构面滑出坡外，产生以竖向为主的运动，终堆积于坡脚，呈现压剪破坏机理，见附图1。
危岩崩塌是岩溶地区的主要地质灾害，是一个严重的全球性地质灾害问题。我国岩溶地区分布非常广泛，全国碳酸盐类岩体分布面积约130万km2，以西南、华中、地区的石灰岩分布集中而广泛，面积约占全国分布面积的一半，并且西南地区的岩溶地区占地区幅员面积的三分之一以上。岩溶危岩具有岩体裂隙丰富、受水体影响较大以及稳定性差等特点，相较于普通危岩更容易失稳崩塌。近年来，针对压剪滑移式岩溶危岩，国内外研究学者从力学分析、数值计算、物理试验等不同角度研究失稳崩塌的发生机制，但是，由于压剪滑移式岩溶危岩稳定性影响因素与压剪滑移式岩溶危岩稳定性之间呈现高度复杂的非线性关系，采用上述角度来识别压剪滑移式岩溶危岩稳定性存在识别准确率较低、计算耗时较大、人为参与程度较高等诸多的弊端，难以达到针对压剪滑移式岩溶危岩失稳崩塌预警上的工程实际应用的目的。
声响(Sound)(频率范围在20-20000Hz)是由岩体内部结构振动产生的声波，是通过介质(空气或固体、液体)传播并能被人或动物听觉器官所感知的波动现象；声响信号传播不仅能够在空气中远距离传播，而且不受岩体介质空间变异性的影响，还能直观反映在整个变形失稳破坏阶段的岩体内部损伤情况以及微观裂纹(中等尺度)的产生、扩展、贯通的演化过程，便于接收与采集，是一种潜在的可被利于压剪滑移式岩溶危岩预警的物理信号。
压剪滑移式岩溶危岩是单体危岩的主要类型之一，其稳定主要受到陡崖的卸荷拉张主控结构面控制，主控结构面下端潜存于陡崖岩体内，危岩体重心位于主控结构面内侧。在重力、地震力以及裂隙水压力综合作用下其失稳主要呈现剪切破坏力学特征。失稳过程中，
通过监测和辨识声响前兆特征，可以有效预警危岩失稳，从而避免灾害发生。
声响采集装置仅需极少数量(根据压剪滑移式岩溶危岩大小而定)即可完成某个压剪滑移式岩溶危岩失稳崩塌预警监测，并且，其安装部位一般偏离失稳崩塌致灾区域，其使用寿命较长、且单个装置成本较低，对广泛应用于压剪滑移岩溶危岩失稳崩塌上具有良好的应用前景。
机器学习是人工智能的一个新兴分支，是研究如何利用机器来模拟人类学习活动的一门学科。从已知实例中自动发现规律，建立对未知实例的预测模型，根据经验不断提高、改进预测性能，正是机器学习的实质。当前，流行的机器学习分类方法中，浅层人工神经网络存在拓扑结构不易确定、过(欠)学习风险高、超参数寻优容易陷入局部最小值的诸多不足，近年来兴起的深度学习则存在模型训练需要大样本不适用于小样本学习的瓶颈问题，小样本分类性能优异的支持向量机则存在核函数难以合理确定、分类结果不具备概率意义等局限性问题。因此，有必要继续探寻准确可靠且在经济和技术上可行的机器学习方法用于压剪滑移式岩溶危岩崩塌综合预警。
高斯过程分类(Gaussian Process Classification,GPC)是近年来发展起来的一种新的机器学习技术，它具有严格的统计学理论基础，对处理高维数、小样本、非线性等复杂问题具有很好的适应性，并且，GPC具有容易实现和参数自适应化的优点，并能输出具有概率意义的预测结果。
本发明将GPC方法引入至压剪滑移式岩溶危岩失稳崩塌预警中，提出一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置，通过对压剪滑移式岩溶危岩崩塌孕育过程中的声响信号进行实时监测与特征分析，实现高效精准地识别压剪滑移式岩溶危岩稳定性级别，对压剪滑移式岩溶危岩的安全防治与防灾减灾具有重要实用价值。
发明内容
本发明目的在于，针对压剪滑移式岩溶危岩失稳崩塌灾害的巨大危害性以及现有的基于力学分析、数值计算、物理试验等预警方法可靠性低的问题，采用岩体破裂声响信号监测技术手段，将高斯过程分类机器学习方法引入到了基于声响多种前兆特征压剪滑移式岩溶危岩失稳崩塌综合预警问题中，提出一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置，以有效实现压剪滑移式岩溶危岩失稳崩塌灾害的在线自动预警。
本发明为实现上述目的，采用如下技术方案如下：
一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法，包括以下步骤：
步骤1：根据压剪滑移式岩溶危岩失稳崩塌前声响信号的变化特征与规律，选定危岩失稳的多种显著前兆特征指标作为综合预警指标，包括：基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种声响信号前兆特征；并据已有共识，分别设定各前兆特征与危岩崩塌失稳可能性(可分为低、中、高、极高等四个管理等级)之间的定量化关系，定量化各种前兆特征指标与失稳可能性，进而制定各种声响前兆特征指标与压剪滑移式岩溶危岩稳定性等级的关系规则；
步骤2：通过广泛收集室内小岩样试验以及压剪滑移式岩溶危岩现场工程实例数据，提取5种声响信号前兆特征以及对应的稳定性等级，建立机器学习原始样本集；根据其样本集，将某一相同稳定性等级下的多种前兆特征的数值组合起来，形成1个特征矢量，作为GPC模型的1个输入矢量，将相应的稳定性等级数值作为GPC模型的一个输出标量，1个输入矢量与1个输出标量构成1个样本对，用于训练GPC模型。类似地，将不同稳定性等级下的多种前兆特征的数值组合起来形成多个特征向量，与相应的多个稳定性等级标量，形成多个训练样本，从而构建训练样本集；
步骤3：利用训练样本集训练GPC模型，由此构建多个前兆特征指标与稳定性等级的非线性映射关系；
步骤4：利用训练好的GPC模型，根据实时监测的多种声响前兆特征，对压剪滑移式岩溶危岩稳定性等级进行实时预测，得到GPC模型的预测结果，即稳定性等级及预测方差；
步骤5：根据稳定性等级对应的预测方差，定量化评价其预测不确定性等级；
步骤6：将预警信息远程传输给危岩管理者。
示例性的，本发明中涉及预测及识别两个关键词，需要指明的是，本发明提及的预测是来自于GPC模型中的概念，且不是时间尺度上的预测；识别是指本发明应用GPC模型执行压剪滑移式岩溶危岩体稳定性等级识别；本发明中所出现这两个词并不混淆冲突，可理解为预测为形式，而识别是目的。
步骤1具体说明：
优选的，基音频率是语音信号的一个重要参数之一，能够反应声调调型以及调值的走向。由于危岩体失稳是一个裂纹孕育、扩展、贯通以及最后整体失稳崩塌的一个阶段性过程，在不同的阶段，其对应的音频频率大小、分布均具有各自的特性，因此，可通过基音频率变化特性可以定量化描述危岩失稳演化全过程。基音频率演化规律见图2，将基音频率分为三个频带，0-1000Hz为低频带、1000-3500Hz为中频带、3500-5000Hz为高频带；a表示主频值位于中频带高水平，处于接近稳定，定义为高中频稳定；b表示主频值在中、高频带两个频带离散分布，处于裂隙发展，定义为中、高频发展；c表示主频值几乎完全为0Hz，处于临界状态，定义为平静；d表示主频值大量分布在中频带低水平，处于裂纹贯通、整体破坏，定义为低中频非稳定。可根据整体趋势是否呈现“高中频稳定→中、高频发展→平静→低中频非稳定”，来预警岩体失稳破坏演化全过程。根据国内外研究与工程经验，本发明制定关于基音频率与岩体失稳破坏的关系规则，见表1。
表1 基音频率与岩体失稳可能性的关系规则
基音频率 高中频稳定 中、高频发展 平静 低中频非稳定
失稳可能性 小 中 大 极大
谱质心是指声响信号频率成分的重心，适用于描述声响的明亮程度，是描述声响音色属性的重要物理参数之一，他是反映声响信号给定频率范围内的频率平均值，是声响信号每个频率成分的能量，利用声响信号谱质心的上述特性可以得到声响信号频带谱峰值位置。谱质心能够较好反映声响信号频带谱峰的分布，并且描述岩体损伤阶段的特征，有效地评估了岩体损伤阶段的变化，因此可通过声响信号谱质心对岩体失稳破坏演化全过程描述。谱质心演化规律见图3，a表示平稳波动，谱质心维持在一个固定范围内上下波动；b表示缓慢下降，谱质心呈现下降趋势、且速率较缓；c表示异常升高现象，谱质心出现异常波动点，呈现跳点现象；d表示低值平稳波动，此阶段谱质心值相较于平稳波动阶段时较低且呈现一个小范围波动现象。可根据整体趋势是否呈现“平稳波动→缓慢下降→异常升高→低值平稳波动”，来预警岩体失稳破坏演化全过程。本发明综合有国内外研究结果和工程经验，制定了谱质心与岩体失稳关系规则，见表2。
表2 谱质心与岩体失稳可能性的关系规则
谱质心 平稳波动 缓慢下降 异常升高 低值平稳波动
失稳可能性 小 中 大 极大
优选的，事件数是指一帧时间内声响信号的波形穿过设定门槛值的次数，它可以在一定程度上反映声响信号的活跃程度，高活跃度对应高的事件数，低活跃度对应低的事件数，可见事件数能够一定程度上反应岩体各破裂阶段过程。事件数演化规律见图4，a表示无事件数，事件数为0；b表示首次低事件数，初次出现声响事件数且值较低；c表示高值事件数，出现相较于历史事件数最大值2倍以上的事件数值；d表示高值高密度事件数，连续性地出现相较于历史事件数最大值相当的事件数值。根据事件数的整体趋势变化趋势呈现“无事件数→首次低事件数→高值事件数→高值高密度事件数”反映岩体失稳孕育演化过程。本发明综合有国内外研究结果和工程经验，制定了事件数与岩体失稳可能性关系规则，见表3。
表3 事件数与岩体失稳的关系规则
事件数 无事件数 首次低事件数 高值事件数 高值高密度事件数
失稳可能性 小 中 大 极大
优选的，小波能谱主频带是指每个小波分析尺度上能量与信号总能量的比例，即信号能量在各尺度中的分布情况。由于不同岩体声响信号及干扰源信号的差异，经过小波分解后各尺度所包含的能量分布情况也不尽相同，小波能谱主频带可用来表示不同声响信号的特征，可通过分解后的优势小波能谱主频带来描述岩体破裂各阶段过程，本文所用的优势小波主频带为第七频带，其频率范围在11.025-22.05kHz。小波能谱主频带规律图见图5，a表示长期平稳波动，第七频带小波能量占比系数维持在0-5％之间波动；b表示第一阶段突增，第七频带小波能量占比系数突然增加至10％以上；c表示短期平稳波动，第七频带小波能量占比系数出现突增现象后，继续处于0-5％之间波动；d表示第二阶段突增，第七频带小波能量占比系数处于平稳波动阶段，占比系数突然增加至10％以上。可根据第七小波能谱主频带时频演化图是否呈现“长期平稳波动→第一阶段突增→短期平稳波动→第二阶段突增”来描述岩体失稳破坏演化过程。本发明综合有国内外研究结果和工程经验，制定了关于小波能谱主频带与岩体失稳可能性关系规则，见表4所示。
表4 小波能谱主频带与岩体失稳的关系规则
小波能谱主频带 长期平稳波动 第一阶段突增 短期平稳波动 第二阶段突增
失稳可能性 小 中 大 极大
优选的，声响信号相对平静期是指声响信号波形特征参数从高幅值突变至低幅值水平，并维持一定的时间，但并不表明岩体趋于稳定，而是已发生失稳破坏，即岩体失稳破坏前存在声响相对平静期现象，并预示着非稳定宏观大破裂的来临，能够表征硬脆性岩体临界前的典型前兆特征。声响信号相对平静期规律见图6，a表示相对平静期，声响信号波形出现高密集、高幅值后，幅值突然降低低水平，且维持一段时间。本发明综合有国内外研究结果和工程经验，制定了声响相对平静期与岩体失稳可能性关系规则，见表5所示。
表5 相对平静期与岩体失稳可能性的关系规则
相对平静期 无 有
失稳可能性 小 极大
前兆特征5种指标的获取方法如下：
基音频率的获取步骤如下：
步骤(1)，对声响信号离散时域采样信号为x(n)，n＝0，1，2，N-1，其中n为采样点序号，N为离散信号x(n)的长度。然后对信号x(n)进行分帧处理(即对它进行加窗操作)，分帧处理后用xn(m)，m＝0，1，2，M-1，其中，n为帧序号，m是帧同步的时间序号，N为一帧内的采样点数。窗长的确定要根据以下的公式：
Figure GDA0002684350920000051
其中△T为声响总的时长，△t为设置的平稳时间段长度，length为采样序列的长度，Nmin也可以用2n来表示，但一般通常取26-210来表示；
步骤(2)，计算x(n)每帧的短时自相关函数，即基音频率：
Figure GDA0002684350920000052
式中，xn(m)为加窗后的x(n)语音信号，Rn(k)为偶函数。
谱质心的获取步骤如下：
步骤(1)，设某声响信号的离散序列为x(n)，窗函数序列为w(n)，数据长度为N，表示为：
Figure GDA0002684350920000053
式中A0、f0和φ0分别为信号的幅值、频率和相位；
步骤(2)，对声响信号进行加窗操作，得到：
y(n)＝x(n)w(n) n＝0,1,2,…N-1 (4)
步骤(3)，对声响信号频谱进行处理，得到加窗后信号的短时傅里叶变换为：
Figure GDA0002684350920000054
式中：k＝0，1，…，N-1；k0＝f0/Δf表示f0的归一化频率；
步骤(4)，计算声响信号的谱质心值：
Figure GDA0002684350920000061
式中：S(k)＝|Y(k)|2/N为信号的功率谱；fsc为信号频率k0的估计值。
事件数的获取步骤如下：
步骤(1)，对声响信号进行分帧处理：
yi(n)＝w(n)*x((i-1)*inc+n)1≤n≤L，1≤i≤fn (7)
式中，ω(n)为窗函数，一般为矩形窗或汉明窗；yi(n)是一帧的数值，n＝1，2，…，L，i＝1，2，…，fn，L为帧长；inc为帧移长度；fn为分帧后的总帧数。本文选择矩形窗，其函数如下：
Figure GDA0002684350920000062
式中，窗长为L。
步骤(2)，计算第i帧语音信号y(n)的事件数：
Figure GDA0002684350920000063
式中，sgn[yi(n)]为符号函数，其公式如下：
Figure GDA0002684350920000064
式中，threshold的取值为非固定值，应根据具体应用情况来定，其取值，一般室内环境下一般小于室外情况下。
小波能谱主频带的获取步骤如下：
步骤(1)，根据岩溶危岩声响信号特性，选择与其相符的小波基应，本发明采用Meyer小波基，其函数表达式为；
Figure GDA0002684350920000065
其中，
Figure GDA0002684350920000071
Figure GDA0002684350920000072
β(x)＝x4(35-84x+70x2-20x3)；
步骤(2)，采用Matlab中小波包分析函数，对声响信号的进行8层小波分解，得到9层频段子信号，其分解结构树见图7所示，CAi为第i层小波分解的低频子信号，CDi为第i层小波分解高频子信号；
步骤(3)，对小波分解系数进行重构，获取不同频段范围的重构信号Si(m)，并计算Si(m)所对应的能量Ei：
Figure GDA0002684350920000073
式中：i＝1,2,…,6,m为信号的离散采样点数；Sk为第i层信号的第k个采样点的幅值。
步骤(4)，计算重构信号的总能量E：
Figure GDA0002684350920000074
步骤(5)，计算各频段信号的能量分布系数Ki:
Figure GDA0002684350920000075
由此得到了小波能谱主频带的9个子频带中的第七频带为优势频带(11.025-22.05kHz)，优势频带即指相较于其他频带能更大程度上表征压剪滑移式岩溶危岩体破裂演化过程，并对其失稳崩塌具有较好的预警作用的频带范围。
相对平静期的获取步骤如下：
声响信号相对平静期主要是在声响信号波形参数中表征而来，仅将声响信号进行波形时域分析处理即可得，不需要进行额外的复杂处理，因此，此前兆特征是最易获取，并且被国内外广泛认可的大部分岩体失稳破坏前峰值应力到来前的一个岩体声响信号普遍存在现象。
优选的，上述5种基于声响信号岩体失稳破坏演化的前兆特征指标都能够较好的描述岩体中等微观破坏至宏观大破坏演化全过程。但是，对于不同的岩体类型每种前兆特征的敏感性是不同的，有可能此种岩体临界破坏时，某种前兆特征没有出现或是不明显；并且，本发明应用背景是在自然这种复杂的环境下，声响采集装置每个采样点的采集噪声都是变化的，可能在压剪滑移式岩溶危岩失稳崩塌时，由于噪声的干扰，导致采集的声响信号多种前兆特征丢失或被掩盖，导致某种前兆特征无效化；综上可知，单一的声响信号多种前兆特征描述压剪滑移式岩溶危岩失稳崩塌演化过程随机性较大，抗干扰能力弱，对岩溶危岩失稳崩塌综合预警鲁棒性较低，因此，本发明将上述5种压剪滑移式岩溶危岩声响信号前兆特征综合性考虑，并将其整合后对压剪滑移式岩溶危岩全过程进行预警，这样可改善单个声响信号前兆特征预警准确性、鲁棒性较低的问题，并进一步增加压剪滑移式岩溶危岩超前预警时长。
优选的，本发明依据大量关于声响信号与岩溶岩样破坏演化关系试验、国内外硬脆性岩体与声响信号研究文献及压剪滑移式岩溶危岩失稳崩塌工程案例，并根据步骤1中所制定的各声响各前兆特征与岩体失稳破坏规则表，将声响信号的压剪滑移式岩溶危岩多种前兆特征进行综合考虑，对压剪滑移式岩溶危岩崩塌演化过程中各前兆特征进行分析、量化，制定了其稳定性等级综合规则表，见表6。
表6 压剪滑移式岩溶危岩声响多种前兆特征与稳定性等级的综合关系规则
Figure GDA0002684350920000081
步骤2具体说明：
对于步骤2，包括子步骤2.1、2.2及2.3，具体说明如下。
步骤2.1：声响信号数据清洗
由于，本发明监测背景为复杂的自然环境下，因此容易受到气候、天气、环境、建立等各种类型的因素的干扰，因此首先对采集的声响信号进行预处理，完善部分缺失数据、剔除严重缺陷数据，以此提升数据整体质量。
本发明根据实时采集的压剪滑移式岩溶危岩样本实例声响信号，发现并纠正数据文件中可识别的错误，其处理措施包括：检查数据一致性、处理无效值和缺失值。
优选的，措施具有为：缺失值清洗，确定其范围、去除不需要的字段、填充缺失内容以及重新取数；逻辑错误清洗，去重、去除不合理值以及修正矛盾内容；非需求数据清洗，删除非必要的赘余数据；按照上述依次进行数据清洗，得到干净、优化的数据。
步骤2.2：声响信号除噪处理
优选的，本发明提出的压剪滑移式岩溶危岩失稳预警方法是基于岩体的声响信号，而声响信号采集频率介于20-20000Hz范围，并且声响具有在空气中远程传播的特性。因此，凭借本发明监测背景的复杂性，在采集危岩体声响信号同时，会采集夹杂大量噪声(其他类型声响信号)，想要得到危岩体孕育过程所需高质量声响信号，需对采集声响信号进行除噪处理，本发明采用小波阈值去噪法也称为小波收缩(Wave Shrink，WS)方法。
其步骤如下：
步骤(1)，选择合适的小波函数、小波基以及小波分解层数，对包含有噪声的声响信号s(n)进行离散小波变换，得到相应的小波系数Di；
步骤(2)，利用阈值对离散小波变换得到的小波系数Di进行处理，得到相应的小波系数估计值di；
步骤(3)，利用小波系数估计值di重构声响信号，从而得到原始声响信号的估计值h(n)。
显然，小波阈值去噪方法的核心问题是选择合适的阈值。阈值包括硬阈值、软阈值及半软阈值3种，由于半软阈值法能兼顾软、硬阈值的优点，使得去噪过的声响信号既具有原来的光滑型又可以保留原声响信号的细节，其公式如下：
Figure GDA0002684350920000091
式中，当λ1＜|w|＜λ2时，接近软阈值情况；当λ2＜|w|时，接近于硬阈值情况式，当λ2＝∞时，接近软阈值的情况。
步骤2.3：声响信号前兆特征提取
根据步骤1所述的声响信号前兆特征提取方法，从优化后的压剪滑移式岩溶危岩声响信号中提出基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种特征，并将前兆特征量化数据xi和待预测稳定性等级yi组成一个样本(xi,yi)。
步骤2.4：建立样本
根据所得到压剪滑移式岩溶危岩各样本声响信号多前兆特征数据集以其稳定性等级，以此建立机器学习样本(xi,yi)，其中i＝1,2,…,n，xi为输入的特征向量，其中xi＝[xi1,xi2,xi3,xi4,xi5]，各元素分为基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种声响信号多种前兆特征；yi为输出的压剪滑移式岩溶危岩稳定性等级结果。
步骤3具体说明：
优选的，本发明采用把多类分类问题分解为多个二分类问题的基本思路，通过组合多个GPR二分类模型实现压剪滑移式岩溶危岩稳定性等级多类分类。按照“一对多”的组合策略，为实现稳定性等级的4类分类，需要建立并组合“稳定性好(Ⅰ)”、“稳定性一般(Ⅱ)”、“稳定性较差(Ⅲ)”、“稳定性差(Ⅳ)”4个GPC二分类模型。
步骤3.1：高斯过程二分类模型训练
建立高斯过程二分类模型的样本集D＝(x,y)，x为所有样本输入特征向量组成的矩阵，y为所有样本输出标量组成的向量。通过样本集D构建基于声响信号多种前兆特征压剪滑移式岩溶危岩稳定性等级输出值y的先验分布：
Figure GDA0002684350920000101
式中的K＝K(X，X)为n×n阶对称正定的协方差矩阵，矩阵中的任一项Kij度量了压剪滑移式岩溶危岩样本xi和xj(i，j＝1，2，…，n)的相关性。
采用交叉验证算法将样本库划分训练和测试两种样本，样本库数量为n，训练集数量为m，测试集数量为n-m。将m个训练样本输出y和n-m个测试样本输出y*建立联合高斯先验分布：
Figure GDA0002684350920000102
式中的k(X,x*)是测试集x*与训练集的所有输入点X的m×m-n阶协方差矩阵，k(x*,x*)是测试点x*自身的协方差。
本模型采用的协方差函数形式为：
Figure GDA0002684350920000103
式中的最优超参数l，σf，σn为需要求解的超参数。
为了求解上述的超参数，构建求解式：
Figure GDA0002684350920000104
上式表示为声响信号多种前兆特征压剪滑移式岩溶危岩训练样本的对数边缘似然函数。可通过极大似然法自适应获得，先求导，然后采用共轭梯度优化算法搜索出超参数的最优解。
根据贝叶斯原理，在训练集的基础上预测出与x*对应的最可能的输出值。得到压剪滑移式声响信号多种前兆特征压剪滑移式岩溶危岩稳定性等级的预测后验分布、预测均值和预测方差：
Figure GDA0002684350920000105
式中，k(x*)＝K(X,x*)为m×m-n阶协方差矩阵，依据上述步骤，构建好GPC模型。
最后，对于本发明涉及到的二分类问题，在得到上述GPC预测后验分布后，仅需经下面的简单变换即可得到该未知样本所属类别的预测
Figure GDA0002684350920000111
步骤3.2：高斯过程二分类模型可行性检验
为了确保最优声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型性能达到学习能力及泛化能力要求，对于最优GPC模型输出测试样本的结果进行可行性检验。具体地，检验指标为测试样本的预测准确率，即利用测试样本实际稳定性等级与预测稳定性等级进行校核，若预测准确率为95％以上，则认为建立的最优GPC模型性能符合要求，对于压剪滑移式岩溶危岩稳定性等级预测的具有可行性；否则，重新训练并建立模型。
本发明采用典型的k倍交叉验证(k-fold cross validation，K-CV)法，将训练样本库随机均分为10(k＝10)份，依次选定其中9份作为训练样本，另外1份作为测试样本，设置声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型的初始参数，应用该GPC模型进行学习及预测，并利用k次计算平均的学习准确率及预测准确率评定模型的学习及泛化(外推预测)性能。
本发明根据声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型的交叉验证结果做出调整。若经交叉验证GPC模型的性能不满足要求，则可通过两个方面进行调整：一方面，根据交叉验证学习及预测结果及各初始参数的作用效果，调整GPC模型的初始参数设置；另一方面，考虑到室内试验以及压剪滑移式岩溶危岩工程实例数据源于不同的环境，在声响前兆信号上可能存在一定差异，因而，需根据交叉验证学习及预测结果对训练样本进行必要的筛选，剔除与其它较多样本不相容的样本，这些样本在交叉验证循环中出现多次学习或预测错误。经过调整并重新进行交叉验证训练，重复执行上述过程最终获得具有较强学习及泛化性能的声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型。
步骤4具体说明：
步骤4中，对于监测危岩体稳定性等级的GPC模型的预测，需要进行数据预处理、声响信号前兆特征提取以及构建机器学习输入特征向量等步骤，由于和步骤2类似，因此不在赘述GPC模型的输入特征向量提取过程；
步骤5具体说明：
优选的，本发明提出声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型，模型在输出预测稳定性等级的同时，还能输出对应的预测方差。由于客观世界的多样性与复杂性，根据方差的绝对大小制订具有普适性的不确定性评价标准是不现实的，本发明应用预测结果不确定度的评价指标——预测不确定性指数(predictiveuncertainty index，PUI)，其计算式如下：
Figure GDA0002684350920000121
式中，
Figure GDA0002684350920000122
为某个新的待识别危岩体的预测方差，
Figure GDA0002684350920000123
为测试样本集的预测方差的平均值。
由于方差大小界限界定不确定程度具有较大的认为主观性存在，因此把测试样本预测方差的平均值作为参照值，利用PUI指标，就可以方便地度量训练样本空间之外的预测结果对应的不确定度，并建立根据经验与PUI的“倍数”内涵，建立的预测不确定性等级划分见表7。
表7 预测结果的不确定性等级
等级 极低 低 中 高 极高
PUI区间 [0,1.5] (1.5,2] (2,3] (3,5] (5,+∞)
本发明还提供一种压剪滑移式岩溶危岩失稳预警的声响多前兆装置，包括以下装置：
信号采集单元：用于实时采集压剪滑移式岩溶危岩的声响信号；
信号传输单元：用于传输压剪滑移式岩溶危岩声响信号数据；
信号处理单元：用于对压剪滑移式岩溶危岩声响信号进行实时预处理、分析，以提取压剪滑移式岩溶危岩失稳崩塌各阶段声响信号多种前兆特征；
GPC模型单元：用于以声响信号基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种前兆特征的压剪滑移式岩溶危岩样本及其稳定性等级构建GPC模型5维特征向量样本，采用交叉验证策略建立声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型，进而对监测危岩体稳定性等级进行预测及对其预测不确定性进行定量化评估；
灾害预警单元，用于传输GPC模型单元实时预测结果至危岩体管理者。
优选的，信号处理单元包括：
信号预处理子单元：用于将接收压剪滑移式岩溶危岩声响信号进行有效提取、除噪操作，以得到较简洁、干净、质量较高的声响信号；
前兆特征提取子单元：用于对预处理后的声响信号进行时域、频域、能量等多种特征分析，以提取基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种声响信号前兆特征，并根据制定压剪滑移式岩溶危岩的声响前兆特征与稳定性等级的分级管理规则，依据5种声响前兆特征指标所处的特征，将其量化为特定的危险等级。
优选的，GPC模型子单元包括：
GPC模型建立算子单元：用于以压剪滑移式岩溶危岩样本的声响信号基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种前兆特征及其稳定性等级构建GPC模型5维特征向量样本，并采用交叉验证策略训练声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型，根据其训练及预测准确性调整GPC模型初始参数及训练样本，以得到具有良好性能的GPC模型；
GPC模型检验算子单元：用于根据所述GPC模型输出的测试样本各采样样本预测结果及预测方差，对测试样本的预测误差来进行GPC模型的可行性检验；
GPC模型预测算子单元：用于将实时采集的压剪滑移式岩溶危岩声响信号进行量化、分析、提取后得到的声响多种前兆特征来建立模型特征向量，输入至GPC模型中，得到压剪滑移式岩溶危岩稳定性等级及预测方差；
预测不确定性评估算子单元：用于对GPC模型输出的压剪滑移式岩溶危岩预测结果不确定性进行定量化评估，得到其不确定性等级。
与现有技术相比，本发明的有益效果是：
(1)本发明通过声响信号监测压剪滑移式岩溶危岩裂纹孕育、发育及扩展到最后破坏失稳过程，提出了适用于压剪滑移式岩溶危岩失稳预警的基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种声响信号前兆特征指标；这5种指标不仅蕴含着声响信号的频谱、能量、波形等特征，而且相互独立、互相补充，能够较好地揭示危岩体失稳崩塌演化各阶段，进而有效地提高压剪滑移式岩溶危岩失稳崩塌的预警准确性以及提前预警时长。
(2)本发明采用声响信号对压剪滑移式岩溶危岩失稳崩塌预警，其对于贯穿于危岩体失稳崩塌过程中客观存在的声发射、微震信号不同在于：其一，三者信号的采集频率有所区别，声响信号采集频率大于20-20000Hz，补充了后两者信号预警过程中缺少危岩体失稳演化过程中存在的中频范围信号；其二，危岩体失稳崩塌孕育演化过程，伴随着微观裂纹的产生、发展、贯穿及最后整体失稳崩塌，其中蕴含着丰富的中等尺度微观裂纹信息，声响信号能够反映危岩体内部中等尺度的微观裂纹信息，补充了后两者信号预警过程中缺少危岩体失稳演化过程中产生中等尺度微观裂纹信息；其三，本发明所采用声响信号采集装置集成了采集、无线传输功能，无需数据传输装置(至云服务器)，并且其为非接触式采集，不受岩体介质空间变异性的影响，能够在空气中远距离传播，便于接收与采集，相较于声发射信号、微震信号采集装置更加耐久且经济(安装布置方式较灵活、避免了因岩体失稳崩塌造成损坏)；因此，本发明方法完善了基于微震及声发射信号预警方法在采集频率范围、裂纹信息及采集方式上存在的不足，进一步提高压剪滑移式岩溶危岩失稳崩塌预警的稳健性。
(3)本发明综合应用声响多种前兆特征指标进行压剪滑移式岩溶危岩失稳崩塌全过程监测与预警，有效解决了传统的单一前兆特征指标预警时可能出现的预警结果误差大、可靠性低的问题，通过稳定性等级分级管理，显著提升了灾害预警的超前性，由此有利于延长灾害规避时间，进而有利于降低危岩崩塌灾害所导致生命及财产损失风险。
(4)本发明所采用的危岩稳定性等级自动识别的GPC机器学习模型具有实现过程简单、高效，对待复杂非线动力学问题适应性强，能输出具有概率意义的预测结果、小样本学习能力强、预测模型的最优参数可自适应获取、预测模型具有较好的泛化能力等优点，克服了当前应用较为广泛的人工神经网络方法存在的最优网络拓扑结构与超参数不易确定，对压剪滑移式岩溶危岩的声响信号前兆特征与稳定性等级之间非线性映射预测问题具有较强的适用性。
(5)本发明提出了基于预测不确定性指数PUI来评估模型识别结果的不确定性程度，为工程人员评判预警结果的可信度提供科学依据。
(6)本发明采用声响采集装置实时监测压剪滑移式岩溶危岩，获取危岩的声响信号，并通过无线传输至云服务器，并在云服务器中进行储存、处理、分析，实时地计算压剪滑移式岩溶危岩失稳崩塌概率，根据其计算的稳定性等级，采用现场警铃以及迅速发送预警信息至用户两种远近结合预警方式，提高传统压剪滑移式岩溶危岩崩塌导致预警过慢、来不及规避等问题。
(7)本发明将GPC方法引入至压剪滑移式岩溶危岩失稳综合预警中，提出压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置，融合了GPC算法的声响信号多种前兆特征预警系统对压剪滑移式岩溶危岩崩塌孕育过程中的声响信号进行实时监测、记录、降噪、特征分析、预警。本发明能够高效精确地对压剪滑移式岩溶危岩失稳崩塌灾害进行超前预警，并能提供其预测结果以及预测不确定性，对岩溶危岩的安全防治与防灾减灾具有重要实用价值。
附图说明
图1为发明内容提供的压剪滑移式岩溶危岩受力示意图；
图2为本发明实施例1提供的第一声响信号前兆特征基音频率特征示意图；
图3为本发明实施例1提供的第二声响信号前兆特征谱质心特征示意图；
图4为本发明实施例1提供的第三声响信号前兆特征事件数特征示意图；
图5为本发明实施例1提供的第四声响信号前兆特征小波能谱主频带特征示意图；
图6为本发明实施例1提供的第五声响信号前兆特征相对平静期特征示意图；
图7为本发明实施例1提供的小波包分解结构树示意图；
图8为本发明实施例1提供的一种声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型建立方法流程图；
图9为本明发实施例2提供的一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法流程图；
图10为本发明实施例3提供的一种云服务器装置示意图；
图11为本发明实施例4提供的一种压剪滑移式岩溶危岩失稳预警的声响多前兆单元示意图；
图12为本发明实施例4提供的一种信号采集单元示意图；
图13为本发明实施例4提供的一种信号传输单元示意图；
图14为本发明实施例4提供的一种信号处理单元示意图；
图15为本发明实施例4提供的一种GPC模型单元示意图。
具体实施方式
下面结合附图和实例对本发明的具体实施方式进一步进行说明阐述。需要指出的是，附图中仅示出了与本发明相关的部分，并非全部结果。并且具体实例仅为解释本发明，而非限制发明的范围。
实施例1
图8为本发明实例所提供的一种声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型建立方法流程图。本实例可适用于构建基于声响信号多种前兆特征的压剪滑移式岩溶危岩稳定性等级综合识别GPC模型情况，其方法具体包括如下：
步骤S1-1：前兆特征根据基于已有室内外试验结果、工程案例、科研文献等人们达到的基本共同认识来选定。
在本实施例1中，针对压剪滑移式岩溶危岩声响信号前兆特征，选定基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种(详见表6)。这5项指标蕴含着声响信号的时域、频域、能量等特征，相互独立、互为补充，能够通过这些前兆特征较好的描述压剪滑移式危岩失稳崩塌的演化全过程。并且这5项前兆特征蕴含着危岩失稳崩塌的演化过程特性，即能对危岩失稳崩塌进行超前预警。
示例性的，参见图2，基音频率特征是语音信号的一个重要参数之一，能够反应声调调型以及调值的走向。通过计算语音信号的自相关函数方法来求得基音频率特征：
Figure GDA0002684350920000151
式中，xn(m)为加窗后的x(n)语音信号，Rn(k)为偶函数。
根据其整体趋势是否呈现“高中频稳定→中、高频发展→平静→低中频非稳定”，来描述压剪滑移式岩溶危岩失稳崩塌过程，图3中，a表示低频稳定；b表示低中频过渡；c表示低中高频发展；d表示临界低频非稳定。
示例性的，参见图3，谱质心特征反映声响信号给定频率范围内的频率平均值，是声响信号每个频率成分的能量以及声响信号频带谱峰值位置。计算声响信号的谱质心公式为：
Figure GDA0002684350920000152
式中，S(k)＝|Y(k)|2/N为信号的功率谱；fsc为信号频率k0的估计值。
根据其整体趋势是否呈现“平稳波动→缓慢下降→异常升高→低值平稳”，来描述压剪滑移式岩溶危岩失稳崩塌过程，图3中，a表示平稳波动；b表示缓慢下降；c表示异常升高；d表示低值平稳。
示例性的，参见图4，事件数是指一帧时间内声响信号的波形穿过设定门槛值的次数，它可以在一定程度上反映声响信号的活跃程度，高活跃度对应高的事件数，低活跃度对应低的事件数。
可通过下式计算声响信号y(n)的事件数：
Figure GDA0002684350920000161
式中，sgn[yi(n)]为符号函数，其表达式如下：
Figure GDA0002684350920000162
根据事件数的整体趋势变化趋势呈现“无事件数→首次低事件数→高值事件数→高值高密度事件数”反映岩体失稳孕育演化过程。图5中，a表示无事件数；b表示首次低事件数；c表示高值事件数；d表示高值高密度事件数。经过反复的试验及验证，本发明实施例中的事件数threshold的最终取值为0.036。
示例性的，参见图5，小波能谱主频带是指每个小波分析尺度上能量与信号总能量的比例，即信号能量在各尺度中的分布情况。由于不同岩体声响信号及干扰源信号的差异，经过小波分解后各尺度所包含的能量分布情况也不尽相同，小波能谱主频带可用来表示不同声响信号的特征，可通过分解后的优势小波能谱主频带来描述岩体破裂各阶段过程，本文所用的优势小波主频带为第七频带，其频率范围在11.025-22.05kHz，可通过小波包分解、信号重构、计算总能量以及各子频带能量系数得到。
可根据第七小波能谱主频带时频演化图是否呈现“长期平稳波动→第一阶段突增→短期平稳波动→第二阶段突增”来描述岩体失稳破坏演化过程。图5中，a表示长期平稳波动；b表示第一阶段突增；c表示短期平稳波动；d表示第二阶段突增。
示例性的，参见图6，声响信号相对平静期是指声响信号波形特征参数从高幅值突变至低幅值水平，并维持一定的时间，预示着非稳定宏观大破裂的来临，是硬脆性岩体临界破裂前的典型前兆现象；此特征仅将声响信号进行波形分析处理(时域分析)即可得，不需要进行额外的复杂处理；根据声响信号相对平静期来临定性判断因此应用声响相对平静期来描述压剪滑移式岩溶危岩失稳崩塌过程。图6中，a表示相对平静期。
步骤S1-2：根据步骤S1-1所制定压剪滑移式岩溶危岩失稳崩塌声响信号多种前兆特征指标与稳定性等级的分级管理规则，收集了具有代表性室内试验及压剪滑移式岩溶危岩实例共68个。
步骤S1-3：首先将收集的室内试验、室外压剪滑移式岩溶危岩实例数据进行缺失值、逻辑错误及非必要数据清洗，得到干净、优化的数据集。
步骤S1-4：根据步骤S1-1中5种声响信号前兆特征提取方法，对优化后的数据集进行声响信号前兆特征提取，并依据数据实例失稳过程各阶段明显的特征，定量化其阶段实际稳定性等级。
步骤S1-5：根据声响信号前兆特征及实际稳定性等级构成训练样本，构建声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型；
对于步骤S1-5中，还包括子步骤S1-5-1、S1-5-2及S1-5-3；
步骤S1-5-1：建立训练样本
本实施例1中，根据所得到压剪滑移式岩溶危岩各样本声响信号多前兆特征数据集以其稳定性等级，以此建立机器学习样本(xi,yi)，其中i＝1,2,…,n，为输入的特征向量，其中xi＝[xi1,xi2,xi3,xi4,xi5]，各元素基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种声响信号多种前兆特征量化特征，yi为输出的压剪滑移式岩溶危岩稳定性等级结果。GPC模型样本集如下表。
步骤S1-5-2，训练GPC模型
本实例中，优选的，采用交叉验证算法采用典型的k(k＝10)倍交叉验证，将样本集随机分为10等份，依次选定其中9份(1172×9/10≈1055)为训练样本，另外1份(1172×1/10≈117)作为测试样本；参考国内外有关GPC模型论文中的参数设置经验，初始设立的初始模型协方差函数超参数为：lnl＝[-1,-1,-1,-1,-1,-1，-1,-1,-1,-1,-1,-1,-1,-1]，lnσf＝0.1，lnσn＝1.0。
基于GPC自适应特点，以训练样本的极大似然为目标，采用共轭梯度优化算法搜索最优超参数，其收敛标准设为最大迭代步数为300或迭代步之间的目标值的绝对差值小于1×10-6。
实例中，交叉验证后筛选出的测试样本编号为8、20、37等117个样本。GPC模型的最优超参数为：lnl＝[0.407，0.477,0.374,0.318,0.347，0.388,0.325,0.018,0.819,0.451,0.601，0.739，0.588，0.665，0.488]，lnσf＝-1.185，lnσn＝-1.139。
得到声响信号多种前兆特征压剪滑移式岩溶危岩稳定性等级的预测后验分布、预测均值和预测方差：
Figure GDA0002684350920000171
最后，在得到上述GPR预测后验分布后，仅需经下面的简单变换即可得到该未知样本所属类别的预测：
Figure GDA0002684350920000172
示例性的，最优的GPC模型具有1172个样本，表8仅列出部分样本的信息。
优选的，本发明为了提高单个小样本(采样时段)利用率、优化模型的训练及预测效果，采用将单个室内试验或工程实例大样本每段波形进行分解，得到一个采样时段的波形，即单个小样本作为模型的样本集，以此构建声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型，并且此小样本编号相邻的样本不一定具有相关性(采样时段次序上的相关以及样本次序上的相关)。
步骤S1-5-3，GPC模型可行性检验
本发明实例1，对于最优GPC模型输出测试样本的结果进行可行性检验。具体地，检验指标为测试样本的预测准确率，即利用测试样本实际稳定性等级与预测稳定性等级进行校核，若预测准确率为95％以上，则认为建立的最优GPC模型性能符合要求，对于压剪滑移式岩溶危岩稳定性等级预测的具有可行性；否则，重新训练并建立模型。
表8 GPC模型样本集
Figure GDA0002684350920000191
具体地，本发明GPC模型中的测试样本由10倍交叉验证算法最终筛选而得(1172×1/10≈117个)，其预测结果参见表9，测试样本的预测准确率达到96.17％之高，认为建立的声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型可行性符合要求，对于压剪滑移式岩溶危岩失稳预警的具有可行性。
示例性的，GPC模型中具有172个测试小样本，表9仅列出部分样本的信息，需要注意的是，测试样本集的编号为GPC模型样本集中的编号。与表8一致，此表的样本编号之间不具有相关性，其来源于不同单个室内试验或工程实例大样本采样时段(短时间)小样本。
实施例1提供的声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型建立方法，根据所选定压剪滑移式岩溶危岩失稳崩塌声响信号多种前兆特征与稳定性等级的分级管理关系规则，广泛收集压剪滑移式岩溶危岩失稳崩塌演化各阶段声响信号多种前兆特征的室内试验、现场实例数据，并将声响多种前兆特征数据及稳定性等级构成训练样本，采用典型10倍交叉验证算法训练及验证GPC模型，得到具有较强泛化能力及学习能力GPC模型，提高了声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型的构建效率以及模型预测准确率，从而完善压剪滑移式岩溶危岩失稳崩塌灾害提前预警时间、及准确性。
表9 GPC模型测试样本集
Figure GDA0002684350920000201
实施例2
实施例2在上述实施例1的基础上提供了压剪滑移式岩溶危岩失稳预警的声响多前兆方法，该方法对能够根据压剪滑移式岩溶声响信号进行获取、分析、及对崩塌灾害实时预警。图9为本发明实施例2提供压剪滑移式岩溶危岩失稳预警的声响多前兆方法流程图，其方法具体包括如下：
步骤S2-1：本发明实施例2针对广西壮族自治区某山体岩溶发育程度较高的压剪滑移式危岩进行实时监测，首先，根据此实例压剪滑移式岩溶危岩的体积大小及覆盖面积，初定声响采集装置个数；然后，为了提高危岩体失稳崩塌时的综合预警准确性，最终声响采集装置个数为初定个数的整数倍(大于1)，并采用多点分布式安装方式放置至偏离压剪滑移式岩溶危岩失稳崩塌致灾区域；最后，将声响采集装置记录及接收的危岩体声响信号传输至声响信号处理系统，本发明应用云服务器中计算模块。
示例性的，本发明实施例2，根据压剪滑移式岩溶危岩失稳崩塌致灾特点，声响采集装置放置于便于人工安装及拆卸的危岩体中上部外一定范围内，并且为了避免人为原因造成采集装置损坏及遗失，将声响采集装置进行相应隐藏措施。
优选的，鉴于本实施例压剪滑移式岩溶危岩失稳崩塌过程所提取的声响前兆特征之一为小波能谱主频带，所采用的小波能量系数处于高频带(11.025-22.05kHz)，依据采样定理(奈奎斯特定理，即采样频率需大于信号中最高频率的2倍及以上)，本发明选用采样频率0-44.1kHz的声响采集装置，量化精度为24bit。
步骤S2-2：将接收的声响数据进行实时预处理、分析，以得到压剪滑移式岩溶危岩实时声响信号前兆特征数据。
本实施例2中，优选的，提取基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种声响信号的前兆特征(详见表6、图2～图6)。
步骤S2-3：根据所述压剪滑移式岩溶危岩声响多种前兆特征与预测稳定性等级构建样本(x*,y*)，然后输出至声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型中，得到实时压剪滑移式岩溶危岩稳定性等级及其预测方差，详细见表10。
步骤S2-4：根据GPC模型输出的预测方差，计算出预测不确定性指数PUI，计算方式如下：
Figure GDA0002684350920000211
式中，
Figure GDA0002684350920000212
为某个压剪滑移式岩溶危岩稳定性等级新采样样本的预测方差，
Figure GDA0002684350920000213
为测试样本预测方差的平均值，本实施例为0.0405，各采样样本的PUI详见表10。
示例性的，由于本发明实施例2篇幅有限，次实施例压剪滑移式岩溶危岩失稳崩塌预警全过程中存在118个采样样本，无法全部列出，因此仅列出部分样本的信息。
参见上表10可知，本发明实施例2对于压剪滑移式岩溶危岩声响信号监测过程中，应用GPC模型预测此剪滑移式岩溶危岩各采样样本的稳定性等级及预测方差，通过其预测方差计算各采样样本的预测不确定性指数PUI，发现编号为2、7、31、54、71、89、103等编号7个采样样本的PUI值较大，预测稳定性等级不确定性较高，因此需要从其相邻编号样本的预测结果来判断压剪滑移式岩溶危岩的稳定性。
步骤S2-5：根据表10，当对编号107采样样本进行了稳定性等级综合识别后，得到的压剪滑移式岩溶危岩稳定性等级为Ⅳ，并且此稳定性等级对应的预测不确定性指数PUI较低，因此将预警信息远程传输给危岩管理者，供管理者去判断是否应进行预警。
本发明所提出的基于声响信号的压剪滑移式岩溶危岩崩塌预警方法可靠性高，对压剪滑移式岩溶危岩失稳崩塌超前预警、灾害防控具有良好的应用前景。
示例性的，考虑到计算代价比较大及压剪滑移式岩溶危岩裂隙扩展较缓慢等特点，本发明实施例2所采样样本的采样时间不固定，依据其声响信号的门槛值来定义，若超过其门槛值，则进行连续采样，否则处于停滞采样状态，此采样方式有效减少了无用数据，为数据分析以及数据无线传输提供了可行性。
本发明所提及的采样样本并不是声响信号采集的单个信号点，而是指某一次收集压剪滑移式岩溶危岩声响信号的所有采样数据，为一个采样的时间段。
表10 某压剪滑移式岩溶危岩的失稳预警过程
Figure GDA0002684350920000221
实施例3
图10为本发明提出一种云服务器装置，其包括一个或多个处理器3-1、一个或多个存储装置3-2、输入装置3-3和输出装置3-4，这些组件通过总线系统3-5和/或其它形式的连接机构互连。应当注意，图10所示的云服务器装置的组件和结构只是示例性的，而非限制性的，根据需要，所述云服务器装置也可以具有其他组件和结构。
所述处理器3-1可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述云服务器装置中的其它组件以执行期望的功能。
示例性的，所述处理器3-1可进行本发明方法中压剪滑移式岩溶危岩声响信号预处理、前兆特征提取、GPC模型训练、预测以及预测不确定性评估、压剪滑移式岩溶危岩实时预警等步骤(S1-3～S1-5、S2-2～S2-5)。
所述存储装置3-2可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器3-1可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的计算机功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
所述输入装置3-3可以是用来接收用户所输入的指令以及采集数据的装置，并且其输入方式采用无线及有线传输结合方式。
所述输出装置3-4可以向外部(例如用户)输出各种信息(例如本文数据、图像或声响)，并且可以包括显示器、扬声器等中的一个或多，本发明应用主要以文本数据输出为主。
上述输入装置3-3和输出装置3-4主要用于与用户交互。
实施例4
图11为本发明实施例4提供的一种压剪滑移式岩溶危岩失稳预警的声响多前兆装置的结构示意图。本实施例可适用于基于声响信号的压剪滑移式岩溶危岩灾害自动预警情况，其具体结构如下：
信号采集单元4-1：用于实时采集压剪滑移式岩溶危岩的声响信号，并将各子采集设备数据汇集至控制终端；信号获取单元4-1可以由图10所示的云服务器装置中的处理器3-1运行储存装置3-2存储的程序指令来实现，并且可以执行本发明实施例提出的一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法步骤S2-1。
信号传输单元4-2：用于传输压剪滑移式岩溶危岩声响信号；信号传输单元4-2可以由图10所示的云服务器装置中的处理器3-1运行储存装置3-2存储的程序指令来实现，并且可以执行本发明实施例提出的一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法步骤S1-2、S2-1。
信号处理单元4-3：用于对压剪滑移式岩溶危岩声响信号进行实时预处理、分析，以提取压剪滑移式岩溶危岩失稳崩塌各阶段声响信号多种前兆特征；信号处理单元4-3可以由图10所示的云服务器装置中的处理器3-1运行储存装置3-2存储的程序指令来实现，并且可以执行本发明实施例提出的一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法步骤S1-3～S1-4、S2-2。
GPC模型单元4-4：GPC模型单元：用于以声响信号基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种前兆特征的压剪滑移式岩溶危岩样本及其稳定性等级构建GPC模型5维特征向量样本，采用交叉验证策略建立声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型，进而对监测危岩体稳定性等级进行预测及对其不确定性进行定量化评估。GPC模型单元4-4可以由图10所示的云服务器装置中的处理器3-1运行储存装置3-2存储的程序指令来实现，并且可以执行本发明实施例提出的一种压剪滑移式岩溶危岩失稳预警的声响多前兆方法步骤S1-5、S2-3～S2-4。
灾害预警单元4-5：用于将所述GPC模型实时输出的稳定性等级以及预测结果的不确定性等级传输至危岩体管理者，供其判断是否应进行预警。灾害预警单元4-5可以由图10所示的云服务器装置中的处理器3-1运行储存装置3-2存储的程序指令来实现，并且可以执行本发明实施例提出的压剪滑移式岩溶危岩失稳预警的声响多前兆方法步骤S2-5。
示例性的，所述信号采集单元4-1包括(图12)：
信号采集子单元4-1-1：用于采集压剪滑移式岩溶危岩各监测部位失稳崩塌演化全过程的声响信号数据；
信号采集控制子单元4-1-2：用于对采集子单元发送命令，控制各采集子单元的声响信号数据采集，其控制特征为：当采集子单元信号活跃度未超过设定的门槛值时，处于休眠模式，若当其超过门槛值时，则激活各采集子单元的采集方式，转为正常模式；
示例性的，所述信号传输单元4-2包括(图13)：
信号传输子单元4-2-1：用于存储具有明显变化特征的压剪滑移式岩溶危岩的声响信号数据，并进行实时传输以及删除；
信号传输控制子单元4-2-2：用于对传输子单元发送命令，控制传输子单元的声响信号数据存储、传输以及删除，其控制特征为：存储功能方面，当采集子单元信号活跃度超过门槛值时，开启信号传输子单元的存储功能；传输功能方面，当声响信号数据存储量大于等于一个完整采样时间段时，开启信号传输子单元的传输功能，将其存储的数据通过无线传输方式实时传输至云服务器；删除功能，当其存储的数据量大于传输子单元最大存储总量时，将其存储的前一段数据逐步一一删除；
示例性的，所述信号处理单元4-3包括(图14)：
信号预处理子单元4-3-1：用于将接收压剪滑移式岩溶危岩声响信号进行有效提取、除噪操作，以得到较简洁、干净、质量较高的声响信号；
前兆特征提取子单元4-3-2：用于对预处理后的声响信号进行时域、频域、能量等多种特征分析，以提取基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种声响信号前兆特征，并根据制定压剪滑移式岩溶危岩的声响前兆特征与稳定性等级的分级管理规则，依据5种声响前兆特征指标所处的特征，将其量化为特定的危险等级(分为1、2、3、4级)；
示例性的，所述GPC模型子单元4-4包括(图15)：
GPC模型建立算子单元4-4-1：用于以声响信号基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种前兆特征的压剪滑移式岩溶危岩样本及其稳定性等级构建GPC模型5维特征向量样本，并采用交叉验证策略训练声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型，根据其训练及预测准确性调整GPC模型初始参数及训练样本，以得到具有良好性能的GPC模型；
GPC模型检验算子单元4-4-2：用于根据所述GPC模型输出的测试样本各采样样本预测结果及预测方差，对模型测试样本预测误差来进行GPC模型的可行性检验；
GPC模型预测算子单元4-4-3：用于将实时采集的压剪滑移式岩溶危岩声响信号进行量化、分析、提取后得到的声响多种前兆特征来建立模型特征向量，输入至GPC模型中，得到压剪滑移式岩溶危岩稳定性等级及预测方差；
预测不确定性评估算子单元4-4-4：用于将GPC模型输出的压剪滑移式岩溶危岩预测结果进行不确定性评估，定量化评估预测结果的不确定性等级。
示例性的，本发明中所提及的装置均可依照图10中云服务器装置中的处理器3-1运行储存装置3-2存储的程序指令来实现，没有描述的单元、子单元及算子单元，不代表没有涉及此装置处理。
示例性的，本发明所提出的装置是一个智能调控式声响信号采集装置，并不全天候长时间大功耗地实时采集，而是附带一个触发机制智能采集装置，可理解为：信号低活跃度时，采集装置处于关闭状态；信号高活跃度时，采集装置处于开启状态，进行信号实时采集；因此本发明附图2-附图6的横坐标—采样样本并不表示一个连续的采样时间，而是代表一个间断性的采样时间，一个采样样本表示一段有效信号的采样。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各实施例中的各子单元可以集成在一个单元中，也可以是各子单元单独物理存在，也可以两个或两个以上子单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

Claims (8)

1.压剪滑移式岩溶危岩失稳预警的声响多前兆方法，其特征在于，包括以下步骤：
步骤1：以频率为20-20000Hz人耳可识别的声响信号为监测对象，采用无线非接触方式进行压剪滑移式岩溶危岩监测；选定危岩失稳的多种显著前兆特征作为综合预警指标，包括：基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种前兆特征；分别制定5种声响前兆特征指标与压剪滑移式岩溶危岩稳定性等级评分规则，进而制定压剪滑移式岩溶危岩声响5种前兆特征与稳定性等级的综合关系规则；
步骤2：从室内试验及现场工程实例中，收集压剪滑移式岩溶危岩失稳崩塌演化各阶段5种声响信号前兆特征作为机器学习样本集；
步骤3：利用机器学习样本集，根据交叉验证策略，训练GPC模型，由此构建声响信号多种前兆特征指标与稳定性等级的非线性映射关系；
步骤:4：获取需要预警压监测剪滑移式岩溶危岩危岩体的声响前兆特征，根据评分规则表获得相应的5种声响前兆特征指标的评分，由此构建5维的特征指标向量，并将其输入至训练好的GPC模型，得到新压剪滑移式岩溶危岩体的模型预测结果，即稳定性等级及预测方差；
步骤5：根据新压剪滑移式岩溶危岩的预测方差，定量化评估GPC模型预测结果的不确定性大小；
其中，所述关于声响信号前兆特征机器学习样本，都进行了小波收缩WS方法的除噪处理，其方法为：选择合适的小波函数、小波基以及小波分解层数，对包含有噪声的声响信号s(n)进行离散小波变换，得到相应的小波系数Di；利用阈值对离散小波变换得到的小波系数Di进行处理，得到相应的小波系数估计值di；利用小波系数估计值di重构声响信号，从而得到原始声响信号的估计值h(n)；其阈值为半阈值法，综合硬、软阈值相应优势：
Figure FDA0004056603510000011
式中，当λ1＜|w|＜λ2时，接近软阈值情况；当λ2＜|w|时，接近于硬阈值情况式，当λ2＝∞时，接近软阈值的情况。
2.根据权利要求1所述的压剪滑移式岩溶危岩失稳预警的声响多前兆方法，其特征在于，所述声响信号前兆特征基音频率提取特征为：将声响信号波形文件进行准稳态分帧、加窗处理，得到近似稳态的、时不变的处理信号；再将其各帧进行自相关函数计算，获取基音频率特征。
3.根据权利要求1所述的压剪滑移式岩溶危岩失稳预警的声响多前兆方法，其特征在于，所述声响信号前兆特征谱质心提取特征为：将已经过分帧、加窗处理的近似稳态的、时不变的声响信号进行FFT，得到二维幅值谱图；计算二维幅值谱图的频谱质心值，即谱质心特征。
4.根据权利要求1所述的压剪滑移式岩溶危岩失稳预警的声响多前兆方法，其特征在于，所述声响信号前兆特征事件数提取特征为：根据监测对象、环境条件、载荷条件多种因素设定声响信号波形幅值阈值threshold；依据所设定阈值对已经过分帧、加窗处理的近似稳态的、时不变的声响信号进行门槛值过滤处理，得到事件数特征。
5.根据权利要求1所述的压剪滑移式岩溶危岩失稳预警的声响多前兆方法，其特征在于，所述声响信号前兆特征小波能谱主频带提取特征为：依据岩溶危岩声响信号特性，选择与其有高度适应性的Meyer小波基；对声响信号进行8层小波包分解，得到9层频段子信号；然后对小波分解系数进行重构，获取不同频段范围的重构信号Si(m)，并计算Si(m)所对应的能量Ei、重构信号的总能量E；最后得到第七频段信号的能量分布系数Ki，即小波能谱主频带特征，第七频段的频率范围在11.025-22.05kHz。
6.压剪滑移式岩溶危岩失稳预警的声响多前兆装置，其特征在于，包括：
信号采集单元：用于实时采集压剪滑移式岩溶危岩的声响信号；
信号传输单元：用于传输压剪滑移式岩溶危岩声响信号数据；
信号处理单元：用于对压剪滑移式岩溶危岩声响信号进行实时预处理、分析，以提取压剪滑移式岩溶危岩失稳崩塌各阶段声响信号多种前兆特征；
GPC模型单元：用于以压剪滑移式岩溶危岩样本的声响信号基音频率、谱质心、事件数、小波能谱主频带及相对平静期5种前兆特征及其稳定性等级构建GPC模型5维特征向量样本，采用交叉验证策略建立基于声响信号多种前兆特征的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型，进而对监测危岩体稳定性等级进行预测及对其预测不确定性进行定量化评估；
灾害预警单元，用于将所述GPC模型预测结果传送至危岩管理者。
7.根据权利要求6所述的压剪滑移式岩溶危岩失稳预警的声响多前兆装置，其特征在于，所述信号处理单元包括：
信号预处理子单元：用于将接收压剪滑移式岩溶危岩声响信号进行有效提取、除噪操作，以得到较简洁、干净、质量较高的声响信号；
前兆特征提取子单元：用于对预处理后的声响信号进行时域、频域、能量多种特征分析，以提取基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种声响信号前兆特征，并根据制定压剪滑移式岩溶危岩的声响前兆特征与稳定性等级的分级管理规则，依据5种声响前兆特征指标所处的特征，将其量化为特定的危险等级。
8.根据权利要求6所述的压剪滑移式岩溶危岩失稳预警的声响多前兆装置，其特征在于，所述GPC模型子单元包括：
GPC模型建立算子单元：用于以压剪滑移式岩溶危岩样本的声响信号基音频率、谱质心、事件数、小波能谱主频带以及相对平静期5种前兆特征及其稳定性等级构建GPC模型5维特征向量样本，并采用交叉验证策略训练声响多前兆的压剪滑移式岩溶危岩稳定性等级综合识别的GPC模型，根据其训练及预测准确性调整GPC模型初始参数及训练样本，以得到具有良好性能的GPC模型；
GPC模型检验算子单元：用于根据所述GPC模型输出的测试样本各采样样本预测结果及预测方差，对测试样本的预测误差来进行GPC模型的可行性检验；
GPC模型预测算子单元：用于将实时采集的压剪滑移式岩溶危岩声响信号进行量化、分析、提取后得到的声响多种前兆特征来建立模型特征向量，输入至GPC模型中，得到压剪滑移式岩溶危岩稳定性等级及预测方差；
预测不确定性评估算子单元：用于对GPC模型输出的压剪滑移式岩溶危岩预测结果不确定性进行定量化评估，得到其不确定性等级。
CN202010820187.5A 2020-08-14 2020-08-14 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置 Active CN111965255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010820187.5A CN111965255B (zh) 2020-08-14 2020-08-14 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010820187.5A CN111965255B (zh) 2020-08-14 2020-08-14 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置

Publications (2)

Publication Number Publication Date
CN111965255A CN111965255A (zh) 2020-11-20
CN111965255B true CN111965255B (zh) 2023-04-14

Family

ID=73387690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010820187.5A Active CN111965255B (zh) 2020-08-14 2020-08-14 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置

Country Status (1)

Country Link
CN (1) CN111965255B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113514547A (zh) * 2021-07-05 2021-10-19 哈尔滨理工大学 一种基于声振法的高铁制动片无损检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013134427A2 (en) * 2012-03-06 2013-09-12 Ion Geophysical Corporation Model predicting fracturing of shale
CN105676268A (zh) * 2016-01-15 2016-06-15 广西大学 一种基于声音信号波形变化特征的应变型岩爆预警方法
CN110866318A (zh) * 2019-12-30 2020-03-06 桂林理工大学 一种基于深度学习技术的危岩失稳模式判别方法及装置
WO2020125668A1 (zh) * 2018-12-18 2020-06-25 中国铁建重工集团股份有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2787851C (en) * 2010-02-05 2020-03-24 The University Of Sydney Rock property measurements while drilling
US10180061B2 (en) * 2011-09-26 2019-01-15 Saudi Arabian Oil Company Methods of evaluating rock properties while drilling using downhole acoustic sensors and a downhole broadband transmitting system
CN104732070B (zh) * 2015-02-27 2018-03-13 广西大学 一种基于信息向量机的岩爆等级预测方法
CN107633255B (zh) * 2017-08-11 2021-05-25 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法
US11010883B2 (en) * 2018-04-17 2021-05-18 Saudi Arabian Oil Company Automated analysis of petrographic thin section images using advanced machine learning techniques
CN108896878B (zh) * 2018-05-10 2020-06-19 国家电网公司 一种基于超声波的局部放电检测方法
CN111160490A (zh) * 2020-02-24 2020-05-15 桂林理工大学 一种基于多时间序列的深度学习危岩变形预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013134427A2 (en) * 2012-03-06 2013-09-12 Ion Geophysical Corporation Model predicting fracturing of shale
CN105676268A (zh) * 2016-01-15 2016-06-15 广西大学 一种基于声音信号波形变化特征的应变型岩爆预警方法
WO2020125668A1 (zh) * 2018-12-18 2020-06-25 中国铁建重工集团股份有限公司 一种应用随钻参数来自动识别围岩级别的方法和系统
CN110866318A (zh) * 2019-12-30 2020-03-06 桂林理工大学 一种基于深度学习技术的危岩失稳模式判别方法及装置

Also Published As

Publication number Publication date
CN111965255A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111967378B (zh) 拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法及装置
Yin et al. Real-time prediction of rockburst intensity using an integrated CNN-Adam-BO algorithm based on microseismic data and its engineering application
Ning et al. A framework combining acoustic features extraction method and random forest algorithm for gas pipeline leak detection and classification
CN104091074B (zh) 一种基于经验模态分解的中长期水文预报方法
CN103730130B (zh) 一种病理嗓音的检测系统
CN111999765B (zh) 拉裂坠落式岩溶危岩失稳预警的微震多前兆方法及装置
Martin-del-Campo et al. Online feature learning for condition monitoring of rotating machinery
Curilem et al. Using CNN to classify spectrograms of seismic events from Llaima volcano (Chile)
Cortés et al. Parallel system architecture (PSA): An efficient approach for automatic recognition of volcano-seismic events
KR102149495B1 (ko) 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법
CN107393555A (zh) 一种低信噪比异常声音信号的检测系统及检测方法
Harmouche et al. Long-term monitoring for leaks in water distribution networks using association rules mining
Xiong et al. A novel deep convolutional image-denoiser network for structural vibration signal denoising
CN110440148A (zh) 一种漏损声信号分类识别方法、装置及系统
CN113470694A (zh) 水轮机组遥听监测方法、装置和系统
CN111965255B (zh) 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置
CN104268408A (zh) 一种基于小波系数arma模型的能耗数据宏观预测方法
CN112200238A (zh) 基于声响特征的硬岩拉剪破裂识别方法与装置
CN117009788A (zh) 基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法
CN117037427A (zh) 一种地质灾害联网监测预警系统
Ma et al. A percussion method with attention mechanism and feature aggregation for detecting internal cavities in timber
Wu et al. Advancing deep learning-based acoustic leak detection methods towards application for water distribution systems from a data-centric perspective
Wang PCA-LSTM: An Impulsive Ground-Shaking Identification Method Based on Combined Deep Learning.
Zheng et al. Nondestructive detection of anchorage quality of rock bolt based on DS-DBN-SVM
CN115854269A (zh) 泄漏孔喷流噪声识别方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant