CN111967378A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111967378A CN111967378A CN202010821211.7A CN202010821211A CN111967378A CN 111967378 A CN111967378 A CN 111967378A CN 202010821211 A CN202010821211 A CN 202010821211A CN 111967378 A CN111967378 A CN 111967378A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- pull
- dangerous rock
- shear
- karst
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 264
- 239000002243 precursor Substances 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000010008 shearing Methods 0.000 title claims description 35
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims description 111
- 238000005070 sampling Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 24
- 238000002790 cross-validation Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000008054 signal transmission Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000001687 destabilization Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 208000010392 Bone Fractures Diseases 0.000 description 27
- 206010017076 Fracture Diseases 0.000 description 27
- 230000006378 damage Effects 0.000 description 23
- 230000005540 biological transmission Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 235000019738 Limestone Nutrition 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000006028 limestone Substances 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000011081 inoculation Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000013001 point bending Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000013201 Stress fracture Diseases 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G01N29/14—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 using acoustic emission techniques
-
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/001—Acoustic presence detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Geophysics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种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,以解决岩溶地区拉剪倾倒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发射变化特征,制定4种危岩声发射前兆特征与稳定性等级的关系规则;然后,从室内试验及现场实例两种途径收集危岩失稳过程中各阶段4种声发射前兆特征作为机器学习样本集;最后,利用训练样本集训练对复杂分类问题具有优异适应性的信息向量机机器学习模型,由此建立声发射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
技术领域
本发明属于地质灾害防治工程技术领域,涉及一种利用声发射信号预警拉剪倾倒式岩溶危岩失稳崩塌的方法及装置。
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。拉剪倾倒式危岩是陡峻斜坡上以陡倾结构面与稳定母岩分开的危岩体,在重力等因素作用下通常围绕主控结构面的下端部或下端部与临空面的交点旋转倾倒破坏,易产生向外倾覆失稳,呈现拉剪破坏机理,见附图1。
危岩失稳崩塌具有突发性、灾难性以及小因素性等特点,并且近年来,在风景旅游区、人类居住区以及交通行驶路段频频发生,所造成人员伤亡以及经济损失不可估量,成为了目前主要的灾害性地质问题。岩溶是水对可溶性岩石进行以化学溶蚀作用为主,流水的冲蚀、浅蚀和崩塌等机器作用为辅的地质作用,而产生一种现象的总称。岩溶岩体具有潜在发育裂隙丰富、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。近十几年来,国内外对于拉剪倾倒式岩溶危岩稳定性方面做了大量的研究,从强度、节理、荷载、自然因素以及人为因素等方面进行了分析,提出了各种的识别理论和方法。然而,拉剪倾倒式岩溶危岩失稳崩塌的发生机制十分复杂,影响因素众多,危岩体稳定性影响因素与稳定性之间呈现高度复杂的非线性关系,采用力学分析、数值计算、物理试验等方法来预警拉剪倾倒式岩溶危岩崩塌遇到了极大的困难,预警效果难以满足工程实践需求。
声发射(Acoustic Emission,AE)(频率≥10000Hz)是指岩体在受力变形失稳破坏过程中,微裂纹的产生、扩展和贯通所释放的能量产生的瞬态弹性波现象。岩体的宏观变形失稳破坏现象是岩体内部微观破坏的整体表现,声发射信号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(小尺度)的产生、扩展、贯通的演化过程。
拉剪倾倒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张拉主控结构面控制,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外侧。在重力、地震力以及裂隙水压力综合作用下其失稳过程呈现先拉后剪的破坏力学特征。失稳过程中,通过岩石微破裂声发射监测和辨识失稳前兆特征,可以有效预警危岩失稳,从而避免危岩崩塌灾害发生。
信息向量机(Information Vector Machine,IVM)是近年来提出的一种机器学习新方法。该方法针对噪声模型为非高斯分布的情况,采用假定密度滤波(Assumed DensityFaltering,ADF)算法选择训练样本子集逼近高斯分布,并根据信息理论的贪婪选择准则,通过后验微分熵的得分来进行训练样本子集的选择,以达到稀疏的目的,特别适用于小样本、高维度的复杂非线性分类问题,并能够输出具备概率意义的分类结果。
本发明将IVM方法引入至拉剪倾倒式岩溶危岩失稳崩塌预警中,提出一种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,通过对拉剪倾到式岩溶危岩崩塌孕育过程中的声发射信号进行实时监测与特征分析,实现高效精准地识别此类危岩的稳定性级别,对岩溶地区危岩崩塌的安全监测与防灾减灾具有重要实用价值。
发明内容
本发明目的在于,针对拉剪倾倒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,采用岩体破裂声发射信号监测技术手段,将信息向量机机器学习方法引入到了基于声发射信号多种前兆特征拉剪倾倒式岩溶危岩失稳崩塌综合预警问题中,提出一种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,以有效实现拉剪倾倒式岩溶危岩失稳崩塌灾害的合理预警。
本发明为实现上述目的,采用如下技术方案如下:
一种拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法,包括以下步骤:
步骤1:根据拉剪倾倒式岩溶危岩失稳崩塌前声发射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:拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种前兆特征;根据已有共识,分别设定各前兆特征指标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,进而制定各种声发射前兆特征指标与拉剪倾倒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拉剪倾倒式岩溶危岩现场工程实例数据,提取4种声发射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IVM分类模型的1个输入矢量,将相应的稳定性等级数值作为IVM分类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IVM分类模型。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:通过交叉验证策略,将样本库分为训练样本及测试样本,一方面,利用训练样本集训练IVM分类模型,另一方面,利用测试集优化IVM分类模型的超参数以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IVM分类模型,根据实时监测的多种声发射前兆特征,对拉剪倾倒式岩溶危岩稳定性等级进行实时识别,得到IVM分类模型的预测结果,即稳定性等级及预测方差;
步骤5:根据稳定性等级的预测方差,评价识别结果不确定性等级;
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IVM分类模型中的概念,且不是时间尺度上的预测;识别是指本发明应用IVM分类模型执行拉剪倾倒式岩溶危岩体稳定性等级的识别;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,拉信号占比是岩体裂纹破坏演化过程中张拉信号占总声发射信号的比例。由于拉剪倾倒式岩溶危岩体失稳破坏过程是张拉破裂逐渐向剪切破裂的一种转换过程,因此,根据张拉破裂的占比可以预测危岩的失稳可能性。声发射作为岩体破裂的伴生现象,可通过其参数特征和波形特征描述岩体内部拉剪破裂的演化过程反映岩体失稳演化过程。本发明中,应用声发射信号幅度与样本熵散点分布图对岩体声发射拉信号占比变化全过程进行描述。其中,声发射幅度作为声发射信号的重要参数特征,是声发射信号衰减波形中的最大振幅值,反映了声发射信号的大小;样本熵是从衡量时间序列复杂性的角度出发,用来度量信号中出现新模式的概率大小,出现新模式的概率越大,序列的复杂性越大,对应的样本熵也越大,图2-(a)、2-(b)分别表示张拉信号与剪切信号的样本熵回归图,其中a表示某个声发射信号幅度与样本熵取值,b表示每5个采样样本的声发射信号幅度与样本熵的均值。图2-(d)可知,在岩体失稳孕育过程中,随着稳定性等级的上升,张拉信号占比呈下降的变化趋势。本发明制定关于拉信号占比与岩体失稳破坏的关系规则,见表1。
表1拉信号占比与岩体失稳可能性的关系规则
拉信号占比(%) | (80,100] | (60,80] | (20,60] | [0,20] |
失稳可能性 | 小 | 中 | 大 | 极大 |
优选的,主频带是声发射信号频谱变化特征。反映声发射信号主频值特征分布,其频谱变化特征与岩石内部变形破坏过程密切相关,能很好地阐述了岩体破裂阶段的特征,有效的评估了岩体破裂阶段的变化。声发射信号主频带演化规律见图3,将主频带划分为三个频带,0-50kHz为低主频带、50-105kHz中主频带、100-180kHz为高主频带;a表示主频值集中在低、中频带;b表示出现较少高频带主频值;c表示出现较多高频带主频值,且中、低频主频值密度增加;d表示高频带主频值消失。根据整体趋势是否呈现“a→b→c→d”,来预警岩体失稳破坏演化全过程。制定了主频带与岩体失稳关系规则,见表2。
表2主频带与岩体失稳可能性的关系规则
主频带 | 低、中频带 | 较少高频带 | 较多高频带 | 高频带消失 |
失稳可能性 | 小 | 中 | 大 | 极大 |
优选的,撞击数的时间分形维数作为声发射信号的重要参数特征,是衡量某个时间段的撞击数的变化剧烈程度的指标。岩体的声发射信号能够较为准确地表征岩体的破裂,因此,通过撞击数的时间分形维数的变化,即能间接反映岩体脆性破裂的变化程度,从而有效地评估岩体失稳破坏演化全过程。撞击数的时间分形维数演化规律见图4,其中,a表示平稳波动,撞击数的时间分形维数值在0.2之间波动;b表示突升,撞击数的时间分形维数值较前值升高变化大于50%;c表示突降,撞击数的时间分形维数值较前值降低变化大于50%;d表示异常回升,撞击数的时间分形维数值较前值升高变化大于100%;根据整体趋势是否呈现“a→b→c→d”,来描述岩体失稳破坏演化过程。本发明制定了关于撞击数时间分形维数与岩体失稳可能性关系规则,见表3所示。
表3撞击数的时间分形维数与岩体失稳可能性的关系规则
撞击数的时间分形维数 | 平稳波动 | 突升 | 突降 | 异常回升 |
失稳可能性 | 小 | 中 | 大 | 极大 |
优选的,声发射振铃计数为声发射信号超过某一设定限阈值的次数,信号单位时间超过阈值的次数为声发射振铃计数率。振铃计数率是声发射试验中信号与幅度有关的监测数据,可以反映岩石破裂的基本情况,能够很好地表征岩体内部破裂演化全过程。声发射振铃计数演化规律见图5,a表示稳定波动,声发射振铃计数率在0-105/s之间波动;b表示小突增,声发射振铃计数率较前值升高变化大于50%;c表示突增,声发射振铃计数率较前值升高变化大于100%;d表示声发射振铃计数率长时间接近0;根据声发射振铃计数率整体趋势是否呈现“a→b→c→d”,来描述岩体失稳破坏演化过程。本发明制定了关于振铃计数率与岩体失稳可能性关系规则,见表4所示。
表4振铃计数率与岩体失稳可能性的关系规则
振铃计数率 | 平稳波动 | 小突增 | 大突增 | 平静 |
失稳可能性 | 小 | 中 | 大 | 极大 |
前兆特征4种指标的获取方法如下:
拉信号占比的获取步骤如下:
步骤(1),将岩体声发射信号DTA文件,通过声发射系统处理软件将其转化成若干个txt文件,其中,每个txt文件是一个声发射信号的波形;
步骤(2),对每一个波形文件进行波形前处理得到有效波形,在此基础上,运用Matlab对有效波形进行四层变分模态分解,得到第四模态信号;
步骤(3),求解第四个模态信号的样本熵,即样本熵,并提取声发射信号波形中的幅度,将幅度与样本熵绘制成以函数y=-20x+70为界限的散点图,左侧为A区,右侧为B区;
步骤(4),根据幅度与样本熵散点图分区情况进行拉剪预测,当声发射信号的幅度与样本熵的均值坐标分布在A区时,见图2-(a),表明该破裂以张拉破裂为主。当声发射信号的幅度与样本熵的均值坐标分布在B区内(见图2-(b)),表明该破裂以剪切破裂为主。见图2-(d)拉信号与剪信号回归预测。图2-(a)图2-(b)中a表示某个声发射信号幅度与样本熵取值,b表示每5个采样样本的声发射信号幅度与样本熵的均值,
优选的,本发明应用信息向量机进行拉剪破裂预测,其原理见图2-(c),具体过程如下:
(1)利用大量岩溶地区石灰岩进行三点弯曲试验及直剪试验,并提取上述两种试验采集的声发射信号,根据综上所提的声发射信号特征提取方法,获得每个声发射信号特征,包括幅度和样本熵;(2)选择训练样本:从三点弯曲试验岩样声发射数据中选出1000个张拉型声发射信号和从直剪试验岩样筛选后的声发射数据中选出1000个剪切型声发射信号作为训练样本,以声发射信号的预测特征作为输入特征向量和以声发射信号类型作为输出向量,张拉型与剪切型分别用1与-1作标签;(3)建立基于信息向量机声发射信号预测模型,利用信息向量机分类方法,对输入特征向量进行有监督的训练学习。(4)采用交叉验证策略对当前训练样本集上的声发射信号分类模型进行训练学习,检验其性能,经过对训练样本的重构和参数的不断调整,直至模型满足要求,具有较低的错分率和没有出现过拟合,得到性能良好的分类模型;(5)将岩溶地区石灰岩岩样进行了大量试验,包括单轴、双轴、三轴,将试验的声发射信号进行分析、量化、处理,并将其组成待识别的输入特征向量,将其输入到建立好的分类模型中,得到每个声发射信号的类别,然后,统计每个试验两种声发射信号的占比情况,为了更加直观反映声发射信号的演化过程,本文选择以5个采样样本为一个时段;(6)根据声发射信号与破裂类型的对应关系,获知每个时段的岩体张拉破裂与剪切破裂的占比情况并将其组合,本文由于篇幅有限,并且试验结果大同小异,均有明显的拉剪信号变化趋势,随着破坏演化愈来愈剧烈,张拉信号占比愈小,因此,本文发明附上某块石灰岩岩样的双轴压缩试验下的拉剪预测过程图,参见图2-(d)可知。
主频带的获取步骤如下:
步骤(1):利用声发射系统将整个加载过程中产生的声发射信号波形全部提取出来,转化为txt文件;
步骤(2):对声发射信号波形进行FFT变换,可获得各波形信号的二维幅值谱图,并将各频谱图中的主频值绘制成时间演化图。快速傅里叶变换(FFT)能够将声发射波形由时域信号转换为频域信号,较好的反映信号全局的频谱特征,其公式如下:
式中,x(j)为数据系列,N为数据长度,ωN=e(-2ml)/N。
撞击数的时间分形维数的获取步骤如下:
步骤(1):计算岩体破裂过程中声发射信号撞击数时间分布的相关积分C(t):
式中:T为总时间过程,t为时间T过程中撞击数之间的时间间隔,M(t)为t时间内的撞击数之和的对数值,M为时间T范围内的撞击数总和;
步骤(2):计算声发射撞击数的时间分形维数Dt:
式中,其相关字母含义见步骤(1),从此式可知,时间分形维数Dt越大表明单位时间内声发射撞击数的变化越大,表明破坏活动较为活跃;反之,时间分形维数Dt越小,单位时间内声发射撞击数的变化越小,表明破坏活动较弱。
振铃计数率的获取步骤如下:
振铃计数率是在振铃计数基础上获取的,表征单位时间的振铃计数变化程度,可直接通过声发射采集系统获取,不需要进行额外的复杂处理,因此,此前兆特征较易获取,并且被国内外广泛认可的一种能体现大部分岩体失稳破坏的声发射信号前兆特征指标。
优选的,上述4种声发射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,声发射传感器每个采样点的采集噪声都是变化的,可能在拉剪倾倒式岩溶危岩失稳崩塌时,由于噪声的干扰,导致采集的声发射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,单一的声发射信号多种前兆特征描述拉剪倾倒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4种拉剪倾倒式岩溶危岩声发射信号多种前兆特征综合性考虑,并将其整合后对拉剪倾倒式岩溶危岩全过程进行预警,这样可改善单个声发射信号前兆特征预警准确性、鲁棒性较低的问题,并进一步增加拉剪倾倒式岩溶危岩超前预警时长。
优选的,本发明依据大量关于声发射信号与岩溶岩样破坏演化关系之间试验、国内外硬脆性岩体的声发射信号研究文献及拉剪倾倒式岩溶危岩失稳崩塌工程案例,并根据步骤1中所制定的各声发射各前兆特征指标与岩体失稳破坏规则表,将声发射信号的拉剪倾倒式岩溶危岩多种前兆特征进行综合考虑,对拉剪倾倒式岩溶危岩失稳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5。
表5拉剪倾倒式岩溶危岩声发射多前兆特征指标与稳定性等级的综合关系规则
步骤2具体说明具体包括以下步骤:
步骤2.1:声发射信号预处理
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发射信号进行预处理,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。
本发明根据收集室内试验以及拉剪倾倒式岩溶危岩样本实例数据,发现并纠正数据文件中的错误,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,措施具有包括:
(1)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;(2)逻辑错误清洗,去重、去除不合理值以及修正矛盾内容;(3)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:声发射信号前兆特征提取
根据步骤1所述的声发射信号前兆特征提取方法,从优化后的拉剪倾倒式岩溶危岩声发射信号中提出拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种特征,并将前兆特征量化数据xi和待识别稳定性等级yi组成一个样本(xi,yi)。
步骤2.3:建立样本
根据所得到拉剪倾倒式岩溶危岩各样本的声发射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,],各元素分为拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种声发射信号前兆特征;yi为输出的拉剪倾倒式岩溶危岩稳定性等级结果。
步骤3具体说明:
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IVM二分类模型实现拉剪倾倒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IVM二分类模型。
优选的,IVM二分类模型基于贝叶斯统计学习理论及核方法,结合了假定密度逼近ADF和基于信息熵理论的样本选择方法,利用ADP递归近似每次增选一个样本(信息向量)之后的后验分布,并获取近似似然分布,确保算法的可跟踪性和易处理性,同时,在该递归近似过程中,利用基于信息熵理论的样本选择方法筛选最具信息性的样本,以求替代对原训练样本集的学习,并且采用递归更新记录中间变量得方法巧妙回避协方差矩阵K(核矩阵)的重复处理,实现显著降低算法时间及空间复杂度的目的。下面对IVM分类模型学习及预测过程的部分关键步骤进行简要说明。
该部分各公式中出现的部分符号的含义为:p表示概率分布,q表示近似概率分布,N表示高斯分布,X及y分别表示训练样本的输入特征向量集(矩阵)及输出目标向量,x*及y*分别表示待预测样本的输入特征向量及输出目标(未知待预测),μ*及σ*分表示预测均值及预测方差,f表示潜在变量集,m表示似然替代变量,B或β表示噪声分布方差,μ表示高斯分布均值,K或∑表示高斯分布协方差矩阵,θ表示协方差函数超参数向量,其它符号的解释可在本发明其它位置获得。
步骤3.1:IVM二分类模型的学习
IVM二分类模型在学习过程中,维持了两个样本索引集I与J,其中I是有效集,J是待选集,初始时,J={1,2,...,n},且在任意时刻,I∪J={1,2,...,N}(假定从N个训练样本中,筛选d个信息向量),信息向量以一种连续的、类似在线学习的方式获取:首先,应用ADF近似具有i个信息向量,即Ii时的后验及似然分布(对于高斯分布的情况,近似解与准确解一致)
之后,依照如下方法选择第i+1个信息向量
上式表示:选择当前待选集J中能够最大化减小后验分布信息熵的一个样本索引j,将j样本作为第i+1个信息向量。
通常,对于一种概率分布,信息熵H表征了其不确定性程度,而进行统计学习自然希望能够尽可能获得确定的(预测)后验分布。循环执行上述过程,直至完成d个信息向量的选择(I=Id)。此时,可得
在IVM二分类模型中,协方差函数超参数θ的最优解正是通过最大化边缘似然p(yIl XI,:,θ)而自适应获取的。具体的,通过取负对数-log(p(yI|XI,:,θ)),将最大化问题转化为最小化问题,进而利用共轭梯度下降法实现最优超参数的自适应获取。
步骤3.2,IVM二分类模型的预测
上述学习过程实现了以有效集I指定的样本(信息向量)的学习替代对原始样本集的学习,之后的预测过程同贝叶斯分类(当先验及噪声满足高斯分布时,又称为信息向量机分类)中的做法一致,代入对应的变量,即得IVM预测后验分布:
对于本发明涉及到的二分类问题,在得到上述IVM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
式中,Φ(x)表示标准正态分布累计概率密度函数,当然也可用其它响应函数进行替代,如sigmoid逻辑函数。
另外,在IVM二分类模型中,协方差矩阵(covariance matrix)k,亦称核矩阵,其思想与核函数思想相同:如果使用基函数集φ(x)将原样本数据映射到高位特征空间时,则把原样本输入向量的点积通过核推广为基函数的点积,即
Ki,j≡k(xi,xj)=cov(f(xi),f(xj))=φ(xi)T∑φ (9)
值得关注的是,上述映射关系是非线性的,且特征空间的维度可能是极高的甚至是无穷的,基函数中φ(x)可能有无穷多个,因而,协方差函数(核方法)的引入使IVM具备了强大非线性处理能力。
步骤3.3,IVM二分类模型可行性检验
为了确保最优声发射多种前兆的拉剪倾倒式岩溶危岩稳定性等级综合识别的IVM分类模型性能达到要求(学习能力及泛化能力),对于最优IVM分类模型输出测试样本的结果进行可行性检验。具体的,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识别稳定性等级进行校核,若预测准确率到达95%以上,则认为建立的最优IVM分类模型性能符合要求,对于拉剪倾倒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。
步骤3中,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,设置声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型的协方差函数类型、噪声分布、信息向量个数等初始参数,应用该IVM分类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。
步骤3中,本发明根据声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型的交叉验证结果做出调整。若经交叉验证IVM分类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IVM分类模型的初始参数设置;另一方面,考虑到室内试验以及拉剪倾倒式岩溶危岩工程实例数据源于不同的环境,在声发射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发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型。
步骤4具体说明:
步骤4中,对于监测危岩体稳定性等级的IVM分类模型的预测,需要进行数据预处理、声发射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,因此不再赘述IVM分类模型的输入特征向量提取过程。
步骤5具体说明:
优选的,本发明提出声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型,在步骤5中,模型在输出识别稳定性等级的同时,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(predictive uncertainty index,PUI),其计算式如下:
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6)。
表6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,+∞) |
本发明还提供一种拉剪倾倒式岩溶危岩失稳预警的声发射多前兆装置,包括以下装置:
信号采集单元:用于实时采集及传输拉剪倾倒式岩溶危岩的声发射信号;
信号传输单元:用于传输拉剪倾倒式岩溶危岩声发射信号数据;
信号处理单元:用于对拉剪倾倒式岩溶危岩声发射信号进行实时预处理、分析,得到拉剪倾倒式岩溶危岩多种前兆特征;
IVM分类模型单元:用于根据所提取的声发射信号的拉剪倾倒式岩溶危岩失稳的拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种前兆特征及稳定性等级,构建IVM分类模型4维特征向量样本,并利用样本训练建立声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型,并进行拉剪倾倒式岩溶危岩的实时识别;
灾害预警单元:用于传输IVM分类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:用于将接收拉剪倾倒式岩溶危岩声发射信息进行有效提取、除噪操作,以得到较简洁、干净、质量较高的声发射信号;
前兆特征提取子单元:用于对预处理后的声发射信号进行波形、频谱、活跃度等多种特征分析,以提取拉信号占比、主频带、撞击数的时间分形维数、振铃计数率4种声发射信号前兆特征,并根据制定拉剪倾倒式岩溶危岩的声发射前兆特征与稳定性等级的分级管理规则,依据4种声发射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)。
优选的,所述IVM分类模型单元包括:
IVM分类模型建立算子单元:用于以声发射的拉剪倾倒式岩溶危岩失稳的拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种前兆特征及其稳定性等级构成训练样本,并采用交叉验证策略训练声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型,根据其训练及测试准确性调整IVM分类模型初始参数及训练样本,以得到具有良好性能的IVM分类模型;
IVM分类模型检验算子单元:用于根据所述IVM分类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IVM分类模型的可行性检验;
IVM分类模型预测算子单元:用于将实时采集的拉剪倾倒式岩溶危岩声发射信号进行量化、分析、提取后得到的声发射多种前兆特征来建立模型特征向量,输入至IVM分类模型中,得到拉剪倾倒式岩溶危岩识别稳定性等级及其预测方差;
预测不确定性评估算子单元:用于对IVM分类模型输出的拉剪倾倒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)本发明通过声发射信号监测拉剪倾倒式岩溶危岩裂纹孕育、发育及扩展到最后破坏失稳过程,并对失稳可能性进行预警,能有效解决位移监测、力学分析、数值计算以及工程经验判断等已有方法预警效果不佳问题。
(2)本发明采用声发射信号对拉剪倾倒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响、微震信号不同在于:其一,三者信号的采集频率有所区别,声发射信号采集频率大于10000Hz,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高频范围信号;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,其中蕴含着丰富的小尺度微观裂纹信息,声发射信号能够反映危岩体内部小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小尺度微观裂纹信息;因此,本发明方法完善了基于微震及声响预警方法在采集频率范围、裂纹信息上存在的不足,进一步提高了拉剪倾倒式岩溶危岩失稳崩塌预警的准确性。
(3)本发明综合应用拉信号占比、主频带、撞击数的时间分形维数、振铃计数率4种前兆特征指标进行拉剪倾倒式岩溶危岩失稳崩塌全过程监测与预警,这4种前兆特征蕴含着岩石声发射信号的波形、频谱、活跃度等特征,并且这4项前兆特征蕴含着岩体破坏演化全过程特性,其相互独立、互为补充能有效提高拉剪式溶岩失稳预警准确率。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预测的IVM分类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,对基于声发射信号拉剪倾倒式岩溶危岩前兆特征指标与拉剪倾倒式岩溶危岩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)本发明采用传感器实时监测拉剪倾倒式岩溶危岩,获取危岩的声发射信号,并通过传感器有线传输至汇聚节点,通过汇聚节点统一实时无线传输至云服务器,并在云服务器中进行储存、处理、分析,实时地计算拉剪倾倒式岩溶危岩稳定性等级,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,提高传统拉剪倾倒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IVM分类模型引入至拉剪倾倒式岩溶危岩崩塌综合预警中,在IVM自动预测岩体破裂类型的基础上,还提出一种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,融合了IVM分类模型的声发射信号多种前兆特征预警系统对拉剪倾倒式岩溶危岩崩塌孕育过程中的声发射信号进行实时监测、记录、降噪、信号分析、预警。本发明实施能够高效精确地对拉剪倾倒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为本发明内容提供的拉剪倾倒式危岩受力示意图;
图2为本发明实施例1提供的声发射信号前兆特征拉信号占比特征示意图;
图3为本发明实施例1提供的声发射信号前兆特征主频带特征示意图;
图4为本发明实施例1提供的声发射信号前兆特征撞击数的时间分形维数特征示意图;
图5为本发明实施例1提供的声发射信号前兆特征振铃计数率特征示意图;
图6为本发明实施例1提供的一种声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型建立方法流程图;
图7为本明发实施例2提供的一种拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法流程图;
图8为本发明实施例3提供的一种云服务器装置示意图;
图9为本发明实施例4提供的一种拉剪倾倒式岩溶危岩失稳预警的声发射多前兆装置示意图;
图10为本发明实施例4提供的一种信号采集单元示意图;
图11为本发明实施例4提供的一种信号传输单元示意图;
图12为本发明实施例4提供的一种信号处理单元示意图;
图13为本发明实施例4提供的一种IVM分类模型单元示意图。
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
优选的,图6为本发明实例所提供的一种声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型建立方法流程图。本实例可适用于构建拉剪倾倒式岩溶危岩稳定性等级综合识别IVM分类模型情况,其方法具体包括如下:
步骤S1-1:在本实施例中,针对拉剪倾倒式岩溶危岩声发射信号前兆特征,选定拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种,详见表5。这4种指标蕴含着岩石声发射信号的波形、频谱、活跃度等特征,相互独立、互为补充,能够通过这些前兆特征较好的描述拉剪倾倒式危岩失稳崩塌的演化全过程,即能对危岩失稳崩塌进行超前预警。
示例性的,参见图2,拉信号占比能够根据声发射信号幅度及样本熵散点分布图进行定性判断,其判断依据是以函数y=-20x+70为界限的散点图,左侧为A区,右侧为B区,当声发射信号的幅度与样本熵的均值坐标分布在A区时,表明该破裂以张拉破裂为主,当声发射信号的幅度与样本熵的均值坐标分布在B区内,表明该破裂以剪切破裂为主,图2-(a)、图2-(b)表示拉剪信号的样本熵回归图,其中a表示某个声发射信号幅度与样本熵取值,b表示每5个采样样本的声发射信号幅度与样本熵的均值;图2-(d)拉剪倾倒式岩溶危失稳过程中拉信号变化趋势图,可知,拉剪倾倒式岩溶危岩整个崩塌演化过程张拉信号与剪切信号比值是不断减小的,因此可通过拉剪信号比例来描述拉剪倾倒式岩溶危岩失稳破坏演化全过程。
示例性的,参见图3,主频带是声发射信号频谱变化特征,可通过声发射信号波形txt文件经过FFT变换得到其二维幅值谱图,其计算式如下:
式中,x(j)为数据系列,N为数据长度,ωN=e(-2ml)/N;图3为声发射信号主频带的演化规律图,a表示主频值集中在低、中频带;b表示出现较少高频带主频值;c表示出现较多高频带主频值,且中、低频主频值密度增加;d表示高频带主频值消失。根据整体趋势是否呈现“a→b→c→d”,来描述拉剪倾倒式岩溶危岩失稳破坏演化全过程。
示例性的,参见图4,撞击数的时间分形维数作为声发射信号的重要参数特征,是衡量某个时间段的撞击数的变化剧烈程度的指标,可通过下式求得:
式中,C(t)为撞击数时间分布的相关积分,T为总时间过程,t为时间T过程中撞击数之间的时间间隔,M(t)为t时间内的撞击数之和的对数值,M为时间T范围内的撞击数总和;从此式可知,时间分形维数Dt越大表明单位时间内声发射撞击数的变化越大,表明破坏活动较为活跃;反之,时间分形维数Dt越小,单位时间内声发射撞击数的变化越小,表明破坏活动较弱。图4为声发射信号撞击数的时间分形维数的演化规律图,a表示平稳波动,b表示突升,c表示突降,d表示异常回升;根据整体趋势是否呈现“a→b→c→d”,来描述拉剪倾倒式岩溶危岩失稳破坏演化全过程。
示例性的,参见图5,振铃计数率是在振铃计数基础上获取的,表征单位时间的振铃计数变化程度,可直接通过声发射采集系统获取,不需要进行额外的复杂处理,因此,此前兆特征较易获取,并且被国内外广泛认可的一种能体现大部分岩体失稳破坏的声发射信号前兆特征指标。图5为声发射信号振铃计数率的演化规律图,a表示稳定波动,b表示突增,c表示平静,d表示突增;根据声发射振铃计数率整体趋势是否呈现“a→b→c→d”,来描述拉剪倾倒式岩溶危岩失稳破坏演化全过程。
步骤S1-2:根据步骤S1-1所制定拉剪倾倒式岩溶危岩失稳崩塌声发射信号多种前兆特征指标与危岩崩塌失稳的分级管理规则,收集了具有代表性室内试验及拉剪倾倒式岩溶危岩实例共53个。
步骤S1-3:首先将收集的室内试验、室外拉剪倾倒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4种声发射信号前兆特征提取方法,对优化后的数据集进行声发射信号前兆特征提取,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:根据声发射信号前兆特征及实际稳定性等级构成训练样本,构建声发射多前兆的拉剪倾倒式岩溶危岩稳定性等级综合识别的IVM分类模型;
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
根据所得到拉剪倾倒式岩溶危岩各样本的声发射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],各元素分为拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种声发射信号前兆特征对应评分等级,yi为输出的拉剪倾倒式岩溶危岩稳定性等级结果。
步骤S1-5-2,训练IVM分类模型
本实施例1中,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,参考IVM工具箱中有关分类问题的解释说明及已有的使用经验,初设声发射多前兆的倾倒式岩溶危岩稳定性等级综合识别的IVM分类模型初始参数,包括采用‘probit’分布噪声,设置信息向量数d为60(依照10倍交叉验证策略,训练样本数N为所有样本数的9/10,即2168×9/10,约1951),选定径向基材方差函数'RBF'(Radial Basis Function)。
其超参数θ=[l,σf,σn]在学习中自适应获取,其它初始参数使用程序默认设置;接着应用该IVM模型对训练及测试样本进行学习及预测,并利用10次计算平均的学习准确率及测试准确率评定模型的学习及泛化性能。
若经交叉验证IVM模型的性能不满足要求,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参数的作用效果,调整IVM模型的初始参数设置;另一方面,考虑到室内试验与现场工程实例数据,在基于声发射信号的拉剪倾倒式岩溶危岩稳定性等级非线性映射关系上,存在一定差异,因而,需根据交叉验证评价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。在上述两方面调整中,后者的作用不容忽视,实践证明后者对于模型性能的积极影响甚至超过前者。
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发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型,经过筛选后的最终样本集如表7所示,最终的模型初始参数设置为:噪声采用‘probit’分布,信息向量数d取60,协方差函数采用RBF协方差函数。得到声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型的预测后验分布、预测均值和预测概率值:
最后,在得到上述IVM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:
示例性的,最优的IVM分类模型,具有2168个样本,表7列出了部分样本的信息。
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,以此构建声发射多前兆的倾倒式岩溶危岩稳定性等级综合识别的IVM分类模型,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)。
表7 IVM分类模型样本集
步骤S1-5-3,IVM分类模型可行性检验
本发明实例1,对于最优IVM分类模型输出测试样本的结果进行可行性检验。具体的,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识别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IVM分类模型性能符合要求,对于拉剪倾倒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。
具体的,本发明IVM分类模型中的测试样本由10倍交叉验证算法最终筛选而得(2168×1/10≈217个),所有测试样本的预测准确率达到97.3%之高,因此认为建立的声发射信号多种前兆特征的拉剪倾倒式岩溶危岩稳定性等级综合识别的IVM分类模型可行性符合要求,对于拉剪倾倒式岩溶危岩失稳预警的具有可行性。
示例性的,IVM分类模型中具有217个测试小样本,表8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IVM分类模型样本集中的编号,与表7一致,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。
优选的,提供的一种声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型建立方法,根据所选定拉剪倾倒式岩溶危岩声发射信号多种前兆特征指标与稳定性等级的的分级管理规则表,广泛收集拉剪倾倒式岩溶危岩失稳崩塌演化各阶段采样样本声发射信号多种前兆特征的室内试验、现场实例数据,并将声发射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IVM分类模型,得到具有较强泛化能力及学习能力IVM分类模型,提高了声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型的构建效率以及模型预测准确率,从而完善拉剪倾倒式岩溶危岩失稳崩塌灾害提前预警时间、及准确性。
表8 IVM分类模型测试样本集
实施例2
优选的,实施例2在上述实施例1的基础上提供了拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法,该方法对能够对拉剪倾倒式岩溶声发射信号进行获取、分析及失稳崩塌灾害实时预警。图7为本发明实施例2提供拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法流程图,其方法具体包括如下:
步骤S2-1:本发明实例2针对广西壮族自治区某山体岩溶发育程度较高的拉剪倾倒式危岩进行实时监测,首先,将声发射传感器涂抹耦合剂,并采用分布式安装方式放置至危岩体较为完整的、稳定性、易安装好部位;然后,将多个已安装的声发射传感器以网状结构汇聚成点连接至声发射信号采集器;最后,通过声发射采集器记录及接受的各声发射传感器采集的数据并传输至声发射处理系统,本发明应用云服务器作为计算模块。
示例性的,本发明实例2,声发射传感器安装部位特点:没有过大的裂缝,界面与声发射传感器接触较好、稳定程度高,以及便于人工安装及拆卸;
为了保证声发射采集器的安全,所采用的声发射采集器和各声发射传感器所连接的电缆较长,并且声发射采集器安装部位应偏离拉剪倾倒式岩溶危岩失稳崩塌致灾区域。
优选的,本实施例鉴于现场拉剪倾倒式岩溶危岩失稳崩塌演化过程中岩体破裂尺度较大,为了减少非重要信号干扰、提高有效信号地获取,选用采样频率较低的声发射传感器,其采样频率范围为10-70kHz。
步骤S2-2:将接收的声发射数据进行实时的波形、频谱、活跃度等特征分析,以得到拉剪倾倒式岩溶危岩声发射信息前兆特征实时数据。
提取拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种信息,详见表5、图2~图5。
步骤S2-3:根据所述拉剪倾倒式岩溶危岩声发射多种前兆特征指标与识别稳定性等级构建样本(x*i,y*i),然后输出至声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型中,得到实时拉剪倾倒式岩溶危岩稳定性等级输出及其预测方差,详细见表9。
步骤S2-4:根据IVM分类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:
式中,为某个新的待识别危岩体的预测方差,为测试样本集的预测方差的平均值,本实施例为0.0374;各采样样本的PUI详见表9。
示例性的,实例拉剪倾倒式岩溶危岩失稳崩塌预警全过程中存在85个采样样本,表9仅列出部分样本的信息。
表9某拉剪倾倒式岩溶危岩的失稳预警过程
参见表可知,本发明实例2对于拉剪倾倒式岩溶危岩声发射信号监测过程中,应用IVM分类模型预测此拉剪倾倒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4、7、10、35、44、49、50、61、70、82等编号10个采样样本的PUI值较大,识别稳定性等级预测不确定程度较高,因此需要从其相邻编号样本的预测结果来判断拉剪倾倒式岩体的稳定性。
步骤S2-5:根据表9,当对编号83采样样本进行了稳定性等级综合识别后,得到的拉剪倾倒式岩溶危岩稳定性等级为Ⅳ,虽然编号82采样样本的PUI指数过高,但是编号71-81采样样本PUI指数均符合要求,可认为编号82采样样本的稳定性等级预测准确率符合要求,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。
示例性的,本发明所提出的基于声发射信号的拉剪倾倒式岩溶危岩崩塌预警方法可靠性高,对拉剪倾倒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拉剪倾倒式岩溶危岩裂隙扩展较缓慢等特点,本发明实例二所采样样本的采样时间不固定,依据其声发射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。
示例性的,本发明所提及的采样样本并不是声发射信号采集的单个信号点,而是指某一次收集拉剪倾倒式岩溶危岩声发射信号的所有采样数据,为一个采样的时间段。
实施例3
优选的,图8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8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拉剪倾倒式岩溶危岩声发射信号预处理、声发射前兆特征提取、IVM分类模型训练、预测以及预测不确定性评估、拉剪倾倒式岩溶危岩实时预警等步骤,具体包括步骤S1-3~S1-5和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、图像或声音),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
优选的,图9为本发明实施例4提供的一种拉剪倾倒式岩溶危岩失稳预警的声发射多前兆装置的结构示意图。本实施例可适用于基于声发射信号的拉剪倾倒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:用于实时采集拉剪倾倒式岩溶危岩的声发射信号,并将各子传感器数据汇集至控制终端;信号采集单元4-1可以由图8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拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法步骤S2-1。
信号传输单元4-2:用于传输拉剪倾倒式岩溶危岩声发射信号;信号传输单元4-2可以由图8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拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法步骤S1-2、S2-1。
信号处理单元4-3:用于对拉剪倾倒式岩溶危岩声发射信号进行实时预处理、分析,以提取拉剪倾倒式岩溶危岩失稳崩塌各阶段声发射信号多种前兆特征;信号处理单元4-3可以由图8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拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法步骤S1-3~S1-4、S2-2。
IVM分类模型单元4-4:用于根据所提取的声发射信号的拉剪倾倒式岩溶危岩失稳的拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种前兆特征及稳定性等级,构建IVM分类模型4维特征向量样本,并利用样本训练建立声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型,进而对拉剪倾倒式岩溶危岩稳定性等级实时预测。IVM分类模型单元4-4可以由图8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拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法步骤S1-5、S2-3~S2-4。
灾害预警单元4-5:用于将所述IVM分类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8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拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法步骤S2-5。
示例性的,见附图10,所述信号采集单元4-1包括,:
信号采集子单元4-1-1:用于采集拉剪倾倒式岩溶危岩各监测部位失稳崩塌演化全过程的声发射信号数据;
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发射信号数据采集,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,见附图11,所述信号传输单元4-2包括:
信号传输子单元4-2-1:用于存储具有明显变化特征的拉剪倾倒式岩溶危岩的声发射信号数据,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发射信号数据存储、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,当声发射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,见附图12,所述信号处理单元4-3包括:
信号预处理子单元4-3-1:用于将接收拉剪倾倒式岩溶危岩声发射信息进行有效提取、除噪操作,以得到较简洁、干净、质量较高的声发射信号;
前兆特征提取子单元4-3-2:用于对预处理后的声发射信号进行波形、频谱、活跃度等多种特征分析,以提取拉信号占比、主频带、撞击数的时间分形维数、振铃计数率4种声发射信号前兆特征,并根据制定拉剪倾倒式岩溶危岩的声发射前兆特征与稳定性等级的分级管理规则,依据4种声发射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,见附图13,所述IVM分类模型单元4-4包括,:
IVM分类模型建立算子单元4-4-1:用于根据所提取的声发射信号的拉剪倾倒式岩溶危岩失稳的拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种前兆特征量化等级及稳定性等级数值,构建IVM分类模型4维特征向量样本,并采用交叉验证策略训练声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型,根据其训练及测试准确性调整IVM分类模型初始参数及训练样本,以得到具有良好性能的IVM分类模型;
IVM分类模型检验算子单元4-4-2:用于根据所述IVM分类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IVM分类模型的可行性检验;
IVM分类模型预测算子单元4-4-3:用于将实时采集的拉剪倾倒式岩溶危岩声发射信号,进行量化、分析、提取后得到的声发射多种前兆特征来建立模型特征向量,输入至IVM分类模型中,输出拉剪倾倒式岩溶危岩识别稳定性等级及其预测方差;
预测不确定性评估算子单元4-4-4:用于将IVM分类模型输出的拉剪倾倒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8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。
本发明所提出的信号采集单元是一个智能调控式声发射信号采集装置,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5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。
需要注意的是,公布上述实例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:若对本发明进行各种明显变化、重新调整和替代手段,并不会脱离本发明的保护范围。因此,本发明不局限与实例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (8)
1.拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法,其特征在于,包括以下步骤:
步骤1:采用对危岩体失稳崩塌过程中内部小尺度的微观裂纹信息变化特征与规律具有较好适用性频率≥10000Hz的声发射信号作为监测手段,选定包括拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种声发射特征作为拉剪倾倒式岩溶危岩失稳崩塌预警综合声发射前兆特征指标,分别制定4种声发射特征与拉剪倾倒式岩溶危岩稳定性等级评分规则,进而制定4种声发射前兆特征指标与危岩稳定性等级的综合关系规则;
步骤2:从室内试验及现场实例声发射监测实例中,收集关于拉剪倾倒式岩溶危岩失稳崩塌演化各阶段4种声发射信号前兆特征,由此建立机器学习样本集;
步骤3:利用机器学习训练样本集,根据交叉验证策略,训练IVM分类模型,由此构建多个声发射前兆特征与稳定性等级的非线性映射关系;
步骤4:对于新的需要预警的拉剪倾倒式岩溶危岩体,通过声发射设备采集的数据,根据评分规则表获得相应的4种声发射前兆特征的评分,由此构建4维的特征指标向量,并将其输入至训练好的IVM分类模型,得到新拉剪倾倒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:根据新拉剪倾倒式岩溶危岩的预测方差,定量化评估IVM分类模型预测结果的不确定性大小。
2.根据权利要求1所述的拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法,其特征在于,所述声发射拉信号占比前兆特征提取特征为:将声发射信号波形进行四层变分模态分解,得到第四模态信号;再求解第四个模态信号的样本熵,并提取声发射信号波形中的幅度,将幅度与样本熵绘制成以函数y=-20x+70为界限的散点图,以幅度与样本熵的总均值点位置定性判别信号拉剪类别;最后利用幅度与样本熵所组成的机器学习样本集构建基于IVM智能预测方法的拉剪识别模型辨别破裂信号类型,得到拉信号占比特征。
3.根据权利要求1所述的拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法,其特征在于,所述声发射主频带前兆特征提取特征为:将声发射信号各波形文件进行FFT变换得到对应的二维频谱图;再从声发射波形文件频谱图中提取其频谱特征值,即主频值及对应的幅值大小;最后将各波形文件主频值与幅值按照时间序列,绘制整个过程三维主频演化图,即主频带特征。
4.根据权利要求1所述的拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法,其特征在于,所述声发射撞击数的时间分形维数前兆特征提取特征为:计算各声发射信号波形文件的撞击数时间分布的相关积分C(t);利用各声发射波形文件相关积分C(t)求解各时间段的撞击数的时间分形维数Dt特征。
5.根据权利要求1所述的拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法,其特征在于,所述声发射振铃计数率前兆特征提取特征为:将声发射信号波形文件进行阈值活跃度设置,得到各时间段的振铃计数大小;再利用振铃计数求解单位时间的振铃计数变化程度,即振铃计数率特征。
6.拉剪倾倒式岩溶危岩失稳预警的声发射多前兆装置,其特征在于,包括:
信号采集单元:用于实时采集拉剪倾倒式岩溶危岩的声发射信号;
信号传输单元:用于传输拉剪倾倒式岩溶危岩声发射信号数据;
信号处理单元:用于对拉剪倾倒式岩溶危岩声发射信号进行实时预处理、分析,以提取拉剪倾倒式岩溶危岩失稳崩塌各阶段声发射信号多种前兆特征;
IVM分类模型单元:用于根据所提取的声发射信号的拉剪倾倒式岩溶危岩失稳的拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种前兆特征及稳定性等级,构建IVM分类模型4维特征向量样本,并利用样本训练及建立声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型,进而对监测危岩体稳定性等级进行预测及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IVM分类模型预测结果传送至危岩管理者。
7.根据权利要求6所述的拉剪倾倒式岩溶危岩失稳预警的声发射多前兆装置,其特征在于,所述信号处理单元包括:
信号预处理子单元:用于将接收拉剪倾倒式岩溶危岩声发射信息进行有效提取、除噪操作,以得到较简洁、干净、质量较高的声发射信号;
前兆特征提取子单元:用于对预处理后的声发射信号进行波形、频谱、活跃度等多种特征分析,以提取拉信号占比、主频带、撞击数的时间分形维数、振铃计数率4种声发射信号前兆特征,并根据制定拉剪倾倒式岩溶危岩的声发射前兆特征与稳定性等级的分级管理规则,依据4种声发射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所述的拉剪倾倒式岩溶危岩失稳预警的声发射多前兆装置,其特征在于,所述IVM分类模型单元包括:
IVM分类模型建立算子单元:用于以声发射的拉剪倾倒式岩溶危岩失稳的拉信号占比、主频带、撞击数的时间分形维数以及振铃计数率4种前兆特征及其稳定性等级构成训练样本,并采用交叉验证策略训练声发射多前兆的拉剪倾倒岩溶危岩稳定性等级综合识别的IVM分类模型,根据其训练及测试准确性调整IVM分类模型初始参数及训练样本,以得到具有良好性能的IVM分类模型;
IVM分类模型检验算子单元:用于根据所述IVM分类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IVM分类模型的可行性检验;
IVM分类模型预测算子单元:用于将实时采集的拉剪倾倒式岩溶危岩声发射信号进行量化、分析、提取后得到的声发射多种前兆特征来建立模型特征向量,输入至IVM分类模型中,得到拉剪倾倒式岩溶危岩识别稳定性等级及其预测方差;
预测不确定性评估算子单元:用于对IVM分类模型输出的拉剪倾倒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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821211.7A CN111967378B (zh) | 2020-08-14 | 2020-08-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821211.7A CN111967378B (zh) | 2020-08-14 | 2020-08-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967378A true CN111967378A (zh) | 2020-11-20 |
CN111967378B CN111967378B (zh) | 2022-06-07 |
Family
ID=73388978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010821211.7A Active CN111967378B (zh) | 2020-08-14 | 2020-08-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967378B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281148A (zh) * | 2021-05-19 | 2021-08-20 | 江西理工大学 | 一种岩石蠕变破坏微裂纹贯通阶段起始时间辨识方法 |
CN113777171A (zh) * | 2021-08-05 | 2021-12-10 | 华北理工大学 | 基于声纹识别技术的岩石破裂模式分类识别方法 |
CN113960176A (zh) * | 2021-10-20 | 2022-01-21 | 应急管理部上海消防研究所 | 火场建筑结构安全状态的非接触式声发射检测方法 |
CN114252509A (zh) * | 2021-12-17 | 2022-03-29 | 成都理工大学 | 一种基于声发射信号的三段式锁固型滑坡前兆识别方法 |
CN114519920A (zh) * | 2022-01-10 | 2022-05-20 | 广西大学 | 基于微震多前兆特征的硬岩塌方智能预警方法、系统及设备 |
CN114563826A (zh) * | 2022-01-25 | 2022-05-31 | 中国矿业大学 | 基于深度学习融合驱动的微震稀疏台网定位方法 |
CN114935513A (zh) * | 2022-07-26 | 2022-08-23 | 四川中水成勘院工程物探检测有限公司 | 基于微震信号特征预测混凝土坝体裂缝产生与扩张的方法 |
CN116299684A (zh) * | 2023-05-17 | 2023-06-23 | 成都理工大学 | 基于人工神经网络中双模态神经元的新型微震分类方法 |
CN116448883A (zh) * | 2023-06-13 | 2023-07-18 | 长江三峡勘测研究院有限公司(武汉) | 一种陡崖高位危岩体监测及预警方法、系统、设备及终端 |
CN117589890A (zh) * | 2024-01-19 | 2024-02-23 | 四川省自然资源勘察设计集团有限公司 | 基于声发射特征的岩石崩塌预警方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030002388A1 (en) * | 2001-06-20 | 2003-01-02 | Batakrishna Mandal | Acoustic logging tool having quadrapole source |
US20110239765A1 (en) * | 2010-04-06 | 2011-10-06 | Varel Europe S.A.S. | Acoustic Emission Toughness Testing For PDC, PCBN, Or Other Hard Or Superhard Material Inserts |
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN104751603A (zh) * | 2015-04-10 | 2015-07-01 | 招商局重庆交通科研设计院有限公司 | 危岩崩塌监测预警系统及方法 |
CN204462405U (zh) * | 2015-04-03 | 2015-07-08 | 中国矿业大学(北京) | 一种基于声发射的岩爆前兆预警系统 |
CN104809518A (zh) * | 2015-04-29 | 2015-07-29 | 重庆大学 | 一种基于支持向量机的岩体冲击地压声发射预测方法 |
CN106448070A (zh) * | 2016-09-08 | 2017-02-22 | 吉林大学 | 一种利用感应同步器监测倾倒型崩塌的分级预警系统 |
CN111272883A (zh) * | 2020-03-04 | 2020-06-12 | 成都理工大学 | 一种基于声发射模型的岩石破裂模式智能探测识别方法 |
-
2020
- 2020-08-14 CN CN202010821211.7A patent/CN111967378B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030002388A1 (en) * | 2001-06-20 | 2003-01-02 | Batakrishna Mandal | Acoustic logging tool having quadrapole source |
US20110239765A1 (en) * | 2010-04-06 | 2011-10-06 | Varel Europe S.A.S. | Acoustic Emission Toughness Testing For PDC, PCBN, Or Other Hard Or Superhard Material Inserts |
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
CN204462405U (zh) * | 2015-04-03 | 2015-07-08 | 中国矿业大学(北京) | 一种基于声发射的岩爆前兆预警系统 |
CN104751603A (zh) * | 2015-04-10 | 2015-07-01 | 招商局重庆交通科研设计院有限公司 | 危岩崩塌监测预警系统及方法 |
CN104809518A (zh) * | 2015-04-29 | 2015-07-29 | 重庆大学 | 一种基于支持向量机的岩体冲击地压声发射预测方法 |
CN106448070A (zh) * | 2016-09-08 | 2017-02-22 | 吉林大学 | 一种利用感应同步器监测倾倒型崩塌的分级预警系统 |
CN111272883A (zh) * | 2020-03-04 | 2020-06-12 | 成都理工大学 | 一种基于声发射模型的岩石破裂模式智能探测识别方法 |
Non-Patent Citations (2)
Title |
---|
来兴平,张海燕,刘叶玲等: "支持向量机在岩石破裂失稳声发射定位实验中的应用", 《金属矿山》 * |
蒋军军: "煤岩失稳破坏声发射—微震特征及在冲击地压预测中应用", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281148A (zh) * | 2021-05-19 | 2021-08-20 | 江西理工大学 | 一种岩石蠕变破坏微裂纹贯通阶段起始时间辨识方法 |
CN113777171B (zh) * | 2021-08-05 | 2023-12-05 | 华北理工大学 | 基于声纹识别技术的岩石破裂模式分类识别方法 |
CN113777171A (zh) * | 2021-08-05 | 2021-12-10 | 华北理工大学 | 基于声纹识别技术的岩石破裂模式分类识别方法 |
CN113960176A (zh) * | 2021-10-20 | 2022-01-21 | 应急管理部上海消防研究所 | 火场建筑结构安全状态的非接触式声发射检测方法 |
CN114252509A (zh) * | 2021-12-17 | 2022-03-29 | 成都理工大学 | 一种基于声发射信号的三段式锁固型滑坡前兆识别方法 |
CN114519920A (zh) * | 2022-01-10 | 2022-05-20 | 广西大学 | 基于微震多前兆特征的硬岩塌方智能预警方法、系统及设备 |
CN114563826A (zh) * | 2022-01-25 | 2022-05-31 | 中国矿业大学 | 基于深度学习融合驱动的微震稀疏台网定位方法 |
CN114563826B (zh) * | 2022-01-25 | 2023-03-03 | 中国矿业大学 | 基于深度学习融合驱动的微震稀疏台网定位方法 |
CN114935513A (zh) * | 2022-07-26 | 2022-08-23 | 四川中水成勘院工程物探检测有限公司 | 基于微震信号特征预测混凝土坝体裂缝产生与扩张的方法 |
CN116299684B (zh) * | 2023-05-17 | 2023-07-21 | 成都理工大学 | 基于人工神经网络中双模态神经元的新型微震分类方法 |
CN116299684A (zh) * | 2023-05-17 | 2023-06-23 | 成都理工大学 | 基于人工神经网络中双模态神经元的新型微震分类方法 |
CN116448883A (zh) * | 2023-06-13 | 2023-07-18 | 长江三峡勘测研究院有限公司(武汉) | 一种陡崖高位危岩体监测及预警方法、系统、设备及终端 |
CN116448883B (zh) * | 2023-06-13 | 2023-09-26 | 长江三峡勘测研究院有限公司(武汉) | 一种陡崖高位危岩体监测及预警方法、系统、设备及终端 |
CN117589890A (zh) * | 2024-01-19 | 2024-02-23 | 四川省自然资源勘察设计集团有限公司 | 基于声发射特征的岩石崩塌预警方法及系统 |
CN117589890B (zh) * | 2024-01-19 | 2024-03-26 | 四川省自然资源勘察设计集团有限公司 | 基于声发射特征的岩石崩塌预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111967378B (zh) | 2022-06-07 |
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 | |
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 | |
Zou et al. | Bearing fault diagnosis based on combined multi-scale weighted entropy morphological filtering and bi-LSTM | |
CN106407493A (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
CN104751229A (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
JP2006011849A (ja) | データ圧縮装置及び方法,データ解析装置及び方法並びにデータ管理システム | |
CN103530818A (zh) | 一种基于brb系统的供水管网建模方法 | |
Xue et al. | Application of a support vector machine for prediction of slope stability | |
CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
Guo et al. | Improved adversarial learning for fault feature generation of wind turbine gearbox | |
Xiong et al. | A novel deep convolutional image-denoiser network for structural vibration signal denoising | |
CN104268408A (zh) | 一种基于小波系数arma模型的能耗数据宏观预测方法 | |
CN116341901A (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
Che et al. | Few-shot structural repair decision of civil aircraft based on deep meta-learning | |
CN105568732A (zh) | 盘磨机控制方法 | |
CN103033329A (zh) | 一种改进功率谱峰值法的空间网格结构频率识别方法 | |
Cao et al. | Seismic damage identification of high arch dams based on an unsupervised deep learning approach | |
Tao et al. | Entropy method for structural health monitoring based on statistical cause and effect analysis of acoustic emission and vibration signals | |
CN103898890A (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
Habib et al. | Identification of pulse-like ground motions using artificial neural network | |
CN103793582B (zh) | 圆柱壳大开孔接管结构优化方法 | |
Si et al. | A Novel coal-gangue recognition method for top coal caving face based on IALO-VMD and improved MobileNetV2 network | |
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 | |
CN116205544B (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 |
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 |