CN112183643A - 基于声发射的硬岩拉剪破裂识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于声发射的硬岩拉剪破裂识别方法及装置，主要解决岩溶地区硬岩拉剪破裂识别困难的问题。包括以下步骤：步骤S1：测定硬岩的几何物理参数；步骤S2：获取岩样张拉破裂和剪切破裂声发射信号；步骤S3：提取张拉和剪切两类声发射声纹图的HOG特征；步骤S4：将声纹图HOG特征构建训练样本集训练IVM；步骤S5：获取待识别的硬岩破裂声发射信号；步骤S6：将待识别声发射声纹的HOG特征带入已训练IVM确定硬岩破裂类型；步骤S7：将识别结果良好的预测样本加入到IVM新的训练集中重新训练IVM，并对之后监测所得的声发射信号进行预测。本发明可适用于岩溶地区的硬岩微观尺度至宏观尺度拉剪破裂的识别。

Description

基于声发射的硬岩拉剪破裂识别方法及装置

技术领域

本发明属于岩土工程灾害防治技术领域，涉及一种基于声发射的硬岩拉剪破裂识别方法及装置。

背景技术

我国国土范围内的三分之二以上为山区，山区内极易发生危岩落石、崩塌等自然灾害。由于危岩等灾害的大规模的破坏性，易造成巨大的生命财产损失，但受限于危岩等自然灾害突发性、快速性等特点，尚且较难精准预测。因此，如何能科学有效地识别硬岩，揭示危岩灾害的力学机制，预测危岩破坏路径已经成为当前研究的热门方向。

研究表明，硬岩的宏观破坏是从硬岩内的小尺度破裂开始孕育的，因此，加深岩石从小尺度脆性破裂到宏观大尺度破坏的研究，对于实现岩石宏观破坏的破坏机制的研究具有显著的意义。

硬岩的脆性破裂可分为张拉破裂和剪切破裂，拉剪破裂的研究对于再现硬岩内部的破裂演化以及对危岩的破裂预警具有重要的意义。通过研究硬岩的拉剪破裂演化，从拉剪破裂的角度进一步的揭示岩石破坏的机理。因此，对硬岩拉剪破裂进行分类识别，可以实现对硬岩从小尺度微观破裂至宏观破裂过程的及时预警，减少硬岩破裂造成的人员和财产的损失。

张拉破裂是硬岩在外荷载状态下，当硬岩某一承载面达到抗拉强度时，硬岩产生张拉破裂，张拉破裂是在能量急剧情况下，最后能量快速释放所表现出的急剧性宏观破坏；剪切破坏是指硬岩在外荷载状态下，硬岩某一接触面达到最大抗剪强度，硬岩产生剪切破裂，剪切破裂是硬岩是内部不同尺寸颗粒接触间相互摩擦产生的连续性破裂，相较于张拉破裂所表现出急剧短促的特点，剪切破裂属于连续，较长时间地破裂。由于上述两种破裂过程的根本性不同，因此通过分析硬岩张拉破裂和剪切破裂时所表现出的较为明显地特征，即能做到对两种不同破裂的显著区分。

传统上，当前对硬岩张拉破裂和剪切破裂的区分手段主要为数值模型分析，由于数值计算方法耗时较大，且数值模型的建立需要较多的人为假设，限制了数值分析的宏观应用。因此对于硬岩拉剪破裂类型的监测、识别，还需要进一步地完善。

已知岩石内部存在着大量随机分布的微裂纹，当岩石内部的微裂纹不断的发育时，会以弹性波形式的释放出局部能量，这一现象称为岩石声发射现象。与人耳所能听见的岩石破裂声音信号不同，声发射信号属于一种高频信号，频率范围在10³-10⁵Hz之间，在实际使用中，依靠于专门的声发射传感器进行信号的接收，相较于微震等其他监测手段，声发射信号能接收到更为岩石内部更为细小的破裂事件，具有极高的采集精度。自20世纪30年代声发射现象被美国矿山局的Osbert发现以来，声发射监测技术也取得了长足的进步，已被大量用于矿山、深部地下工程等监测任务中。当前常用基于声发射的硬岩拉剪破裂识别的手段包括，P波初动理论判别法、基于声发射参数特征判别法、SIGMA矩张量分析方法等，还会受到人为因素和监测设备数量等因素限制，因此，有必要探索岩石拉、剪破裂识别的新方法。

与传统的声发射拉剪识别方法相比，信号的声纹识别作为一种新的识别手段因具有低廉性和准确性受到了极大地关注。声纹识别技术避免了传统使用信号二维波形分布特征进行区分的手段，使用从三维声纹可视化的角度上进行更精确地识别。

机器学习是人工智能的一个新兴分支，它从已知实例中自动发现规律，建立对未知实例的预测模型，与传统回归方法相比较，更适用于复杂高度非线性的回归问题。人工神经网络与支持向量机是当今代表性的机器学习方法。但人工神经网络和支持向量机均存在一些公开问题，例如，人工神经网络存在着最优网络拓扑结构与最优超参数不易确定、存在过或欠学习风险、小样本推广能力差等问题；支持向量机的核函数及合理超参数没有可行的理论求解方法，很难保证预测的可靠性。

信息向量机(Informative Vector Machine,IVM)是一种新的机器学习方法，由Neil Lawrence于2002年提出。该方法采用基于信息熵理论的方法，从大量的训练样本中优选出部分的最具信息性的样本组成有效集，通过对有效集的学习可以达到与原训练样本集相同的学习效果，同时结合稀疏化核矩阵表示，从而大大简化学习的时间复杂度和空间复杂度。另外，IVM通过假定密度筛选与最小化KL散度(相对信息熵)实现了对非高斯分布噪声模型后验分布的近似逼近。IVM具有优异的回归性能，其超参数可自适应获取，对高度非线性回归问题具有较强的适用性。

本发明内容集成了声发射声纹图像识别技术和IVM机器学习方法，建立了一种基于声发射声纹的岩石拉剪破裂智能识别方法和装置，通过所建立的识别方法，实现了对硬岩拉剪破裂类型的自动精确识别，为危岩自然灾害多发地区的监测预警提供了一种新的途径。

发明内容

针对传统方法对硬岩拉剪破裂识别困难的问题，本发明提出了一种基于声发射的硬岩拉剪破裂识别方法，具体包括以下步骤：

步骤S1：测定硬岩几何物理参数；

步骤S2：获取岩样张拉破裂和剪切破裂声发射信号；

步骤S3：提取样张拉破裂和剪切破裂两类声发射声纹图的HOG特征；

步骤S4：将声纹图HOG特征构建IVM样本集，并利用其对IVM进行训练与预测；

步骤S5：获取待识别的硬岩破裂声发射信号；

步骤S6：将待识别声发射声纹的HOG特征带入已训练IVM确定硬岩破裂类型；

步骤S7：将IVM识别结果良好的预测样本作为新的训练样本加入到训练集中重新训练IVM，并对之后监测得到的声发射信号进行预测。

以下对上述各个步骤进一步地说明：

步骤S1，测定硬岩几何物理参数，测定硬岩的几何物理参数，包括硬岩的物理尺寸、风化程度、硬岩主控结构面位置。

步骤S2，获取岩样张拉破裂和剪切破裂声发射信号，包括步骤S2-1和步骤S2-2，具体方法如下：

步骤S2-1：选取硬岩上代表性岩样；

本发明方法首先考虑获取硬岩张拉破裂和剪切破裂声发射信号的参考样本，因此首先对现场危岩的代表性岩样进行取样，并且制作成便于开展实验的试样，包括张拉试验试样和剪切试验试样，张拉试样可以用来做单纯张拉破裂试验，获取张拉破裂的声发射信号；剪切试样用于开展单纯的剪切破裂实验，获取剪切破裂的声发射信号。通过获取得纯张拉和纯剪切时典型的声发射信号，为下一步能够实现对硬岩典型张拉破裂和剪切破裂的声发射信号的区分奠定训练样本的基础。

步骤S2-2：开展张拉破裂试验和剪切破裂试验，获取典型破裂时的声发射信号。

开展张拉破裂实验，获取岩样张拉破裂时的声发射信号；

开展剪切破裂实验，获取岩样剪切破裂时的声发射信号。

步骤S3：提取张拉和剪切两类声发射声纹图的HOG特征，包括步骤S3-1，步骤S3-2；

步骤S3-1：对步骤S2中获取的张拉破裂声发射信号和剪切破裂的声发射信号进行短时傅里叶变换计算，获取硬岩张拉破裂和剪切破裂的声纹图；

步骤S3-2：将声纹图尺寸编辑至统一大小，对每一张声纹图进行HOG特征提取。

下面对声发射声纹图及HOG特征进行简要的说明。

声发射信号的声纹图是将声发射信号在时域空间和频域空间的联合表达形式。声发射信号在时域空间的表达形式为波性文件，波形文件可以表现出声发射信号的幅值随时间变化的特征。当对声发射信号的在整个时域空间的波形文件进行FFT变化，则可以将声发射信号从时域空间转到频域空间中，但是上述的空间转换仅能反映在而二维的平面状态中。通过对语音信号的分帧，加窗进行STFFT变化，将声发射信号的变化反映在三维空间中，即为声发射信号的时域-频域-幅值信号分布图。声纹图上的条条纹路即为声发射信号幅值表示，纹路颜色的深浅程度即为声信号能量的大小，色谱带从上至下的幅值表示能量越来越大，条纹带的密集程度反映出此刻声发射信号的数量聚集度，颜色深浅反映出信号幅值的高低程度。拥有以上分析看出，对于任何每一个声发射信号，声纹图形的纹理特征都是独一无二的，这为声纹图形的识别提供了分类基础。

图形的方向梯度直方图特征，又称为HOG(Histogram of Oriented Gradients)特征是在计算机视觉领域一种重要的识别特征，常用用来进行物体的特征检测。HOG特征的计算原理是通过计算和统计图像局部区域的梯度方向直方图来构成特征。

对于图像H(x，y)，图像中任一像素点(x，y)的梯度定义为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中:G_x(x，y)、G_y(x，y)、H(x，y)分别表示输入像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值。

任一像素点(x，y)处的梯度幅值和梯度方向分别为:

当对整张图像进行HOG特征的提取时，首先将图像分为不同的细胞单元，分别提取每个细胞单元内的HOG特征，然后将所有单元组合成大块的n维HOG特征向量。

需要注意的是，由于局部光照的变化以及前景和背景对比度的变化，使得梯度强度的变化范围非常大。为了进一步消除光照的影响，最后对块内的n维特征向量进行归一化，则归一化之后的特征即为在计算中使用的图像的HOG特征。

其中，v是未经归一化的描述子，向量是

的2范数，ε是一个极小的常数。

步骤S4：将声纹图HOG特征构建IVM样本集，并利用其对IVM进行训练与预测；将张拉破裂声纹图的HOG特征向量和剪切破裂声纹图的HOG特征向量作为训练集合D，作为IVM模型机器学习样本集，在训练模型中两类破裂类型的标签y规定如下：张拉破裂信号的标签y＝+1；剪切破裂信号的标签y＝-1，并在IVM的训练中，使用交叉验证提取模型对样本的泛化能力。

IVM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信息向量样本之后的后验分布，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的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二分类模型学习及预测过程的部分关键步骤进行简要说明。

本发明方法中，GOA进入局部寻优状态后，采用IVM拟合局部最优解附近的真实目标函数，利用IVM回归代理模型对目标函数进行分类的关键环节有：

IVM代理模型的学习过程：

IVM回归代理模型在学习过程中，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}(假定要从初始N训练样本中，筛选d个信息向量)，信息向量是以一种连续的、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I_i时的后验分布及似然分布：

式中：p表示概率分布，q表示近似分布，μ表示高斯分布均值，Σ为协方差矩阵m表示似然替代变量，β表示噪声分布方差，

为有效训练样本的输入向量，θ表示协方差函数超参数。之后，依照如下方法选择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j，作为第i+1个信息向量。循环执行上述过程，直至完成d个信息向量的选择(即I＝Id)。此时，可得：

式中B表示噪声分布方差，K或Σ表示高斯分布协方差矩阵。在IVM代理模型中，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(y_I|X_I,:,θ)而自适应获取的。具体的，通过取负对数-log(p(y_I|X_I,:,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。

IVM代理模型的分类：

过程上述过程实现了以有效集I替代原始样本数据集的学习，之后的回归过程同贝叶斯回归学习过程中的做法一致，代入对应的变量、向量或矩阵，即得IVM回归后验分布：

上式隐含了个体位置坐标x^*与适应度f^*的对应关系，用以代替真实的适应度函数曲线：

根据二元分类问题，二元分类结果可以通过响应函数可以压缩至区间[0,1]：

π(x)＝p(f_*＝+1|x_*)＝Φ(f)

步骤S5：获取待识别的硬岩破裂声发射信号。对待监测的硬岩进行实时地监测，获取硬岩在时变过程中破裂声发射信号，将作为预测信号进行识别。

步骤S6：首先提取破裂声发射声纹图的HOG特征，将硬岩破裂的声发射信号按照步骤S4提取声纹图的HOG特征向量，然后将提取后的声纹图HOG特征成一个特征向量，作为预测样本带入到已经训练好的IVM模型中进行分类，根据二元分类准则，当分类预测概率p*>0.5时，识别为张拉破裂；当分类预测概率p*<0.5时，识别为剪切破裂。

步骤S7：根据上述利用IVM模型的分类概率值，将预测结果良好的样本，作为新的训练样本加入到训练样本集合中，当预测结果0<p*<0.2时，可以认为是良好的预测剪切样本值，当预测结果0.8<p*<1时，作为良好的张拉破裂的新的训练样本加入到训练集合D中，并且按照步骤S4的定义，张拉破裂的标签y＝+1，剪切破裂的标签y＝-1作为新的训练样本x加入到训练集合D中，对IVM模型进行重新训练；

优选地，本发明的分类识别方法，所述的训练样本声发射声纹图的HOG特征的提取、IVM模型的训练、预测样本声发射声纹图的HOG特征生成、IVM的识别分类均在命令流中进行计算。通过编写自动化运维处理指令流程，使得各步骤之间自动化运行。

为了达到上述的目的，本发明专利还提供了一种基于声发射的硬岩拉剪破裂识别装置，包括：

信息模块Z1，提取现场硬岩几何物理参数；

拉剪采样模块Z2，用于对现场硬岩中的代表性岩样开展张拉破裂和剪切破裂试验获取相关的张拉破裂声发射和剪切破裂的声发射信号，用于后期的特征提取；

声发射信号特征提取模块Z3，用于提取声发射信号声纹图的HOG特征；

IVM计算模块Z4，用于将已经提取出的声发射信号特征作为训练样本训练IVM模型，并且对预测样本做出分类结果；

现场声发射信号监测模块Z5，用于对现场硬岩的破裂声发射信号进行监测提取，获取硬岩的破裂声发射信号，并作为预测样本交给IVM计算模块分类识别；

显示模块Z6，用于显示上述各模块之间的计算结果，并且可以用来控制各个模块的进程；

传输模块Z7，用于实现对各模块之间的信息通信，实现各模块间信息的储存和传递。

进一步的，所述信息模块提Z1提取现场硬岩几何物理参数，包括：硬岩形状尺寸，硬岩结构面几何尺寸等其他参数。

进一步的，拉剪采样模块Z2包括：

张拉破裂采样单元Z2-1，用于开展张拉破裂试验，获取硬岩岩样张拉破裂时的声发射信号；

剪切破裂采样单元Z2-2，用于开展剪切破裂试验，获取硬岩岩样剪切破裂时的声发射信号；

声发射信号记录单元Z2-3，用于记录在进行张拉试验和剪切实验进行时，两种破裂类型的声发射信号。

进一步的，所述声发射信号特征提取模块Z3包括：

声纹图形生成单元Z3-1，用于生成声发射的声纹图；

声纹图形HOG提取单元Z3-2，用于对生成的声发射声纹图进行HOG特征的提取。

进一步的，所述IVM计算模块Z4包括：

均匀化样本单元Z4-1，用于均匀化训练样本；

对于IVM模型的机器学习方法而言，模型训练的好坏极大的取决于训练样本的构成，在IVM模型的预测概率值，是在不断地通过对训练样本的学习中的提高的。在本发明方法中，训练样本的来源是声纹图形的HOG特征，为了平衡训练样本的不均匀性，便于机器学习模型无法正常的进行训练和学习。因此为了统一两者的维度特征值的大小范围，提高机器学习模型对样本常用的预处理的方法如下：

归一化处理

归一化的目的是训练样本的各维度转换到[0,1]或者[1,-1]区间，归一化的方法如下所示：

或者

式中，i为样本特征向量的维数，t为哪一项样本，

为第t个样本的第i维特征数以及标准化的值，x_i-max表示所有样本第i维的最大数值，x_i-min表示所有样本的第i维的最小值。

标准化处理，根据正态分布理论，所有的分布都可以将其标准化。根据在正态标准化的公式，训练样本进行标准化的公式也如下所示：

或者

上述两种处理样本的方式可供根据实际需求选择。

交叉验证单元Z4-2，其用于进行交叉验证，训练IVM模型的泛化能力；

经过对训练样本学习的IVM模型已经具有了初步分类的能力，训练后的IVM模型的对已知样本学习能力的好坏称为模型的性能，对于有未知样本的预测效果称为泛化能力。根据机器学习理论，机器学习IVM模型的性能的好坏决于模型在自身的理论的指导下对于样本的学习程度，因此对于训练样本学习程度的不同，机器学习可能会出现“过学习”和“欠学习”的现象，针对“过学习”和“欠学习”，可以通过调整样本的布局，或者调整模型的参数进行改进，比如针对“过学习”的出现可以在训练过程中增加惩罚项加以控制，对于“欠学习”，可以通过设置损失函数加以弥补。因此为了检验模型的学习效果，在对训练样本外的预测样本进行预测估计之前，尚需要对已有的IVM模型的学习效果进行检验，因此及交叉验证单元必不可少；

交叉验证的概念为将原训练样本集合D分成两类，一部分作为训练样本进行训练，一部分作为预测样本进行也测，这样做的目的：既可以检测模型对于样本群的学习性能，也可以用来减少样本“过学习”和“欠学习”的出现，避免模型在一次学习过程中，会出现对于样本学习权重不平衡的出现。

交叉验证的训练方法有两种分别为：留出法和k-折训练法。这两种方法的训练单元Z4-2均有保留，可根据实际需求选择。

留出法；是将训练样本集合D分成三部分，训练集、验证集和测试集。不过如果只做一次分割，它对训练集、验证集和测试集的样本数比例，还有分割后数据的分布是否和原始数据集的分布相同等因素比较敏感，不同的划分会得到不同的最优模型，而且分成三个集合后，用于训练的数据更少了。

k-折训练法；顾名思义，是将是将训练样本均分成k个训练样本子集，并且对k个子集循环往复训练测试k次，在每一次的训练过程中，首先选用1个子集作为测试样本，剩下的k-1个作为训练样本，整个循环反复k次，最后取所有k次的均值作为模型学习性能的评价。这样一来，对于整个集合D，所有的子集都有机会在参与到模型的学习和预测中，平衡了模型对于训练样本的学习均匀度。在一般的计算，可以取k为10、20、30。

模型参数调整单元Z4-3，其用于对IVM模型训练较差的情况，调整IVM模型的参数，以适应训练。在上述的单元的测试过程中，如果出现IVM模型训练较差的情况，则可以对模型进行调整，调整的方法包括：改变训练样本的均匀程度，改变模型中的参数数值。

预测样本显示单元Z4-4，用于利用已经建立好的IVM模型对预测样本进行分类识别，识别现场硬岩破裂的声发射信号为张拉破裂还是剪切破裂。

进一步的，现场声发射信号监测模块Z5包括：

现场声发射信号监测单元Z5-1：用于将硬岩破裂的声发射信号进行监测、收集；

声发射信号放大单元Z5-2：用于对声发射信号进行放大处理，以便于对硬岩的声发射信号分析处理。

进一步的，显示模块Z6包括：

信息显示单元Z6-1，用于显示上述信息模块，声发射信号特征模块，分类模块的信息结果；

时控单元Z6-2，整个模型的运维处于自动化运行指令下，但是允许管理人员的交互式控制，根据管理者需要可以进行实时控制计算，在管理员的指令下，可以暂停进程，进入任意模块指挥进程。

上述各个模块的参数设定值，模型生成，均由显示模块呈现出，方便管理者实时管理管理计算的过程

进一步的，传输模块Z7包括：

本地存储单元Z7-1，用于将计算出的数据存储至本地数据中心集中装置；

备份存储单元Z7-2，用于将数据进行备份存储至云端；

传输单元Z7-3，用于将计算出的数据通过通用无线、有线、选择性传输方式发送到接收平台或者相应的客户端。

与现有技术相比，本发明的有益效果是：

本发明利用硬岩张拉破裂和剪切破裂声发射声纹图的HOG特征具有明显区别，因此将声纹图HOG特征作为新的硬岩拉剪破裂识别的新指标；

将硬岩的张拉破裂信号和剪切破裂信号声纹图形的HOG特征，与IVM机器学习二元分类方法的理论结合，实现了对硬岩张拉破裂和剪切破裂的自动分类识别；

本发明与传统识别硬岩拉剪破裂识别的方法相比，降低了识别硬岩张拉和剪切破裂的复杂程度，有效地解决当前所有的硬岩破裂识别方法的不便利性和低经济性，极大地避免硬岩拉剪破裂识别过程中时间和成本不必要浪费。

本发明中的智能化装置平台实现了从声发射信号获取、训练、建模、参数修改、预测、反馈信息一体化的过程，可达到整个硬岩拉剪破裂识别流程的智能化，依靠及时的信息修正和属性的设置，提高了模型的适应性、高效性。

附图说明

图1为本发明方法的流程图；

图2为本发明一个实施案例1中硬岩位置；

图3为本发明实施案例1的张拉破裂岩样和剪切破裂岩样；

图4为本发明实施方法的装置模块图；

图5为本发明实施方法的装置单元图；

图6为本发明一个实施案例2压剪滑移式硬岩识别装置布置图。

具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施案例1

一种基于声发射特征的硬岩拉剪破裂识别方法，如图1所示。其具体包括以下步骤：

某岩溶地区压剪滑动型硬岩，硬岩形状近似梯形，已测定硬岩为均质岩性，大小5万m³，高度20m，硬岩主控结构面位置位于与硬岩边界呈30度角，如图2所示。

步骤S1，所测定硬岩的几何物理参数等见表1。

表1硬岩力学参数

步骤S2，选取硬岩上的岩样进行加工，并进行张拉破裂试验和剪切破裂试验，其岩样见图3，获取典型的张拉破裂声发射信号和剪切破裂声发射信号。

步骤S2-1：选取硬岩上代表性岩样；

本发明方法首先考虑提取张拉破裂和剪切破裂的声发射信号，因此首先对现场的硬岩的代表性岩样进行取样，并且制作成便于开展实验的试样，包括张拉破裂试验试样和剪切破裂试验试样，张拉破裂试样可以用来做单纯的张拉破裂试验，获取张拉破裂的声发射信号，剪切破裂试样用于开展剪切破裂实验，获取剪切破裂的声发射信号。通过获取纯拉和纯剪时典型的声发射信号，为下一步能够实现基于声发射信对硬岩岩样张拉破裂和剪切破裂的区分奠定样本的基础。

步骤S2-2：开展张拉破裂试验和剪切破裂试验，获取典型破裂时的声发射信号；

开展张拉破裂实验，获取岩样张拉破裂时的声发射信号；

开展剪切破裂实验，获取岩样剪切破裂时的声发射信号。

步骤S3，对去噪后的张拉破裂和剪切破裂的声发射信号进行声纹图的绘制，并且对声纹图形的HOG特征进行提取；包括步骤S3-1，步骤S3-2；

步骤S3-1：对步骤2中获取的张拉破裂声发射信号和剪切破裂的声发射信号进行短时傅里叶变换计算，获取硬岩试样张拉破裂时和剪切破裂时的声纹图；

步骤S3-2：将声纹图尺寸编辑至统一大小，对声纹图形进行HOG特征的提取；

步骤S4：将声纹图的HOG特征向量作为训练集合D，用来训练IVM模型，在训练模型中两类破裂类型的标签y规定如下：张拉破裂信号的标签y＝+1；剪切破裂信号的标签y＝-1。

步骤S5：监测压剪滑动型硬岩在不同破坏阶段下的破裂声发射信号，主要包括失稳前(2019年05月01日-2019年05月07日)、压剪坠落(2019年05月07日-2019年05月17日)、压剪失稳破坏(2019年05月17日-2019年05月20日)。

步骤S6，对获取的不同阶段下的破裂声发射信号，进行HOG特征的提取，作为预测样本输入已训练的IVM模型中，获取预测结果。并利用在步骤S5中已经经过训练的IVM模型，对监测所得的预测样本进行预测，判断属于哪一种的破裂信号，以表4为例。

步骤S7，实时更新训练样本的集合，根据步骤S6中预测值概率值的大小，当预测结果0<p*<0.2时，可以认为是良好的预测剪切样本值，当预测结果0.8<p*<1时，可以认为是良好的预测张拉样本值，并且按照步骤S5的定义，将预测良好的样本作为新的训练样本加入到训练集合D中，同样定义张拉破裂标签的y＝+1，剪切破裂标签的y＝-1，进行之后IVM的模型训练；

表4失稳前阶段破裂信号的识别

表5压剪坠落阶段破裂信号的识别

表6压剪失稳破坏阶段破裂信号的识别

实施例2

一种基于声发射特征的硬岩拉剪破裂识别装置，如图4、5、6所示，其中图4、5为装置的各模块单元构成图，图6为装置的工程实例的现场布置图。包括:

信息模块Z1，用于对确定性硬岩的初始参数的测量。将信息模块Z1安置在硬岩上，该模块Z1能对硬岩的重要现场实测参数包块：硬岩形状尺寸，硬岩结构面几何尺寸等其他参数。

拉剪采样模块Z2，用于开采用于张拉试验的岩样，并且开展张拉试验，获取张拉破裂时的声发射信号，用于开采用于剪切试验的岩样，并且开展剪切试验，获取剪切破裂时的声发射信号。其包括拉剪采样模块Z2包括张拉采样单元Z2-1、剪切采样单元Z2-2和声发射信号记录单元Z2-3，张拉采样单元Z2-1，用于开采张拉试验的岩样，并且开展张拉试验，获取岩样张拉破裂时的声发射信号；剪切采样单元Z2-2，用于开采剪切试验的岩样，并且开展剪切试验，获取岩样剪切破裂时的声发射信号；声发射信号记录单元Z2-3，用于记录在进行张拉破裂试验和剪切破裂实验进行时，两种破裂类型的声发射信号。

声发射信号特征提取模块Z3，用于对声发射信号进行特征提取，包括：声纹图形生成单元Z3-1、声纹图HOG特征提取单元Z3-2；声纹图形生成单元Z3-1，用于计算生成声发射信号的声纹图形；声纹图形HOG提取单元Z3-2，用于对单元Z3-1中生成的声纹图形进行HOG特征的提取；

IVM计算模块Z4，可以将声发射信号特征提取模块Z3中的特征进行学习，获得训练后的训练模型。IVM模型还用来对训练样本进行学习，预测样本进行分类。均匀化样本单元Z4-1、交叉训练单元Z4-2和模型参数调整单元Z4-3、预测样本显示单元Z4-4：对于IVM模型的机器学习方法而言，模型训练的好坏极大的取决于训练样本的构成，在IVM模型的预测概率值，是在不断地通过对训练样本的学习中的提高的。交叉训练单元Z4-2；经过对训练样本学习的IVM模型已经具有了初步分类的能力，训练后的IVM模型的对已知样本学习能力的好坏称为模型的性能，对于有未知样本的预测效果称为泛化能力。模型参数调整单元Z4-3，其用于对IVM模型训练较差的情况，调整IVM模型的参数，以适应训练。在上述的单元的测试过程中，如果出现IVM模型训练较差的情况，则可以对模型进行调整，调整的方法包括：改变训练样本的均匀程度，改变模型中的参数数值。预测样本显示单元Z4-4，用于利用已经建立好的IVM模型对预测样本进行分类识别，识别现场硬岩破裂的声发射信号为张拉破裂还是剪切破裂。

现场声发射信号监测模块Z5，用于对现场硬岩的破裂声信号进行监测提取，获取硬岩的破裂声发射信号，并作为预测样本交给Z4模块分类识别。现场声发射信号监测模块Z5包括：现场声发射信号监测单元Z5-1：用于将硬岩破裂的声发射信号进行监测、收集；声发射信号放大单元Z5-2：用于对声发射信号进行放大处理，以便于小幅值的声发射信号分析处理。

显示模块Z6，用于将硬岩破裂识别结果输出，供用户查看并根据样本情况采取防护加固措施。其包括信息显示单元Z6-1和时控单元Z6-2，信息显示单元Z6-1用于显示上述信息模块，声发射信号特征模块，分类模块的信息结果；时控单元Z6-2，整个模型的运维处于自动化运行指令下，但是允许管理人员的交互式控制，根据管理者需要可以进行实时控制计算，在管理员的指令下，可以暂停进程，进入任意模块指挥进程。

具体的：显示模块可以在当前的诸多客户端显示，包括：智能手机，笔记本，台式计算机等、客户端上有专门的进程操控程序，都隶属于信息显示单元Z6-1，管理人员可以通过客户端的指令，进入装置运算进程中，根据用户体验需要，重新计算或者设置参数。

传输模块Z7，用于实现对各模块之间的信息通信，实现各模块间信息的储存和传递。包括：本地存储单元Z7-1、备份存储单元Z7-2和传输单元Z7-3。本地存储单元Z7-1用于将计算出的数据存储至本地数据中心集中装置；备份存储单元Z7-2，用于将数据进行备份存储至云端；传输单元Z7-3，用于将计算出的数据通过通用无线、有线、选择性传输方式发送到接收平台或者相应的客户端。上述各模块之间的交互性链接，反馈均是通过传输模块进行，因此为保证链接的稳定可以根据现场条件需求实现无线、有线、或者混合方式传导。

本专利所提出的基于声发射信号声纹特征的石硬岩拉剪破裂自动识别方法是一种利用现场声发射声纹特征进行硬岩拉剪破裂分类的有效方法，根据现场获得的声发射信号，利用机器学习识别分类方法进行的拉剪破裂分类识别。

本发明的各个部件实施例可以以硬件、固件、软件或者他们的组合实现，在上述的实施方式中，一个或者多个步骤的实施可以通过在存储器中的流程指令或者信号指令来实现，即在微型处理器或者信号处理器上通过编码实现本发明中硬岩拉剪破裂识别方法及装置模块的作用，

确切地说，在实施例使用中，除了少数模块和方法使用之间相互排斥之外，可以采用本说明书中公开的所有特征以及如此公开具有如此特的任何方法或者装置的部分或者全部进行单列或者组合。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种基于声发射的硬岩拉剪破裂识别方法，其特征在于，包括以下步骤：

步骤S1：测定硬岩的几何物理参数；

步骤S2：获取岩样张拉破裂和剪切破裂声发射信号；

步骤S3：提取张拉和剪切两类声发射声纹图的HOG特征；

步骤S4：将声纹图HOG特征构建训练样本集训练IVM；

步骤S5：获取待识别的硬岩破裂声发射信号；

步骤S6：将待识别声发射声纹的HOG特征带入已训练IVM确定硬岩破裂类型；

步骤S7：将识别结果良好的预测样本加入到IVM新的训练集中重新训练IVM，并对之后监测所得的声发射信号进行预测。

2.根据权利要求1中基于声发射的硬岩拉剪破裂识别方法，其特征在于，所述步骤S3包括：首先将声发射绘制成时间-频率-幅值的三维平面声纹图，之后提取反应图形纹理分布的HOG特征，作为区分张拉破裂声纹图和剪切破裂声纹图的依据。

3.根据权利要求1中基于声发射的硬岩拉剪破裂识别方法，其特征在于，所述步骤S4包括：将所提取的张拉和剪切两类声纹图的HOG特征作为训练样本集对IVM模型进行训练，并在训练中利用交叉验证方法提高IVM模型的泛化能力。

4.根据权利要求1中所述的基于声发射的硬岩拉剪破裂识别方法，其特征在于，所述步骤S6包括：首先，通过监测硬岩在某一时刻的破裂声发射信号，并绘制成声纹图，提取待识别声纹图的HOG特征，并将该HOG特征作为预测样本输入已训练的IVM模型中进行预测、分类，识别此刻发生的破裂类型。

5.根据权利要求1中所述的基于声发射的硬岩拉剪破裂识别方法，其特征在于，所述步骤S7包括：将预测结果良好的样本，作为新的训练样本加入到训练样本集合中，重新训练IVM模型，提高IVM的学习深度，并对之后监测得到的声发射信号进行预测，在该步骤的实施中，一般规定IVM对良好预测样本的定义为，当预测结果0<p*<0.2时，可作为良好的剪切预测样本；当预测结果0.8<p*<1时，可作为良好的张拉预测训练样本加入到训练集合D中。

6.一种基于声发射的硬岩拉剪破裂自动识别装置，其特征在于，包括以下模块：

信息模块Z1，提取现场硬岩几何物理参数；

拉剪声发射信号采样模块Z2，用于将现场监测岩土中的代表性岩样开展张拉破裂实验和剪切破裂试验获取相关的声发射信号，用于之后信号的特征提取；

声发射信号特征提取模块Z3，用于提取声发射信号声纹图的HOG特征；

IVM计算模块Z4，用于将已经提取出的声发射信号特征作为训练样本用来训练IVM模型，并且对预测样本做出分类结果；

现场声发射信号监测模块Z5，用于对监测现场硬岩破裂的声发射信号进行监测，作为待识别的预测样本交给IVM计算模块分类识别；

显示模块Z6，用于显示上述各模块之间的计算结果，并且可以用来控制各个模块的进程；

传输模块Z7，用于实现对各模块之间的信息通信，实现各模块间信息的储存和传递。

7.根据权利要求6所述的基于声发射的硬岩拉剪破裂自动识别装置，其特征在于，所述拉剪声发射信号采样模块Z2包括：

张拉采样单元Z2-1，用于开展张拉试验，获取张拉破裂时的声发射信号；

剪切采样单元Z2-2，用于开展剪切试验，获取剪切破裂时的声发射信号；

声发射信号记录单元Z2-3，用于记录在进行岩样上岩样张拉破裂和剪切破裂试验时的声发射信号。

8.根据权利要求6所述的基于声发射的硬岩拉剪破裂自动识别装置，其特征在于，所述声发射信号特征提取模块Z3包括：

声纹图形生成单元Z3-1，用于将获得的声发射信号转换成三维平面声纹图；

声纹图形HOG提取单元Z3-2，用于对生成的声纹图进行HOG特征的提取。

9.根据权利要求6所述的基于声发射的硬岩拉剪破裂自动识别装置，其特征在于，所述IVM计算模块Z4包括：

均匀化样本单元Z4-1，其用于均匀化训练样本；

交叉训练单元Z4-2，其用于在训练过程中对样本交叉验证，训练IVM模型；

模型参数调整单元Z4-3，其用于对IVM模型训练较差的情况，调整IVM模型的参数，以适应训练；

预测样本显示单元Z4-3，其用于显示IVM模型对于预测样本的预测值。

Images