CN113358469A - 一种用于岩石断裂分类的声发射信号可视化处理方法 - Google Patents

Abstract

本发明涉及一种用于岩石断裂分类的声发射信号可视化处理方法，从声发射数据的获取、收集、模型训练、误差分析、校验这一系列步骤实现了智能化操作，整体模型可适应采矿工程领域和岩石工程领域的多种断裂模式的可视化识别。所应用的可视化处理方法为关键密度函数估计，相对于其他函数，它更精确描述未知声发射事件的概率分布。而且关键密度函数估计是一种无量纲函数方法，运算更加方便，对数据量不敏感，对于大量声发射数据点，每次运行仅需数秒便可以完成。

Description

一种用于岩石断裂分类的声发射信号可视化处理方法

技术领域

本发明涉及到采矿工程技术领域，尤其涉及一种用于岩石断裂分类的声发射信号可视化处理方法。

背景技术

岩体的断裂是岩石力学与岩石工程中面临的主要问题，而声发射技术作为一种无损监测的手段，近些年来在矿产资源开采、基坑开挖、边坡防护、铁路公路的路基建设、隧道长期稳定等多个领域得到了广泛应用。声发射监测和微震监测的原理相同，即岩石在发生形变和断裂的过程中会释放应变能且通过应力波的形式向外传播，以此反演岩石工程中的破断信息，例如破断时间、破断位置、破断形态等。声发射设备的频率约为103～105Hz，常用于实验室实验，微震设备的频率约为10～103Hz，常用于施工现场监测，两者原理大致相同。与传统的受力或形变监测不同，声发射技术可以反演岩石内部的信息，还可以监测到微裂缝等不易觉察的信号，对岩石实验或岩石工程实现有效预警。

声发射技术作为一种无损监测手段，可以不受监测周期限制，实时获得大量的信号数据。通过这些信号精确反演出断裂位置的演化过程，有助于岩石工程失稳的理解，为防护措施提供数据支持。当前，对声发射数据处理主要包括参数统计、波形分析(小波变换)、断裂源/震源定位、傅里叶变换等方法，但是上述方法不能解决岩石断裂模式的分类问题。无论在物理实验还是现场工程中，岩石的断裂主要分为拉伸断裂、剪切断裂、拉剪混合断裂。这对于研究岩石从裂缝萌生、扩展和贯穿的全部断裂过程以及对断裂失稳的预警具有重要意义，不同断裂模式所采取支护、加固方法也存在很大差异。因此，通过声发射信号对岩石的断裂模式进行可视化分类，可以实现岩石从小尺度下微裂缝产生到大尺度下宏观断裂的及时预警，避免岩石工程中人员伤亡，减小设备和资产损失。

发明内容

本发明针对上述现有技术中存在的缺点，提出一种基于关键密度函数估计方法用于声发射/微震信号可视化处理，从而实现岩石断裂模式的分类。

一种用于岩石断裂分类的声发射信号可视化处理方法，包含以下步骤：

步骤S1，在实验室中设置好监测岩石破裂的声发射信号参数，建立收集和识别模型；

步骤S2，在加工好的标准煤岩样上用热熔胶枪粘结用于采集声发射信号的探头；

步骤S3，提取岩石加载过程中的可以表征岩石拉伸断裂、剪切断裂、拉剪混合断裂声发射信号的数据集；

步骤S4，将数据集通过关键密度函数估计方法进行可视化模型处理；

步骤S5，可视化模型智能识别岩石加载过程中的拉伸断裂、剪切断裂以及拉剪混合断裂；

步骤S6，根据声发射信号特征确定波形产生的上升角、平均频率等因素与岩石断裂模式种类之间的关系，为岩石工程中灾害防治监测提供可靠的数据，同时为岩石断裂力学的深入研究提供了一种直观可视化的方法。

作为优选的，在步骤S1中，设置监测岩石破裂的声发射信号参数主要包括，声发射工作频率范围、谐振频率、振铃计数阈值、阈值增益、滤波器的极值以及采样频率。

作为优选的，在步骤S2中，标准煤岩样主要包括Φ50×100的压缩样品，Φ50×25的巴西劈裂样品，Φ50×50的变角剪切样品。

作为优选的，在步骤S3中，用于表征断裂模式的声发射信号主要包括，上升角、上升时间、峰值振幅、平均频率、超过声发射波形阈值的总数和声发射波形的持续时间；

其中，上升角RA按以下公式计算：

RA＝RT/A

式中，RT为上升时间，A为峰值振幅。

平均频率AF按以下公式计算：

AF＝C/D

式中，C为超过声发射波形阈值的总数，D为声发射波形的持续时间。

拉伸裂缝的波形主要以纵波传播，因此产生较低RA值。相反剪切事件的波形以剪切波形式传播，从而导致较高的RA值。于是基于RA与AF两个AE指标可以将岩石的断裂模式进行分类。

作为优选的，在步骤S4中，声发射信号的可视化模型处理通过关键密度函数估计方法实现。

首先计算时间间隔函数，时间间隔函数F(τ)反映的是在单位时间内N个连续AE事件发生的平均频率。对于单位时间内N个连续声发射事件，可以从以下公式获得这些声发射事件一段时间的平均值τ_i。

τ_i＝Δt_i/N

式中，Δt_i＝t_N+i-1-t_i-1，因此一个时间段的平均值τ₁被定义为：

τ_i＝(t_N-t₁)/N

在t_i-1到t_N+i-1的时间内，时间间隔函数F(τ)被定义为τ_i的倒数：

F(τ_i)＝τ_i ^-1

其次，通过关键密度函数估计方法将时间间隔函数F(τ)得到的结果可视化处理。在关键密度函数估计方法中，AE数据采集到的每个元素都为概率密度的分布做出了贡献，这也是该算法的基本思想，多元数据的真实密度的估算函数如下：

式中，Z_i是第i个数据点，n是训练集中点的数量，h是控制元素宽度的平滑参数。

是元素分布真实密度的估计值。

关键密度函数K(x)是满足一定约束的任意局部函数，当前最流行的是多元高斯函数：

其中d是数据空间的维数。

一旦建立了估算函数之后，数据集中的所有元素将全部用于密度可视化处理。

输出的质量主要取决于训练集的大小和平滑参数值h。在每个数据集中，存在一个最优平滑参数值h。

作为优选的，通过最小二乘交叉验证，确定平滑参数值h。以达到密度估计

和真实密度p(x)之间的平方误差最小化的目的。

但是，由于真实密度p(x)的不确定性，不可以直接获取。因此，找到一个基于交叉验证的近似解。在这里使用二次拟合牛顿类型方法来实现

和p(x)之间的平均平方误差的最小化。

如果已知真实密度p(x)为高斯分布，则最优平滑参数h的计算如下：

对于多元分布，参数A根据以下公式确定：

基于该算法可将密度估计可视化。

与现有技术相比，本发明的有益效果有：

本发明提出一种用于岩石断裂分类的声发射信号可视化处理方法，利用声发射捕捉的信号将岩石断裂的模式可视化，突破了物理试验和现场工程中产生断裂后难以辨别类型的难题，有效解决了当前岩石力学与岩石工程中破裂识别方法的不便利性和高成本。为矿山冲击地压、基坑支护失稳、边坡滑移等岩体突发性灾害预警提供有效的科技支撑，具有重要的科学意义和工程价值。

本发明提出的一种用于岩石断裂分类的声发射信号可视化处理方法，提高了采矿工程领域和岩土工程领域识别灾害类型的辨识度，降低了实验室领域和工程领域识别拉伸断裂和剪切断裂动力灾害发生类型的复杂程度，解决了当前实验和工程中断裂类型的识别的经济成本问题和时间成本问题。

本发明提出的一种用于岩石断裂分类的声发射信号可视化处理方法，从声发射数据的获取、收集、模型训练、误差分析、校验这一系列步骤实现了智能化操作，整体模型可适应采矿工程领域和岩石工程领域的多种断裂模式识别。所应用的可视化处理方法为关键密度函数估计，相对于其他函数，它更精确描述未知声发射事件的概率分布。而且关键密度函数估计是一种无量纲函数方法，运算更加方便，对数据量不敏感，对于大量声发射数据点，每次运行仅需数秒便可以完成。

附图说明

图1a拉伸/剪切裂缝在煤岩体边界/内部产生的示意图；

图1b声发射事件的参数定义示意图；

图1c煤岩体的裂缝分裂图；

图2a实验加载过程中轴向应力和声发射事件演化图；

图2b实验加载第一阶段RA-AF关系图；

图2c实验加载第二阶段RA-AF关系图；

图2d实验加载第三阶段RA-AF关系图；

图3a实验加载第一阶段裂缝模式识别可视化结果图；

图3b实验加载第二阶段裂缝模式识别可视化结果图；

图3c实验加载第三阶段裂缝模式识别可视化结果图。

具体实施方式

下面结合本发明实施例中的附图，对本发明的技术方案进行更为详细的描述，显然，所描述的实施例仅是本发明一部分的实施例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在没有创造性劳动前提下所获得的其他实施例，都属于本发明保护的范围。

一种用于岩石断裂分类的声发射信号可视化处理方法，具体包含以下步骤：

步骤S1，在实验室中设置好监测岩石破裂的声发射信号参数，建立信号收集和识别模型；

在步骤S1中，设置监测岩石破裂的声发射信号参数主要包括：工作频率范围为125-750kHz；谐振频率为300kHz；门槛值和增益都为40dB；模拟滤波器的上限和下限分别为1和400kHz，采样频率为2MHz。

在步骤S1中，声发射收集和识别模型参数如下：时间、通道、上升时间、计数、能量、持续时间、幅值、平均频率、峰值振幅、反算频率、初始频率、信号强度、绝对能量。

步骤S2，在加工好的标准煤岩样上用热熔胶枪粘结用于采集声发射信号的探头；

在步骤S2中，标准试样为Φ50×100mm的砂岩，所测定砂岩的物理力学参数见表1。

表1所测定砂岩的物理力学参数

煤岩样种类	岩样自重/g	单轴抗压强度/MPa	加载时间/s
				低阶煤	257	7.76	1138

在步骤S2中，将4个声发射探头非共面布置，之后进行单轴压缩实验。

步骤S3，提取岩石加载过程中的可以表征岩石拉伸断裂、剪切断裂、拉剪混合断裂声发射信号的数据集；

在步骤S3中，用于表征断裂模式的声发射信号主要包括，上升角、上升时间、峰值振幅、平均频率、超过声发射波形阈值的总数和声发射波形的持续时间；

其中，上升角RA按以下公式计算：

RA＝RT/A

式中，RT为上升时间，A为峰值振幅。

平均频率AF按以下公式计算：

AF＝C/D

式中，C为超过声发射波形阈值的总数，D为声发射波形的持续时间。

拉伸裂缝的波形主要以纵波传播，因此产生较低RA值。相反剪切事件的波形以剪切波形式传播，从而导致较高的RA值。于是基于RA与AF两个AE指标可以将岩石的断裂模式进行分类，原理如图1所示。

在步骤S3中，所得RA数据、AF数据、单轴压缩数据、声发射时间率数据和累计时间率数据结果如图2所示。

步骤S4，将数据集通过关键密度函数估计方法进行可视化模型处理；

在步骤S4中，声发射信号的可视化模型处理通过关键密度函数估计方法实现。

首先计算时间间隔函数，时间间隔函数F(τ)反映的是在单位时间内N个连续AE事件发生的平均频率。对于单位时间内N个连续声发射事件，可以从以下公式获得这些声发射事件一段时间的平均值τ_i。

τ_i＝Δt_i/N

式中，Δt_i＝t_N+i-1-t_i-1，因此一个时间段的平均值τ₁被定义为：

τ_i＝(t_N-t₁)/N

在t_i-1到t_N+i-1的时间内，时间间隔函数F(τ)被定义为τ_i的倒数：

F(τ_i)＝τ_i ^-1

其次，通过关键密度函数估计方法将时间间隔函数F(τ)得到的结果可视化处理。在关键密度函数估计方法中，AE数据采集到的每个元素都为概率密度的分布做出了贡献，这也是该算法的基本思想，多元数据的真实密度的估算函数如下：

式中，Z_i是第i个数据点，n是训练集中点的数量，h是控制元素宽度的平滑参数。

是元素分布真实密度的估计值。

关键密度函数K(x)是满足一定约束的任意局部函数，当前最流行的是多元高斯函数：

其中d是数据空间的维数。

一旦建立了估算函数之后，数据集中的所有元素将全部用于密度可视化处理。

输出的质量主要取决于训练集的大小和平滑参数值h。在每个数据集中，存在一个最优平滑参数值h。

作为优选的，通过最小二乘交叉验证，确定平滑参数值h。以达到密度估计

和真实密度p(x)之间的平方误差最小化的目的。

但是，由于真实密度p(x)的不确定性，不可以直接获取。因此，找到一个基于交叉验证的近似解。在这里使用二次拟合牛顿类型方法来实现

和p(x)之间的平均平方误差的最小化。

如果已知真实密度p(x)为高斯分布，则最优平滑参数h的计算如下：

对于多元分布，参数A根据以下公式确定：

基于该算法编程可实现断裂模式的可视化。

步骤S5，可视化模型智能识别岩石加载过程中的拉伸断裂、剪切断裂以及拉剪混合断裂。

图3显示了煤样在加载过程三个不同阶段中两类裂缝的可视化后的分布情况。当声发射事件率处于较低水平时，仅出现轻微起伏，此时微裂缝产生。声发射事件率在载荷峰值前后陡然增加，此时宏观裂缝出现。因此，通过煤样声发射事件率可以将破裂过程分为三个阶段，即早期加载阶段，弹性阶段，峰后阶段。

在早期加载阶段(Stage I)，可以在图3(a)中观察到大多数声发射事件为低RA和高AF值，RA值大多在15～50ms/v之间变化而AF值在100～400kHz之间变化，这表明Stage I中产生的裂缝大多与微观拉伸破坏事件相关，在此阶段仅有产生少量剪切裂缝。

当载荷施加至98％时Stage II结束，这期间仍会出现低RA和高AF值拉伸裂缝，但是相对于Stage I而言，高RA和低AF的剪切裂缝有所增加。这是因为在Stage I，原生孔隙正在产生闭合或拉伸，因此拉伸裂缝较多，而在Stage II孔隙闭合之后，矿物颗粒之间发生摩擦滑移，剪切裂缝增加。同时，图3(b)剪切裂缝的集中区域相对于Stage I也有所增加，从拉伸裂缝向剪切模式过渡。

当声发射事件率明显上升时进入Stage III，试样表面出现宏观裂缝，然后在不到整个过程1/4的时间内产生最终破裂，但在这段时间内，AE事件所占比例高达88.8％。图3(c)低RA和高AF值来证明煤样最终破坏为宏观拉伸断裂剥落。

步骤S6，根据声发射信号特征确定波形产生的上升角、平均频率等因素与岩石断裂模式种类之间的关系，为岩石工程中灾害防治监测提供可靠的数据，同时为岩石断裂力学的深入研究提供了一种直观可视化的方法。

以上所述，仅为本发明其中一个案例的实施方式，但本发明的保护范围并不仅仅局限于此，任何熟悉本领域的技术人员在本发明涉及的范围内，尤其在通过声发射信号智能识别断裂类型的技术范围内，根据本发明的技术方案或同等转换，军营涵盖在本发明的保护范围之内。

Claims (6)

1.一种用于岩石断裂分类的声发射信号可视化处理方法，其特征在于，包含以下步骤：

步骤S1，在实验室中设置好监测岩石破裂的声发射信号参数，建立信号收集和识别模型；

步骤S2，在加工好的标准煤岩样上用热熔胶枪粘结用于采集声发射信号的探头；

步骤S3，提取岩石加载过程中的可以表征岩石拉伸断裂、剪切断裂、拉剪混合断裂声发射信号的数据集；

步骤S4，将数据集通过关键密度函数估计方法进行可视化模型处理；

步骤S5，可视化模型智能识别岩石加载过程中的拉伸断裂、剪切断裂以及拉剪混合断裂；

步骤S6，根据声发射信号特征确定波形产生的上升角、平均频率因素与岩石断裂模式种类之间的关系，为岩石工程中灾害防治监测提供可靠的数据，同时为岩石断裂力学的深入研究提供了一种直观可视化的方法。

在步骤S4中，声发射信号的可视化模型处理通过关键密度函数估计方法实现；

首先计算时间间隔函数，时间间隔函数F(τ)反映的是在单位时间内N个连续AE事件发生的平均频率，对于单位时间内N个连续声发射事件，可以从以下公式获得这些声发射事件一段时间的平均值τ_i：

τ_i＝Δt_i/N

式中，Δt_i＝t_N+i-1-t_i-1，因此一个时间段的平均值τ₁被定义为：

τ_i＝(t_N-t₁)/N

在t_i-1到t_N+i-1的时间内，时间间隔函数F(τ)被定义为τ_i的倒数：

F(τ_i)＝τ_i ^-1

其次，通过关键密度函数估计方法将时间间隔函数F(τ)得到的结果可视化处理，在关键密度函数估计方法中，AE数据采集到的每个元素都为概率密度的分布做出了贡献，这也是该算法的基本思想，多元数据的真实密度的估算函数如下：

式中，Z_i是第i个数据点，n是训练集中点的数量，h是控制元素宽度的平滑参数，

是元素分布真实密度的估计值；

关键密度函数K(x)是满足一定约束的任意局部函数，当前最流行的是多元高斯函数：

其中d是数据空间的维数；一旦建立了估算函数之后，数据集中的所有元素将全部用于密度可视化处理；

输出的质量主要取决于训练集的大小和平滑参数值h，在每个数据集中，存在一个最优平滑参数值h。

2.根据权利要求1所述的一种用于岩石断裂分类的声发射信号可视化处理方法，其特征在于，在步骤S1中，监测岩石破裂的声发射信号参数主要包括，声发射工作频率范围、谐振频率、振铃计数阈值、阈值增益、滤波器的极值以及采样频率。

3.根据权利要求1所述的一种用于岩石断裂分类的声发射信号可视化处理方法，其特征在于，在步骤S2中，标准煤岩样主要包括Φ50×100的压缩样品，Φ50×25的巴西劈裂样品，Φ50×50的变角剪切样品。

4.根据权利要求1所述的一种用于岩石断裂分类的声发射信号可视化处理方法，其特征在于，在步骤S3中，用于表征断裂模式的声发射信号主要包括上升角、上升时间、峰值振幅、平均频率、超过声发射波形阈值的总数和声发射波形的持续时间。

5.根据权利要求4所述的一种用于岩石断裂分类的声发射信号可视化处理方法，其特征在于，上升角RA按以下公式计算：

RA＝RT/A

式中，RT为上升时间，A为峰值振幅。

平均频率AF按以下公式计算：

AF＝C/D

式中，C为超过声发射波形阈值的总数，D为声发射波形的持续时间；

拉伸裂缝的波形主要以纵波传播，因此产生较低RA值；相反剪切事件的波形以剪切波形式传播，从而导致较高的RA值；于是基于RA与AF两个AE指标可以将岩石的断裂模式进行分类。

6.根据权利要求1所述的一种用于岩石断裂分类的声发射信号可视化处理方法，其特征在于，在步骤S4中，通过最小二乘交叉验证确定平滑参数值h，以达到密度估计

和真实密度p(x)之间的平方误差最小化的目的：

但是，由于真实密度p(x)的不确定性，不可以直接获取，因此，找到一个基于交叉验证的近似解，在这里使用二次拟合牛顿类型方法来实现

和p(x)之间的平均平方误差的最小化；

如果已知真实密度p(x)为高斯分布，则最优平滑参数h的计算如下：

对于多元分布，参数A根据以下公式确定：

基于该算法可将密度估计可视化。

Images