CN114519920A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114519920A CN114519920A CN202210019287.7A CN202210019287A CN114519920A CN 114519920 A CN114519920 A CN 114519920A CN 202210019287 A CN202210019287 A CN 202210019287A CN 114519920 A CN114519920 A CN 114519920A
- Authority
- CN
- China
- Prior art keywords
- collapse
- microseismic
- signal
- early warning
- precursor
- 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.)
- Pending
Links
- 239000002243 precursor Substances 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 119
- 239000011435 rock Substances 0.000 title claims abstract description 64
- 230000000694 effects Effects 0.000 claims abstract description 59
- 238000010801 machine learning Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000009432 framing Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 230000008054 signal transmission Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 4
- 208000013201 Stress fracture Diseases 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 101100002903 Bacillus anthracis asbA gene Proteins 0.000 claims 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 19
- 230000006378 damage Effects 0.000 description 17
- 238000013515 script Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 8
- 208000010392 Bone Fractures Diseases 0.000 description 6
- 206010017076 Fracture Diseases 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 229910052701 rubidium Inorganic materials 0.000 description 2
- IGLNJRXAVVLDKE-UHFFFAOYSA-N rubidium atom Chemical compound [Rb] IGLNJRXAVVLDKE-UHFFFAOYSA-N 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- Geochemistry & Mineralogy (AREA)
- Emergency Management (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种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，用于浅埋隧道硬脆性围岩塌方灾害的智能预警。首先，微震设备监测所采集的微震信号进行自动预处理；其次，对微震信息进行实时特征提取，通过信号分析提取幅值分形维数、信号活跃度、b值和主频等四个能合理表征塌方即将发生的前兆特征值；然后，将四个特征值构建输入向量，实时输入训练成功的Catboost分类机器学习模型；最后，由Catboost分类机器学习模型自动推算并输出塌方可能性结果，并自动发布预警信息。
Description
技术领域
本发明属于地下工程地质灾害防治工程技术领域，涉及一种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。
背景技术
塌方是隧道工程常见的地质灾害现象，是指围岩失稳而造成的突发性坍塌、崩塌等破坏性的地质灾害，具有高发性、突发性、破坏性等特点。塌方的发生，不仅会影响现场施工的进度，还可能造成机械设备损毁、工程费用增加，甚至严重危害现场施工人员生命安全。塌方预警是预防塌方灾害出现的有效手段。当前，塌方预警一般依靠围岩的变形监测值的变化趋势来实现，但对于硬脆性围岩，塌方发生前的监测变形往往很小，造成基于围岩变形监测量的塌方预警技术往往不能有效地预警塌方灾害。
微震(Microseism,MS)是岩体裂纹产生、扩展、贯通过程中伴随的低能量的弹性波或者应力波。微震设备能够采集微震信号，从而能有效探测岩体破裂过程，进而追踪潜在塌方体从微破裂至宏观失稳的全孕育过程，由此实现塌方的有效预警。但是，目前在隧道工程领域主要用于深部岩爆动力失稳灾害的预警，极少用于浅埋隧道的塌方灾害预警。此外，随着越来越多的隧道工程的兴建，工程分布广泛的同时工程复杂性也进一步提高，岩体的非线性力学关系更加错综复杂、灾变前兆特征更为复杂多变，岩体灾变预测预警分析方法与其他外部硬性技术之间存在非均衡发展关系使得预测预警变得愈发困难，因此，利用微震的单一特征参数分析的预警塌方的可靠性不高，有必要建立基于微震多特征参数的综合分析方法，以提升塌方预警的可靠性和准确性。
Catboost(Categorical Boosting)是一种基于梯度提升决策树的机器学习模型，主要用于类别型特征处理与分类问题。该模型具有无需调参即可获得较高的模型质量、无需对非数值型特征进行预处理、支持多GPU并行计算、无过拟合和预测快速等优点。本发明将此Catboost算法用于建立微震多前兆特征与塌方可能性之间的非线性映射关系，进而提出一种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。通过布设微震监测系统实时获取监测区域围岩体破裂微震信号数据，进行塌方灾变所处阶段的有效识别及灾变前夕的高效预警，并且现场监测端、远程分析云端及移动便携管理端之间能够随时、随地两两双向反馈，不仅显著提高了塌方预测预警的准确性、稳定性，而且还实现了塌方灾害的全天候实时预警，对保障隧道工程安全施工具有重要现实意义。
发明内容
本发明目的在于，针对现有的基于塌方前期征兆以及定期监测围岩变形等常规监测技术不适用于硬脆性围岩隧道的问题，运用微震监测技术，分析塌方演变过程中微震信号的多种前兆特征，同时应用Catboost机器学习模型来处理基于微震多种前兆特征的塌方智能预警问题，提出一种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，以有效实现塌方灾害的智能预警。
本发明为实现上述目的，采用如下技术方案如下：
第一部分，本发明提供一种基于微震多前兆特征的塌方智能预警方法，包括以下步骤：
步骤1：微震信号的实时预处理。为有效监测隧道工程中围岩突发失稳的塌方现象，以岩石内部破裂产生的0～100Hz频率的微震信号作为监测信号，对浅埋隧道硬脆性围岩进行实时P/S波到时识别并将采集到微震信号进行滤波降噪净化数据。
步骤2：实时构建基于微震多前兆特征的预测样本输入向量。根据工程前期试验分析制定的4种微震前兆特征指标的提取方式来提取塌方演变过程的幅值分形维数、信号活跃度、b值以及主频4种微震前兆特征。随后，根据工程前期试验分析制定的4种微震前兆特征指标与塌方发生可能性定量化关系规则，组成预测样本输入向量xi，其中xi＝[x1,x2,x3,x4,]，各元素分为幅值分形维数、信号活跃度、b值以及主频4种微震信号多种前兆特征量化指标。
步骤3：自动推算塌方发生可能性。将预测样本的输入向量输入至训练好的Catboost分类机器学习模型中，得到塌方发生可能性预测结果。
步骤4：自动发布预警信息。按照工程前期试验分析制定的塌方预警标准实时分析预测结果，对现场自动发布所监测岩体的预警信息。
步骤2简要说明：
甄选的，幅值分形维数是度量微震事件幅值大小变化的不规则程度，因而当微震幅值分形维数增大时，微震信号幅值变化明显，预示着岩石的破坏活动频繁；反之，振幅分形维数处以稳定低值时，微震信号幅值变化程度平缓，预示岩石的破坏活动较少。而幅值时间分形维数是研究一个过程，即塌方演变过程幅值分形维数随时间的变化。简单来说，在岩石演变塌方的初期，岩石无明显的破坏现象，此阶段幅值分形维数保持平稳。在最后塌方发生前夕，幅值分形维数出现巨幅增加趋势，随即塌方发生，幅值时间分形维数达到最高值。因此，通过微震幅值分形维数随时间演变规律，能够较好的描述塌方演变全过程。
甄选的，信号活跃度，是指微震信号活跃指数的变化速率，指的是单位时间内的信号活跃指数。而微震信号活跃指数，是指一帧内的微震信号波形最大幅值冲越过门槛电压的次数。微震信号活跃度表征的是破裂信号的活跃程度以及微震信号活跃指数的变化速率，反应了岩石内部破坏活动进行的快慢程度。因此微震信号活跃度能够一定程度上反应塌方演变的破坏过程。
甄选的，b值是介质控制所积累的能量的释放能力，用来衡量某个区域内的地震活动水平的重要参数。当岩体处于稳定时，b值一般保持不变；当岩体内部发生破坏产生微裂隙、发育时，b值由于小震级微震增多而逐渐增大；当岩体不断累计小破坏导致大破坏时，b值由于大震级事件增多小震级事件减少而骤降。故而，可以研究岩体塌方演变过程中微震的b值变化规律，以揭示塌方的前兆特征，并作为预测塌方的依据。
甄选的，主频，是指某一时刻微震信号波形通过快速傅里叶变换(FFT)得到的在频域上的峰值。微震信号主频值的大小反映了岩石内部断裂事件的破坏尺度，通过分析整个塌方过程主频的演变规律，能够在一定程度上反映岩石破坏活动的过程。因此，通过微震信号主频特征演变过程规律，能够较好的描述塌方演变全过程。
甄选的，上述4种基于微震信号塌方演变的前兆特征指标都能够较好的描述围岩体微观破坏至宏观大破坏演变全过程。但是，本发明的应用环境复杂，微震传感器所采集的采样点噪声都有所变化，即可能在塌方临近发生时，在噪声的干扰下，导致某些前兆特征无效。因此，使用单一的微震信号前兆特征用于监测围岩的塌方演变过程随机性大，抗干扰性差，对塌方的综合预警鲁棒性低。综上，本发明将上述4种基于微震信号塌方演变的前兆特征进行综合考虑，将其整合后形成塌方预警参数，对塌方演变全过程进行综合预警，这样可明显改善单一参数预警塌方准确性较差的问题，并进一步增强塌方超前预警的能力。
步骤3简要说明：
甄选的，本发明使用Catboost机器学习方法来训练基于微震多前兆特征的Catboost分类机器学习模型，该机器学习方法属于GBDT(Gradient Boosting DecisionTree)的一种实现，旨在优化算法的性能，提升算法的训练速度，在降低过拟合的同时保证所有数据集都可用于学习，算法性能卓越、鲁棒性与通用性更好、易于使用而且更实用。本发明构建的Catboost分类机器学习模型将塌方发生可能性分为“安全稳定(低)”、“较为安全(中)”、“可能发生塌方(高)”、“极有可能发生塌方(超高)”4种情况进行预警。
第二部分，本发明还提供一种基于微震多前兆特征的塌方智能预警系统，包括以下系统：
信号预处理系统：用于对塌方演变过程的微震信号进行到时识别、去噪、滤波等步骤，可以实现上述微震多前兆特征的塌方智能预警方法中的步骤1内容。
信号传输系统：用于实时传输采集系统收集的微震信号至终端系统；
终端系统：对塌方全过程监测的微震信号进行实时处理，分析，预测得到塌方发生可能性，实现上述微震多前兆特征的塌方智能预警方法中的步骤2和3内容。为了实现以上步骤，该系统分为四个单元；
预警系统：用于实时分析预测结果，同时自动将预警信息发布。实现上述微震多前兆特征的塌方智能预警方法中的步骤4内容。
甄选的，所述终端系统包括：
信号分帧处理单元：对经过预处理的微震信号进行二次滤波去噪、加窗分帧、核验等处理，得到较为纯净、易分析的围岩体破裂微震数据样本
前兆特征处理单元：用于提取塌方全过程的微震信号多种前兆特征，并将前兆特征值转换为机器学习算法可识别的评价指标，进而构成组合形式的机器训练样本。
Catboost分类机器学习模型单元：用于利用Catboost机器学习方法训练基于微震信号多前兆特征的Catboost分类机器学习模型，并将新监测围岩体的微震多前兆特征组成塌方预警参数输入至模型中，进而实现地下工程围岩体塌方发生可能性的实时预测；
信号后处理单元：实现对模型预测结果的整理与储存。
第三部分，本发明还提供一种基于微震多前兆特征的塌方智能预警设备，包括以下设备：
本地设备以及云服务设备。
甄选的，所述本地设备是指处在工程现场及其周围用于实时收集、传输监测岩体发出的微震信号的设备。其核心包括信号预处理盒、通讯箱以及预警发布设备。可以实现上述微震多前兆特征的塌方智能预警系统中的部分功能，即实时预处理和传输塌方演变过程的微震信号以及自动发布预警信息。
甄选的，所述信号预处理盒的内部集成了信号保真器、高速模数转换器(ADC)、微处理器、读写储存器、授时器、通讯组件以及电源。
甄选的，所述云服务设备是指在远离现场通过无线网络与本地设备进行数据交换的设备，其通过处理微震信号、提取特征、机器学习等预测现场塌方发生可能性。其核心包括中央服务器、处理系统、存储系统、网间连接器及总线系统。可以实现上述微震多前兆特征的塌方智能预警系统中的部分功能。
与现有技术相比，本发明的优势在于：
(1)本发明将微震监测分析技术引入到塌方全过程监测中，相较于传统基于围岩变形监测存在的前期变形小监测困难，后期变形快预警不及时等问题，微震监测具有硬脆性围岩塌方全过程的特性，无论是塌方演变初期的微裂纹演变阶段，还是后期宏观破裂阶段都包含丰富的低频段微震弹性波，同时从多角度分析塌方全过程的微震信号深层特征，可有效构建塌方发生的可能性与微震信号特征之间的联系，超前预警灾变的发生，有利于及时采取有效的防治或提前规避手段降低其所造成危害。
(2)本发明提出的一种基于微震多前兆特征的塌方智能预警方法，相较于单一前兆特征由于现场工程环境复杂可能造成塌方预警准确性较低的问题，通过深入分析微震信号的多个前兆特征在塌方演变过程中的变化规律，本发明提取的幅值分形维数、信号活跃度、b值以及主频4种前兆特征在时域、频域等不同角度能有效的反映塌方演变过程所处的特定阶段，同时具有互相独立、相互补充的特点，当某一种特征收到干扰表征能力下降时，其余特征同样还具有表征硬岩破裂的良好性能，能够有效提高预警系统的抗干扰能力，以及塌方预测的准确性。
(3)本发明所采用的Catboost机器学习算法以对称树为基础的一种强化学习模型，具有实现过程简单、调参少，保留大量分类特征信息等优点。相较于人工依靠经验进行判别与预警存在的主观性强、效率低和误差大等问题，Catboost机器学习算法构建的Catboost分类机器学习模型，能够很好的映射微震信号塌方前兆特征与塌方发生可能性之间的非线性关系，输出具有概率意义的预测结果。其结果能够客观反映塌方灾变过程的各个阶段，误差小，效率高。
(4)本发明提出的一种基于微震多前兆特征的塌方智能预警系统与设备，将微震传感器获取围岩的微震信号进行及时预处理，通过信号传输系统实时无线传输至云服务设备，并在云端进行数据储存、二次处理、分析，实时地计算监测现场工程区域范围内的具有潜在风险围岩塌方发生的可能性并配合预警发布设备自动发布预警信息，克服了传统预警手段不能实时、及时、自动发布预警信息的不足，能实现隧道硬脆性围岩塌方的超前预警，有利于现场施工人员与设备及时规避或采取措施防治塌方灾害。
附图说明
图1为本发明摘要中基于微震多前兆特征的硬岩塌方智能预警方法、系统及设备的流程图。
图2为本发明实施例1提供的深部地下工程围岩易发生塌方部位应力状态示意图。
图3为本发明实施例1提供的一种微震多前兆特征预测塌方发生可能性的Catboost分类机器学习模型建立方法流程图。
图4为本发明内容提供的某次塌方全过程监测第一微震信号前兆特征幅值分形维数特征示意图。
图5为本发明内容提供的某次塌方全过程监测第二微震信号前兆特征信号活跃度特征示意图。
图6为本发明内容提供的某次塌方全过程监测第三微震信号前兆特征b值特征示意图。
图7为本发明内容提供的某次塌方全过程监测第四微震信号前兆特征主频特征示意图。
图8为本明发实施例2提供的一种基于微震多前兆特征的塌方智能预警方法流程图。
图9为本明发实施例3提供的一种基于微震多前兆特征的塌方智能预警系统示意图。
图10为本明发实施例4提供的一种基于微震多前兆特征的塌方智能预警本地设备示意图。
图11为本明发实施例4提供的一种基于微震多前兆特征的塌方智能预警云服务设备示意图。
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2为本发明实例所提供的一种基于微震多前兆特征的Catboost分类机器学习模型的构建流程图。本实例可适用于构建基于微震信号多种前兆特征的塌方发生可能性的Catboost分类机器学习模型的情况，其具体构建步骤如下：
步骤A1：数据收集和预处理。深部地下工程围岩易发生塌方部位典型应力状态，见图3。本实例收集了具有代表性的室内模拟塌方试验以及实际工程实例数据共54个。经过对这些数据的筛选，整合，剔除错误数据等工作，再经过滤波降噪净化数据，得到符合构建模型要求的数据47个。由于每个试验或工程实例微震信号波形数据基本包含塌方演变全程，为了充分利用数据，本实例甄选数据并将47个大样本数据分解成658个具有代表性的演变特征小样本。
需要说明
步骤A2：提取微震信号前兆特征。根据幅值分形维数、微震信号活跃度、b值以及主频的获取步骤，提取出各样本的这四种微震信号前兆特征。
示例性的，幅值分形维数的获取步骤如下：
步骤(1)，计算微震信号幅值时间分布的相关积分C(t)：
式中：T为计算时段总时长；t为T时间过程中微震幅值信号之间的时间间隔；M(t)为t时间内的幅值数之和的对数值；M为T时间范围内的幅值数总和。
步骤(2)，以lgC(t)为纵坐标，lg(t)为横坐标，通过建立直角坐标系并进行线性拟合来计算幅值的时间分形维数：
若拟合直线的具有较好的线性相关性，表明岩石微裂隙的产生在幅值上是具有分形分布关系的。
示例性的，微震信号活跃度的获取步骤如下：
步骤(1)，计算微震信号活跃指数MAI：
即若一段微震信号波形的最大幅值超过设定的门槛电压，则该时段内的微震信号活跃指数为1，若整段信号幅值均在门槛电压以下，则该时段内微震信号活跃指数为0。该指标表征的是微震波形信号冲越过门槛电压的次数。
步骤(2)，计算微震信号活跃度MAL：
式中，AMAI(t)表示的是t时刻的累积微震信号活跃指数MAI。
示例性的，微震信号b值的获取步骤如下：
大量现场以及试验观测数据的分析表明岩石破坏的微震事件都服从震级-频率(G-R)关系式，通过研究微震活动性，地震震级-频率关系对所有的震级范围内的地震都是适用的，在一定时间范围内，地震监测区域内的微震事件频率与震级遵从公式：
lgN＝a-bm (5)
式中，m为地震震级，N为震级在Δm范围内变化的地震次数。
示例性的，微震信号主频的获取步骤如下：
步骤(1)，快速傅里叶变化
f＝(a0,a1,...,an-1) (6)
将奇数项、偶数项分别提出构造长度为
的系数表示
f0＝(a0,a2,...,an-2) (7)
f1＝(a1,a3,…,an-1) (8)
有f(x)＝f0(x2)+xf1(x2) (9)
对于
则有
令
则有
式中，
称为旋转因子，递归求得y[0]，y[1]，规模均为
合并得y，为长度为n的向量，由f到y的过程称为快速傅里叶变换，记作：
Y＝FFT(f) (14)
步骤(2)，获取主频
Y＝|y| (15)
通过取绝对值的方法将y向量的标准化。同时Ym取向量Y的一半
Ym＝(Y1,Y2,...,Yn/2) (16)
获取信号波形的频率fs，得
X与Y均是一维n阶向量，其可以值一一对应(X1,Y1)，即可得到频谱图。为了获取频谱的主频，可以通过max[Y]得到最大幅值，找到其对应X即为主频值。
步骤(3)计算频谱频率离散状况：
获得有效频率
EF＝Xi,ifYi≥Q×max(Yi) (18)
EF为一维n阶向量。公式(17)可解释为将一组需要检测频谱频率离散情况的数据，将他们的幅值与有效幅值(有效系数Q×max(Yi))对比，得到幅值大于有效幅值。
即有效频率EF中在主峰区间(Xmax-100,Xmax+100)的频率数量大于所有有效频率数量的一半，则判断为频谱频率集中，反之为离散。
步骤A3：构建模型训练样本。本步骤在步骤A2提取的4种微震信号前兆特征值即幅值分形维数、信号活跃度、b值和主频基础上，对各前兆特征阶段性进行判别，制定符合当前工程实际的4种微震前兆特征与塌方发生可能性的关系规则表(见表5)，同时结合室内试验、工程实际监测的塌方发生可能性(依据所处塌方演变阶段)，构成训练模型训练样本。
示例性的，以某次塌方全过程监测的数据进行举例分析，幅值分形维数随时间的演变规律见图4。a-b段表示平稳波动，幅值分形维数在0.1～0.15区间波动，无突增点超过该区间；b-c段表示小幅波动，大部分幅值分形维数在0.1～0.15区间波动，偶有非连续突增点超过该区间，同时未超出0.05～0.2区间；c-d段表示连续波动，出现连续突增点超过0.1～0.15区间；d-e段表示剧烈波动，出现连续突增点超过0.05～0.2区间。由上述规律，制定了幅值分形维数与塌方发生可能性关系规则，见表1。
表1幅值分形维数与塌方发生可能性的关系规则
| 幅值分形维数 | 平稳波动 | 小幅波动 | 连续波动 | 剧烈波动 |
| 塌方发生可能性 | 低 | 中 | 高 | 超高 |
示例性的，以某次塌方全过程监测的数据进行举例分析，信号活跃度演变规律见图5。a-b段表示不活跃期，微震信号活跃度波动变化，其值均低于250；b-c段表示半活跃期，大部分微震信号活跃度低于250，偶有信号活跃度增加超过250，且随后信号活跃度又下降至250内；c-d段表示活跃期，出现信号活跃度增加超过250，且随后信号活跃度一直处在高于250的水平；d-e段表示超活跃期，出现信号活跃度一直增加，且达到原来2～5倍，这预示着岩体的破坏活动加局，塌方随即到来。由上述规律，制定了微震信号活跃度与塌方发生可能性规则，见表2。
表2信号活跃度与塌方发生可能性的关系规则
| 信号活跃度 | 不活跃 | 半活跃 | 活跃 | 超活跃 |
| 塌方发生可能性 | 低 | 中 | 高 | 超高 |
示例性的，以某次塌方全过程监测的数据进行举例分析，b值演变规律见图6，a表示低平稳波动，b值在一个低水平区间(1～1.5)内上下波动；b表示中平稳波动，b值上升至一个中水平区间(1.5～2)，并维持在区间内平稳波动；c表示高平稳波动，b值上升至一个高水平区间(2.5～3.5)，并维持在区间内平稳波动；d表示跳跃波动，b值高区间(2.5～3.5)与中低区间(1～2)来回跳跃式波动。由上述规律，制定了微震信号b值与塌方关系规则，见表3。
表3b值与塌方发生概率的关系规则
| b值 | 低平稳波动 | 中平稳波动 | 高平稳波动 | 跳跃波动 |
| 塌方发生可能性 | 低 | 中 | 高 | 超高 |
示例性的，以某次塌方全过程监测的数据进行举例分析，微震信号主频特征演变过程见图7，a段为高频集中段，主峰频率主要在600～800Hz区间，同时主频频率较为集中；b段为高频离散段，主峰频率主要在600～800Hz区间，同时频率较为离散；c段为低频集中段，主峰频率主要在200～400Hz区间，同时频率较为集中；d段为低频离散段，主峰频率主要在200～400Hz区间，同时频率较为离散，此时低频段的大破坏频发，预示塌方即将发生。由上述规律，制定了微震信号主频与塌方发生可能性规则，见表4。
表4主频与塌方发生可能性的关系规则
| 主频 | 高频集中 | 高频离散 | 低频集中 | 低频离散 |
| 塌方发生可能性 | 低 | 中 | 高 | 超高 |
示例性的，将上述4种基于微震信号塌方演变的前兆特征进行综合考虑，汇总微震各前兆特征与塌方发生可能性规则表形成微震多前兆特征与塌方发生可能性的综合关系规则，见表5。
表5微震多前兆特征与塌方发生可能性的综合关系规则
示例性的，构成训练模型训练样本(xi,yi)，其中i＝1,2,…,n，输入的特征向量，其中xi＝[x1,x2,x3,x4,]，各元素分为幅值分形维数、信号活跃度、b值以及主频4种微震信号多种前兆特征量化指标，yi为对应该阶段的塌方发生可能性等级，训练样本见表6(仅列出部分样本信息)。
表6某次Catboost分类机器学习模型训练样本集
需要说明的是，表6的训练样本使用的是类别特征。这类特征不是数值型特征，而是离散的集合，例如城市名(南宁、上海、广州等)。在梯度提升算法中，一般利用one-hot编码方法将特征转为数值型，但这会导致丢失特征之间的潜在联系。也可以基于统计来做。例如，首先统计该特征中某个取值A1对应的类别标签的总和SumA，然后用该总和SumA除以该特征取值为A1的样本数N1，进而可以将类别型特征转为数值型特征。但这种做法容易过拟合，比如取值为A1的样本只有一个的情形。因此需要将样本集分成两部分，一部分用来统计，另一部分用来训练，这样能够避免过拟合，但减少了训练的样本量，用来统计的样本量也会有所不足。Catboost算法通过目标统计(Target statistics，实现方法见公式26)方法解决了这一问题，使得基于Catboost算法的分类模型能够直接使用类别特征不影响分类器性能，从而大大节约了分类特征的预处理时间和分类难度。通过较为直观的描述而不是抽象的数值进行构建模型样本，有利于样本的检查和后期样本分析。因此本发明的所有实例均采用类别特征进行训练、检验和待识别样本的构建，之后不再赘述。
步骤A4：训练Catboost分类机器学习模型。参考Python的Catboost工具箱中有关分类问题的解释说明及已有的使用经验，初设微震多前兆特征塌方发生可能性的Catboost分类模型初始参数，具体为：iterations＝48，learning_rate＝1，depth＝2。同时采用经典的k倍交叉验证(k-fold cross validation，K-CV)法将样本随机分成6份(k＝6)，依次选定其中1份作为验证样本，另外5份作为训练样本，进行6次验证，最后以6次验证结果的正确率的平均值对算法进行估计，达到95％的正确率即可得到一个可靠的基于微震信号多种前兆特征的塌方发生可能性的Catboost分类机器学习模型。
示例性的，采用的Catboost机器学习方法是在GBDT框架下进行改进的，因此其主要构建思路于GBDT相似。
首先，其由多颗决策树集成的，但每一个决策树都由上一轮的决策树迭代生成。其采用前向分布算法进行分类，假设前一轮得到的强学习器ft-1(X)，损失函数是L(y,ft-1(X))，那么本轮计算中，需要构建一个弱学习器来使得本轮的损失函数最小，本轮的损失函数为：
L(y,ft(X))＝L(y,ft-1(X))+ht(X) (20)
每轮损失使用损失函数的梯度拟合的，第t轮的第i个样本的损失函数的梯度表示为：
利用(xi,gradt,i)其中i＝1,2,…,n。我们可以构造得到第t棵树，其树的叶子相对应的不相交区域为Rtj(j＝1,2,...,J)。其中J为叶子节点的个数。
针对每一个叶子节点的样本，使其最小化期望损失，也就是拟合叶子节点最好的输出值htj:
htj＝argmin∑h∈HL(y,Ft+h) (22)
式中，h是一个基预测器从函数H族中选择的。
上述最小化问题通常使用牛顿方法解决，采用(负)梯度步长即函数梯度下降法。其使用最小二乘近似：
htj＝argmin∑h∈H(-gradt,i-ht(X))2 (23)
则本轮的决策树拟合函数ht(X):
最终本轮得到的强学习器为：
不断重复上述过程，即可求解预测函数f。
示例性的，关于Catboost模型构建，在GBDT的基础上做了两点改进：
(1)目标统计(Target statistics)：
GBDT在处理分类特征的时候，包含着更多信息的特征本身通常被分类特征对应的标签的平均值替换，这就导致当训练数据集和测试数据集数据结构和分布不一样的时候会出条件偏移问题。
Catboost通过添加先验分布项的方式改进Greedy TS方法，减少噪声和低频率类别型数据对于数据分布的影响：
式中，p是添加的先验项，a通常是大于0的权重系数。针对类别数较少的特征，它可以减少噪声数据。
通过上述方法，使得Catboost能够直接对分类特征信息直接进行处理，不必将样本特征提前转换为数值，从而可以减少噪声和分类特征信息的丢失。同时Catboost采用新颖的对称树(oblivious trees)方式计算叶子节点值，避免多个数据集排列中直接计算会出现过拟合的问题。
(2)有序提升(Ordered boosting)：
为了克服GBDT每一次迭代都使用相同数据集训练模型产生预测偏移的问题，Catboost提出了一种新的叫做有序提升(Ordered boosting)的算法，即Catboost对每一个样本xi都训练一个单独的模型Mi,而模型本身是使用不包含样本xi的训练集训练得到的。然后使用Mi来得到关于样本的梯度估计，并使用该梯度来训练基学习器并得到最终的模型。通过该方法，能够减轻梯度估计的偏差，从而提高模型的泛化能力。
步骤A5，模型可行性检验。本发明实例1，对于Catboost分类机器学习模型输出测试样本的结果进行可行性检验。具体地，检验指标为验证样本的预测准确率，即利用验证样本实际塌方发生可能性与预测塌方发生可能性进行校核，若预测准确率为95％以上，则认为建立的Catboost分类机器学习模型性能符合要求，对于塌方发生可能性预测具有可行性；否则，调整样本和模型训练参数，重新训练模型。
示例性的，本发明实施例1中，Catboost分类机器学习模型中的验证样本110个(658×1/6≈110)，验证样本的预测准确率达到95.54％，因此认为建立的微震多前兆特征塌方发生可能性预测的Catboost分类机器学习模型可行性符合要求，对于实际工程的塌方预警的具有可行性。
需要说明的，Catboost分类机器学习模型中具有110个验证样本，表7仅列出某次验证中部分样本的信息，需要注意的是，验证样本的编号来源于验证样本数据集，其中编号，与表6编号不相同。同时由于Catboost算法采用分类概率预测，即选择该预测样本属于4种预测结果的概率中最大者为预测结果，而预测概率越接近1，属于该预测结果的可能性就越高。
表7某次Catboost分类机器学习模型验证样本集
实施例2
在上述实施例1的基础上提供了一种基于微震多前兆特征的塌方智能预警方法，具体实施流程见图8。下面以位于某水电站地下深部隧洞扩建工程开挖的塌方预警为工程背景，其方法具体包括如下：
步骤B1：现场微震信号数据的实时预处理与传输。信号预处理系统与多个微震传感器有线连接，实时进行到时识别、去噪、滤波等预处理，最后将预处理完成的数据交由信号传输系统传输至终端系统，实现实时预处理与传输现场微震信号数据。
步骤B2：微震信号的二次处理和前兆特征提取。终端系统接收信号传输系统实时传来的微震信号，使用终端的信号分帧处理单元读取微震数据，进行微震信号的再去噪，分帧等二次处理，接着前兆特征处理单元运行编程好的前兆特征提取脚本对处理过的微震信号进行前兆特征提取。
需说明的是，微震前兆特征分别为幅值分形维数、信号活跃度、b值以及主频4种(详见表5、图4～图7)。
需说明的是，本实例2步骤B2，一个数据样本为一段预处理好的微震信号，信号分帧处理单元的脚本将其再去噪并加窗分帧，前兆特征处理单元运行特征提取脚本计算每帧信号的4种微震前兆特征值并记录下来，最后得到一组按分帧顺序排列的前兆特征序列。
步骤B3：自动构建预测样本输入向量。前兆特征处理单元的分析前兆特征脚本根据表1～4各微震前兆特征与塌方发生可能性的关系规则表，对步骤B2生成的前兆特征序列进行各前兆特征阶段性判别，最后构建该样本的微震4种前兆特征的预测样本输入向量xi＝[x1,x2,x3,x4,]。
步骤B4：自动运行满足可行性的Catboost分类机器学习模型进行样本预测。Catboost分类机器学习模型预测单元将构建好的预测样本输入至满足可行性要求的Catboost分类机器学习模型进行样本预测，得到预测结果，即该样本所对应时段的塌方发生可能性结果。并将该结果实时输出，信号后处理单元会将结果写入预测数据库中，实时刷新。
步骤B5：塌方的自动预警。预警系统实时监测预测表内的数据变化，当预测的塌方发生可能性为超高时，会自动将其预测结果作为预警信息发布。
示例性的，预警系统自动获取实时监测预测表最新数据，显示在塌方监测预警界面，当最新预测样本的预测结果为高时，会向在塌方监测预警界面显示橙色预警，提醒管理者此时塌方发生可能性为高，注意现场安全。当最新预测样本的预测结果为超高时，会向在塌方监测预警界面显示红色预警，提醒管理者此时塌方发生可能性为超高，请及时采取行动和处理办法，并向施工现场发出预警信息。
示例性的，本实例2，预测表实时刷新，将预测结果按照先后顺序排列，得到预测表。工程管理者可以通过查看预测表，来判别预测的准确性，如塌方发生可能性预测结果由低突然转变为高或超高的突变情况或预测陡升陡降的情况。
需要说明的是，实例2塌方预警全过程中共记录了89个采样样本，从样本1开始预测，到样本85，塌方发生可能性转至超高开始预警，而样本89塌方发生，本轮塌方预警结束。预测表表8仅列出部分预测信息。
表8某轮监测塌方发生可能性预测表
实施例3
实施例3在上述实施例2的基础上提供的一种微震多前兆特征的塌方智能预警系统示意图，如图9所示，用于实现上述一种基于微震多前兆特征的塌方智能预警方法。本实例可适用于基于微震信号的塌方灾害智能预警情况，其具体结构由以下系统组成：
信号预处理系统C1：用于对塌方演变过程的微震信号进行到时识别、去噪、滤波等处理。该系统用于实现实施例2步骤B1部分内容。
信号传输系统C2：用于实时传输微震信号。整套系统为了减少有线传输，主要采用无线传输形式进行微震信号的传输。该系统用于实现实施例2步骤B1部分内容。
需要说明的是，该信号传输系统是指信号采集系统传输微震信号至终端，采用无线传输形式，其他系统内的数据传输取决于其设备要求。
终端系统C3：用于对塌方全过程监测微震信号进行实时处理，分析，预测塌方发生可能性。终端系统具有针对数据进行处理和分析的多种脚本文件与运算能力，本装置终端系统主要包括以下几个单元：
信号分帧处理单元：用于对经过预处理的微震信号进行二次滤波去噪、加窗分帧、核验等处理，得到较为纯净、易分析的围岩体破裂微震数据样本。该单元用于实现实施例1步骤A1部分内容以及实施例2步骤B2部分内容。
前兆特征处理单元：用于提取塌方全过程的微震信号多种前兆特征，并将前兆特征值转换为机器学习算法可识别的评价指标，进而构成组合形式的机器训练样本。单元包含但不限于基于实例1步骤A2具体说明的4种前兆特征提取方法编译脚本，用于提取经过预处理过的样本的微震前兆特征；基于步骤A2具体说明各微震前兆特征与塌方发生可能性规则编译的脚本，用于分析各个前兆特征所记录的塌方演变阶段进行判别得到前兆特征所处阶段值；按Catboost分类机器学习模型输入要求编译的脚本，用于对前兆特征值进行规范化，形成机器训练样本或预测样本。该单元用于实现实施例1步骤A2和A3部分内容以及实施例2步骤B2和B3部分内容。
Catboost分类机器学习模型单元：用于构建分类模型及实时预测监测岩体发生塌方可能性大小。单元包含但不限于运用样本构建基于Catboost算法的分类模型的脚本，实现分类模型的构建；通过可行检验的微震多前兆特征预测塌方发生可能性的Catboost分类机器学习模型最终预测函数f脚本，用于预测输入的预测样本的塌方发生可能性。该单元用于实现实施例1步骤A4和A5部分内容以及实施例2步骤B4部分内容。
信号后处理单元：实现对模型预测结果的整理与储存。单元包含但不限于用于储存原始样本的数据库、储存预测结果的预测表及提供工程管理人员核查与决策预警数据、筛查和整理预警后的数据库。该单元用于实现实施例2步骤B4部分内容。
预警系统C4：用于实时分析预测结果，同时自动将预警信息发布。系统主要包括塌方监测预警程序，用于读取预测结果数据进行分析，在塌方监测预警程序界面显示当前塌方发生可能性等级，并在预测结果为高和超高时自动发布预警信息。该单元用于实现实施例2步骤B5部分内容。
需要说明的是，本实例所讲述的塌方智能预警系统，包含了四个系统，这四个系统以及其单元主要是功能性上的划分，不同系统不同单元所执行的脚本和功能不同，因此划分以示区别，其与本发明中提供的微震多前兆塌方智能预警设备的说明并不冲突。
实施例4
实施例4在上述实施例3的基础上，提供了一种基于微震多前兆特征的塌方智能预警设备。该塌方智能预警设备为上述塌方智能预警系统提供了硬件支持。
附图10为本实施例一种基于微震多前兆特征的塌方智能预警本地设备D1，可以完成上述塌方智能预警系统C1和C2功能，实现上述塌方预警方法中的步骤B1。现场设备D1其核心包括：微震传感器、信号预处理盒D1-1、通讯箱D1-2预警发布设备D1-3。
所述的，信号预处理盒D1-1其核心包括信号保真器D1-1-1、高速模数转换器(ADC)D1-1-2、微处理器D1-1-3、读写储存器D1-1-4、授时器D1-1-5、通讯组件D1-1-6、电源D1-1-7。
所述的，信号保真器D1-1-1用于增益传感器的信号，并进行一定程度的硬件滤波。
所述的，高速模数转换器(ADC)D1-1-2用于将传感器接收到的模拟信号转换为计算机可以识别的数字信号。可选的，所述高速模数转换器需满足采样定理、宽带化、信号动态特性以及较少量化噪声等技术要求，并且还需是一种具有8通道以上、采样速率达5GSPS以上、量化精度16位的高性能ADC。
所述的，微处理器D1-1-3用于调用读写储存器D1-1-4中的脚本，控制信号预处理盒D1-2的其他组件完成相应功能。可选的，所述微处理器可为基于CISC架构的x86处理器、RISC架构的ARM处理器、DSP芯片和FPGA芯片。所述的x86处理器，可选window操作系统，从可读写储存器D1-1-4中运行编译好的可执行文件，来实现相应功能。所述ARM处理器，可选java操作环境，从可读写储存器D1-1-4中运行编译好的java程序，来实现相应功能。所述DSP芯片包括有控制单元、运算单元、各种寄存器以及一定数量的存储单元等，采用C语言开发，可以同时调用可读写储存器D1-1-4中的C程序和执行程序。所述FPGA芯片，其工作状态是由可读写储存器D1-1-4中的程序设置的，工作时需要对片内的RAM进行编程。用户可以根据不同的配置模式，采用不同的编程方式。加电时，FPGA芯片将可读写储存器D1-1-4中数据读入片内编程RAM中，配置完成后，FPGA进入工作状态。掉电后，FPGA恢复成白片，内部逻辑关系消失。可选的，其内部可配置逻辑模块CLB(Configurable Logic Block)、输出输入模块IOB(Input Output Block)和内部连线(Interconnect)三个部分，可选的将逻辑模块和I/O模块重新配置，以实现相应的逻辑。
所述的，读写储存器D1-1-4用于存储采集过程需要用到的程序脚本和程序脚本运行过程中产生的各类数据。可选的，读写储存器为只读存储器(Read-Only Memory，ROM)和随机存取存储器(Random Access Memory，RAM)二者组合形成的。所述的，只读存储器主要是用于存储已经编译好的需要用到的程序脚本代码和在程序脚本中产生的需要记录下来的数据。示例性的，其数据可为编译好的程序脚本、微震信号数据、操作系统文件等。可选的只读存储器可以为快擦除读写存储器(Flash Memory)和可编程可擦除只读存储器(Erasable Programmable Read Only Memory，EPROM)。所述的，随机存取存储器主要是用于加载只读存储器中的程序和数据供微处理器D1-1-3进行处理并可以暂时存储处理过程中产生的临时数据。示例性的，其数据可为程序运行中的变量、微震信号数据等。可选的，随机存取存储器可为动态随机存取存储器(DynamicRAM)和静态随机存取存储器(StaticRAM)。
所述的，授时器D1-1-5提供一套时钟系统，用于同步信号预处理盒内部各器件工作，和同步与外部设备的通讯。授时器包括一种提供时钟信息的时钟，还可以包括一种提供同步授时服务的同步授时组件。时钟包括其时钟架构和时钟源。可选的，时钟框架可为共同时钟系统、同步时钟系统、源同步时钟系统。所述的，共同时钟系统是由同一个时钟源为同时为收发器件提供时钟。所述的，同步时钟系统将时钟源与发送器件集成在一起，发送端根据该时钟触发输出数据，同时将该时钟与数据一起输出，传给接收端，接收端根据该时钟采样数据。所述的，源同步时钟系统就是同步时钟系统基础上在发送端输出前增加一个触发器，这样就可以保证数据和时钟都经过一个触发器。可选的，时钟源可为LC振荡电路、压控振荡器、石英晶体谐振器。可选的，所述同步授时组件可为PTP授时系统、GPS授时系统、北斗授时系统或铷钟授时系统的单一或多个组合形成时间同步模式。示例性的，时间同步模式可为PTP+北斗、GPS+北斗和PTP+铷钟。
所述的，通讯组件D1-1-6用于实现信号预处理盒D1-1与通讯塔D1-2的微震信号数据传输。可选的，其通讯组件可为SIM插座、基带、射频芯片和天线组成。所述的，基带负责信号处理和协议处理。可选的，基带可为LTE标准下的4G基带或NR标准下的5G基带。所述的，射频芯片负责信号的发射和接收。所述的天线用于信号的辐射和接收。所述的，SIM插座用于无线通信中的用户识别。示例性的，5Gsim卡配合支持5G解码的5G基带和5G射频芯片可以用天线将微震信号以5G通讯方式发射指定的通讯箱D1-2。
所述的，电源D1-1-7用于为信号预处理盒及其工作微震传感器提供电能的设备。可选的，电源可为锂电池、铅酸蓄电池，具体根据工程实际使用场景而定，其尺寸小易便携。
所述的，通讯箱D1-2用于接收现场的各个信号预处理盒D1-2发出的信号，并将其转发至云服务设备。通讯箱安装了微基站D1-2-1、配电器D1-2-2以及天线D1-2-3。
所述的，微基站D1-2-1为现场各个信号预处理盒提供4G或5G网络信号，起中继作用，使得处在深部地下空间的信号预处理盒能够实时的通过微基站将信号上传至云服务设备。可选的，微基站可为5G基站和4G基站。所述的，4G基站配备了小型基带处理单元(BBU)负责信号调制、远端射频单元(RRU)负责射频处理。所述的，5G基站配备了小型基带处理单元(BBU)负责信号调制、有源天线处理单元(AAU)负责射频处理。需要说明的，所选微基站的传输标准应与现场各个信号预处理盒内部的通讯组件D1-2-6支持同一种传输标准。
所述的，配电箱D1-2-3用于提供通讯箱内其他设备电能的设备，可选的，配电箱可支持220V、12V、5V等多种电压输出。所述的，天线D1-2-2用于信号的辐射和接收。
所述的，预警发布设备D1-3用于执行云服务器设备D2下达的预警指令，并控制声光报警将预警信息发布给现场工作人员。可选的，预警发布设备包括通讯组件D1-3-1、声音报警设备D1-3-2、光电报警设备D1-3-3以及显示预警设备D1-3-4。所述的，通讯组件D1-3-1与信号预处理盒的通讯组件D1-1-6功能一致，这里便不再赘述。所述的，声音报警设备D1-3-2通过发布广播或具有警示性声音提醒现场施工人员规避灾害。可选的，声音报警设备可为蜂鸣器、喇叭和音响。所述的，光电报警设备D1-3-3通过强光或警示性灯光提醒现场施工人员规避灾害。可选的，光电报警设备可为警灯、闪光灯。所述的，显示报警设备D1-3-4通过显示预警内容告知现场施工人员和现场管理者当前预警情况。甄选的，显示报警设备可为LED电子显示屏。
示例性的，微震传感器安装至指定位置后开始收集来自围岩体的微震信号，通过数据线传输至信号预处理盒D1-1。微震信号在信号保真器D1-1-1里被增益和进行一部分滤波，随后被高速模数转换器(ADC)D1-1-2由模拟信号转换为数字信号，微处理器D1-1-3调用读写储存器D1-1-4中的脚本将数字信号存储在读写储存器D1-1-4内，并且配合授时器D1-1-5和通讯组件D1-1-6将一段时间内的数字信号转换为无线电信号，将其发送出去。多个微震传感器同时工作、不同工作断面的信号预处理盒不断发送数据。而建设在工程附近的通讯箱D1-2将获取到信号预处理盒发出的无线电信号并将其收集获取打包成数据包上传至局域网或者广域网中。当云服务器下达预警指令后，预警发布设备通讯组件D1-3-1接收到指令，控制显示报警设备D1-3-4显示预警等级、控制声音报警设备D1-3-2广播预警通知、控制光电报警设备D1-3-3开始闪烁预警灯，通过声光报警提醒现场施工人员和管理者塌方极有可能发生，及时采取行动减少损失。
附图11为本实施例一种基于微震多前兆特征的塌方预警云服务设备D2，可以完成上述塌方预警装置C3和C4装置功能，实现上述塌方预警方法中的步骤B2至B5。其核心包括中央服务器D2-1、处理系统D2-2、储存系统D2-3、网间连接器D2-4及总线系统D2-5。
所述的，中央服务器D2-1相当于云服务设备的核心，控制云服务设备中其他系统，调度资源以实现用户设定的需求，同时承担与用户的交互。其核心包括：处理单元D2-1-1、内存单元D2-1-2和交互单元D2-1-3。
所述的，处理单元D2-1-1，为中央服务器所需功能提供算力。可选的，处理单元可为x86处理器或ARM处理器的单一或多个组合。
所述的，内存单元D2-1-2，主要为处理单元提供内存支持。可选的，内存单元可以为ECC内存、Register内存、全缓冲内存模组内存(FB-DIMM)。所述的，ECC内存是带有错误检查和纠正的内存。所述的，Register内存带有Buffer(缓冲)和错误检查和纠正(EEC)功能。所述的，全缓冲内存模组内存(FB-DIMM)增加了一个“AMB”缓冲芯片。
所述的，交互单元D2-1-3，主要为用户提供一个输入输出(I\O)功能。可选的，交互单元可以提供大量的USB接口、音频输出接口、视频输出接口。所述的，USB接口可以连入键盘，鼠标，按钮等USB协议的输入输出设备。可选的，USB接口可为USB2.0、USB3.0、USB3.1的一种或多种组合。所述的，音频输出接口可以连入音响、麦克风、声音报警器等输入输出设备。可选的，音频输出接口可为3.5mm音频接口，麦克风接口的一种或多种组合。所述的，视频输出接口可以连入显示屏、电视、光学报警器等是视频输出设备。可选的，视频输出接口可为VGA、HDMI、DP的一种或多种组合。
所述的，处理系统D2-2用于执行指令进行计算，并将计算后的数据返回中央服务器D2-1或保存至存储系统D2-3，处理系统由处理节点多路并联集成。所述的，处理节点为独立实现执行指令进行计算并输出结果的最小单元。可选的，处理节点可为一个或多个处理器、一个或多条服务器内存的组合。
所述的，储存系统D2-3用于存储中央服务器D2-1和处理系统D2-3所需的操作系统、软件应用程序和可执行脚本文件，以及其产生的数据信息。可选的，储存系统可为服务器硬盘、光盘等只读存储设备。
所述的，网间连接器D2-4实现在传输层上的网络互联，充当协议转换，用来实现获取本地设备上传的数据。
所述的，总线系统D2-5实现云服务设备内部系统之间的数据传输功能。甄选的，总线系统可为PCI总线。
示例性的，云服务设备D2后台不断获取上传至局域网或广域网上的信号后通过中央服务器D2-1中的处理单元D2-1-1和内存单元D2-1-2的处理将其下载保存至存储系统D2-3内。同时内存单元D2-1-2内还在运行的脚本将调用处理单元D2-1-1将存储系统中的微震信号、计算代码和预测模型调用出来分配给处理系统的处理节点完成相应的脚本指令运算，如微震信号的预处理、前兆特征提取、构建预测样本进行运用满足可行性的Catboost分类机器学习模型进行样本预测等。随后，处理系统将处理好的预测结果和数据保存至存储系统内。同时，在处理系统中将会一直运行预警程序，程序会读取监测预测表最新数据，当满足预警标准时自动发布预警指令。同时云服务器管理者在本地连接中央服务器通过交互单元连接显示器、键盘和鼠标等输入输出设备或者远程连接中央服务器的交互网页对预测结果进行查看。此时，处理单元会执行内存单元内运行的程序读取存储系统内的预测结果并在交互界面上显示。
需要注意的，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.基于微震信号多种前兆特征的硬岩塌方智能预警方法，其特征在于，包括以下步骤：
步骤1：微震信号的实时预处理；为有效监测隧道工程中围岩突发失稳的塌方现象，以岩石内部破裂产生的0~100Hz频率的微震信号作为监测信号，对浅埋隧道硬脆性围岩进行实时P/S波到时识别并将采集到微震信号进行滤波降噪净化数据；
步骤2：实时构建基于微震多前兆特征的预测样本输入向量；通过信号分析，提取微震的幅值分形维数、信号活跃度、b值以及主频等4种塌方前兆特征组成预测样本输入向量x i ，其中x i =[x i1, x i2, x i3, x i4,]，各元素分为幅值分形维数、信号活跃度、b值以及主频4种微震信号多种前兆特征量化指标；
步骤3：自动推算塌方发生可能性；将预测样本的输入向量输入至训练好的Catboost分类机器学习模型中，得到塌方发生可能性推算结果；其中，根据已有的现场围岩微震监测数据与室内岩石微震试验数据，制定微震前兆特征指标与塌方发生可能性的定量化关系规则，由此构建Catboost分类机器学习模型的训练样本；
步骤4：自动发布塌方预警信息；通过本发明所提出的系统与设备自动发布塌方发生可能性结果。
2.根据权利要求1所述的基于微震信号多种前兆特征的塌方智能预警方法，其特征在于，所述微震信号前兆特征幅值分形维数：
提取特征方式为：计算塌方演变过程中岩体微破裂产生的微震信号幅值时间分布相关积分C(t)；以lgC(t)为纵坐标，lg(t)为横坐标，通过建立直角坐标系并进行线性拟合来计算幅值的时间分形维数D t 特征；
微震幅值分形维数特征为：塌方演变过程幅值分形维数特征主要包括四个阶段；第一阶段：可解释为幅值分形维数在界定区间A2~A3波动，无突增点超过该区间的平稳波动段；第二阶段：可解释为幅值分形维数在区间A2~A3波动，偶有非连续突增点超过该区间的小幅波动段；第三阶段：可解释为幅值分形维数出现连续突增点超过区间A2~A3，未超出区间A1~A4的连续波动段；第四阶段：可解释为：幅值分形维数出现连续突增点超过区间A1~A4的剧烈波动段；所述A1、A2、A3、A4区间界限值是随实例工程监测环境所决定的，并非为确定、固定的数值，由于此类指标是一种阶段性趋势评估特征，但是并不影响此指标的在塌方发生可能性预测上的准确性及有效性。
3.根据权利要求1所述的基于微震信号多种前兆特征的塌方智能预警方法，其特征在于，所述微震信号前兆特征信号活跃度：
提取特征方式为：根据监测塌方过程监测对象、环境条件、载荷条件等多种因素设定微震信号波形幅值阈值threshold；依据所设定阈值对已经过分帧、加窗处理的微震信号进行门槛值过滤处理，得到信号活跃指数MAI，再通过累计该时刻的信号活跃指数，通过计算单位时间内微震信号活跃指数，得到微震信号活跃度MAL特征；
微震信号活跃度特征为：塌方演变过程信号活跃度特征主要包括四个阶段；第一阶段：可解释为微震信号活跃度均低于B1的不活跃期；第二阶段：可解释为微震信号活跃度偶有超过B1后迅速下降回B1内的半活跃期；第三阶段：可解释为微震信号活跃度长时间高于B1的活跃期；第三阶段：可解释为微震信号活跃度一直增加达到B2以上的超活跃期；所述B1、B2区间界限值是随实例工程监测环境所决定的，并非为确定、固定的数值，由于此类指标是一种阶段性趋势评估特征，但是并不影响此指标的在塌方发生可能性预测上的准确性及有效性。
4.根据权利要求1所述的基于微震信号多种前兆特征的塌方智能预警方法，其特征在于，所述微震信号前兆特征b值：
提取特征方式为：根据工程现场塌方监测条件，设定微震信号最适事件分档间距∆m；计算在∆m范围内变化的地震次数N；运用公式lgN=a-bm，计算得到b值特征；
微震信号b值特征为：塌方演变过程b值特征主要包括四个阶段；第一阶段：可解释为b值在一个低水平区间C1~C2内上下波动的低平稳波动阶段；第二阶段：可解释为b值上升至一个中水平区间C2~C3，在该区间平稳波动的中平稳波动阶段；第三阶段：可解释为b值上升至一个高水平区间C3~C4，在该区间平稳波动的高平稳波动阶段；第四阶段：可解释为b值在高区间C3~C4与中低区间C1~C3来回跳跃式波动的跳跃波动阶段；所述C1、C2、C3、C4区间界限值是随实例工程监测环境所决定的，并非为确定、固定的数值，由于此类指标是一种阶段性趋势评估特征，但是并不影响此指标的在塌方发生可能性预测上的准确性及有效性。
5.根据权利要求1所述的基于微震信号多种前兆特征的塌方智能预警方法，其特征在于，所述微震信号前兆特征主频：
提取特征为：首先对塌方监测获取的微震信号进行快速傅里叶变化，得到微震信号频谱数据，从而获取频谱的主频值，同时计算得到频谱频率的离散集中情况；
微震信号主频特征为：塌方演变过程主频特征主要包括四个阶段；第一阶段：可解释为主峰频率主要在区间D3~D4，同时频谱频率较为集中的高频集中阶段；第二阶段：可解释为主峰频率主要在区间D3~D4, 同时频谱频率较为离散的高频离散阶段；第三阶段：可解释为主峰频率主要在区间D1~D2，同时频谱频率较为集中的低频集中阶段；第四阶段：可解释为主峰频率主要在区间D1~D2, 同时频谱频率较为离散的低频离散阶段；所述D1、D2、D3、D4区间界限值是随实例工程监测环境所决定的，并非为确定、固定的数值，由于此类指标是一种阶段性趋势评估特征，但是并不影响此指标的在塌方发生可能性预测上的准确性及有效性。
6.根据权利要求1所述的基于微震信号多种前兆特征的塌方智能预警方法，其特征在于，所述的Catboost分类机器学习模型，其构建步骤如下：
步骤1：数据收集和预处理；收集具有代表性的室内模拟塌方试验以及实际工程实例数据，经过对这些数据的筛选，整合，剔除错误数据等工作，再经过滤波降噪净化数据；
步骤2：提取微震信号前兆特征组成训练样本输入向量；根据幅值分形维数、信号活跃度、b值以及主频4种微震前兆特征的提取方式，将经过预处理的具有代表性的微震信号提取微震信号的这4种前兆特征；随后，根据工程前期试验分析制定的4种微震前兆特征指标与塌方发生可能性定量化关系规则以及室内试验、工程实际监测的塌方发生可能性，构成Catboost机器学习的训练样本(x i ,y i )其中i=1, 2, …, n，输入的特征向量，其中x i =[x 1,x 2, x 3, x 4,]，各元素分为幅值分形维数、信号活跃度、b值以及主频4种微震信号多种前兆特征量化指标，y i 为对应的塌方发生可能性结果；
步骤3：训练Catboost分类机器学习模型；初设Catboost分类模型初始参数，采用经典的k倍交叉验证将训练样本分为验证样本和训练样本，达到95％及以上的正确率即可得到一个可靠的基于微震信号多种前兆特征的塌方发生可能性的Catboost分类机器学习模型；
步骤4：模型可行性检验；用训练样本之外的样本设置成预测样本输入向量输入至训练完成的Catboost分类机器学习模型，若预测准确率为95%及以上，则认为建立的Catboost分类机器学习模型性能符合要求，对于塌方发生可能性预测具有可行性；否则，调整样本和模型训练参数，重新训练模型。
7.基于微震信号多种前兆特征的塌方智能预警系统，其特征在于，包括以下系统：
信号预处理系统：用于微震信号进行到时识别、去噪、滤波等步骤；
信号传输系统：用于实时传输采集系统收集的微震信号至终端系统；
终端系统：对塌方全过程监测的微震信号进行实时处理，分析，预测得到塌方发生可能性；
预警系统：用于实时分析预测结果，同时自动将预警信息发布；
其中，终端系统包括以下子系统：
信号分帧处理单元：对经过预处理的微震信号进行分帧、二次滤波去噪、核验等步骤；
前兆特征处理单元：用于提取塌方全过程的微震信号多种前兆特征，并将前兆特征值转换为机器学习算法可识别的评价指标，进而构成组合形式的机器训练样本；
Catboost分类机器学习模型单元：用于利用Catboost机器学习方法训练基于微震信号多前兆特征的Catboost分类机器学习模型，并将新监测围岩体的微震多前兆特征组成塌方预警参数输入至模型中，进而实现地下工程围岩体塌方发生可能性的实时预测；
信号后处理单元：实现对模型预测结果的整理与储存。
8.基于微震信号多种前兆特征的塌方智能预警设备，其特征在于，包括以下设备：
本地设备：指处在工程现场及其周围用于实时预处理、传输监测岩体发出的微震信号的设备；其核心包括信号预处理盒、通讯箱以及预警发布设备；其中，信号预处理盒的内部集成了信号保真器、高速模数转换器（ADC）、微处理器、读写储存器、授时器、通讯组件以及电源；
云服务设备：指在远离现场通过无线网络与本地设备进行数据交换的设备；其核心包括中央服务器、处理系统、存储系统、网间连接器及总线系统；其中，中央服务器内部集成了处理单元、交互单元和内存单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210019287.7A CN114519920A (zh) | 2022-01-10 | 2022-01-10 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210019287.7A CN114519920A (zh) | 2022-01-10 | 2022-01-10 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114519920A true CN114519920A (zh) | 2022-05-20 |
Family
ID=81596111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210019287.7A Pending CN114519920A (zh) | 2022-01-10 | 2022-01-10 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114519920A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757335A (zh) * | 2023-08-17 | 2023-09-15 | 四川省华地建设工程有限责任公司 | 基于北斗卫星的崩塌预测方法及系统 |
| CN117724433A (zh) * | 2024-02-07 | 2024-03-19 | 东北大学 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090010104A1 (en) * | 2007-07-06 | 2009-01-08 | Schlumberger Technology Corporation | Methods and systems for processing microseismic data |
| CN104020491A (zh) * | 2014-05-30 | 2014-09-03 | 中国矿业大学 | 一种基于微震频谱演变的冲击地压前兆识别方法 |
| CN106054243A (zh) * | 2016-06-03 | 2016-10-26 | 河南理工大学 | 一种基于微震监测的岩爆多指标预测方法 |
| CN111967378A (zh) * | 2020-08-14 | 2020-11-20 | 广西大学 | 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 |
| CN111999765A (zh) * | 2020-08-14 | 2020-11-27 | 广西大学 | 拉裂坠落式岩溶危岩失稳预警的微震多前兆方法及装置 |
| CN112070316A (zh) * | 2020-09-17 | 2020-12-11 | 四川长虹电器股份有限公司 | 基于catboost算法和集成学习的短期负荷预测方法及系统 |
| US20210173107A1 (en) * | 2019-12-10 | 2021-06-10 | Dalian University Of Technology | Microseismic Wireless Monitoring, Receiving and Early Warning System of Rock |
-
2022
- 2022-01-10 CN CN202210019287.7A patent/CN114519920A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090010104A1 (en) * | 2007-07-06 | 2009-01-08 | Schlumberger Technology Corporation | Methods and systems for processing microseismic data |
| CN104020491A (zh) * | 2014-05-30 | 2014-09-03 | 中国矿业大学 | 一种基于微震频谱演变的冲击地压前兆识别方法 |
| CN106054243A (zh) * | 2016-06-03 | 2016-10-26 | 河南理工大学 | 一种基于微震监测的岩爆多指标预测方法 |
| US20210173107A1 (en) * | 2019-12-10 | 2021-06-10 | Dalian University Of Technology | Microseismic Wireless Monitoring, Receiving and Early Warning System of Rock |
| CN111967378A (zh) * | 2020-08-14 | 2020-11-20 | 广西大学 | 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 |
| CN111999765A (zh) * | 2020-08-14 | 2020-11-27 | 广西大学 | 拉裂坠落式岩溶危岩失稳预警的微震多前兆方法及装置 |
| CN112070316A (zh) * | 2020-09-17 | 2020-12-11 | 四川长虹电器股份有限公司 | 基于catboost算法和集成学习的短期负荷预测方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757335A (zh) * | 2023-08-17 | 2023-09-15 | 四川省华地建设工程有限责任公司 | 基于北斗卫星的崩塌预测方法及系统 |
| CN116757335B (zh) * | 2023-08-17 | 2023-10-20 | 四川省华地建设工程有限责任公司 | 基于北斗卫星的崩塌预测方法及系统 |
| CN117724433A (zh) * | 2024-02-07 | 2024-03-19 | 东北大学 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
| CN117724433B (zh) * | 2024-02-07 | 2024-04-19 | 东北大学 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Böse et al. | CISN ShakeAlert: An earthquake early warning demonstration system for California | |
| CN114519920A (zh) | 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 | |
| Iannaccone et al. | A prototype system for earthquake early-warning and alert management in southern Italy | |
| JP6290859B2 (ja) | リスク予測および評価のためのシステムおよび方法 | |
| US11442187B2 (en) | Microseismic wireless monitoring, receiving and early warning system of rock | |
| Bindi et al. | On-site structure-specific real-time risk assessment: perspectives from the REAKT project | |
| CN114814939A (zh) | 一种煤矿微震台网监测效果评估方法 | |
| CN112613790A (zh) | 应用于多站融合环境下的协同数据处理方法、设备及介质 | |
| CN115965246A (zh) | 一种岩溶塌陷灾害的预警分析方法 | |
| CN115440008A (zh) | 一种山体滑坡雷达波监测方法及系统 | |
| Li et al. | Real-time characterization of finite rupture and its implication for earthquake early warning: application of FinDer to existing and planned stations in Southwest China | |
| Hu et al. | Rockburst time warning method with blasting cycle as the unit based on microseismic information time series: a case study | |
| CN115577011A (zh) | 一种输电线路监测方法及相关设备 | |
| CN113344737B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
| CN117495595B (zh) | 一种矿山地质环境智能监测预警方法及系统 | |
| CN114966845A (zh) | 一种无监督聚类的地震波形实时分类检测方法 | |
| Porras et al. | Preliminary results of an earthquake early warning system in Costa Rica | |
| CN113639849A (zh) | 基于固有振动频率的隧道围岩块体垮塌监测方法及系统 | |
| KR100808817B1 (ko) | 구조물의 지진피해 평가 보고 시스템 | |
| Tiozzo Pezzoli et al. | Seismonomics: Listening to the heartbeat of the economy | |
| Ogweno et al. | Earthquake early warning feasibility study for the New Madrid seismic zone | |
| CN114331022A (zh) | 井下作业安全信息的监测方法、设备及存储介质 | |
| US20230126236A1 (en) | Systems and methods for advanced seismic sensors | |
| Abdalzaher et al. | Leveraging internet of things and emerging technologies for earthquake disaster management: Challenges and future directions | |
| CN118095509A (zh) | 一种油井日产液量预测方法、装置及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220520 |