CN114912477A - 大跨度小净距隧道爆破中不同掏槽方式的识别分类方法 - Google Patents
大跨度小净距隧道爆破中不同掏槽方式的识别分类方法 Download PDFInfo
- Publication number
- CN114912477A CN114912477A CN202210323405.3A CN202210323405A CN114912477A CN 114912477 A CN114912477 A CN 114912477A CN 202210323405 A CN202210323405 A CN 202210323405A CN 114912477 A CN114912477 A CN 114912477A
- Authority
- CN
- China
- Prior art keywords
- modes
- cut
- spectrum
- clear
- blasting
- 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
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F42—AMMUNITION; BLASTING
- F42D—BLASTING
- F42D1/00—Blasting methods or apparatus, e.g. loading or tamping
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F42—AMMUNITION; BLASTING
- F42D—BLASTING
- F42D3/00—Particular applications of blasting techniques
- F42D3/04—Particular applications of blasting techniques for rock blasting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,包括以下步骤:P1,采集n种已知掏槽方式下的中夹岩爆破振动信号;P2,将采集的任意一种掏槽方式下中夹岩爆破振动信号进行多重同步压缩变换MSST和小波阈值去噪WTD联合去噪;P3,对去噪后的信号数据采用多重分形去趋势波动分析MF‑DFA得到多重分形(α‑f(α))谱,提取多个特征值,建立多维特征向量;P4,重复步骤P2和P3,建立若干多维特征向量作为训练集输入支持向量机SVM中进行训练,得到训练成熟的SVM分类器;P5,将待识别的中夹岩爆破振动信号输入训练成熟的SVM分类器中,得出中夹岩爆破振动信号所属的掏槽方式的类别。本发明根据上述方法实现了掏槽方式的科学判别和有效分类。
Description
技术领域
本发明涉及隧道爆破技术领域,具体而言,涉及一种大跨度小净距隧道爆破中不同掏槽方式的识别分类方法。
背景技术
大跨度小净距隧道钻爆法掘进过程中,爆破引起的振动对中夹岩稳定性的影响不可忽略。单自由面条件下隧道爆破强振往往来自于掏槽段起爆,因此掏槽方式的优化对于爆破次生灾害的控制至关重要。目前,大跨度小净距隧道爆破中夹岩振动监测方法存在测试精度差、工序繁琐和劳动强度大等缺陷,隧道不同掏槽方式下的中夹岩振动特征还缺乏量化指标,通过爆破信号特征进行掏槽方式的识别分类还鲜见报道及相关应用,未能有效指导生产实践且远远不能满足工程技术和管理人员对掏槽方式识别分类的迫切要求。
发明内容
基于背景技术中提出的大跨度小净距隧道掏槽方式缺乏量化指标和未能有效识别分类的技术问题,本发明提出了一种大跨度小净距隧道爆破不同掏槽方式下中夹岩振动信号分形特征及识别分类方法。
一种大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,包括以下步骤:
P1,采集n种已知掏槽方式下的中夹岩爆破振动信号,其中,对每种掏槽方式均采集满足分析要求的若干组中夹岩爆破振动信号;
P2,将采集的任意一种掏槽方式条件下的中夹岩爆破振动信号进行多重同步压缩变换MSST和小波阈值去噪WTD联合去噪,获取去噪后的信号数据;
P3,对去噪后的信号数据采用多重分形去趋势波动分析MF-DFA得到多重分形(α-f(α))谱,提取多重分形(α-f(α))谱中的多个特征值,建立多维特征向量;
P4,重复步骤P2和P3,对采集的n种掏槽方式的若干中夹岩爆破振动信号,建立对应数量的多维特征向量,将建立的多个多维特征向量作为训练集输入支持向量机SVM中进行计算训练,得到训练成熟的SVM分类器;
P5,将待识别的任意一种或多种掏槽方式下的中夹岩爆破振动信号输入所述训练成熟的SVM分类器中,进行掏槽方式的识别分类,得出每个中夹岩爆破振动信号所属的掏槽方式的类别。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,所述n种已知掏槽方式包括直孔掏槽、单楔形掏槽和双楔形掏槽。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,步骤P3中,提取多重分形(α-f(α))谱中的谱宽度Δα、维差Δf、极大值fmax、非对称指数IAS、谱覆盖面积A五个特征值fi(i=1,2,3,4,5),建立五维特征向量F={f1,f2,f3,f4,f5}。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,步骤P3具体为:
对于长度为N的爆破信号序列{xk},k=1,2,…,N,,MF-DFA计算步骤如下:
(1)计算序列样本{xk}的平均值:
(2)确定信号样本的累计离差:
其中,i=1,2,…,N;
(4)将第(3)步中划分所得的每个等长小区间内的s个点进行最小二乘法的k阶多项式拟合:
yv(i)=α1ik+α2ik-1+…+αki+αk+1
其中i=1,2,…,s;k=1,2,…;
(5)计算均方误差,设区间为v=1,2,…,2Ns,计算均方误差F2(s,v):
当v=Ns+1,Ns+2,…,2Ns,计算均方误差F2(s,v):
(6)对去趋势后的F2(s,v)取平均值,则可得到q波动函数Fq(s):
其中,q为任意不为零的实数,Fq(s)随着s的增大,以幂律关系递增,即Fq(s)∝sh (q),则对应每一个s,都有一个对应的函数值Fq(s),对于ln[Fq(s)]—lns函数关系图中的斜率为广义Hurst指数hq;
(7)计算质量指数:τ(q)=qh(q)-1
(9)绘制多重分形谱α-f(α)谱,计算谱宽度Δα、维差Δf、极大值fmax、非对称指数IAs、谱覆盖面积A作为多重分形谱的五个特征参数;其中,谱宽度Δα=αmax-αmin;维差Δf=fmax-fmin;IAs=(L-R)/(L+R),L为多重分形谱左极点至极大值垂线的距离,R为右极点至极大值垂线的距离;谱覆盖面积A采用数值积分求解得到,积分上、下线分别为αmin、αmax。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,步骤P4中,重复步骤P2和P3,对采集的n种掏槽方式的若干中夹岩爆破振动信号,建立多个五维特征向量F={f1,f2,f3,f4,f5},将获取的多个五维特征向量F={f1,f2,f3,f4,f5}作为训练集,输入支持向量机SVM中进行计算训练,并根据投票数确定信号类别归属标签(θi,θj,θk),得到训练成熟的SVM分类器,其中,θi为直孔掏槽类别标签,θj为单楔形掏槽类别标签,θk为双楔形爆破类别标签。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,n=3,所述n种已知掏槽方式为直孔掏槽、单楔形掏槽和双楔形掏槽;所述支持向量机SVM为三分类支持向量机。步骤P4中,将训练集输入支持向量机SVM中进行计算训练,得到训练成熟的SVM分类器,具体包括:对于训练集类别归属标签(θi,θj,θk),利用三分类支持向量机构造一个决策函数f(i,j,k)(·),将这三类样本点分开,对于一个五维特征向量的输入F,采用投票方式来判断其属于哪一类,当f(i,j,k)(·)=+1时,F属于θi类;当f(i,j,k)(·)=-1时,F属于θj类;当f(i,j,k)(·)=0时,F属于θk类;最后统计票数,F属于票数最多的那一类;将训练集的数据全部进行分类并反复训练。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,采用多组中夹岩爆破振动数据对分类器进行反复训练,直至训练分类误差小于10-3为止。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,步骤P2的具体过程为:
(1)首先对中夹岩爆破振动信号x(t)进行短时傅里叶变换,得到频谱系数Fx(t,w);
(2)对频谱系数Fx(t,w)进行同步压缩变换,得到同步压缩变换系数Ts(t,η);
(3)利用小波阈值对信号x(t)进行去噪,并同步压缩变换系数Ts(t,η)进行滤波;
(5)采用信噪比SNR、均方误差MSE、峰度信噪比PSNR和平滑度SM四个评价指标对去噪效果进行评价,若不满足则调整迭代次数N值,直至达到分析精度要求。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,步骤P1中,采集n种已知掏槽方式下的中夹岩爆破振动信号具体包括:
S1,选取大跨度小净距隧道的中夹岩岩性稳定段,采用集成化爆破振动监测方法在岩壁处布置测点;
S2,确定隧道上台阶炮孔布置及相关装药参数,钻凿不同形式的掏槽孔并装药起爆;其中,多种不同形式掏槽孔的总装药量保持一致;
S3,对不同掏槽方式下的中夹岩爆破振动信号进行监测,存储并输出波形至计算机终端。
作为本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的一种改进,步骤S1中,所述集成化爆破振动监测方法依赖集成化监测体系来执行。所述集成化监测体系包括:定制大容量锂电池供电模块供电,并设置降压板将电池电压降低至测振仪工作电压;测振仪导线表面设置防护软管;定制专用仪器防护箱,该防护箱具有锁止和警示功能;防护箱内部背板通过膨胀螺栓固定在中夹岩表面,传感器探头固定在中夹岩表面的开有预制孔的角铁上并设置防松垫圈保持连接牢靠,与岩壁缝隙处通过搅拌至糊状的石灰粉填充粘结;测试前,将测振仪主机、降压板、供电模块和导线保护软管集成在保护箱内,并将保护箱固定在传感器迎爆侧,相关导线通过软管防护,形成了所述集成化监测体系。
本发明通过通过对大跨度小净距隧道不同掏槽方式下中夹岩振动信号进行分形特征提取,并根据上述特征实现了工程实践中掏槽方式的科学判别和有效分类,实现了大跨度小净距隧道不同掏槽方式的自适应判别和识别分类。进一步的,本发明还根据采集爆破信号分形特征实现了直孔掏槽、楔形掏槽和双楔形掏槽三种掏槽方式的预测和分类,为隧道掏槽方案的选择和爆破效果评估分类提供了量化指标。提供了一种适应未来数字化、智能化和精细化的隧道掏槽方式判别和分类方法,解决了人为监督判别的盲目性和精度差难题,克服了传统人工记录和大量数据整理判别分类的缺陷,为隧道结构安全和精细化设计施工以及掏槽方案优化选取提供了便捷高效、智能化的预测判别和分类方法。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法的流程图。
图2是后行洞掌子面分台阶法典型炮眼布置图。
图3是大跨度小净距隧道上台阶直孔掏槽孔布置图。
图4是大跨度小净距隧道上台阶单楔形掏槽孔布置图。
图5是大跨度小净距隧道上台阶双楔形掏槽孔布置图。
图6是大跨度小净距隧道直孔掏槽方式爆破信号时程曲线图。
图7是大跨度小净距隧道单楔形掏槽方式爆破信号时程曲线图。
图8是大跨度小净距隧道双楔形掏槽方式爆破信号时程曲线图。
图9是三种不同掏槽方式下爆破信号多重分形相关谱曲线(α-f(α))图。
图10是隧道爆破振动信号多重分形α-f(α)谱统计特征(谱宽度、维差、极大值、非对称指数)示意图。
图11是隧道爆破振动信号多重分形α-f(α)谱统计特征(谱覆盖面积)示意图。
具体实施方式
请参阅图1,一种大跨度小净距隧道爆破不同掏槽方式下中夹岩振动响应分形特征及识别分类方法,包括以下具体步骤S1~S8:
S1:选取大跨度小净距隧道中夹岩岩性稳定段采用集成化爆破振动监测方法在所关注岩壁处布置测点。
大跨度小净距隧道爆破,其施工环境复杂且安全风险极大,因此对隧道爆破施工引起的中夹岩的振动控制要求极高。实践表明,隧道爆破产生的强振往往来自于掏槽段,因此,掏槽方式的选取对中夹岩的稳定至关重要。如何采取合理的监测方法对中夹岩的振动响应进行客观监测并通过信号特征实现不同掏槽方式的科学判别和识别分类,为不同掏槽方式的确定提供量化依据,是工程技术人员面临的关键难题。
大跨度小净距隧道爆破产生的振动对中夹岩的稳定性的影响不容忽视。爆破振动是爆破参数调整和效果评价的重要指标,因此,开展爆破振动监测具有积极的现实意义。针对传统的“随测随走”的爆破振动监测方法存在测点频繁布置、工序繁琐等缺陷,本实施方式的步骤S1提出了集成化隧道爆破中夹岩振动监测方法。考虑到测振仪内置电池容量有限,定制大容量锂电池供电模块供电,并设置降压板将电池电压降低至测振仪工作电压。测振仪导线表面设置防护软管,防止爆破飞石对导线的破坏。定制专用仪器防护箱,该防护箱具有锁止和警示功能。防护箱内部背板通过膨胀螺栓固定在中夹岩表面,传感器探头固定在中夹岩表面的开有预制孔的角铁上并设置防松垫圈保持连接牢靠,与岩壁缝隙处通过搅拌至糊状的石灰粉填充粘结。测试前,将测振仪主机、降压板、供电模块和导线保护软管集成在保护箱内,并将保护箱固定在传感器迎爆侧,相关导线通过软管防护,一定程度上对传感器探头起到了防护作用,形成了集成化监测体系。集成化隧道监测方案克服了传统测试方法传感器频繁布设引起的测试精度难以保证的问题,减少了测试对正常施工的干扰,避免了以往“随测随走”的移动式测试方法中导线和仪器频繁布设和回收的缺陷,通过简单的锂电池组替换便可实现中夹岩长期不间断监测,保证了测试数据的准确性和完整性,为上述不同掏槽爆破形式下中夹岩的振动响应监测及识别分类的科学性提供了保障。
S2:确定隧道上台阶炮孔布置及相关装药参数并钻凿不同形式的掏槽孔装药起爆,不同形式掏槽孔总装药量保持一致。
掏槽孔布置基本原则:首先,在其他爆破参数不变的条件下,只改变掏槽方式;其次,每种掏槽方式的钻孔数量及装药总量尽可能地保持一致,只是掏槽孔的分布有所区别;再次,每种掏槽方式在掌子面的展布区域面积均大致相同;最后,不同掏槽方式所用的雷管等爆破耗材批次和数量保持一致。在此基础上,每种掏槽方式的波形特征才有识别和分类的基础,避免了其他爆破参数因素对掏槽方式和掏槽效果的影响。岩石爆破本身具有很大的离散性,由多种因素共同决定,如岩石物理力学性质,炸药特性、波阻抗、赋存环境、施工水平、爆破参数设计等因素。因此,本实施方式对于待测验的直孔掏槽、楔形掏槽和双楔形掏槽这三种掏槽方式,均在同一地质段实施爆破试验及振动监测。每种掏槽重复开展多次试验,进尺均为2m。需要说明的是,三种掏槽方式受制于钻孔深度、钻孔角度、孔数和装药量等先决因素,并非每种掏槽方式中的最优化方法。本发明着重实现对不同掏槽方式下的爆破振动波形分形特征进行有效的辨识和分类。
三种掏槽孔的布置具体为:
(1)直孔掏槽
直孔掏槽设计为6个孔,6个掏槽孔在掏槽区域等间距布置2列,掏槽列之间的间距为2m,掏槽孔6个孔所用的雷管段别一致,均为第一系列毫秒延期塑料导爆管雷管MS1段,炮孔打设角度与掌子面保持90°垂直关系,炮孔打设满足平、准、直的要求。
(2)单楔形掏槽
单楔形掏槽布置6个孔,6个楔形掏槽孔分左右两列楔形布置,每列各3个掏槽孔。6个楔形掏槽孔为斜孔,与掌子面平面呈80°夹角,2列掏槽孔孔口距离为1.98m,掏槽孔较其他炮孔垂直距离超深200mm,掏槽孔底在掌子面后方须保持落在同一平面上,有利于清除楔形掏槽腔体底部的凸起岩坎。6个楔形掏槽孔均为装药孔,所用雷管段别一致,均为第一系列毫秒延期塑料导爆管雷管MS1段。两列掏槽孔落在炮孔底部的距离为442mm,更有利于爆破腔体的形成,防止夹角过小致使炮孔底部相交,避免炮孔打穿。
(3)双楔形掏槽
双楔形掏槽孔数为10个,10个楔形掏槽孔均为斜孔,分四列呈梅花形布置,其中,中心两列为第一楔形掏槽孔,每列3个炮孔,共6个炮孔;其余两列为第二楔形掏槽孔,每列2个炮孔,共4个炮孔。钻孔角度均朝向隧道中心,第一楔掏槽孔所用雷管段别一致,均为1段雷管,保证其可同时起爆,第二楔掏槽孔跳段为3段雷管,稍晚于第一楔掏槽孔起爆,形成分层分级爆破,利用复式楔形掏槽孔依次起爆形成的槽腔体积空间依次叠加,达到良好的掏槽效果。第一楔掏槽孔的孔底在掌子面后方须保持落在同一平面上,孔深垂直掌子面的投影长度为1.2m,炮孔底部距离为424mm;第二楔掏槽孔的孔底在掌子面后方须保持落在同一平面上,孔深垂直掌子面的投影长度为2.2m,均比其他孔深10%,炮孔底部距离为648mm。
以上三种掏槽方式的爆破部分参数总结如下表1。
表1 三种掏槽方式爆破参数表
如图2所示,为后行洞掌子面分台阶法典型炮眼布置图。上述不同掏槽方式起爆时,爆破次序和雷管段别按照从内到外依次起爆的顺序,使得炮孔起爆具有一定的层次和时间间隔,辅助孔装药量按照内圈药量大,外圈药量逐渐减小的原则布置。同一圈次炮孔的起爆必须为同时起爆,保证可产生良好的爆破效果。除特殊地质条件(瓦斯、可燃气体场合外),所有掏槽孔均采用反向装药方式起爆,以达到最理想的爆破效果。
S3:对不同掏槽方式下的中夹岩爆破振动信号进行有效监测,存储并输出波形至计算机终端。
大跨度小净距隧道台阶法爆破施工过程中,爆破产生的强振通常来自于自由面单一的上台阶,因此,三种掏槽方式下的信号采集均选取上台阶爆破产生的振动响应,如图3~5,分别为大跨度小净距隧道上台阶直孔掏槽孔布置、单楔形掏槽孔布置和双楔形掏槽孔布置。不同形式的掏槽部位均布置在隧道上台阶中下部,掏槽孔数量和孔深基本保持一致,特别是掏槽孔的装药量保持一致,每次爆破设计的炸药单耗基本保持一致。
不同掏槽方式下振动测试数据选取过程中,必须选择距离掌子面距离相同的测点,确保模型训练的精度。为了达到最优化的爆破施工方案,不同掏槽方式下掌子面单循环总装药量保持不变,获取最科学的爆破孔网参数并改善数据预测分类效果。
如图6~8所示,分别为大跨度小净距隧道中,直孔掏槽方式的爆破信号时程曲线图、单楔形掏槽方式爆破信号时程曲线图、双楔形掏槽方式爆破信号时程曲线图。爆破振动信号持续时间较短(一般为毫秒级别),突变快(信号转变迅速),平稳性差(波峰波谷转化剧烈)等特点,其多重分形谱中包含了爆破振动的诸多信号特征,正是由于上述特征的差异,才引起工程结构体产生不同的响应特征。这也是可以通过多重分形谱的差异进行掏槽识别分类的主要依据。
S4:对不同掏槽方式下有效采集信号进行多重同步压缩+小波阈值(MSST+WTD)联合去噪,获取去噪后的信号数据。
在信号分析领域,多重同步压缩变换(Multi-synchrosqueezing Transform,MSST)本质是迭代多个同步压缩变换(SST)操作,多次压缩是在频率方向进行的,理论上可以实现信号的完美重构。小波阈值去噪(Wavelet threshold de-noising,WTD)是将信号在各尺度上进行小波分解,保留最大尺度。即将高分辨率下的分解值设置阈值进行处理,进而将有效信号系数提取出来,实际分析时小波阈值是通过计算绝对中位差(Median absolutedeviation,MAD)来估算噪声的方差ση 2,利用ση估算最优阈值λ:利用小波阈值去噪方法对隧道爆破信号同步压缩变换的频谱系数进行滤波,进而进行反变换可实现爆破信号重构。采用多重同步压缩变换和小波阈值组合算法对现场采集到的隧道爆破信号进行消噪处理具体过程为:
1.首先对微震隧道爆破信号x(t)进行短时傅里叶变换,得到频谱系数Fx(t,w);
2.对频谱系数Fx(t,w)进行同步压缩变换,得到同步压缩变换系数Ts(t,η);
3.利用小波阈值对信号x(t)进行去噪,并对同步压缩变换系数Ts(t,η)进行滤波;
5.采用信噪比(SNR)、均方误差(MSE)、峰度信噪比(PSNR)和平滑度(SM)四个评价指标对去噪效果进行评价,若不满足则调整迭代次数N值,直至达到分析精度要求。
S5:对去噪后的信号采用多重分形去趋势波动分析(MF-DFA,MultifractalDetrended Fluctuation Analysis)得到多重分形(α-f(α))谱,提取谱宽度Δα、维差Δf、极大值fmax、非对称指数IAS、谱覆盖面积A五个特征值,建立五维特征向量。
MF-DFA是一种可以用于分析信号多标度特征的分析方法。通过该方法可以得到信号样本的多重分形谱,即广义Hurst指数hq与广义维数Dq之间的函数关系。
对于长度为N的爆破信号序列{xk},k=1,2,…,N,,MF-DFA计算步骤如下:
1.计算序列样本{xk}的平均值:
2.确定信号样本的累计离差:
其中,i=1,2,…,N;
4.将第3步中划分所得的每个等长小区间内的s个点进行最小二乘法的k阶多项式拟合:
yv(i)=α1ik+α2ik-1+…+αki+αk+1
其中i=1,2,…,s;k=1,2,…;
5.计算均方误差,设区间为v=1,2,…,2Ns,计算均方误差F2(s,v):
当v=Ns+1,Ns+2,…,2Ns,计算均方误差F2(s,v):
6.对去趋势后的F2(s,v)取平均值,则可得到q波动函数Fq(s):
其中,q为任意不为零的实数,Fq(s)随着s的增大,以幂律关系递增,即Fq(s)∝sh (q)。则对应每一个s,都有一个对应的函数值Fq(s),对于ln[Fq(s)]—lns函数关系图中的斜率即为广义Hurst指数hq。
7.计算质量指数:τ(q)=qh(q)-1
9.如图9~10,绘制多重分形谱α-f(α)谱,计算多重分形谱宽度Δα、维差Δf、极大值fmax、非对称指数IAs、多重分形谱覆盖面积A作为多重分形谱5个特征参数,如图11所示。其中,分形谱宽度Δα=αmax-αmin;维差Δf=fmax-fmin;IAs=(L-R)/(L+R),L为多重分形谱左极点至极大值垂线的距离,R为右极点至极大值垂线的距离;多重分形谱覆盖面积A采用数值积分求解得到,积分上、下线分别为αmin、αmax。在一种实施方式中,如表2所示,为三种掏槽形式下中夹岩爆破振动信号多重分形谱相关参数。
表2 三种掏槽形式下中夹岩振动信号多重分形谱相关参数
S6:分别采集直孔掏槽、单楔形掏槽和双楔形掏槽三种掏槽方式下各90组共270组中夹岩爆破振动信号,形成训练类别标签集合(θi,θj,θk)及最终测试类别标签集合C=(c1,c2,c3),分别对应直孔掏槽爆破、单楔形掏槽爆破和双楔形爆破目标矩阵,采用上述分析过程并获取不同爆破方案下的五维特征向量F={f1,f2,f3,f4,f5},每个信号分形特征属性均由一个五维特征向量构成,分别对应谱宽度Δα、维差Δf、极大值fmax、非对称指数IAS,分形谱覆盖面积A,获得信号的多维度信息特征。
S7:测试数据按照2:1的比例划分训练集和测试集。分别随机选取三种掏槽方式下各60组信号共180组信号输入支持向量机(support vector machines,SVM)分类模型,利用每组信号的五个分形特征值fi(i=1,2,3,4,5)计算训练并根据投票数确定信号训练类别归属标签(θi,θj,θk)。
SVM基本原理为:
支持向量机是一种监督学习算法,三分类支持向量机作为一种多分类支持向量机,也是在二分类SVM基础上发展起来的一种分类算法。对于训练集Z=(x,y)=((x1,y1),(x2,y2),…,(xn,yn)),为分类数据,yi∈{+1,-1,0}为数据类别标记。为实现数据分类,定义特征空间为E,该特征空间数据由核函数通过内积生成,为非线性映射函数,实现将输入空间数据映射到高维特征空间。通过在特征空间E中构建一个超平面该超平面将特征数据分为三类,并寻找超平面决策函数f(x,ω)=sign(h(x,ω)),使超平面决策函数输出满足式:
式中:F为测试信号五维特征向量,p=1,2,…,l;l为样本数据总数;l1为决策函数输出值为+1的样本数据总数;l2为决策函数输出值为-1的样本数据总数;l-l1-l2为决策函数输出值为0的第3类样本数据总数。
为了使超平面具有正确、良好的数据分类功能,就必须确保最优分类超平面距离最近的样本点的距离最大,这样的问题最终转化为在特定约束条件下的二次规划形式的优化问题,即:
约束条件为:
采用上述分析过程并获取不同掏槽方式下信号五维多重分形特征向量F={f1,f2,f3,f4,f5},每个信号特征属性均由一个五维特征向量构成,分别对应分形谱宽度Δα、维差Δf、极大值fmax、非对称指数IAS和谱覆盖面积值A,获得信号的多维度数字化信息特征。数据训练过程中,对于任意三类训练归属集合(θi,θj,θk),选取三种掏槽方式下各60组共180组信号利用三分类支持向量机可构造一个决策函数f(i,j,k)(·)将这三类训练样本点分开,对于一个新的信号多维特征向量输入F,同样采用投票方式来判断F属于哪一类,当f(i,j,k)(·)=+1时,F属于θi类;当f(i,j,k)(·)=-1时,F属于θj类;当f(i,j,k)(·)=0时,F属于θk类。最后统计票数,F属于票数最多的那一类。。设定训练次数为3000次,采用多组振动数据对分类器进行反复训练,直至训练分类误差小于10-3为止;
S8:将不同爆破掏槽方式下剩余的各30组信号(共90组)特征向量输入训练成熟的SVM分类器,确定出给定不同类别(c1,c2,c3)投票数状态作为爆破掏槽方案识别分类的最终结果,实现直孔掏槽、单楔形掏槽和双楔形掏槽三类不同掏槽方式的判别分类。
分类识别结果性能最直观和权威的评价标准就是分类正确率,即识别率。其数学表达式为:
CID=ncorrect/ntotal
式中,CID为分类正确率,ncorrect为正确分类数,ntotal为总测试数。通常分类正确率高于90%便可认为分类结果是有效的。
以上通过三种掏槽方式对支持向量机SVM进行反复训练,并使用训练后的SVM进行陶槽方式反复识别测试的准确率结果如表3。
表3 支持向量机SVM预测分类模型训练集和测试集准确率对比
掏槽类型 | 训练集准确率 | 测试集准确率 |
直孔掏槽 | 99% | 98% |
单楔形掏槽 | 98% | 96% |
双楔形掏槽 | 96% | 94% |
由表3可以看出,本发明的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法对直孔掏槽、单楔形掏槽和双楔形掏槽三类不同掏槽方式的判别分类的准确率达到94%以上,本发明为隧道结构安全和精细化设计施工以及掏槽方案优化选取提供了便捷高效、智能化的预测判别和分类方法。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于,包括以下步骤:
P1,采集n种已知掏槽方式下的中夹岩爆破振动信号,其中,对每种掏槽方式均采集满足分析要求的若干组中夹岩爆破振动信号;
P2,将采集的任意一种掏槽方式条件下的中夹岩爆破振动信号进行多重同步压缩变换MSST和小波阈值去噪WTD联合去噪,获取去噪后的信号数据;
P3,对去噪后的信号数据采用多重分形去趋势波动分析MF-DFA得到多重分形(α-f(α))谱,提取多重分形(α-f(α))谱中的多个特征值,建立多维特征向量;
P4,重复步骤P2和P3,对采集的n种掏槽方式的若干中夹岩爆破振动信号,建立对应数量的多维特征向量,将建立的多个多维特征向量作为训练集输入支持向量机SVM中进行计算训练,得到训练成熟的SVM分类器;
P5,将待识别的任意一种或多种掏槽方式下的中夹岩爆破振动信号输入所述训练成熟的SVM分类器中,进行掏槽方式的识别分类,得出每个中夹岩爆破振动信号所属的掏槽方式的类别。
2.根据权利要求1所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于:所述n种已知掏槽方式包括直孔掏槽、单楔形掏槽和双楔形掏槽。
3.根据权利要求1或2所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于:步骤P3中,提取多重分形(α-f(α))谱中的谱宽度Δα、维差Δf、极大值fmax、非对称指数IAS、谱覆盖面积A五个特征值fi(i=1,2,3,4,5),建立五维特征向量F={f1,f2,f3,f4,f5}。
4.根据权利要求3所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于,步骤P3具体为:
对于长度为N的爆破信号序列{xk},k=1,2,…,N,,MF-DFA计算步骤如下:
(1)计算序列样本{xk}的平均值:
(2)确定信号样本的累计离差:
其中,i=1,2,…,N;
(4)将第(3)步中划分所得的每个等长小区间内的s个点进行最小二乘法的k阶多项式拟合:
yv(i)=α1ik+α2ik-1+…+αki+αk+1
其中i=1,2,…,s;k=1,2,…;
(5)计算均方误差,设区间为v=1,2,…,2Ns,计算均方误差F2(s,v):
当v=Ns+1,Ns+2,…,2Ns,计算均方误差F2(s,v):
(6)对去趋势后的F2(s,v)取平均值,则可得到q波动函数Fq(s):
其中,q为任意不为零的实数,Fq(s)随着s的增大,以幂律关系递增,即Fq(s)∝sh(q),则对应每一个s,都有一个对应的函数值Fq(s),对于ln[Fq(s)]—lns函数关系图中的斜率为广义Hurst指数hq;
(7)计算质量指数:τ(q)=qh(q)-1
(9)绘制多重分形谱α-f(α)谱,计算谱宽度Δα、维差Δf、极大值fmax、非对称指数IAs、谱覆盖面积A作为多重分形谱的五个特征参数;其中,谱宽度Δα=αmax-αmin;维差Δf=fmax-fmin;IAs=(L-R)/(L+R),L为多重分形谱左极点至极大值垂线的距离,R为右极点至极大值垂线的距离;谱覆盖面积A采用数值积分求解得到,积分上、下线分别为αmin、αmax。
5.根据权利要求3所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于:步骤P4中,重复步骤P2和P3,对采集的n种掏槽方式的若干中夹岩爆破振动信号,建立多个五维特征向量F={f1,f2,f3,f4,f5},将获取的多个五维特征向量F={f1,f2,f3,f4,f5}作为训练集,输入支持向量机SVM中进行计算训练,并根据投票数确定信号类别归属标签(θi,θj,θk),得到训练成熟的SVM分类器,其中,θi为直孔掏槽类别标签,θj为单楔形掏槽类别标签,θk为双楔形爆破类别标签。
6.根据权利要求5所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于,n=3,所述n种已知掏槽方式为直孔掏槽、单楔形掏槽和双楔形掏槽;所述支持向量机SVM为三分类支持向量机;步骤P4中,将训练集输入支持向量机SVM中进行计算训练,得到训练成熟的SVM分类器,具体包括:对于训练集类别归属标签(θi,θj,θk),利用三分类支持向量机构造一个决策函数f(i,j,k)(·),将这三类样本点分开,对于一个五维特征向量的输入F,采用投票方式来判断其属于哪一类,当f(i,j,k)(·)=+1时,F属于θi类;当f(i,j,k)(·)=-1时,F属于θj类;当f(i,j,k)(·)=0时,F属于θk类;最后统计票数,F属于票数最多的那一类;将训练集的数据全部进行分类并反复训练。
7.根据权利要求6所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于,采用多组中夹岩爆破振动数据对分类器进行反复训练,直至训练分类误差小于10-3为止。
8.根据权利要求1所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于,步骤P2的具体过程为:
(1)首先对中夹岩爆破振动信号x(t)进行短时傅里叶变换,得到频谱系数Fx(t,w);
(2)对频谱系数Fx(t,w)进行同步压缩变换,得到同步压缩变换系数Ts(t,η);
(3)利用小波阈值对信号x(t)进行去噪,并同步压缩变换系数Ts(t,η)进行滤波;
(5)采用信噪比SNR、均方误差MSE、峰度信噪比PSNR和平滑度SM四个评价指标对去噪效果进行评价,若不满足则调整迭代次数N值,直至达到分析精度要求。
9.根据权利要求1所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于,步骤P1中,采集n种已知掏槽方式下的中夹岩爆破振动信号具体包括:
S1,选取大跨度小净距隧道的中夹岩岩性稳定段,采用集成化爆破振动监测方法在岩壁处布置测点;
S2,确定隧道上台阶炮孔布置及相关装药参数,钻凿不同形式的掏槽孔并装药起爆;其中,多种不同形式掏槽孔的总装药量保持一致;
S3,对不同掏槽方式下的中夹岩爆破振动信号进行监测,存储并输出波形至计算机终端。
10.根据权利要求9所述的大跨度小净距隧道爆破中不同掏槽方式的识别分类方法,其特征在于,步骤S1中,所述集成化爆破振动监测方法依赖集成化监测体系来执行;
所述集成化监测体系包括:定制大容量锂电池供电模块供电,并设置降压板将电池电压降低至测振仪工作电压;测振仪导线表面设置防护软管;定制专用仪器防护箱,该防护箱具有锁止和警示功能;防护箱内部背板通过膨胀螺栓固定在中夹岩表面,传感器探头固定在中夹岩表面的开有预制孔的角铁上并设置防松垫圈保持连接牢靠,与岩壁缝隙处通过搅拌至糊状的石灰粉填充粘结;测试前,将测振仪主机、降压板、供电模块和导线保护软管集成在保护箱内,并将保护箱固定在传感器迎爆侧,相关导线通过软管防护,形成了所述集成化监测体系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210323405.3A CN114912477A (zh) | 2022-03-30 | 2022-03-30 | 大跨度小净距隧道爆破中不同掏槽方式的识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210323405.3A CN114912477A (zh) | 2022-03-30 | 2022-03-30 | 大跨度小净距隧道爆破中不同掏槽方式的识别分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114912477A true CN114912477A (zh) | 2022-08-16 |
Family
ID=82763160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210323405.3A Pending CN114912477A (zh) | 2022-03-30 | 2022-03-30 | 大跨度小净距隧道爆破中不同掏槽方式的识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912477A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708600A (zh) * | 2024-02-05 | 2024-03-15 | 中国非金属材料南京矿山工程有限公司 | 桥梁爆破震害预测及评价方法 |
-
2022
- 2022-03-30 CN CN202210323405.3A patent/CN114912477A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708600A (zh) * | 2024-02-05 | 2024-03-15 | 中国非金属材料南京矿山工程有限公司 | 桥梁爆破震害预测及评价方法 |
CN117708600B (zh) * | 2024-02-05 | 2024-04-16 | 中国非金属材料南京矿山工程有限公司 | 桥梁爆破震害预测及评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
CN113759425B (zh) | 井震联合评价深层古岩溶储层充填特征的方法与系统 | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
US11016214B2 (en) | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium | |
CN102435910B (zh) | 基于支持向量分类的功率电子电路健康监测方法 | |
US9519865B2 (en) | Apparatus and methods of analysis of pipe and annulus in a wellbore | |
GB2590555A (en) | Methods for characterizing and evaluating well integrity using unsupervised machine learning of acoustic data | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN104834004B (zh) | 基于峰值前后波形斜率的矿山微震与爆破信号识别方法 | |
CN104570109B (zh) | 一种储层油气预测的方法 | |
CN112070073B (zh) | 一种基于马尔可夫链转移概率矩阵特征值分类与支持向量机的测井曲线异常判别方法 | |
CN114912477A (zh) | 大跨度小净距隧道爆破中不同掏槽方式的识别分类方法 | |
CN110717689A (zh) | 一种露天矿矿岩台阶岩体可爆性分级评价方法 | |
CN111178441A (zh) | 一种基于主成分分析与全连接神经网络的岩性识别方法 | |
Lara-Cueva et al. | On the use of multi-class support vector machines for classification of seismic signals at Cotopaxi volcano | |
CN115327613A (zh) | 一种“多层多级”模式的矿山微震波形自动分类识别方法 | |
CN110413952A (zh) | 油气区块勘探程度的预测方法及装置 | |
Belcher et al. | Detecting erosion events in earth dam and levee passive seismic data with clustering | |
CN112836393A (zh) | 一种基于多尺度熵分析储层非均质性的方法 | |
US9121256B2 (en) | Method of constructing a flow model associated with capillary pressure curves and/or relative permeability curves | |
CN116562428A (zh) | 一种基于机器学习的压裂施工参数优化方法 | |
CN111581890A (zh) | 一种储层厚度预测方法、装置、设备及存储介质 | |
CN113065286B (zh) | 一种基于常规测井的致密砂砾岩储层孔隙结构评价方法 | |
CN115392349A (zh) | 掘进机的截割部的故障诊断方法、装置和掘进机 | |
CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 |
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 |