CN115290761B - 基于深度学习的声发射数据重构方法及装置 - Google Patents

Abstract

本发明提供一种基于深度学习的声发射数据重构方法，包括：试验样品和系统准备；加载应力，采集和记录声发射数据；构建训练数据集，所述训练数据集包括彼此匹配对应的完整数据和限波数据；构建信号识别模块：信号识别模块由深度神经网络构成；所述深度神经网络使用双通道模型；使用训练数据集训练信号识别模块；对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；以及对信号识别模块进行调整和更新。本发明的基于深度学习的声发射数据重构方法能够自动对岩石物理试验中声发射事件的限波数据进行检测和重构，能够提升声发射数据震源机制和震级分析的准确性。

Description

基于深度学习的声发射数据重构方法及装置

技术领域

本发明涉及地球物理领域，具体涉及地震或声学的勘探或探测，尤其是一种基于深度学习的声发射数据重构方法及一种基于深度学习的声发射数据重构装置。

背景技术

水力压裂技术是将高压流体注入页岩储层中，产生复杂的人工裂缝，由此可以增加储层的连通性并提高单井产量。对水力压裂储层改造的不同阶段进行监测和评估是实现高效开发、安全生产的前提。然而，在水力压裂现场监测中，野外井场条件复杂，观测系统布置范围有限，并且无法获得准确的实际工区背景资料（速度结构，岩石力学参数等），同时实际操作存在较多的不可控因素，因而很难通过现场的监测来验证水力压裂过程中裂缝反演结果的正确性。而实验室的岩石物理实验可以提供稳定可控的应力加载条件和信号测量条件，能够较准确的获得岩样的各种属性参数，进而可以对水力压裂中岩石的变化过程进行详细的分析和研究，进一步为实际水力压裂提供指导和帮助。

在实验室岩石物理试验中，一般使用声发射监测技术对实验过程进行监测分析和研究。声发射监测中，一般使用压电陶瓷传感器（PZT）作为声发射探测器，并将其固定布设于岩样外侧，按照一定方式组成检波器阵列。PZT不仅作为声发射信号的接收探头，同时也作为发射探头用来测量岩石变形过程中的速度变化。实验中可通过快速自动开关系统实现PZT接收与发射功能的切换。在岩石实验过程中，在各种外界条件作用下岩石产生声发射信号；声发射信号穿透岩样，被岩样表面的声发射探测器记录。分析这些声发射信号，可以分析实验过程中岩样内部裂缝的分布位置、破裂过程和形成机制，以及岩样其他物理特性的变化。

压电陶瓷是一类具有压电特性的电子陶瓷材料。压电陶瓷具有敏感的特性，可以将极其微弱的机械振动转换成电信号，用它来制作压电地震仪，能精确地测出地震强度。压电陶瓷传感器需要通过电压幅度范围来控制接收信号的振幅幅度。电压幅度大，则可以采集到大震级大振幅的事件；然而当电压幅度小时，在大震级大振幅的事件中，振幅幅度会超过传感器的电压动态范围，超过电压幅度范围的信号不会被采集到，该部分超过范围的部分波形被削波为“平顶”波，这种发生限幅现象的波形称为“限波”。

在岩石物理实验声发射监测中，声发射事件的震级范围较大，振幅差异极大，需要较大的电压范围，例如，大震级事件一般描述主要裂缝，为了获得完整的振幅，一般需要大的电压幅度；小震级事件描述破坏细节，为了凸显信号的细节，一般需要小的电压幅度（大电压时，信号的敏感度较差，容易丢失信号细节）。因此，当目标事件的震级范围较大时，很难通过设置一个电压幅度来同时满足大震级和小震级事件的数据记录。同时，岩石物理实验中，岩石的破裂过程非常短暂（一般为几秒），大震级事件和小震级事件可能同时发生，因而也无法通过预判事件的范围来动态调整探头的动态范围。再者，实验岩样较小，探头布设数量有限，也无法同时布置不同电压范围的PZT探头对大震级和小震级事件进行分别记录。

因而，当电压幅度设置较小时，会发生严重的限幅现象。限幅的波形数据（限波）丢失了事件的波形信息，而震源机制反演和震级计算需要声发射事件的波形信息。当 “限波”不可避免时，会严重影响震源机制、震级的分析处理。因此，限幅波形将严重降低震级和震源机制的计算准确度，无法准确描述岩石破裂过程。

为了获得较准确的波形信息，一般将限幅的波形进行修复，以近似重构波形的完整信息。一般可以借鉴声学研究领域的方法，基于信号的稀疏性，如稀疏投影方法（sparsity-based）和自相关方法（autoregressive)。这些方法对限幅范围较小的数据重构能力较好，但对限幅范围较大的数据重构能力较差。这些方法一般针对声学领域研究（人类歌声，谈话声，乐器声音等），声学信号的特征与岩石物理实验声发射信号的特征差异较大。具体体现为：声发射信号的主频较高（一般达到MHz）；声发射信号的持续时间较短，连续性较差；可能多个事件混合存在，即存在若干主频的成分。虽然可以使用声学领域的方法和流程拓展解决声发射限波问题，但针对室内岩石物理实验声发射信号特点的限幅重构研究暂时没有具体的解决方案。

发明内容

本发明的目的在于至少部分地克服现有技术的缺陷，提供一种基于深度学习的声发射数据重构方法及装置，同时也是一种基于深度学习的声发射数据限波检测和重构方法及装置。

本发明的目的还在于提供一种基于深度学习的声发射数据重构方法，能够自动对岩石物理试验中声发射事件的限波数据进行检测和重构。

本发明的目的还在于提供一种基于深度学习的声发射数据重构方法，恢复大震级事件的限波信息，以提升震源机制和震级分析的准确性。

本发明的目的还在于提供一种基于深度学习的声发射数据重构装置，实施前述重构方法。

为达到上述目的或目的之一，本发明的技术解决方案如下：

一种基于深度学习的声发射数据重构方法，用于岩石物理试验声发射监测，所述方法包括：

选定预定规格的岩石样品，并提供多个压电陶瓷传感器和多个应变片；将多个压电陶瓷传感器和多个应变片布设于岩石样品的侧面；

构建室内岩石物理试验系统，所述系统包括应力加载子系统、声发射波形采集子系统和应力应变监测子系统；

对岩石样品进行应力加载，采集和记录声发射数据；

构建训练数据集，所述训练数据集包括彼此匹配对应的完整数据和限波数据；

构建信号识别模块：信号识别模块由深度神经网络构成；所述深度神经网络使用双通道模型，即分别使用1维波形信息的波形子模块和2维时频谱信息的频谱子模块；波形子模块使用7个卷积层，1-7卷积层参数分别为：64×3×1，64×3×1，128×3×1，128×3×1，128×3×1，64×3×1，64×3×1，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；频谱子模块使用7个卷积层，1-7卷积层参数分别为：64×3×3，64×3×3，128×3×3，128×3×3，128×3×3，64×3×3，64×3×3，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；

使用训练数据集训练信号识别模块；

对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的声发射事件进行标记，并将标记的声发射事件更新到所述训练数据集中；以及

对信号识别模块进行调整和更新。

根据本发明的一个优选实施例，所述岩石物理试验为水力压裂试验，并且所述岩石样品呈圆柱形，岩石样品的直径为50mm，长度为125mm。

根据本发明的一个优选实施例，所述多个压电陶瓷传感器被用粘结剂粘固在岩石样品的侧面上，多个压电陶瓷传感器为20个压电陶瓷传感器，多个压电陶瓷传感器被布置为四列，每列压电陶瓷传感器均平行于岩石样品的轴线，四列压电陶瓷传感器沿岩石样品的周向均匀分布。

根据本发明的一个优选实施例，当进行主动源监测时，多个压电陶瓷传感器中的部分压电陶瓷传感器作为发射探头，所述部分压电陶瓷传感器在不发射信号时也接收信号，其余压电陶瓷传感器始终接收信号；当进行声发射监测时，全部压电陶瓷传感器都采集信号。

根据本发明的一个优选实施例，所述多个应变片被用粘结剂粘固在岩石样品的侧面上，多个应变片为四个应变片，四个应变片与四列压电陶瓷传感器沿岩石样品的周向交错分布。

根据本发明的一个优选实施例，所述应力加载子系统为能够提供轴压、注入压和围压的三轴压缩应力加载子系统；

所述声发射波形采集子系统包括所述压电陶瓷传感器、前置放大器和采集设备；

所述应力应变监测子系统由所述应变片和采集组件构成。

根据本发明的一个优选实施例，在水力压裂试验过程中，对岩石样品的应力加载按照如下顺序进行：各向同性加载阶段、增加轴压阶段、注水增加孔隙压力阶段、再次增加轴压阶段，再次注水增加孔隙压力阶段、岩石破裂阶段和卸载阶段；

其中，各向同性加载阶段用于加载围压，增加轴压阶段和再次增加轴压阶段用于加载轴压，注水增加孔隙压力阶段和再次注水增加孔隙压力阶段用于加载注入压。

根据本发明的一个优选实施例，所述构建训练数据集包括：

生成数据；

对生成数据进行数据增广；

对所有数据进行预处理。

根据本发明的一个优选实施例，所述生成数据包括：

使用不同的岩石样品进行声发射监测，采集和记录声发射数据，挑取不同振幅并且具有完整波形的事件，获得完整无限波声发射数据，作为所述完整数据；

使用不同的振幅阈值，将完整数据的波形进行切除，将大于阈值的部分替换为阈值，获得阈值切除波形的位置和生成的含限波的限波数据。

根据本发明的一个优选实施例，所述对生成数据进行数据增广包括：

将使用相同岩石类型获得的数据的不同波形进行混叠：将任意两个波形数据进行叠加，叠加权重随机分布，分布范围设置为0.25-4，模拟两个声发射事件同时激发的情况；

在声发射监测采集到的声发射数据中，截取声发射信号前的背景噪音数据段，并将该背景噪音数据段与声发射信号段进行叠加，叠加权重随机分布，分布范围为0.5-2，模拟实际监测中的监测环境。

根据本发明的一个优选实施例，所述对所有数据进行预处理包括去除均值和数据归一化。

根据本发明的一个优选实施例，波形子模块的输入为限波波形，波形子模块的输出为重构的波形，损失函数为均方误差计算重构的波形与完整波形的误差；

频谱子模块的输入为限波波形的短时傅里叶频谱，频谱子模块的输出为重构的频谱，损失函数为感知损失计算重构的频谱与完整波形的短时傅里叶频谱的误差。

根据本发明的一个优选实施例，所述使用训练数据集训练信号识别模块包括：

将数据集分为训练集与测试集，比例为8：2；

神经网络模型采用随机梯度下降优化方法；设置动态学习率，初始值设置为0.0001，每50次降低一半；批处理量设置为40；迭代次数为200；

在GPU图像处理单元上进行神经网络模型训练。

根据本发明的一个优选实施例，所述对信号识别模块进行调整和更新包括：

冻结特征提取层的网络结构，保持特征提取层的参数不变，使用全部更新的声发射事件和数据集中部分旧的声发射事件，对特征输出层和全连接层之间的映射关系进行训练，将最后的一层输出的特征提取出来，利用新数据进行模型调整，重新建立由特征输出层到全连接层的映射关系；

获得新的网络模型参数，同时更新信号识别模块。

根据本发明的一个优选实施例，所述对实际监测数据进行预处理包括去除均值和数据归一化。

根据本发明的另一个方面，提供了一种基于深度学习的声发射数据重构装置，所述重构装置用于实施如前述实施例中任一项所述的基于深度学习的声发射数据重构方法。

本发明的基于深度学习的声发射数据重构方法和重构装置能够自动对岩石物理试验中声发射事件的限波数据进行检测和重构，从而即便在压电陶瓷传感器的电压幅度不大的情况下，也能获得声发射事件的完整波形，能全面分析岩石的破裂过程，规避了无法动态调整压电陶瓷传感器的电压幅度的限制和压电陶瓷传感器的布置数量受限的限制，能够提升震源机制和震级分析的准确性。

附图说明

图1为根据本发明的实施例的基于深度学习的声发射数据重构方法的流程图；

图2示出了实施根据本发明的基于深度学习的声发射数据重构方法的岩石样品和岩石样品表面的PZT和应变片的布设方式；

图3为根据本发明的实施例的基于深度学习的声发射数据重构方法的重构网络模型的示意图；

图4为正常完整波形与“限波波形”的示意图，其中，当电压幅度范围超过波形时，PZT记录到完整的波形；当电压幅度范围小于波形时，PZT记录到小于电压幅度范围内的波形，而范围外的波形丢失；电压幅度范围一般为设置为相同的正负幅度值。

具体实施方式

下面结合附图详细描述本发明的示例性的实施例，其中相同或相似的标号表示相同或相似的元件。另外，在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本披露实施例的全面理解。然而明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下，公知的结构和装置以图示的方式体现以简化附图。

机器学习（Machine Learning，ML）方法基于概率模型对数据进行学习，既有从数据流中提取出复杂的模式和有效特征的能力，也有归纳演绎新特点、新机制的潜能，能够提高对系统的预测能力，是一种与以往数据分析方法互补的实用工具。地球结构的复杂性、地球物理观测的间接性以及数字工具的复杂性，为地球物理研究的发展带来极大的挑战。数据驱动学科与模型驱动技术相结合有助于深入探索地震学领域难题、加速推动新知识的产生。在这种背景下，机器学习方法就是一个极佳的选择。机器学习在地震学领域中的应用不断扩大，尤其是近几年，使用机器学习技术开展地震学研究越来越多。

深度学习方法是探索解决地震学领域难题、开展地球物理研究的一个好工具，深度学习在地震学领域中的应用不断扩大。地震学中深度学习应用的两个主要类别是监督学习（supervised learning）和无监督学习（unsupervised learning）。监督学习需借助标签特征预测建模，可根据不同的输出数据类型（离散型或连续型）进一步分为分类或回归。无监督学习适合于挖掘隐含信息，基于相似性将目标对象分组（聚类）或是降低输入数据的维度（降维），常用于数据挖掘、模式识别及图像处理。此外，深度学习还有半监督学习（并行学习已标注数据集与未标注数据集），不同的算法具有各自的优缺点。

通过岩石物理试验声发射监测分析水力压裂过程中的岩石破裂过程，本发明基于深度学习校正声发射数据，由此提出了一种基于深度学习的声发射数据重构方法（或限波检测和重构方法），该方法用于岩石物理试验声发射监测。基于深度学习的声发射数据重构方法包括如下步骤：

步骤A、试验样品准备：选定预定规格的岩石样品，并提供多个压电陶瓷传感器和多个应变片；将多个压电陶瓷传感器和多个应变片布设于岩石样品的侧面。

试验样品一般来自特定地区的岩石，岩石样品的尺寸可根据实际研究目的采用不同的规格。在常规室内水力压裂实验中，一般使用的规格为：岩石样品呈圆柱形，岩石样品的直径为50mm，长度为125mm。

压电陶瓷传感器（PZT）一般贴于岩石样品侧面，使用胶水固定。例如，使用20个压电陶瓷传感器进行信号发射和接收。20个压电陶瓷传感器分别沿岩石样品的周向的0°、90°、180°和270°四列布设，即四列压电陶瓷传感器沿岩石样品的周向均匀分布，每列5个压电陶瓷传感器，每列压电陶瓷传感器均平行于岩石样品的轴线。当进行主动源监测时，多个压电陶瓷传感器中的部分压电陶瓷传感器作为发射探头，所述部分压电陶瓷传感器在不发射信号时也接收信号，其余压电陶瓷传感器始终接收信号；当进行声发射监测时，全部压电陶瓷传感器都采集信号。

应变片一般贴于岩石样品侧面，使用胶水固定。例如，使用四个应变片。四个应变片分别沿岩石样品的周向的45°、135°、225°和315°布设，这样四个应变片与四列压电陶瓷传感器沿岩石样品的周向交错分布，应变片用以接收记录岩石样品在应力加载过程中的轴向和环向应变，如图2所示，图2给出了根据本发明的一个实施例的声发射数据采集观测系统。

步骤B、构建室内岩石物理试验系统，所述系统包括应力加载子系统、声发射波形采集子系统和应力应变监测子系统。

试验系统可根据实际研究目的采用不同的外界设备，常规室内水力压裂试验中，一般可以将试验系统分为应力加载子系统、声发射波形采集子系统和应力应变监测子系统。

应力加载子系统一般采用三轴压缩应力加载子系统，该子系统可以提供轴压，注入压和围压。

声发射波形采集子系统由压电陶瓷传感器、前置放大器和高速采集设备构成。

应力应变监测子系统由应力应变片和采集组件构成。

步骤C、试验过程和数据分析处理：对岩石样品进行应力加载，采集和记录声发射数据。

试验系统可根据实际研究目的采用不同的加载策略。例如，水力压裂试验过程中，可以将试验分为各向同性加载阶段（围压）、增加轴压阶段（轴压）、注水增加孔隙压力阶段（注入压）、再次增加轴压阶段（轴压），再次注水增加孔隙压力阶段（注入压）、岩石破裂阶段和卸载阶段。

声发射信号的处理流程包括：有效事件拾取（拾取具有明显震相的数据段），初至拾取（在有效事件数据中，提取波形的初至时间），震源定位（根据拾取的初至时间以及探头的空间位置，获得事件的震源位置），震源机制分析（根据事件的波形，反演事件的震源机制，获得该事件的破裂特征），震级计算（根据事件的波形，反演事件的震级）等。

步骤D、构建训练数据集，所述训练数据集包括彼此匹配对应的完整数据和限波数据。

1、数据集概况。

数据集结构为：完整数据1D，限波数据1D，两者匹配对应。以上所有数据的尺寸均一致。对于单个数据，共包含Ns（10000）个采样点，共包含Nk（10000）个数据。因此，数据体为Ns*Nt。

2、生成数据。

使用不同的岩石样品（砂岩，页岩等）进行声发射监测，采集和记录声发射数据，挑取不同振幅波形的事件（要求该事件波形为完整波形，即不存在限波情况；最大振幅和最小振幅差异为10倍），获得完整无限波声发射数据，作为完整数据。使用不同的振幅阈值（如50%，60%，70%，80%和90%），将完整数据的波形进行切除（即将大于阈值的部分替换为阈值，表现为限波），同时获得阈值切除波形的位置（限波位置）和生成的含限波的波形数据。

3、数据增广。

数据生成过程中，对数据进行增广，以提升数据集的普适性。声发射数据增广方式为：

a、将使用相同岩石类型获得的数据的不同波形进行混叠，即将任意两个波形数据进行叠加（两种波形的叠加权重随机分布，其分布范围设置为0.25-4），模拟两个声发射事件同时激发的情况；

b、在声发射监测采集到的声发射数据中，截取声发射信号前的背景噪音数据段，并将该背景噪音数据段与声发射信号段进行叠加（叠加权重随机分布，其分布范围为0.5-2），模拟实际监测中的监测环境。

4、数据预处理。

对所有数据进行相同步骤的预处理：去除均值，数据归一化。

步骤E、构建信号识别模块：

1、模块架构。

信号识别模块由深度神经网络构成；所述深度神经网络使用双通道模型，即分别使用1维波形信息的波形子模块和2维时频谱信息的频谱子模块。波形子模块使用7个卷积层，1-7卷积层参数分别为：64×3×1，64×3×1，128×3×1，128×3×1，128×3×1，64×3×1，64×3×1，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；频谱子模块使用7个卷积层，1-7卷积层参数分别为：64×3×3，64×3×3，128×3×3，128×3×3，128×3×3，64×3×3，64×3×3，其中，第一维为卷积个数，第二维和第三维为卷积尺寸。

2、模块IO。

波形子模块的输入为限波波形，波形子模块的输出为重构的波形，损失函数为均方误差（MSE，mean squared error）计算重构的波形与完整波形（无限波）的误差。

频谱子模块的输入为限波波形的STFT（短时傅里叶变换）频谱，频谱子模块的输出为重构的频谱，损失函数为感知损失（perceptual loss）计算重构的频谱与完整波形（无限波）的STFT频谱的误差。

另外，输出重构频谱可以通过STFT转化为STFT频谱；输出重构频谱可以通过ISTFT（逆短时傅里叶变换）转化为重构波形。

步骤F、使用训练数据集训练信号识别模块。

所述使用训练数据集训练信号识别模块包括：

将数据集分为训练集与测试集，比例为8：2；

神经网络模型采用随机梯度下降优化方法；设置动态学习率，初始值设置为0.0001，每50次降低一半；批处理量设置为40；迭代次数为200；

在GPU图像处理单元上进行神经网络模型训练。

步骤G、对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的声发射事件进行标记，并将标记的声发射事件更新到所述训练数据集中。具体地：

1、对实际监测数据进行预处理：对实际监测数据进行预处理包括去除均值和数据归一化。

2、将预处理后的数据输入信号识别模块，获得相对应的判断输出结果。该神经网络模型可以同时自动判断限波位置（无需手动标注限波位置），并进行限波波形的重构。

3、对在上述步骤中识别到的声发射事件进行标记，并将该标记的声发射事件更新到实际监测到的声发射对应训练数据集中。

步骤H、对信号识别模块进行调整和更新。

1、设置模型更新阈值。

试验完毕后，使用新采集到的声发射事件波形，使用步骤D中的数据生成方式，部分更新训练数据集。使用更新的训练数据集启动信号识别模块更新过程。

2、模块更新微调。

在信号识别模块更新微调中，冻结特征提取层的网络结构，也就是说保持特征提取层的参数不变，使用全部更新的声发射有效事件和数据集中部分旧的声发射有效事件（两者数据依旧为Nk，保持数量一致），对特征输出层和全连接层之间的映射关系进行训练，即：将最后的一层输出的特征提取出来，利用新数据进行模型微调（fine tune），重新建立由特征输出层到全连接层的映射关系。只对模快的特征输出层到全连接层的映射关系进行迁移训练，不用对整个模块进行训练，因此可以提升训练速度。

3、获得新的网络模型参数；同时更新信号识别模块。

本发明的基于深度学习的声发射数据重构方法和重构装置能够自动对岩石物理试验中声发射事件的限波数据进行检测和重构，从而即便在压电陶瓷传感器的电压幅度不大的情况下，也能获得声发射事件的完整波形，能全面分析岩石的破裂过程，规避了无法动态调整压电陶瓷传感器的电压幅度的限制和压电陶瓷传感器的布置数量受限的限制，能够提升震源机制和震级分析的准确性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行变化。本发明的适用范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于深度学习的声发射数据重构方法，用于岩石物理试验声发射监测，对岩石物理试验中声发射事件的限波数据进行检测和重构，其特征在于，所述方法包括：

选定预定规格的岩石样品，并提供多个压电陶瓷传感器和多个应变片；将多个压电陶瓷传感器和多个应变片布设于岩石样品的侧面；

构建室内岩石物理试验系统，所述系统包括应力加载子系统、声发射波形采集子系统和应力应变监测子系统；

对岩石样品进行应力加载，采集和记录声发射数据；

构建训练数据集，所述训练数据集包括彼此匹配对应的完整数据和限波数据；

构建信号识别模块：信号识别模块由深度神经网络构成；所述深度神经网络使用双通道模型，即分别使用1维波形信息的波形子模块和2维时频谱信息的频谱子模块；波形子模块使用7个卷积层，1-7卷积层参数分别为：64×3×1，64×3×1，128×3×1，128×3×1，128×3×1，64×3×1，64×3×1，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；频谱子模块使用7个卷积层，1-7卷积层参数分别为：64×3×3，64×3×3，128×3×3，128×3×3，128×3×3，64×3×3，64×3×3，其中，第一维为卷积个数，第二维和第三维为卷积尺寸；

使用训练数据集训练信号识别模块；

对实际监测数据进行预处理，将预处理后的数据输入信号识别模块，获得输出结果；对输出结果中识别到的声发射事件进行标记，并将标记的声发射事件更新到所述训练数据集中；以及

对信号识别模块进行调整和更新，

其中，所述岩石物理试验为室内水力压裂声发射试验，在室内水力压裂声发射试验过程中，对岩石样品的应力加载按照如下顺序进行：各向同性加载阶段、增加轴压阶段、注水增加孔隙压力阶段、再次增加轴压阶段，再次注水增加孔隙压力阶段、岩石破裂阶段和卸载阶段；

所述构建训练数据集包括：生成数据；对生成数据进行数据增广；对所有数据进行预处理；

所述对生成数据进行数据增广包括：

将使用相同岩石类型获得的数据的不同波形进行混叠：将任意两个波形数据进行叠加，叠加权重随机分布，分布范围设置为0.25-4，模拟两个声发射事件同时激发的情况；

在声发射监测采集到的声发射数据中，截取声发射信号前的背景噪音数据段，并将该背景噪音数据段与声发射信号段进行叠加，叠加权重随机分布，分布范围为0.5-2，模拟实际监测中的监测环境。

2.根据权利要求1所述的基于深度学习的声发射数据重构方法，其特征在于：

所述岩石样品呈圆柱形，岩石样品的直径为50mm，长度为125mm。

3.根据权利要求2所述的基于深度学习的声发射数据重构方法，其特征在于：

所述多个压电陶瓷传感器被用粘结剂粘固在岩石样品的侧面上，多个压电陶瓷传感器为20个压电陶瓷传感器，多个压电陶瓷传感器被布置为四列，每列压电陶瓷传感器均平行于岩石样品的轴线，四列压电陶瓷传感器沿岩石样品的周向均匀分布。

4.根据权利要求3所述的基于深度学习的声发射数据重构方法，其特征在于：

所述多个应变片被用粘结剂粘固在岩石样品的侧面上，多个应变片为四个应变片，四个应变片与四列压电陶瓷传感器沿岩石样品的周向交错分布。

5.根据权利要求1所述的基于深度学习的声发射数据重构方法，其特征在于，所述生成数据包括：

使用不同的岩石样品进行声发射监测，采集和记录声发射数据，挑取不同振幅并且具有完整波形的事件，获得完整无限波声发射数据，作为所述完整数据；

使用不同的振幅阈值，将完整数据的波形进行切除，将大于阈值的部分替换为阈值，获得阈值切除波形的位置和生成的含限波的限波数据。

6.根据权利要求1所述的基于深度学习的声发射数据重构方法，其特征在于，所述对所有数据进行预处理包括去除均值和数据归一化。

7.根据权利要求5所述的基于深度学习的声发射数据重构方法，其特征在于：

波形子模块的输入为限波波形，波形子模块的输出为重构的波形，损失函数为均方误差计算重构的波形与完整波形的误差；

频谱子模块的输入为限波波形的短时傅里叶频谱，频谱子模块的输出为重构的频谱，损失函数为感知损失计算重构的频谱与完整波形的短时傅里叶频谱的误差。

8.一种基于深度学习的声发射数据重构装置，其特征在于，所述重构装置用于实施如权利要求1-7中任一项所述的基于深度学习的声发射数据重构方法。

Images