CN116297868B - 一种岩爆声发射前兆特征的计算方法 - Google Patents

一种岩爆声发射前兆特征的计算方法 Download PDF

Info

Publication number
CN116297868B
CN116297868B CN202310574396.XA CN202310574396A CN116297868B CN 116297868 B CN116297868 B CN 116297868B CN 202310574396 A CN202310574396 A CN 202310574396A CN 116297868 B CN116297868 B CN 116297868B
Authority
CN
China
Prior art keywords
acoustic emission
emission parameter
matrix
classification
rock
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.)
Active
Application number
CN202310574396.XA
Other languages
English (en)
Other versions
CN116297868A (zh
Inventor
刘冬桥
孙杰
曹冰昊
张磊
李娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202310574396.XA priority Critical patent/CN116297868B/zh
Publication of CN116297868A publication Critical patent/CN116297868A/zh
Application granted granted Critical
Publication of CN116297868B publication Critical patent/CN116297868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/449—Statistical methods not provided for in G01N29/4409, e.g. averaging, smoothing and interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本申请涉及一种岩爆声发射前兆特征的计算方法，涉及地下工程技术领域。所述方法包括：对待测岩石样本进行岩爆声发射试验，获取声发射参数值，并按照声发射参数类别构建为声发射参数矩阵。然后输入SOM神经网络模型，得到声发射参数分类矩阵。判断每个声发射参数分类矩阵是否与其他声发射参数分类矩阵相关。如果不相关，则将该声发射参数分类矩阵，确定为新的声发射参数矩阵，并执行将声发射参数矩阵输入SOM神经网络模型的步骤，直到该声发射参数分类矩阵与其他声发射参数分类矩阵相关，进而确定岩爆的声发射前兆特征。采用本申请可以确定声发射前兆特征，并在工程现场采集的声发射参数满足声发射前兆特征时，提前组织工程人员撤离，保证工程安全。

Description

一种岩爆声发射前兆特征的计算方法
技术领域
本申请涉及地下工程技术领域，特别是涉及一种岩爆声发射前兆特征的计算方法。
背景技术
目前，岩爆是岩体沿着开挖临空面瞬间释放能量的非线性动力学现象，伴随着猛烈的声响以及岩石碎块的剧烈弹射，具有突发性、瞬时性和猛烈性的特点。严重的威胁着施工人员的人身安全、工程进度以及设备安全，成为了制约深埋隧道的建设的因素。由于目前岩爆的前兆特征尚未明确，使得岩爆的预测成功率不高。如何计算岩爆的前兆特征，是准确预测岩爆的关键所在，对深地空间的建设具有重大意义。
因此，亟需一种岩爆的声发射前兆特征计算方法。
发明内容
基于此，有必要针对上述技术问题，提供一种岩爆声发射前兆特征的计算方法，所述方法包括：
对待测岩石样本进行室内岩爆声发射试验，获取所述室内岩爆声发射试验的声发射参数值，并将所述声发射参数值按照声发射参数类别构建为声发射参数矩阵；
将所述声发射参数矩阵输入自组织映射SOM神经网络模型，对所述声发射参数矩阵中的声发射参数值进行分类，得到多组声发射参数分类矩阵；
针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关；
如果该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，则将该声发射参数分类矩阵，确定为新的声发射参数矩阵，并执行所述将所述声发射参数矩阵输入SOM神经网络模型的步骤；
如果该声发射参数分类矩阵与其他声发射参数分类矩阵相关，则根据各所述声发射参数分类矩阵，确定岩爆的声发射前兆特征。
作为一种可选地实施方式，所述将所述声发射参数值按照声发射参数类别构建为声发射参数矩阵，包括：
将相同声发射参数类别的声发射参数值作为所述声发射参数矩阵的列，将不同声发射参数类别的声发射参数值作为所述声发射参数矩阵的行。
作为一种可选地实施方式，所述针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关，包括：
对各所述声发射参数分类矩阵进行分布统计，确定每个所述声发射参数分类矩阵的相关性系数；
针对每个所述声发射参数分类矩阵，如果该声发射参数分类矩阵的相关性系数的绝对值小于预设的相关性系数阈值，则判定该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，否则，则判定该声发射参数分类矩阵与其他声发射参数分类矩阵相关。
作为一种可选地实施方式，所述根据各所述声发射参数分类矩阵，确定岩爆的声发射前兆特征，包括：
针对每个声发射参数类别，将各所述声发射参数分类矩阵中该声发射参数类别对应的声发射参数值组成声发射参数值集合；
确定该声发射参数值集合中声发射参数值的参数值范围，并将该参数值范围确定为该声发射参数类别对应的声发射前兆特征。
作为一种可选地实施方式，所述声发射参数类别包括持续时间、幅值、平均频率、绝对能量和峰频。
作为一种可选地实施方式，所述对待测岩石样本进行室内岩爆声发射试验，包括：
分别沿着所述待测岩石样本的水平和垂直方向，按照预设的加载速率，将待测岩石样本的地应力水平加载至预设的原岩地应力水平；
按照预设的保载时长，维持所述原岩地应力水平；
在所述待测岩石样本的垂直方向施加预设波长和预设频率的扰动，直至岩爆发生。
作为一种可选地实施方式，所述SOM神经网络模型的分类个数为4，节点拓扑结构为六边形。
作为一种可选地实施方式，所述原岩地应力水平为24MPa的垂直载荷和20MPa的水平载荷。
本申请提供了一种岩爆声发射前兆特征的计算方法，本申请的实施例提供的技术方案至少带来以下有益效果：对待测岩石样本进行室内岩爆声发射试验，获取所述室内岩爆声发射试验的声发射参数值，并将所述声发射参数值按照声发射参数类别构建为声发射参数矩阵。将所述声发射参数矩阵输入自组织映射SOM神经网络模型，对所述声发射参数矩阵中的声发射参数值进行分类，得到多组声发射参数分类矩阵。针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关。如果该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，则将该声发射参数分类矩阵，确定为新的声发射参数矩阵，并执行所述将所述声发射参数矩阵输入SOM神经网络模型的步骤。如果该声发射参数分类矩阵与其他声发射参数分类矩阵相关，则根据各所述声发射参数分类矩阵，确定岩爆的声发射前兆特征。本申请将SOM神经网络算法引入声发射参数分析中，在保留声发射多参数拓扑结构的同时，实现声发射多参数之间的非线性划分，最终实现岩爆的声发射前兆特征的确定。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本申请实施例提供的一种岩爆声发射前兆特征的计算方法的流程图；
图2为本申请实施例提供的另一种岩爆声发射前兆特征的计算方法的流程图；
图3为本申请实施例提供的又一种岩爆声发射前兆特征的计算方法的流程图；
图4为本申请实施例提供的又一种岩爆声发射前兆特征的计算方法的流程图；
图5为本申请实施例提供的一种岩石应力路径的示意图；
图6为本申请实施例提供的一种岩爆声发射前兆特征的计算方法的示例的流程图；
图7为本申请实施例提供的一种声发射前兆的时序分布图；
图8为本申请实施例提供的一种声发射前兆的时序分布图的放大图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
下面将结合具体实施方式，对本申请实施例提供的一种岩爆声发射前兆特征的计算方法进行详细的说明，图1为本申请实施例提供的一种岩爆声发射前兆特征的计算方法的流程图，如图1所示，具体步骤如下：
步骤101，对待测岩石样本进行室内岩爆声发射试验，获取室内岩爆声发射试验的声发射参数值，并将声发射参数值按照声发射参数类别构建为声发射参数矩阵。
在实施中，技术人员选取岩爆隧道内的岩石，并预先制成带有圆形硐室的岩石样本，作为待测岩石样本。然后，技术人员对待测岩石样本进行室内岩爆声发射试验，声发射监测设备获取室内岩爆声发射试验的声发射参数值，并发送至计算机，计算机将声发射参数值按照声发射参数类别构建为声发射参数矩阵。
可选地，在将声发射参数值按照声发射参数类别构建为声发射参数矩阵之前，还可以对声发射参数值进行标准化处理，将原始数据按照一定的比例进行转换，使之落入到一个小的特定区间内，例如0~1或-1~1的区间内，消除不同变量之间性质、量纲、数量级等特征属性的差异，将其转化为一个无量纲的相对数值，也就是标准化数值，使各指标的数值都处于同一个数量级别上，从而便于不同单位或数量级的指标能够进行综合分析和比较。比如极差标准化法、Z-score标准化法和线性比例标准化法等。
可选地，声发射参数类别包括持续时间、幅值、平均频率、绝对能量和峰频。
作为一种可选地实施方式，图2为本申请实施例提供的另一种岩爆声发射前兆特征的计算方法的流程图，如图2所示，步骤101中，对待测岩石样本进行室内岩爆声发射试验的具体步骤如下：
步骤201，分别沿着待测岩石样本的水平和垂直方向，按照预设的加载速率，将待测岩石样本的地应力水平加载至预设的原岩地应力水平。
在实施中，按照预设的加载速率，将待测岩石样本的地应力水平加载至预设的原岩地应力水平。图5为本申请实施例提供的一种岩石应力路径的示意图，如图5所示，横坐标为时间，纵坐标为应力，虚线表示水平应力，实线表示垂直应力，在阶段I，可以按照0.5kN/s的加载速率，将待测岩石样本（以长方体岩石样本为例）的两个水平方向的水平应力加载至20MPa（原岩地应力水平），将待测岩石样本的垂直方向的垂直应力加载至24MPa（原岩地应力水平）。
可选地，原岩地应力水平为24MPa的垂直载荷和20MPa的水平载荷。
步骤202，按照预设的保载时长，维持原岩地应力水平。
在实施中，试验设备将待测岩石样本加载至原岩地应力水平后，可以按照预设的保载时长，维持原岩地应力水平。如图5所示，在阶段II，维持原岩地应力水平60s。
步骤203，在待测岩石样本的垂直方向施加预设波长和预设频率的扰动，直至岩爆发生。
在实施中，在原岩地应力水平下，对待测岩石样本的垂直方向施加预设波长和预设频率的扰动，以模拟岩爆现象，直至岩爆发生。例如，可以对待测岩石样本的垂直方向施加5mm/0.1Hz的正弦扰动，直至岩爆现象发生。如图5所示，在阶段III，在施加扰动0.5s后，垂直应力急剧上升，表明岩爆现象出现。整个扰动时长的持续时间段为251.08s~253.05s，共持续了1.97s。
作为一种可选地实施方式，步骤101中，将声发射参数值按照声发射参数类别构建为声发射参数矩阵的具体方法为：将相同声发射参数类别的声发射参数值作为声发射参数矩阵的列，将不同声发射参数类别的声发射参数值作为声发射参数矩阵的行。
在实施中，声发射参数类别包括持续时间T、幅值M、平均频率f、绝对能量E和峰频F，声发射监测设备按照预设的采样频率获取室内岩爆声发射试验的声发射参数值，采集到的声发射参数值可以为T1、T2、T3、…Tn，M1、M2、M3、…Mn，f1、f2、f3、…fn，E1、E2、E3、…En，F1、F2、F3、…Fn。将采集到的声发射参数值按照相同类别为一列，不同类别为一行，则可以如下所示的得到声发射参数矩阵D：
。
步骤102，将声发射参数矩阵输入自组织映射SOM（自组织映射，Self-OrganizingMap）神经网络模型，对声发射参数矩阵中的声发射参数值进行分类，得到多组声发射参数分类矩阵。
在实施中，将声发射参数矩阵输入自组织映射SOM神经网络模型，SOM神经网络模型对声发射参数值进行聚类，从而得到多组声发射参数分类矩阵。
可选地，SOM神经网络模型的分类个数为4，节点拓扑结构为六边形。
在实施中，分类个数为4，以步骤101中的声发射参数矩阵D为例，输入SOM神经网络模型后，第一次输出的多组声发射参数分类矩阵为D1、D2、D3和D4，D1、D2、D3和D4如下所示：
；
；
;/>。
其中，k、m、p和s均小于n。
步骤103，针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关。
在实施中，针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关，即找出差异性最大的声发射参数分类矩阵。
作为一种可选地实施方式，图3为本申请实施例提供的又一种岩爆声发射前兆特征的计算方法的流程图，如图3所示，步骤103中，针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关的具体步骤如下：
步骤301，对各声发射参数分类矩阵进行分布统计，确定每个声发射参数分类矩阵的相关性系数。
在实施中，对各声发射参数分类矩阵进行分布统计，确定每个声发射参数分类矩阵与其他声发射参数分类矩阵的相关性系数。目前相关性系数主要有三种，分别是Pearson系数、Spearman系数和Kendall系数，根据本申请实施例的应用场景可知，声发射参数分类矩阵中的数据不满足正态分布，可以通过计算每个声发射分类矩阵与其他声发射分类矩阵之间的Spearman系数，以便后续判断声发射参数分类矩阵是否与其他声发射参数分类矩阵相关。
步骤302，针对每个声发射参数分类矩阵，如果该声发射参数分类矩阵的相关性系数的绝对值小于预设的相关性系数阈值，则判定该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，否则，则判定该声发射参数分类矩阵与其他声发射参数分类矩阵相关。
在实施中，技术人员可以预设相关性系数阈值为0.3，当该声发射参数分类矩阵的相关性系数的绝对值小于0.3，说明该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，否则，则判定该声发射参数分类矩阵与其他声发射参数分类矩阵相关。
可选地，还可以设置低相关性系数阈值（例如0.3），高相关度系数阈值（例如0.8）。当声发射参数分类矩阵的相关性系数小于低相关性系数阈值时，判定该声发射参数分类矩阵与其他声发射参数分类矩阵不相关。当声发射参数分类矩阵的相关性系数介于低相关性系数阈值与高相关性系数阈值之间时，判定该声发射参数分类矩阵与其他声发射参数分类矩阵中等相关。当声发射参数分类矩阵的相关性系数大于高相关性系数阈值时，判定该声发射参数分类矩阵与其他声发射参数分类矩阵相关。
步骤104，如果该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，则将该声发射参数分类矩阵，确定为新的声发射参数矩阵，并执行步骤102。
在实施中，计算机将多组声发射参数分类矩阵中，与其他声发射参数分类矩阵不相关或相关度最低的声发射参数分类矩阵，确定为新的声发射参数矩阵，并执行步骤102。以步骤102中的四组声发射参数分类矩阵D1、D2、D3和D4为例，如果D3与其他声发射参数分类矩阵D1、D2和D4不相关，则将D3标记为D，作为新的声发射参数矩阵，重复迭代计算，直到SOM神经网络模型输出的声发射参数分类矩阵D1、D2、D3和D4均相关。
步骤105，如果该声发射参数分类矩阵与其他声发射参数分类矩阵相关，则根据各声发射参数分类矩阵，确定岩爆的声发射前兆特征。
在实施中，如果该声发射参数分类矩阵与其他声发射参数分类矩阵相关，则计算机判定此时的分类结果不在具有继续分割的价值，无需继续迭代。然后，根据各声发射参数分类矩阵，确定岩爆的声发射前兆特征。
作为一种可选地实施方式，图4为本申请实施例提供的又一种岩爆声发射前兆特征的计算方法的流程图，如图4所示，步骤105中，根据各声发射参数分类矩阵，确定岩爆的声发射前兆特征的具体步骤如下：
步骤401，针对每个声发射参数类别，将各声发射参数分类矩阵中该声发射参数类别对应的声发射参数值组成声发射参数值集合。
在实施中，针对每个声发射参数类别，将各声发射参数分类矩阵中该声发射参数类别对应的声发射参数值组成声发射参数值集合。例如：本申请实施例中，射参数类别对应各声发射参数分类矩阵的列，因此，提取各声发射参数分类矩阵中相同列的声发射参数值组成声发射参数值集合，可以得到五个发射参数值集合，分别为持续时间集合、幅值集合、平均频率集合、绝对能量集合和峰频集合。
步骤402，确定该声发射参数值集合中声发射参数值的参数值范围，并将该参数值范围确定为该声发射参数类别对应的声发射前兆特征。
在实施中，在每个声发射参数值集合中，可以按照时序或数值排序，进而确定该声发射参数值集合的声发射参数类别的参数值范围，则该参数值范围为该声发射参数类别对应的声发射前兆特征。图7为本申请实施例提供的一种声发射前兆的时序分布图，如图7所示，经过迭代后的声发射参数值如图7中的黑色标记所示，均集中在阶段III。图8为本申请实施例提供的一种声发射前兆的时序分布图的放大图，如图8所示，黑色标记均位于岩爆发生时刻之前，可见，黑色标记代表的声发射参数值为岩爆声发射前兆特征。岩爆声发射前兆特征具有“长持续时间、高幅值、低平均频率、高绝对能量、低峰频”的特征。根据声发射的物理意义可知，长持续时间意味着岩石连续型破裂的产生，高幅低频的信号意味着岩石大尺度裂纹的产生，高绝对能量则意味着岩石大程度损伤的出现。进一步可知，本申请实施例提供的岩爆声发射前兆特征的计算方法确定的岩爆前兆特征表明了岩爆前大尺度、高损伤的连续型破裂产生。与技术人员在工程现场观察到的岩爆前异常物理现象（如：围岩的大尺度板状破裂的形成）相一致，表明本岩爆声发射前兆特征的计算方法计算出的岩爆前兆特征具有真实性和代表性。当工程现场采集的声发射参数在图中黑色标记所处的范围内时，说明即将发生岩爆现象。
作为一种可选地实施方式，图6为本申请实施例提供的一种岩爆声发射前兆特征的计算方法的示例的流程图，如图6所示，具体步骤如下：
步骤601，开展室内岩爆声发射试验；
步骤602，获取5类声发射参数值（持续时间、幅值、平均频率、绝对能量和峰频）；
步骤603，数据标准化处理（标准化处理，组成声发射矩阵）；
步骤604，输入SOM神经网络模型；
步骤605，输出4组声发射参数分类矩阵；
步骤606，判断各类声发射参数值是否存在统计学差异最大的声发射参数分类矩阵；
如果是，则执行步骤607，如果否则执行步骤608；
步骤607，提取统计学差异最大的声发射参数分类矩阵，并执行步骤604；
步骤608，确定声发射参数类别对应的声发射参数值范围；
步骤609，岩爆声发射前兆特征确定。
本申请实施例提供了一种岩爆声发射前兆特征的计算方法，本申请的实施例提供的技术方案至少带来以下有益效果：对待测岩石样本进行室内岩爆声发射试验，获取室内岩爆声发射试验的声发射参数值，并将声发射参数值按照声发射参数类别构建为声发射参数矩阵。将声发射参数矩阵输入自组织映射SOM神经网络模型，对声发射参数矩阵中的声发射参数值进行分类，得到多组声发射参数分类矩阵。针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关。如果该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，则将该声发射参数分类矩阵，确定为新的声发射参数矩阵，并执行将声发射参数矩阵输入SOM神经网络模型的步骤。如果该声发射参数分类矩阵与其他声发射参数分类矩阵相关，则根据各声发射参数分类矩阵，确定岩爆的声发射前兆特征。本申请将SOM神经网络算法引入声发射参数分析中，在保留声发射多参数拓扑结构的同时，实现声发射多参数之间的非线性划分，最终实现岩爆的声发射前兆特征的确定。在实际工程中，岩爆发生时，伴随着岩石崩裂，此时组织工程人员撤离显然无法保证工程人员的安全。确定声发射前兆特征后，当现场采集的声发射参数满足声发射前兆特征时，比如，现场采集的声发射参数在声发射前兆特征对应的参数值范围内，则说明即将发生岩爆现象，可以在岩爆发生之前提前组织工程人员撤离，保证工程安全。
应该理解的是，虽然图1至图4和图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1至图4和图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
可以理解的是，本说明书中上述方法的各个实施例之间相同/相关的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
还需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于展示的数据、分析的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种岩爆声发射前兆特征的计算方法，其特征在于，所述方法包括：
对待测岩石样本进行室内岩爆声发射试验，获取所述室内岩爆声发射试验的声发射参数值，并将所述声发射参数值按照声发射参数类别构建为声发射参数矩阵；
将所述声发射参数矩阵输入自组织映射SOM神经网络模型，对所述声发射参数矩阵中的声发射参数值进行分类，得到多组声发射参数分类矩阵；
针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关；
如果该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，则将该声发射参数分类矩阵，确定为新的声发射参数矩阵，并执行所述将所述声发射参数矩阵输入SOM神经网络模型的步骤；
如果该声发射参数分类矩阵与其他声发射参数分类矩阵相关，则根据各所述声发射参数分类矩阵，确定岩爆的声发射前兆特征；
所述声发射参数类别包括持续时间、幅值、平均频率、绝对能量和峰频；
所述将所述声发射参数值按照声发射参数类别构建为声发射参数矩阵，包括：
将相同声发射参数类别的声发射参数值作为所述声发射参数矩阵的列，将不同声发射参数类别的声发射参数值作为所述声发射参数矩阵的行；
所述根据各所述声发射参数分类矩阵，确定岩爆的声发射前兆特征，包括：
针对每个声发射参数类别，将各所述声发射参数分类矩阵中该声发射参数类别对应的声发射参数值组成声发射参数值集合；
确定该声发射参数值集合中声发射参数值的参数值范围，并将该参数值范围确定为该声发射参数类别对应的声发射前兆特征；
所述针对每个声发射参数分类矩阵，判断该声发射参数分类矩阵是否与其他声发射参数分类矩阵相关，包括：
对各所述声发射参数分类矩阵进行分布统计，确定每个所述声发射参数分类矩阵的相关性系数；
针对每个所述声发射参数分类矩阵，如果该声发射参数分类矩阵的相关性系数的绝对值小于预设的相关性系数阈值，则判定该声发射参数分类矩阵与其他声发射参数分类矩阵不相关，否则，则判定该声发射参数分类矩阵与其他声发射参数分类矩阵相关；
在所述将所述声发射参数值按照声发射参数类别构建为声发射参数矩阵之前，所述方法还包括：
对所述声发射参数值进行标准化处理。
2.根据权利要求1所述的方法，其特征在于，所述对待测岩石样本进行室内岩爆声发射试验，包括：
分别沿着所述待测岩石样本的水平和垂直方向，按照预设的加载速率，将待测岩石样本的地应力水平加载至预设的原岩地应力水平；
按照预设的保载时长，维持所述原岩地应力水平；
在所述待测岩石样本的垂直方向施加预设波长和预设频率的扰动，直至岩爆发生。
3.根据权利要求2所述的方法，其特征在于，所述原岩地应力水平为24MPa的垂直载荷和20MPa的水平载荷。
4.根据权利要求1所述的方法，其特征在于，所述SOM神经网络模型的分类个数为4，节点拓扑结构为六边形。
CN202310574396.XA 2023-05-22 2023-05-22 一种岩爆声发射前兆特征的计算方法 Active CN116297868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310574396.XA CN116297868B (zh) 2023-05-22 2023-05-22 一种岩爆声发射前兆特征的计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310574396.XA CN116297868B (zh) 2023-05-22 2023-05-22 一种岩爆声发射前兆特征的计算方法

Publications (2)

Publication Number Publication Date
CN116297868A CN116297868A (zh) 2023-06-23
CN116297868B true CN116297868B (zh) 2023-08-08

Family

ID=86785365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310574396.XA Active CN116297868B (zh) 2023-05-22 2023-05-22 一种岩爆声发射前兆特征的计算方法

Country Status (1)

Country Link
CN (1) CN116297868B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004061202A (ja) * 2002-07-26 2004-02-26 Kyushu Electric Power Co Inc 岩石等破壊前駆段階推定方法
CN204462405U (zh) * 2015-04-03 2015-07-08 中国矿业大学(北京) 一种基于声发射的岩爆前兆预警系统
CN113156492A (zh) * 2021-04-21 2021-07-23 中国科学院武汉岩土力学研究所 一种应用于tbm隧道岩爆灾害实时智能预警方法
CN114965058A (zh) * 2022-05-30 2022-08-30 中国电建集团成都勘测设计研究院有限公司 一种分析岩石破裂前兆的方法
CN115950959A (zh) * 2022-11-01 2023-04-11 成都理工大学 岩体失稳声发射前兆信号提取方法及失稳前兆判别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11989655B2 (en) * 2020-10-26 2024-05-21 Jiangxi University Of Science And Technology Prediction method, device and system for rock mass instability stages

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004061202A (ja) * 2002-07-26 2004-02-26 Kyushu Electric Power Co Inc 岩石等破壊前駆段階推定方法
CN204462405U (zh) * 2015-04-03 2015-07-08 中国矿业大学(北京) 一种基于声发射的岩爆前兆预警系统
CN113156492A (zh) * 2021-04-21 2021-07-23 中国科学院武汉岩土力学研究所 一种应用于tbm隧道岩爆灾害实时智能预警方法
CN114965058A (zh) * 2022-05-30 2022-08-30 中国电建集团成都勘测设计研究院有限公司 一种分析岩石破裂前兆的方法
CN115950959A (zh) * 2022-11-01 2023-04-11 成都理工大学 岩体失稳声发射前兆信号提取方法及失稳前兆判别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Fuding Mei等.Study on main Frequency precursor characteristics of Acoustic Emission from Deep buried Dali Rock explosion.《Arabian Journal of Geosciences》.2019,(第12期),第645（1-11）页. *

Also Published As

Publication number Publication date
CN116297868A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN109032829B (zh) 数据异常检测方法、装置、计算机设备及存储介质
Ni et al. Experimental investigation of seismic damage identification using PCA-compressed frequency response functions and neural networks
CN111853555B (zh) 一种基于动态过程的供水管网暗漏识别方法
Wang et al. Determination of site-specific soil-water characteristic curve from a limited number of test data–A Bayesian perspective
US20220308568A1 (en) System and method for monitoring soil gas and performing responsive processing on basis of result of monitoring
Kabliman et al. Application of symbolic regression for constitutive modeling of plastic deformation
Chencho et al. Development and application of random forest technique for element level structural damage quantification
Paryani et al. Approximate Bayesian computation for probabilistic decline-curve analysis in unconventional reservoirs
CN113486570A (zh) 一种基于随机ida和机器学习预测隧道地震易损性的方法
CN104239598A (zh) 一种面向动态系统模型验证的多元数据分析方法
CN116297868B (zh) 一种岩爆声发射前兆特征的计算方法
Calabrese et al. USE OF CLUSTER ANALYSIS OF ACOUSTIC EMISSION SIGNALS IN EVALUATING DAMAGE SEVERITY IN CONCRETE STRUCTURES.
Zhan et al. A Novel Structural Damage Detection Method via Multisensor Spatial–Temporal Graph-Based Features and Deep Graph Convolutional Network
CN116499881A (zh) 一种建立岩石理论损伤演化模型的方法
CN112859192A (zh) 岩心饱和度预测模型构建方法与岩心饱和度预测方法
CN116707918A (zh) 基于CBAM- EfficientNet异常检测的网络安全态势评估方法
CN116595363A (zh) 预测方法、装置、设备、存储介质和计算机程序产品
Mahmud et al. On the need to adopt strain-based probabilistic approach in predicting fatigue life
CN115859783A (zh) 用于核反应堆仿真测试的多保真度网络构建方法和装置
CN112630827B (zh) 地表加速度峰值参数预测方法及系统
Chencho et al. Structural damage quantification using ensemble‐based extremely randomised trees and impulse response functions
Kiani et al. Simulation of interval censored data in medical and biological studies
Finotti1a et al. Structural novelty detection based on sparse autoencoders and control charts
Mirjalili et al. A new simple and powerful normality test for progressively Type-II censored data
CN111967076A (zh) 温度作用对工程结构频率影响分离方法、装置、设备

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
GR01 Patent grant
GR01 Patent grant