一种基于唯一微震信号的岩石破坏模式智能区分方法与流程

本发明涉及矿山微震监测预警，具体涉及一种基于唯一微震信号的岩石破坏模式智能区分方法。

背景技术：

1、微震监测常用于监测冲击地压、煤与瓦斯突出等动力灾害，通过拾震器监测岩体受力变形或断裂过程中产生的弹性波，获得微震事件的“时-空-强”信息，预测冲击地压等动力灾害的发生。根据微震事件能量判断动力灾害的强度，是微震监测的核心问题之一。

2、目前常规的微震监测预警方法一般是将微震监测系统监测到的信号进行统一分析，并通过连续时间的变化规律对动力灾害的危险等级进行评判。但本申请的发明人经过研究发现，这种方式存在两种缺陷：第一、微震监测系统接受到的传统预警技术将这些信号进行统一分析，以判别其危险等级，然而矿山是一个复杂地质环境，岩石也会发生不同的破坏模式，不同破坏模式的岩石破坏微震信号波形演化规律也有所不同，因此对所有信号进行统一分析，会造成动力灾害监测预警的主观误差；第二、在矿山中岩石破坏信号可能因为衰减和传感器的故障等原因，无法获取岩石破坏全过程的数据，会造成监测预警的客观误差。

3、综上所述，在矿山复杂地质环境条件下，传统微震监测预警方法在区分破坏模式和岩性等方面存在一定的局限性。目前针对于矿山复杂环境条件下的微震监测预警方法，仍受到监测信号混淆不清以及监测信号断续的影响。

技术实现思路

1、针对现有微震监测预警方法中因为岩石会发生不同的破坏模式，不同破坏模式的岩石破坏微震信号波形演化规律也有所不同，对所有信号进行统一分析，会造成动力灾害监测预警的主观误差，以及在矿山中岩石破坏信号可能因为衰减和传感器的故障等原因，无法获取岩石破坏全过程的数据，会造成监测预警的客观误差的技术问题，本发明提供一种基于唯一微震信号的岩石破坏模式智能区分方法。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、一种基于唯一微震信号的岩石破坏模式智能区分方法，包括以下步骤：

4、s1、收集已知岩石破坏模式的原始微震波形；

5、s2、利用傅里叶变换，提取出微震波形的时间域与频率域的特征参数，所述特征参数包括幅值、持续时间、上升时间、振铃计数、上升计数、能量、有效电压、平均电平、质心频域、峰值频率；

6、s3、对提取出的微震波形的时间域与频率域的特征参数进行离差标准化，将特征参数标准化的数据平铺成微震参数一维特征图；

7、s4、以卷积神经网络为基本框架，构建岩石破坏模式区分网络m_net；

8、s5、以微震参数一维特征图作为输入特征，已知的岩石破坏模式作为标签，岩石破坏模式区分网络m_net作为基本框架，训练学习微震参数一维特征图与岩石破坏模式区分的映射关系，构建岩石破坏模式智能区分模型；

9、s6、验证岩石破坏模式智能区分模型：以岩石破坏模式区分准确率为依据，当准确率小于预设值时，调整岩石破坏模式智能区分模型的超参数，按步骤s5重新训练模型，直至准确率大于等于预设值，则认为模型已经训练好了，可以进行应用；

10、s7、将未知破坏模式的微震波形按上述步骤s2和s3进行处理，然后输入步骤s5中训练好的岩石破坏模式智能区分模型进行破坏模式区分，实现未知岩石破坏模式的微震波形区分应用。

11、进一步，所述步骤s2中傅里叶变换采用以下公式：

12、

13、其中，f(ω)表示傅里叶变换后的频谱，f(t)为原始信号，e-iωt为复指数函数，ω为频率。

14、进一步，所述步骤s3中离差标准化采用以下公式：

15、

16、其中，xnew为标准化后的结果，x为进行标准化的数据，xmax为同一类特征值数据的最大值，xmin为同一类特征值数据的最大值。

17、进一步，所述步骤s4中构建的岩石破坏模式区分网络m_net包括顺序连接的四个卷积块，每个卷积块包括从输入端到输出端依次连接的卷积层、批归一化层、激活层和最大池化层，每个卷积块的卷积层的卷积核大小为1×1，四个卷积块中卷积层的卷积核数量依次为32、64、128、256，四个卷积块中最大池化层的池化核大小为1×1，池化步长为1。

18、进一步，所述卷积层的卷积计算公式如下：

19、

20、其中，i(i-m,j-n)为输入信号，k(m,n)为卷积核，i,j为输出特征映射的索引，m,n为卷积核的索引。

21、进一步，所述批归一化层的实现包括如下步骤：

22、s41、计算每一个训练批次微震特征参数的均值；

23、s42、计算每一个训练批次微震特征参数的方差；

24、s43、使用均值和方差对该批次的训练微震特征参数做归一化，将训练微震特征参数转化到均值为0方差为1的标准正态分布，获得0-1分布；

25、s44、对归一化的微震特征参数进行尺度变换和偏移。

26、进一步，所述步骤s41中微震特征参数的均值计算采用以下公式：

27、

28、其中，μb为训练批次微震特征参数的均值，m为训练批次微震特征参数的数量，xi为第i个训练微震特征参数。

29、进一步，所述步骤s42中微震特征参数的方差计算采用以下公式：

30、

31、其中，为训练批次微震特征参数的方差，m为训练批次微震特征参数的数量，xi为第i个训练微震特征参数，μb为训练批次微震特征参数的均值。

32、进一步，所述步骤s43中微震特征参数的归一化计算采用以下公式：

33、

34、其中，xi为第i个训练微震特征参数，μb为训练批次微震特征参数的均值，为训练批次微震特征参数的方差，ε是为了避免除数为0时所使用的微小正数。

35、进一步，所述步骤s44中微震特征参数的尺度变换和偏移计算采用以下公式：

36、

37、其中，γ为尺度因子，xi为第i个训练微震特征参数，β为平移因子。

38、与现有技术相比，本发明提供的基于唯一微震信号的岩石破坏模式智能区分方法具有以下优点：

39、1、本发明利用机器学习大数据分析能力，实现了混杂岩石破坏微震信号模式智能区分，一定程度上减少了动力灾害监测预警的主观误差；

40、2、本发明在实现岩石破坏模式区分的过程中，仅仅使用了一个单独的微震信号，即可完成岩石破坏模式区分，无需使用连续时间内的微震信号变化规律，减少了因传感器故障等原因造成的动力灾害监测预警的客观误差。

技术特征：

1.一种基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤s2中傅里叶变换采用以下公式：

3.根据权利要求1所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤s3中离差标准化采用以下公式：

4.根据权利要求1所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤s4中构建的岩石破坏模式区分网络m_net包括顺序连接的四个卷积块，每个卷积块包括从输入端到输出端依次连接的卷积层、批归一化层、激活层和最大池化层，每个卷积块的卷积层的卷积核大小为1×1，四个卷积块中卷积层的卷积核数量依次为32、64、128、256，四个卷积块中最大池化层的池化核大小为1×1，池化步长为1。

5.根据权利要求4所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述卷积层的卷积计算公式如下：

6.根据权利要求4所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述批归一化层的实现包括如下步骤：

7.根据权利要求6所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤s41中微震特征参数的均值计算采用以下公式：

8.根据权利要求6所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤s42中微震特征参数的方差计算采用以下公式：

9.根据权利要求6所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤s43中微震特征参数的归一化计算采用以下公式：

10.根据权利要求6所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤s44中微震特征参数的尺度变换和偏移计算采用以下公式：

技术总结
本发明提供一种基于唯一微震信号的岩石破坏模式智能区分方法，包括收集已知岩石破坏模式的原始微震波形，利用傅里叶变换提取出微震波形的时间域与频率域的特征参数，对提取出的特征参数进行离差标准化后将特征参数平铺成微震参数一维特征图，以卷积神经网络为基本框架构建岩石破坏模式区分网络，训练学习微震参数一维特征图与岩石破坏模式区分的映射关系构建岩石破坏模式智能区分模型，验证岩石破坏模式智能区分模型，将未知破坏模式的微震波形处理后输入训练好的岩石破坏模式智能区分模型进行破坏模式区分。本申请仅使用单独的微震信号即可完成岩石破坏模式区分，无需使用连续时间内的微震信号变化规律，减少了动力灾害监测预警的主客观误差。

技术研发人员：崔义,井庆贺,陈结,陈紫阳,焦杨,蒲源源,张洪伟,芮艺超,于斌,姜维,孟历德仁
受保护的技术使用者：扎赉诺尔煤业有限责任公司
技术研发日：
技术公布日：2024/1/16