基于高斯混合模型的含初始缺陷尾砂胶结体裂纹实时演化预测方法与流程

本发明涉及金属遗留尾矿充填矿山采空区的灾害预测，具体涉及基于高斯混合模型的含初始缺陷尾砂胶结体裂纹实时演化预测方法。

背景技术：

1、

2、浅层矿产资源的不断减少，矿山开采向深部延伸会产生大量尾矿。通常，将尾矿作为胶结骨料充填矿山采空区、荷载工作平台和人工顶板等减少堆放降低环境污染。而尾砂胶结体在制备和硬化过程中，由于水化作用、干缩、温度变化等多种因素的影响，加上实际采矿工程中的应力扰动，爆破冲击等容易产生微孔洞、微裂纹等初始缺陷。初始缺陷在外加载荷作用下易发生应力集中，加速尾砂胶结体内部裂纹的萌生和扩展，甚至改变其裂纹的扩展形式，从而降低充填体的力学性能，导致填充后矿山采空区的稳定性降低，增加了发生塌方的风险。研究表明，尾砂胶结体破坏过程主要是内部微裂纹萌生、扩张和贯通的过程，且裂纹扩展类型主要由拉伸裂纹和剪切裂纹组成，因此，分析裂纹的分布、形态和密度的实时演化对矿山采空区全寿命监测和及时修复非常关键。

3、目前，常规的裂纹分类方法有：基于断裂力学的裂纹分类方法，此方法对裂纹类型的明确判别存在一定的限制；ra-af参数分析法，此方法分界线容易受到主观因素的影响，难以确定分割线，导致对裂纹演化情况的预测不够准确；拉、剪试验的统计法是通过数学统计方法确定分界线，需要处理大量试验数据。以上若充填体裂纹分类方法若不准确将阻碍对裂纹演化情况的准确预测，影响矿山井下充填体的稳定性评估，而且如果裂纹分类方法无法提供实时监测或难以捕捉裂纹的实时演化情况，可能会错过关键的变化，在裂纹发展到危险程度之前无法采取及时的修复措施增加发生塌方的风险。

技术实现思路

1、

2、本发明的目的在于提供基于高斯混合模型的含初始缺陷尾砂胶结体裂纹实时演化预测方法，将声发射监测数据精细划分和坐标区域内图像自动识别并放大图像，形成可视化的二维和三维云图，能够自动识别充填体破裂时裂纹种类以及占比，为矿山采空区全寿命监测和及时修复提供依据。

3、为实现上述目的，本发明采用以下技术方案：

4、基于高斯混合模型的含初始缺陷尾砂胶结体裂纹实时演化预测方法，包括以下步骤：

5、步骤1、制作不同初始缺陷尾砂胶结体试件；

6、步骤2、分别对所述试件进行单轴压缩条件下的声发射监测试验，获取各试件的不同加载阶段的声发射参数ra-af值，所述不同加载阶段为压实阶段、弹性阶段、屈服阶段、峰后阶段；

7、步骤3、建立基于em算法、k-means算法、移动平均滤波法的高斯混合裂纹分类模型；

8、步骤4、基于高斯混合裂纹分类模型生成声发射监测数据的聚类结果，分析试件在各个加载阶段的拉伸裂纹和剪切裂纹占比，实现尾砂胶结充填体裂纹分类并预测矿山井下充填体的裂纹实时演化，若剪切裂纹占比值较大，则充填体存在较大缺陷，需要及时修复，随监测时间的增加，若剪切裂纹占比值持续增大，则表明充填体将发生宏观破裂。

9、进一步地，步骤1所述初始缺陷尾砂胶结充填体试件是采用质量分数为68%、尾砂和水泥的比例为1:8的胶结物料，在尾砂胶结体制备过程中加入不同含量的引气剂aea模拟尾砂胶结体内部产生不同程度的初始缺陷，共分为5组，每组试样 aea 含量分别占水泥质量比的0%、0.05%、0.1%、0.2%、0.4%。

10、进一步地，步骤2所述单轴压缩条件下的声发射监测试验，加载速率为0.5mm/min直至试件破坏时停止加载；声发射监测设备的采样门槛值为35db、前置增益为40db、定义时间为相对时间，ra值=上升时间/最大幅值，平均频率（af）=振铃计数/持续时间，ra值低于af值是由于拉伸裂纹上升时间短、持续时间短、振幅大所导致的，而剪切裂纹持续时间长，导致af值较低而ra值较高，单轴压缩下的声发射参数演化依据不同加载阶段来划分即分为压密阶段、弹性阶段、屈服阶段、峰后阶段。

11、进一步地，步骤3所述高斯混合裂纹分类模型的训练方法包括：确定高斯混合模型的初始模型参数；对所述初始模型参数进行高斯混合模型的概率分布迭代；对训练数据进行跨度和滞后多次移动平均滤波去除噪声或者平滑异常值，反复迭代至收敛后得到所述高斯混合裂纹分类模型。

12、进一步地，步骤3建立高斯混合裂纹分类模型的方法步骤如下：

13、步骤31、裂纹种类分为拉伸裂纹和剪切裂纹，确定k值为2即2个聚类模型，高斯混合模型的概率密度函数表示为：

14、     （1）

15、步骤32、在实际分析中，通常使用极大似然估计法变换为对数似然函数，其表达式为

16、           （2）

17、步骤33、对所述训练样本x:

18、进行聚类，将训练样本x作为初始聚类中心，对数据集中每个样本，计算它到k个聚类中心的距离，公式如下：

19、                    （3）

20、式中t为迭代次数。对于每一个类中心k，重新计算该类的中心，即

21、        （4）

22、重复以上操作，直到达到迭代次数就可输出簇中心作为两个高斯模型成分的初始均值向量、，用每个簇内数据点与簇中心之间距离平方和除以该簇内数据点数作为两个高斯模型成分的初始协方差矩阵、，用每个簇内数据点数除以总数据点数作为两个高斯模型成分的初始混合系数、；

23、步骤34、当每个加载应力阶段的声发射数据中存在噪声或者异常值时，先对数据进行跨度和滞后多次移动平均滤波去除噪声或者平滑异常值，最终生成由数据点组成的数据集x，即

24、

25、使用移动平均滤波法结合贝叶斯信息准则（bic）用于高斯混合模型两个主要聚类的模型选择和参数选择，公式为：

26、            （5）

27、其中：l表示估计模型似然函数的最大值，k表示模型的自由参数数量，n表示数据点的数量。

28、步骤35：使用期望最大化算法（em），通过调整模型参数来最大化观测数据的期望值；而em算法基于新模型参数，从之前的参数获得的结果应遵循公式：

29、                （6）

30、步骤36、根据所确定的初始模型参数构建所述的高斯混合模型，结合步骤e与m步骤m：

31、步骤e:根据当前的模型参数，计算观测数据的期望值，计算由每个数据点的隐藏分量k的后验概率分布，隐变量在当前参数下的后验概率公式如下：

32、        （7）

33、步骤m：根据观测数据的期望值，调整模型参数，使得观测数据的期望值最大化，通过反复迭代这两个步骤，期望最大化算法逐渐优化模型参数，使得模型能够更好地拟合观测数据；最大化步骤来回计算出新的参数公式如下：

34、          （8）

35、                 （9）

36、  （10）

37、然后重复步骤e和步骤m，再计算公式（2）的对数似然函数，直到满足收敛条件为;

38、<mstyle displaystyle="true" mathcolor="#000000"><mstyle displaystyle="true" mathcolor="#000000"><mo>|</mo><mrow><mi>ln</mi><mrow><mo>[</mo><mrow><mi>j</mi><mi>(</mi><mi>θ</mi><msup><mi>)</mi><mrow><mi>m</mi><mo>+</mo><mn>1</mn></mrow></msup></mrow><mo>]</mo></mrow><mi>−</mi><mi>ln</mi><mrow><mo>[</mo><mrow><mi>j</mi><mi>(</mi><mi>θ</mi><msup><mi>)</mi><mi>m</mi></msup></mrow><mo>]</mo></mrow></mrow><mo>|</mo></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>&lt;</mi></mstyle><mstyle displaystyle="true" mathcolor="#000000"><mi>ε</mi></mstyle></mstyle>                    （11）

39、公式中和表示前后两次的似然估计值，为设定的阈值，通常取=10-5。

40、进一步地，步骤4所述聚类结果是经过精细划分和坐标区域内图像的自动识别且放大图像，能够直观观察两种裂纹的比例和位置方向。

41、与现有技术相比，本发明具有以下有益效果：

42、本发明提供基于高斯混合模型的含初始缺陷尾砂胶结体裂纹实时演化预测方法，将声发射监测数据精细划分和坐标区域内图像自动识别并放大图像，形成可视化的二维和三维云图，能够自动识别充填体破裂时裂纹种类以及占比情况，通过分析不同aea含量的尾砂胶结体在各个加载阶段的拉伸裂纹和剪切裂纹占比，预测矿山井下充填体的裂纹实时演化，若剪切裂纹占比值较大，则充填体存在较大缺陷，需要及时修复，随监测时间的增加，若剪切裂纹占比值持续增大，则表明充填体将发生宏观破裂，影响矿山井下作业，为矿山采空区全寿命监测和及时修复提供了理论依据，克服了传统的裂纹分类方法难以确定分割线的缺点，解决了对裂纹的误判或遗漏问题，提高了矿山采空区全寿命监测的效率、可靠性和准确性。