一种隧道微震监测岩石破裂事件自动识别方法技术

本发明专利技术提供一种隧道微震监测岩石破裂事件自动识别方法，涉及隧道微震监测技术领域。该方法首先以大量已知类型的隧道微震监测波形建立波形样本库，然后统计分析波形样本库中波形的有效信息，确定用于深度学习的波形样本长度；建立基于深度卷积神经网络的隧道微震监测波形识别模型；将待识别的大量微震波形输入波形识别模型，输出其波形类型识别结果；最后根据波形类型识别结果判断微震事件类型。本发明专利技术提供的隧道微震监测岩石破裂事件自动识别方法，直接识别微震监测的原始波形，无需进行波形特征提取，避免了特征值选取不当对信号识别准确率的影响，实现了从对微震监测波形类型的识别到对微震事件类型的识别，识别结果可直接用于岩爆微震预警。

An Automatic Recognition Method for Rock Fracture Events in Tunnel Microseismic Monitoring

【技术实现步骤摘要】
一种隧道微震监测岩石破裂事件自动识别方法
本专利技术涉及隧道微震监测
，尤其涉及一种隧道微震监测岩石破裂事件自动识别方法。
技术介绍
随着矿山、隧洞(道)等工程逐渐向深部延伸，岩爆等动力灾害频发，微震监测技术逐渐应用于隧道的岩爆监测。有别于矿山微震监测，隧道微震监测包含大量噪声信号，包括电气噪声、机械噪声等，与岩石破裂信号呈现相似且交织的特点，所以隧道微震监测需要快速准确地识别出岩石破裂事件，这是及时准确预警岩爆风险的前提。目前微震事件自动识别方法主要有：波形频谱分析法、参数统计法等。在相关微震信号识别方法的研究中，专利技术“一种基于震源参数的微震与爆破事件识别方法”，专利号201610537634.X；专利技术“一种岩体破裂信号与爆破振动信号的非线性识别方法”，专利号201610110718.5；专利技术“基于峰值前后波形斜率的矿山微震与爆破信号识别方法”，专利号201510170565.9；专利技术“微震事件识别方法和装置”，专利号201710955082.9。上述专利技术主要采用特征值识别的方法。然而由于隧道微震事件能量较小，其波形特征不明显，特征值识别方法准确率不佳。且基于特征值识别的微震事件识别方法效率较低，严重影响岩爆预警的及时性。另外，大多数工程现场仍采用经验丰富人员进行人工识别信号的方法。但人工识别方法效率低下，受人工经验丰富程度限制，同样对岩爆预警的及时性及准确性影响较大。同时，隧道微震监测常常布置多个传感器，具有单事件多波形的特点。具体地，岩石破裂事件会触发多个微震传感器，且只有触发多个传感器，才会被认为是有效破裂事件，甚至对于一个小能量岩石破裂事件，还可能含有一定数量的噪声波形，这就决定了微震波形类型与微震事件类型完全是两个不同的概念，二者不能等同，一定程度上影响了岩石破裂事件识别的准确性。可见现有的隧道微震监测岩石破裂事件识别方法还存在较大局限，需要摆脱特征值识别及人工识别的限制，给出微震波形类型与微震事件类型的关系，建立一种快速识别岩石破裂事件方法。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种隧道微震监测岩石破裂事件自动识别方法，实现对岩石破裂事件的自动识别，提升岩石破裂事件识别效率及准确率。为解决上述技术问题，本专利技术所采取的技术方案是：一种隧道微震监测岩石破裂事件自动识别方法，包括以下步骤：步骤1、以大量已知类型的隧道微震监测波形建立波形样本库；所述波形样本库包括隧道工程完整施工工序中的破裂波形和所有噪声波形，波形样本库数量要达到万级以上，且保证各类波形样本数量相差在3倍以内；步骤2、统计分析波形样本库中波形的有效信息，确定用于深度学习的波形样本长度；所述用于深度学习的波形样本长度相同，波形样本长度为波形样本所包含的采样点个数；对破裂波形进行统计，分析样本长度大于8000的波形的有效信息段长度，以此作为用于深度学习的样本长度；步骤3、建立基于深度卷积神经网络的隧道微震监测波形识别模型；将待识别的大量微震波形输入波形识别模型，输出其波形类型识别结果；建立波形识别模型时，其输入为波形样本的时间序列x(n)，n＝1，2，3...N，其中N为波形样本长度；深度卷积神经网络包括2个卷积层、1个池化层、3个全连接层和一个决策层；决策层输出波形类型，其中破裂波形及噪声波形分别输出为0、1；利用波形样本库对深度卷积神经网络模型进行训练优化，根据测试样本的分类结果，获得达到波形识别准确率最高的模型参数，即获得了基于深度卷积神经网络的微震波形识别模型；步骤4、根据波形类型识别结果判断微震事件类型；在一个微震事件中，波形类型识别结果满足如下条件时，该微震事件为岩石破裂事件，反之，则为噪声事件；其中，x为一个微震事件中，识别为岩石破裂的波形的个数，X为布置传感器的个数；根据上式，当布置传感器个数小于8时，有4个及以上传感器的波形识别结果为破裂波形时，该微震事件为岩石破裂事件，反之，则为噪声事件；当布置传感器个数大于或等于8时，有传感器个数50％及以上的波形识别结果为破裂波形时，该微震事件为岩石破裂事件，反之，则为噪声事件。采用上述技术方案所产生的有益效果在于：本专利技术提供的一种隧道微震监测岩石破裂事件自动识别方法，直接识别微震监测的原始波形，无需进行波形特征提取，避免了特征值选取不当对信号识别准确率的影响。自动识别波形，减小了对人工识别的依赖，消除了人为因素对信号识别的影响，大大提升了对微震监测信号识别的效率和准确率。同时给出用于深度学习的波形样本长度确定方法，适当减少波形无效信息及重复冗余信息，提升运算速度，提高准确率。实现了从对微震监测波形类型的识别到对微震事件类型的识别，识别结果可直接用于岩爆微震预警。附图说明图1为本专利技术实施例提供的一种隧道微震监测岩石破裂事件自动识别方法的流程图；图2为本专利技术实施例提供的破裂波形和爆破波形样本有效特征的分布示意图，其中，(a)为破裂波形，(b)为爆破波形；图3为本专利技术实施例提供的破裂波形样本长度统计结果示意图；图4为本专利技术实施例提供的样本长度为3000时的波形特征示意图，其中，(a)为样本长度为3000时的破裂波形，(b)为样本长度为3000时的爆破波形，(c)为样本长度为3000时的机械振动波形。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。本实施例以某岩爆频发的钻爆法开挖隧道为例，采用本专利技术的隧道微震监测岩石破裂事件自动识别方法对该隧道的岩石破裂事件进行自动识别。一种隧道微震监测岩石破裂事件自动识别方法，如图1所示，包括以下步骤：步骤1、以大量已知类型的隧道微震监测波形建立波形样本库；所述波形样本库包括隧道工程完整施工工序中的破裂波形和所有噪声波形，波形样本库数量要达到万级以上，且保证各类波形样本数量相差在3倍以内；建立丰富而准确的波形样本库是实现岩石破裂事件自动识别的前提。对于新建隧道工程，由于缺乏微震监测样本，选择相同开挖方式的隧道微震监测样本，以大量已知类型的隧道微震监测波形建立波形样本库。并在正式施工后，以监测获得的样本更新充实样本库。对于已施工隧道，则以前期累计样本建立波形样本库。样本库包含破裂样本及噪声样本。噪声样本包含完整施工工序产生的所有噪声，这是对噪声信号识别正确性的保证。另外，波形样本库越大越好，但要保证各类样本数量较为接近。样本数量差距过大会导致测试样本所有波形被判定为数量较大的一类，其准确率反而较大。步骤2、统计分析波形样本库中波形的有效信息，确定用于深度学习的波形样本长度；深度学习样本长度相同，波形样本长度为波形样本所包含的采样点个数；对破裂波形进行统计，分析样本长度大于8000的的波形的有效信息段长度，以此作为用于深度学习的样本长度；用于深度学习的波形样本长度需保持一致，一般可通过两种方法实现此目标：一是通过对较小样本长度的波形进行大量补零；二是通过删除较大样本长度的多余信息。实际上，各类波形样本都含有大量无效信息，甚至重复冗余信息会影响识别效率。大量补零的方式更会严重影响到模型对波形典型特征的学习效果。如图2所示，破裂波形可供识别的特征主要分布于有效信息段，无效信息段基本无明显特征。爆破波形有大量多余重复信息，其有效信息段与破本文档来自技高网...

【技术保护点】
1.一种隧道微震监测岩石破裂事件自动识别方法，其特征在于：包括以下步骤：步骤1、以大量已知类型的隧道微震监测波形建立波形样本库；所述波形样本库包括隧道工程完整施工工序中的破裂波形和所有噪声波形，波形样本库数量要达到万级以上，且保证各类波形样本数量相差在3倍以内；步骤2、统计分析波形样本库中波形的有效信息，确定用于深度学习的波形样本长度；步骤3、建立基于深度卷积神经网络的隧道微震监测波形识别模型；将待识别的大量微震波形输入波形识别模型，输出其波形类型识别结果；建立波形识别模型时，其输入为波形样本的时间序列x(n)，n＝1，2，3...N，其中N为波形样本长度，输出为波形分类结果；利用波形样本库对深度卷积神经网络模型进行训练优化，根据测试样本的分类结果，获得达到波形识别准确率最高的模型参数，即获得了基于深度卷积神经网络的微震波形识别模型；步骤4、根据波形类型识别结果判断微震事件类型；在一个微震事件中，波形类型识别结果满足如下条件时，该微震事件为岩石破裂事件，反之，则为噪声事件；

【技术特征摘要】
1.一种隧道微震监测岩石破裂事件自动识别方法，其特征在于：包括以下步骤：步骤1、以大量已知类型的隧道微震监测波形建立波形样本库；所述波形样本库包括隧道工程完整施工工序中的破裂波形和所有噪声波形，波形样本库数量要达到万级以上，且保证各类波形样本数量相差在3倍以内；步骤2、统计分析波形样本库中波形的有效信息，确定用于深度学习的波形样本长度；步骤3、建立基于深度卷积神经网络的隧道微震监测波形识别模型；将待识别的大量微震波形输入波形识别模型，输出其波形类型识别结果；建立波形识别模型时，其输入为波形样本的时间序列x(n)，n＝1，2，3...N，其中N为波形样本长度，输出为波形分类结果；利用波形样本库对深度卷积神经网络模型进行训练优化，根据测试样本的分类结果，获得达到波形识别准确率最高的模型参数，即获得了基于深度卷积神经网络的微震波形识别模型；步骤4、根据波形类型识别结果判断微震事件类型；在一个微震事件中，波形类型识别结果满足如下条件时，该微...

【专利技术属性】
技术研发人员：张伟，冯夏庭，毕鑫，肖亚勋，丰光亮，姚志宾，胡磊，牛文静，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21