承载煤岩损伤破坏状态的红外辐射智能识别方法技术

本发明专利技术公开一种承载煤岩损伤破坏状态的红外辐射智能识别方法，属于保水开采与岩层控制领域。使用煤岩红外辐射监测技术，从计算机视觉的角度出发，首先获取承载煤岩损伤破坏过程中的应力应变和红外辐射时间序列数据，基于裂纹应变模型法建立不同渐进性损伤破坏阶段的红外辐射灰度图分类数据集；搭建卷积神经网络CNN分类器，将制作好的数据集输入到CNN模型中完成训练；最后，将训练好的模型用于承载煤岩损伤破坏阶段的智能识别。其实现承载煤岩损伤破坏阶段的无损、实时智能监测判断，对采矿工程、岩土工程中红外辐射损伤监测及其预警具有一定的实际意义。有一定的实际意义。有一定的实际意义。

【技术实现步骤摘要】
承载煤岩损伤破坏状态的红外辐射智能识别方法


[0001]本专利技术涉及一种承载煤岩损伤破坏状态的红外辐射智能识别方法，属于保水开采与岩层控制领域。

技术介绍

[0002]承载煤岩所处的损伤阶段的识别判断，可以用来对围岩的稳定性进行评价，对于采矿工程、岩土工程等具有重要意义。现有的判断承载煤岩损伤阶段的方法主要依赖于特征强度的大小，特征强度判断方法主要有应力
‑
应变曲线法、体积应变法、裂纹体积应变法、声发射法、移动点回归法等，上述方法虽然通过特征强度的测量能间接判断煤岩的损伤阶段，然而操作复杂，数据利用率较低，并且都是接触式测量，识别效率低，造成大量信息浪费，且不能在线实时监测。此外，在工程实际中最为关注的是判断承载煤岩处于哪个损伤阶段。因此，研究承载煤岩损伤阶段的高效识别方法是有必要的。
[0003]研究表明煤岩损伤破坏过程中伴随着红外热辐射，这对于煤岩损伤阶段的直接判断具有理论意义。随着计算机硬件和红外热像仪水平的发展，通过红外辐射监测技术，建立基于机器视觉的煤岩损伤阶段识别方法具有较高的理论意义和应用价值。

技术实现思路

[0004]针对现有判断承载煤岩损伤破坏阶段方法的缺陷，提出一种承载煤岩损伤破坏状态的红外辐射智能识别方法，可实现承载煤岩损伤破坏阶段的无损、实时、高效智能监测判断及预警。
[0005]为实现上述目的，本专利技术公开一种承载煤岩损伤破坏状态的红外辐射智能识别方法，根据试验获取大量承载煤岩损伤破坏过程中的应力应变和红外辐射时间序列数据，基于裂纹应变模型法建立不同渐进性损伤破坏阶段的红外辐射灰度图分类数据集；利用红外辐射灰度图分类数据集训练卷积神经网络模型，将训练好的卷积神经网络模型用于承载煤岩损伤破坏状态的识别；
[0006]具体步骤如下：
[0007]步骤1、首先采集试样进行承载煤岩红外辐射、应力应变联合监测，在获取应力应变时间序列数据的同时，获取红外辐射监测数据；利用裂纹应变模型法确定所有试样的特征强度，包括闭合强度、起裂强度、损伤强度和峰值强度，并记录各个特征强度对应的时间节点；
[0008]步骤2、对原始红外数据序列进行预处理，包括区域划分、去噪、二次重构，将红外数据组成新的红外灰度图序列；
[0009]步骤3、根据步骤1所得到的各个特征强度发生时间节点，将红外灰度图序列划分为五个阶段：初始压密阶段、弹性变形阶段、裂纹稳定发育阶段、裂纹不稳定发育阶段和峰后变形阶段；
[0010]步骤4、将所有试样的同一阶段红外灰度图序列的热像图进行划分，形成初始压密
阶段、弹性变形阶段、裂纹稳定发育阶段、裂纹不稳定发育阶段和峰后变形阶段五类红外热像图序列；将相同阶段的煤岩红外热像图进行组合，得到用于煤岩损伤阶段识别的红外热像图数据集；为每种类别的红外热像图制作对应的标签；
[0011]步骤5、搭建卷积神经网络CNN模型，将红外热像图数据集输入到CNN模型中完成训练并验证，将训练好的CNN模型用于承载煤岩损伤破坏阶段的智能识别，实现承载煤岩损伤破坏阶段的无损、实时智能监测。
[0012]进一步，制作承载煤岩损伤破坏各阶段红外热像图分类数据集的步骤如下：
[0013]步骤4.1，进行承载煤岩红外辐射、应力应变联合观测实验：在加载试样旁边放置参照试样，使得参照试样与加载试样同高且平齐；在加载煤岩试样侧面以及背面粘贴横向和径向应变片，将红外辐射观测设备放置在加载试样正面用于观测；观测时同步进行应力、应变、红外辐射监测实验，得到加载试样的应力、应变时间序列数据以及加载试样和参照试样的红外辐射时间序列数据；
[0014]步骤4.2，使用裂纹应变模型法，对所有煤岩试样的应力应变数据进行计算，得到各个煤岩试样的闭合强度、起裂强度、损伤强度和峰值强度，并记录发生变化的时间节点；
[0015]单轴加载时，设加载煤岩试样轴向应变为ε
axial
，径向应变为ε
radial
，则煤岩试样在加载过程中的实际体积应变为：ε
vol
＝ε
axial
+2ε
radial
，其中弹性体应变为：那么。裂纹体积应变为：其中υ和E分别为试样的泊松比和弹性模量，ε
axial
和ε
radial
分别为各个轴向应变和径向应变的平均值；
[0016]裂纹闭合强度σ
cc
为曲线中近水平线段开始的应力水平，裂纹起裂强度σ
ci
为曲线中近水平线段结束的应力水平，裂纹损伤强度σ
cd
为ε
vol
‑
ε
axial
曲线的拐点或者极大值点所对应的应力水平，峰值应力水平为σ
f
，记录σ
cc
、σ
ci
、σ
cd
、σ
f
所对应的时刻分别为：t
cc
、t
ci
、t
cd
、t
f
；
[0017]步骤4.3，对红外辐射观测设备记录的煤岩试样红外辐射热像数据进行去噪；
[0018]步骤4.4，将去噪后的红外热像图进行重构，生成煤岩热像图序列；
[0019]步骤4.5，对重构后的煤岩热像图序列进行时间段划分，形成初始压密阶段、弹性变形阶段、裂纹稳定发育阶段、裂纹不稳定发育阶段和峰后变形阶段红外热像图序列。
[0020]进一步，煤岩试样红外辐射热像数据去噪的方法为：
[0021]设通过红外辐射观测设备检测的加载煤岩试样的红外温度矩阵序列为ITM
l
，参照试样的红外温度矩阵序列为ITM
r
，将加载煤岩试样每一帧的红外温度矩阵对应减去参照试样的红外温度矩阵，得到去噪后的红外温度矩阵ITM
ad
，计算方法为：ITM
ad
＝ITM
l
‑
ITM
r
；；然后对其进行小波软阈值去噪方法去除乘性噪声。
[0022]进一步，将去噪后的红外热像图进行重构的方法为：
[0023]任取一个煤岩试样去噪之后的红外温度矩阵序列为ITM
ad
，遍历红外温度矩阵序列中所有的温度数据，得到最大温度数据值T
max
和最小温度数据值T
min
，将该煤岩试样所有的红外温度矩阵缩放到0～255范围内，形成红外热像图灰度矩阵，计算公式为：
[0024][0025]其中GMIT为红外热像图灰度矩阵，x和y分别为矩阵的行索引和列索引，然后将GMIT保存为图片格式的红外灰度图，以“试样编号
‑
帧序列号”的方式进行命名，形成煤岩热像图序列。
[0026]进一步，对重构后的煤岩热像序列进行时间段划分的具体方法为：
[0027]由于记录σ
cc
、σ
ci
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种承载煤岩损伤破坏状态的红外辐射智能识别方法，其特征在于：根据试验获取大量承载煤岩损伤破坏过程中的应力应变和红外辐射时间序列数据，基于裂纹应变模型法建立不同渐进性损伤破坏阶段的红外辐射灰度图分类数据集；利用红外辐射灰度图分类数据集训练卷积神经网络模型，将训练好的卷积神经网络模型用于承载煤岩损伤破坏状态的识别；具体步骤如下：步骤1、首先采集试样进行承载煤岩红外辐射、应力应变联合监测，在获取应力应变时间序列数据的同时，获取红外辐射监测数据；利用裂纹应变模型法确定所有试样的特征强度，包括闭合强度、起裂强度、损伤强度和峰值强度，并记录各个特征强度对应的时间节点；步骤2、对原始红外数据序列进行预处理，包括区域划分、去噪、二次重构，将红外数据组成新的红外灰度图序列；步骤3、根据步骤1所得到的各个特征强度发生时间节点，将红外灰度图序列划分为五个阶段：初始压密阶段、弹性变形阶段、裂纹稳定发育阶段、裂纹不稳定发育阶段和峰后变形阶段；步骤4、将所有试样的同一阶段红外灰度图序列的热像图进行划分，形成初始压密阶段、弹性变形阶段、裂纹稳定发育阶段、裂纹不稳定发育阶段和峰后变形阶段五类红外热像图序列；将相同阶段的煤岩红外热像图进行组合，得到用于煤岩损伤阶段识别的红外热像图数据集；为每种类别的红外热像图制作对应的标签；步骤5、搭建卷积神经网络CNN模型，将红外热像图数据集输入到CNN模型中完成训练并验证，将训练好的CNN模型用于承载煤岩损伤破坏阶段的智能识别，实现承载煤岩损伤破坏阶段的无损、实时智能监测。2.根据权利要求1所述承载煤岩损伤破坏状态的红外辐射智能识别方法，其特征在于，制作承载煤岩损伤破坏各阶段红外热像图分类数据集的步骤如下：步骤4.1，进行承载煤岩红外辐射、应力应变联合观测实验：在加载试样旁边放置参照试样，使得参照试样与加载试样同高且平齐；在加载煤岩试样侧面以及背面粘贴横向和径向应变片，将红外辐射观测设备放置在加载试样正面用于观测；观测时同步进行应力、应变、红外辐射监测实验，得到加载试样的应力、应变时间序列数据以及加载试样和参照试样的红外辐射时间序列数据；步骤4.2，使用裂纹应变模型法，对所有煤岩试样的应力应变数据进行计算，得到各个煤岩试样的闭合强度、起裂强度、损伤强度和峰值强度，并记录发生变化的时间节点；单轴加载时，设加载煤岩试样轴向应变为ε
axial
，径向应变为ε
radial
，则煤岩试样在加载过程中的实际体积应变为：ε
vol
＝ε
axial
+2ε
radial
，其中弹性体应变为：那么。裂纹体积应变为：其中υ和E分别为试样的泊松比和弹性模量，ε
axial
和ε
radial
分别为各个轴向应变和径向应变的平均值；裂纹闭合强度σ
cc
为曲线中近水平线段开始的应力水平，裂纹起裂强度σ
ci
为曲线中近水平线段结束的应力水平，裂纹损伤强度σ
cd
为ε
vol
‑
ε
axial
曲线的拐点或者极大值点所对应的应力水平，峰值应力水平为σ
f
，记录σ
cc
、σ
ci
、σ
cd
、σ
f
所对应的时刻分别
为：t
cc
、t
ci
、t
cd
、t
f
；步骤4.3，对红外辐射观测设备记录的煤岩试样红外辐射热像数据进行去噪；步骤4.4，将去噪后的红外热像图进行重构，生成煤岩热像图序列；步骤4.5，对重构后的煤岩热像图序列进行时间段划分，形成初始压密阶段、弹性变形阶段、裂纹稳定发育阶段、裂纹不稳定发育阶段和峰后变形阶段红外热像图序列。3.根据权利要求2所述煤岩损伤状态的红外热像图智能识别数据集构建...

【专利技术属性】
技术研发人员：马立强，高强强，刘伟，曹光辉，赵志扬，方钰淼，王慧，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：