[發明專利]一種基于聲發射模型的巖石破裂模式智能探測識別方法

在審

• 申請號: 202010144388.8
• 申請日: 2020-03-04
• 公開（公告）號: CN111272883A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 朱星
• 申請（專利權）人: 成都理工大學
• 主分類號: G01N29/14
• 分類號: G01N29/14;G01N29/44
• 代理公司: 北京久維律師事務所 11582
• 代理人: 邢江峰

1.一種基于聲發射模型的巖石破裂模式智能探測識別方法，其特征在于包括以下步驟：

步驟1，在待監測巖石上布置用于測試巖石破裂過程聲發射參數的聲發射系統；

步驟2，將目標特征數據輸入預先訓練好的信號識別模型，信號識別模型預先通過巖石破裂聲發射的訓練集訓練得到；

步驟3，智能識別巖石破裂過程中張拉與剪切裂紋發展的比例；

步驟4，根據巖石破裂聲發射信號確定的波形特征與巖石破裂模式識別存在相應的關系，為定量制定巖體災害預警方案提供一些列可靠的檢測閾值，同時為深入研究識別巖石破裂失穩前兆信號特征提供一種分析方法。

2.根據權利要求1所述的一種基于聲發射模型的巖石破裂模式智能探測識別方法，其特征在于，在步驟1中，所述聲發射系統選測巖石聲信號中的振鈴計數、持續時間、峰值頻率和上升時間用來分析巖石破裂的過程。

3.根據權利要求2所述的一種基于聲發射模型的巖石破裂模式智能探測識別方法，其特征在于，在步驟1中，所述聲發射系統采集巖石聲信號的方法是基于JCMS參數分析法，即用振鈴計數除以持續時間求得聲發射參數平均頻率A_F，用上升時間除以峰值振幅求得R_A后，并對這兩組數據進行分類。

4.根據權利要求3所述的一種基于聲發射模型的巖石破裂模式智能探測識別方法，其特征在于，在步驟2中，所述信號識別模型的預設訓練集包括混合高斯模型(GaussianMixture Model，簡稱GMM)和期望最大(Expectation Maximization，簡稱EM)算法。

5.根據權利要求4所述的一種基于聲發射模型的巖石破裂模式智能探測識別方法，其特征在于，在步驟2中，根據A_F和R_A之間的關系，進行拉張與剪切裂紋的分析，在進行拉張與剪切裂紋分析時，通過結合混合高斯模型與期望最大算法作為訓練模型，通過觀察采樣的概率值和模型概率值的接近程度，來判斷一個模型是擬合和良好，對A_F和R_A之間的關系進行智能探測和識別。

6.根據權利要求5所述的一種基于聲發射模型的巖石破裂模式智能探測識別方法，其特征在于，在步驟2中，通過調整信號識別模以讓新的信號識別模型與概率值更適配，反復迭代這個過程多次，直到兩個概率值非常接近時，停止更新并完成模型訓練，將這個過程用算法來實現：

通過混合高斯模型來計算數據的期望值，混合高斯模型本身是一個參數概率密度函數，表示為M分量高斯密度的加權，通過不斷迭代來更新分布的均值μ和標準差σ來讓期望值最大化，直到這兩個參數變化非常小為止；

對于D維的測量、訓練，將混合密度定義為：

式中，ω_i為混合權值，為單模態的高斯(正常)密度，為特征向量；

每一個單模式的高斯分量密度的形式是一個D變量高斯函數為：

式中，為D×1的平均向量，∑i為D×D的協方差矩陣；

為了讓混合權值ω_i滿足完整的混合高斯模型應由平均向量協方差矩陣∑i和所有分量密度M的混合加權來使之參數化λ，參數λ用式(3)表示為：

對于基于混合高斯模型的分類系統，模型訓練的目標是估計混合高斯模型參數的λ，使高斯混合密度與特征向量的分布匹配，確定λ的最佳估值；

最大似然值估計(Maximum Likelihood，簡稱ML)是用于估計ω_i、和∑i的常用方法之一，最大似然值估計估計能在給定訓練數據的情況下使混合高斯模型的可能性最大化，對于一系列T訓練向量假定各向量之間是獨立的，可以寫成

該表達式作為λ的非線性函數，直接最大化(即設置一階導數等于零并且約束二階導數為正)計算上難以處理，考慮通過期望最大化算法(Expectation-maximizationalgorithm，簡稱EM)迭代來獲得ML參數。

7.根據權利要求6所述的一種基于聲發射模型的巖石破裂模式智能探測識別方法，其特征在于，在步驟S2中，期望最大算法的訓練過程是一個迭代的過程，從最初的模型λ^k開始，之后估計一個新的模型λ^k+1，如此有p(X|λ^k+1)＞p(X|λ^k)，這樣新模型就成為下一個迭代的初始模型，并重復此過程，直到達到某個收斂閾值為止(如對數的似然值為1026)，該算法由期望和最大化兩個步驟組成，這保證了模型釋然值的單調遞增，期望步驟的結果是對第i個分量的后驗概率，它被定義為狀態為i的概率，當第m個高斯混合結果為時，給定第k個重新估計的模型λ^k

式中，ω_i′分別由式(6)(7)(8)用最大化步驟來返回分布參數：

這樣混合高斯模型便可對巖石、混凝土等具有兩類裂紋模式的結構進行分類，即張拉和剪切裂紋分類(M＝2)，為了對這兩種裂紋模式進行分類，將特征向量(或測量向量)認為是一個二維向量(即)，當有T個訓練向量時序列兩種分類對應張拉和剪切模式分別是I＝{1，2}，此時再“估計”混合高斯模型的參數(每個隱藏類的權重，均值和協方差矩陣)，使它們與訓練特征向量的分布最為匹配。