【CN110058294A】一种隧道微震监测岩石破裂事件自动识别方法【专利】
一种基于微震监测的岩爆多指标预测方法[发明专利]
![一种基于微震监测的岩爆多指标预测方法[发明专利]](https://img.taocdn.com/s3/m/8101420242323968011ca300a6c30c225801f07a.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201610385607.5(22)申请日 2016.06.03(71)申请人 河南理工大学地址 454003 河南省焦作市高新区世纪路2001号(72)发明人 王树仁 李春阳 邹正盛 刘希亮 闫文发 肖怀广 贺盛男 赵雁海 (51)Int.Cl.G01V 1/28(2006.01)(54)发明名称一种基于微震监测的岩爆多指标预测方法(57)摘要本发明公开了一种基于微震监测的岩爆多指标预测方法。
首先，通过安装微震监测系统来获取微震监测数据，并建立微震事件数据库。
然后，通过分析微震事件在空间上的分布特征以及和地质构造之间的关联，确定岩爆高危区域。
接着基于微震数据库，统计计算4个岩爆预测指标，分别为平均微震事件数N ，平均能量释放量E ，地震参数b 的下降量Δb ，以及最大地震震级M m 。
最后，通过分析4个岩爆预测指标随时间变化趋势和岩爆之间的关联关系，确定合理报警阈值，如超过报警阈值，就存在发生岩爆危险。
附图显示了4个岩爆预测指标中最大地震震级M m 的变化曲线和报警阈值的选取。
权利要求书1页 说明书2页 附图2页CN 106054243 A 2016.10.26C N 106054243A1.一种基于微震监测的岩爆多指标预测方法，其特征在于按照以下步骤进行岩爆预测：第一步，安装微震监测系统进行连续监测，并建立微震事件数据库；第二步，在微震事件分布密度较高，尤其是微震与断裂构造发育重叠区域视为发生岩爆的危险区域；第三步，基于微震事件数据库，提出4个岩爆预测指标（平均微震事件数N ，平均能量释放量E ，地震参数b 的下降量Δb ，以及最大地震震级M m ）的时间变化曲线预测岩爆变化趋势；第四步，通过观察一段时间内4个岩爆预测指标曲线的走势和岩爆事件发生之间的关联，确定合理的报警阈值，一旦4个岩爆预测指标超过报警阈值就认为可能会发生岩爆。
岩石破裂微震与爆破振动信号时频特征提取及识别方法
岩石破裂微震与爆破振动信号时频特征提取及识别方法微震信号蕴藏着丰富的岩体破裂信息,对其监测并进行数据处理分析可以获取岩体破裂的位置及能量释放情况,目前已在冲击地压、煤与瓦斯突出等煤岩动力灾害监测预警领域得到广泛应用。
但是矿下环境复杂多变,需要经常进行岩石爆破作业,拾振器拾取的微震信号中往往掺杂着无法识别的爆破干扰信号,影响微震监测及定位结果。
因此如何有效的提取两者的特征参数信息来识别岩石破裂微震信号和爆破振动信号显得尤为重要。
本文基于岩石破裂微震信号和爆破振动信号的时变非平稳特征,通过对比几种时频分析的方法性能—短时傅里叶变换、小波变换和希尔伯特黄变换,提出了基于集合经验模态分解的岩石破裂微震信号和爆破振动信号的时频能量特征提取和识别方法。
首先,通过小波阈值去噪,将待测信号中的噪声干扰成分尽可能的剔除,真实地还原信号波;其次对去噪的待测信号进行集合经验模态分解(EEMD),获得一系列本征模态函数(IMF);最后求得每个IMF的能量占总信号能量的比例来作为待测信号的时频能量分布。
由于岩石破裂微震信号和爆破振动信号的频率分布状况不同,故将求得的本征模态函数能量比值的分布情况来作为其特征参数,来识别岩石破裂微震信号和爆破振动信号。
通过对80组典型的煤岩破裂微震信号和爆破振动信号进行实验,结果显示,煤岩破裂微震和爆破振动信号IMF能量分布有较大差别,煤岩破裂微震信号主要集中在IMF2、IMF3和IMF4的20-100Hz低频段,爆破振动信号则在IMF1的225-375Hz高频处较为集中。
为把两者信号差异最大化,从而形成区分两者的有效特征参数,将IMF2、IMF3和IMF4频段能量合并为新频段,爆破振动信号在IMF1与煤岩破裂微震信号在IMF(2+3+4)频段内能量值所占比例均在80%以上,区别最为明显,故将IMF1与IMF(2+3+4)能量特征比例作为区分煤岩破裂微震信号和爆破振动信号的特征指标。
该分析方法为煤矿识别微震信号事件和爆破信号事件提供了一种新的思路,利用两者能量分布差异较大、特征对比明显等特点,可以实现对两类波形信号的有效辨识。
隧道微震传感器监测台网病态条件下的岩爆风险评估方法[发明专利]
![隧道微震传感器监测台网病态条件下的岩爆风险评估方法[发明专利]](https://img.taocdn.com/s3/m/14b22abdbe23482fb5da4c57.png)
专利名称：隧道微震传感器监测台网病态条件下的岩爆风险评估方法
专利类型：发明专利
发明人：冯夏庭,李鹏翔,周杨一,陈炳瑞,肖亚勋,丰光亮,牛文静
申请号：CN201910410436.0
申请日：20190517
公开号：CN110109176A
公开日：
20190809
专利内容由知识产权出版社提供
摘要：本发明提供一种隧道微震传感器监测台网病态条件下的岩爆风险评估方法，涉及深埋隧道岩爆风险评估技术领域。
该方法首先按岩爆等级建立不同的岩爆数据库；并将不同等级岩爆数据库看成不同的群体计算协方差矩阵和均值向量；然后在微震监测系统软件中提取与建立岩爆数据库等时长内的微震事件数和振幅大于10m/s微震事件数作为样本；应用马氏距离判定样本到不同群体之间的距离；则与样本距离最小的群体即为潜在发生的岩爆风险。
本发明提供的隧道微震传感器病态条件下的岩爆风险评估方法，能在微震传感器病态条件下，根据现有的微震信息对掌子面附近区域的岩爆风险进行评估，解决了低于4个传感器工作不能进行岩爆风险评估的困境。
申请人：东北大学
地址：110819 辽宁省沈阳市和平区文化路3号巷11号
国籍：CN
代理机构：沈阳东大知识产权代理有限公司
代理人：刘晓岚
更多信息请下载全文后查看。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910388659.1
(22)申请日 2019.05.10
(71)申请人 东北大学
地址 110819 辽宁省沈阳市和平区文化路3
号巷11号
(72)发明人 张伟 冯夏庭 毕鑫 肖亚勋
丰光亮 姚志宾 胡磊 牛文静
(74)专利代理机构 沈阳东大知识产权代理有限
公司 21109
代理人 刘晓岚
(51)Int.Cl.
G01V 1/00(2006.01)
G01V 1/28(2006.01)
(54)发明名称
一种隧道微震监测岩石破裂事件自动识别
方法
(57)摘要
本发明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。
权利要求书1页 说明书7页 附图4页CN 110058294 A 2019.07.26
C N 110058294
A
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；
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。
2.根据权利要求1所述的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：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。
3.根据权利要求1所述的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：所述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。
权 利 要 求 书1/1页2CN 110058294 A。