[发明专利]一种基于声谱图深度学习的岩石表面强度测定方法

说明书

本发明公开了一种基于声谱图深度学习的岩石表面强度测定方法，该方法将声谱分析技术、深度学习技术与岩土工程专业特点相结合，为野外地质勘察工作者快速简便地检验岩石表面强度提供了新的手段。本发明可以通过地质锤敲击岩石表面产生的敲击声音直接判断出岩石的表面强度，操作简便且精度较高，适用于野外环境下的快速勘察工作。另外，由于深度神经网络的特点，本发明所提出的神经网络模型可以在使用的过程中，不断的进一步训练，从而可以进一步提高使用效果。

技术领域

本发明涉及岩土工程、岩石声学以及人工智能领域，具体涉及一种基于声谱图深度学习的岩石表面强度测定方法。

背景技术

在野外地质勘测过程中，地质工作者们往往对如何快速简便地以一种非破坏性的试验估测岩石强度比较感兴趣。比较有经验的地质专家可以通过用地质锤对岩石进行敲击，从敲击声音中判断出岩石的强度，其原理是岩石的表面强度在某种程度上可以反映岩石的抗压强度，而敲击声可以反映岩石的表面强度。然而，这种判断属于经验性的判断，看似有效却颇为主观，并受诸多因素的影响，如地质工作者的经验、健康状况、人为疏忽、噪音、粉尘等。这些因素都会在不同程度上降低地质工作者对岩石强度估算的准确性，尤其是一些刚刚参加工作的地质人员由于缺乏经验，很难做出正确的判断。

对于岩石强度的无损检测，目前主要有两种方法，一种是声波测试技术，即通过建立声波波速或声谱图特征与岩石强度之间的关系对岩石强度进行计算的方法，如张东旭依照对于某水库坝基使用岩石去进行声波完成的实测值，建设了岩石抗压强度值与声波值之间的定量关系。刘彤等人分析了声谱特征值与岩石单轴抗压强度的关系，并给出了近似为幂函数和指数函数两种关系式；另一种无损检测方法是回弹法，即利用回弹仪对岩石的表面强度进行测量，并建立回弹值与岩石抗压强度的关系从而对岩石抗压强度进行预测的方法，如曹贵和雷磊基于室内试验，分析了回弹法测试岩石强度的影响因素；对于这两种无损检测，前者的精度较高，但对设备及岩石试件的要求也较高，不适宜在野外快速的预测。后者虽然方法相对简便，但影响因素较多，经验公式种类众多且需要一定的操作规范。

近年来，随机计算机技术的飞速发展，深度学习技术越来越被各个领域所重视。深度学习是机器学习中的一个新兴领域，其目的是通过建立人工神经网络，使机器能够模仿人脑的机制来解释数据，如图像、声音和文本。在地质学领域中，一些学者也逐渐开始应用深度学习解决专业性的问题，如程国建和刘丽婷将深度学习中的特征和分类器结合在一起，根据数据学习特征，提出了基于深度信念网络的岩石孔隙识别方法和基于卷积神经网络的岩石图像分类方法；陈冠宇等人通过深度学习算法对不良地质体进行识别与分类，得到了良好的效果。然而，很少学者在岩石声学与人工智能领域进行深入的研究。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于声谱图深度学习的岩石表面强度测定方法，该方法将声谱分析技术、深度学习技术与岩土工程专业特点相结合，为野外地质勘察工作者快速简便地检验岩石表面强度提供了新的手段。

本发明的目的是通过以下技术方案实现的：

一种基于声谱图深度学习的岩石表面强度测定方法，包括以下步骤：

A.使用回弹仪采集岩石表面强度数据，得到回弹值数据集用以表示岩石表面强度；

B.用地质锤敲击岩石，并用录音笔采集敲击声音数据集；

C.对回弹值数据进行处理，最终形成岩石表面强度数据集；

D.将同一岩石对象的声音数据集与岩石表面强度数据集一一对应；即将对应着同一回弹值的敲击声数据统一放在一个文件夹，并将该文件夹名称设置为该回弹值，以便后续处理；

E.对敲击声音数据集的音频文件进行切割声音片段集，并用短时傅立叶变换将声音片段集制作成声谱图数据集；

F.用声谱图对GoogleNet系列的深度学习模型—Inception-v3网络模型进行训练，用以对岩石强度进行预测；