[发明专利]一种隧道微震监测岩石破裂事件自动识别方法

说明书

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。

技术领域

本发明涉及隧道微震监测技术领域，尤其涉及一种隧道微震监测岩石破裂事件自动识别方法。

背景技术

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，发明“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；发明“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；发明“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；发明“微震事件识别方法和装置”，专利号201710955082.9。上述发明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。

发明内容

本发明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，本发明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；