[发明专利]一种基于声发射模型的岩石破裂模式智能探测识别方法

权利要求书

1.一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于包括以下步骤：

步骤1，在待监测岩石上布置用于测试岩石破裂过程声发射参数的声发射系统；

步骤2，将目标特征数据输入预先训练好的信号识别模型，信号识别模型预先通过岩石破裂声发射的训练集训练得到；

步骤3，智能识别岩石破裂过程中张拉与剪切裂纹发展的比例；

步骤4，根据岩石破裂声发射信号确定的波形特征与岩石破裂模式识别存在相应的关系，为定量制定岩体灾害预警方案提供一些列可靠的检测阈值，同时为深入研究识别岩石破裂失稳前兆信号特征提供一种分析方法。

2.根据权利要求1所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤1中，所述声发射系统选测岩石声信号中的振铃计数、持续时间、峰值频率和上升时间用来分析岩石破裂的过程。

3.根据权利要求2所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤1中，所述声发射系统采集岩石声信号的方法是基于JCMS参数分析法，即用振铃计数除以持续时间求得声发射参数平均频率A_F，用上升时间除以峰值振幅求得R_A后，并对这两组数据进行分类。

4.根据权利要求3所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤2中，所述信号识别模型的预设训练集包括混合高斯模型(GaussianMixture Model，简称GMM)和期望最大(Expectation Maximization，简称EM)算法。

5.根据权利要求4所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤2中，根据A_F和R_A之间的关系，进行拉张与剪切裂纹的分析，在进行拉张与剪切裂纹分析时，通过结合混合高斯模型与期望最大算法作为训练模型，通过观察采样的概率值和模型概率值的接近程度，来判断一个模型是拟合和良好，对A_F和R_A之间的关系进行智能探测和识别。

6.根据权利要求5所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤2中，通过调整信号识别模以让新的信号识别模型与概率值更适配，反复迭代这个过程多次，直到两个概率值非常接近时，停止更新并完成模型训练，将这个过程用算法来实现：

通过混合高斯模型来计算数据的期望值，混合高斯模型本身是一个参数概率密度函数，表示为M分量高斯密度的加权，通过不断迭代来更新分布的均值μ和标准差σ来让期望值最大化，直到这两个参数变化非常小为止；

对于D维的测量、训练，将混合密度定义为：

式中，ω_i为混合权值，为单模态的高斯(正常)密度，为特征向量；

每一个单模式的高斯分量密度的形式是一个D变量高斯函数为：

式中，为D×1的平均向量，∑i为D×D的协方差矩阵；

为了让混合权值ω_i满足完整的混合高斯模型应由平均向量协方差矩阵∑i和所有分量密度M的混合加权来使之参数化λ，参数λ用式(3)表示为：

对于基于混合高斯模型的分类系统，模型训练的目标是估计混合高斯模型参数的λ，使高斯混合密度与特征向量的分布匹配，确定λ的最佳估值；

最大似然值估计(Maximum Likelihood，简称ML)是用于估计ω_i、和∑i的常用方法之一，最大似然值估计估计能在给定训练数据的情况下使混合高斯模型的可能性最大化，对于一系列T训练向量假定各向量之间是独立的，可以写成

该表达式作为λ的非线性函数，直接最大化(即设置一阶导数等于零并且约束二阶导数为正)计算上难以处理，考虑通过期望最大化算法(Expectation-maximizationalgorithm，简称EM)迭代来获得ML参数。

7.根据权利要求6所述的一种基于声发射模型的岩石破裂模式智能探测识别方法，其特征在于，在步骤S2中，期望最大算法的训练过程是一个迭代的过程，从最初的模型λ^k开始，之后估计一个新的模型λ^k+1，如此有p(X|λ^k+1)＞p(X|λ^k)，这样新模型就成为下一个迭代的初始模型，并重复此过程，直到达到某个收敛阈值为止(如对数的似然值为1026)，该算法由期望和最大化两个步骤组成，这保证了模型释然值的单调递增，期望步骤的结果是对第i个分量的后验概率，它被定义为状态为i的概率，当第m个高斯混合结果为时，给定第k个重新估计的模型λ^k

式中，ω_i′分别由式(6)(7)(8)用最大化步骤来返回分布参数：

这样混合高斯模型便可对岩石、混凝土等具有两类裂纹模式的结构进行分类，即张拉和剪切裂纹分类(M＝2)，为了对这两种裂纹模式进行分类，将特征向量(或测量向量)认为是一个二维向量(即)，当有T个训练向量时序列两种分类对应张拉和剪切模式分别是I＝{1，2}，此时再“估计”混合高斯模型的参数(每个隐藏类的权重，均值和协方差矩阵)，使它们与训练特征向量的分布最为匹配。