王創(chuàng)業(yè),劉沂琳,常新科

(內(nèi)蒙古科技大學(xué)礦業(yè)研究院,包頭 014010)

巖石聲發(fā)射(acoustic emission,AE)是巖石材料受力作用下,其內(nèi)部原生缺陷閉合、擴展貫通過程中以瞬態(tài)彈性波釋放的應(yīng)變能現(xiàn)象,其在一定程度上能夠反映巖石的破裂損傷程度[1]。目前,AE信號分析方法有參數(shù)分析與頻譜分析兩類常用方法,與前者的不確定性與隨機性等特征相比,后者具有本征性與唯一性。趙菲等[2]基于AE信號頻譜分析,揭示了試件高度對花崗巖巖爆破壞后破裂面特征的影響。Wang等[3]分析了AE波形信號頻譜特征演化與砂石變形損傷各階段的關(guān)系。曾鵬等[4]通過聲發(fā)射信號主頻頻段的變化趨勢分析,提出了巖石的破壞前兆信息識別。

由于巖石材料在受力過程中產(chǎn)生AE信號的時域、頻域特征均有差異,準(zhǔn)確對AE信號進(jìn)行識別分類能夠判別巖石的破裂階段。BP神經(jīng)網(wǎng)絡(luò)無需事先確定輸入輸出樣本之間的映射關(guān)系,具有較強的非線性映射能力,適用于解決損傷識別問題[5]。周俊等[6]利用BP神經(jīng)網(wǎng)絡(luò)對聲發(fā)射信號進(jìn)行分類測試,表明其區(qū)分性能好且性能更優(yōu)越。申景詩等[7]采用BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)聲發(fā)射定位,獲得了較好的定位結(jié)果。張艷博等[8]對聲發(fā)射信號聚類分析,建立并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)從獲取的信號中識別出巖爆前兆特征信號。

在前人研究的基礎(chǔ)上,對天然狀態(tài)下的石灰?guī)r進(jìn)行單軸壓縮AE試驗,獲得加載全過程的AE特征參數(shù)及其波形信息,通過頻譜分析與小波包分析,將頻域內(nèi)的頻譜圖、主頻與小波包分析提取的能量占比聯(lián)合起來,找到石灰?guī)rAE頻譜特征變化規(guī)律,尋求適合的破裂階段識別信息；再利用小波包分解所提取的細(xì)節(jié)特征參數(shù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),準(zhǔn)確識別巖石聲發(fā)射信號破裂階段特征信息,為巖石破裂階段預(yù)測提供雙重保證,為聲發(fā)射技術(shù)與信號智能識別方法運用于實際巖土工程中監(jiān)測及預(yù)防煤巖復(fù)合動力災(zāi)害的發(fā)生提供可靠依據(jù)。

1 單軸壓縮AE試驗及巖石力學(xué)基本參數(shù)特征

1.1 巖石試樣制備

試驗選擇塊狀石灰?guī)r加工制備成6個直徑為50 mm,高度為100 mm的標(biāo)準(zhǔn)圓柱體試樣。試樣物理力學(xué)參數(shù)如表1所示。

表1 巖芯試樣力學(xué)參數(shù)Table 1 Rock core mechanical parameters

1.2 試驗設(shè)備及方法

巖石加載系統(tǒng)采用長春科新試驗儀器有限公司設(shè)計的SAW-2000微機控制電液伺服巖石壓力試驗機。聲發(fā)射設(shè)備為北京聲華科技制造的SAEU2S多通道聲發(fā)射監(jiān)測系統(tǒng)。在力學(xué)實驗進(jìn)行過程中同步采集與分析AE特征參數(shù)。

設(shè)定AE系統(tǒng)參數(shù)后,通過斷鉛測驗確認(rèn)AE系統(tǒng)各線路暢通無誤,隨后采用軸向等位移控制方式,以0.05 mm/min的加載速率進(jìn)行加載,直至試樣發(fā)生破壞停止加載。試樣的軸向應(yīng)力-應(yīng)變曲線如圖 1所示。石灰?guī)r試樣破裂形態(tài)如圖2所示。

由圖1可知,石灰?guī)r各試樣的應(yīng)力-應(yīng)變曲線斜率基本相似,呈線性變化；壓密階段短,除Shy-4以外,其余試樣的應(yīng)力在峰值后迅速下降,說明試樣脆性高,結(jié)構(gòu)致密。由圖 2可知,用皮筋與膠條使破壞后的巖石試樣保持原有形態(tài),可清晰觀察到破壞后的側(cè)表面上形成許多條豎直方向的、貫通試樣的裂縫,試件軸方向的中間位置向外鼓出,體積膨脹增大,屬于典型的脆性破壞。

圖1 試樣軸向應(yīng)力-應(yīng)變曲線Fig.1 Axial stress-strain curve

圖2 試樣破壞形態(tài)Fig.2 Sample failure pattern

2 AE信號頻域特征分析

2.1 關(guān)鍵點選取

原則上對全部試樣試驗結(jié)果進(jìn)行分析會更全面,限于篇幅,只選取了Shy-2、Shy-3、Shy-6試樣進(jìn)行具體分析說明。

巖石的受力破壞是一個能量吸收與釋放的過程,聲發(fā)射的能量反映了巖石內(nèi)部裂紋產(chǎn)生或擴展時所釋放的彈性能[2]。因此，采用聲發(fā)射累積能量對加載過程中產(chǎn)生的聲發(fā)射信號進(jìn)行分析。石灰?guī)r試樣Shy-2、Shy-3、Shy-6的累積能量、應(yīng)力與時間曲線如圖3所示。

圖3 試樣AE累積能量、應(yīng)力與時間關(guān)系曲線Fig.3 Sample AE cumulative energy,stress and time curve

結(jié)合石灰?guī)r應(yīng)力特征與累積能量走勢的特征選取5個巖石加載破壞過程中的關(guān)鍵點[9],5個關(guān)鍵拐點分別為:巖石初始加載能量明顯上升的點A,兩次能量上升臺階處的拐點B、C,即將達(dá)到峰值應(yīng)力附近能量進(jìn)一步抬升的點D,試樣發(fā)生破壞、對應(yīng)應(yīng)力下降時的點E。由圖3可知,石灰?guī)r各試樣累積能量具有相同的走勢,分析關(guān)鍵點的信號特征來反映巖石全過程的信號特征具有代表性。

2.2 AE歸一功率譜圖及主頻分布特征

由于聲發(fā)射信號的非平穩(wěn)性和多樣、不確定性,時域分析難以反映信號的全部特點?？焖俑道锶~變換(fast Fourier transform,FFT)作為一種非平穩(wěn)信號的經(jīng)典頻譜分析方法得到廣泛的使用[10]。

每個波形文件由2 048個點組成,首先用rigrsure小波閾值函數(shù)對關(guān)鍵點信號去噪處理后進(jìn)行快速傅里葉變換(FFT),得到了與信號時間函數(shù)對應(yīng)的、以頻率為自變量的頻譜函數(shù),分析該信號和頻率有關(guān)部分,進(jìn)一步繪制出試樣Shy-2、Shy-3、Shy-6關(guān)鍵點的歸一化頻率譜圖,如圖4所示,各關(guān)鍵點的主頻定義為歸一化頻譜圖中最大幅值所對應(yīng)的頻率[11]。

圖4 試樣Shy-2、Shy-3、Shy-6關(guān)鍵點波形信號二維功率譜圖Fig.4 Sample Shy-2,Shy-3,Shy-6 two-dimensional spectrum of key point waveform signal

以圖4(a)為例,分析Shy-2可知,在關(guān)鍵點A處波形特征主要以低頻、高幅度為主。

隨著荷載的增加,巖石內(nèi)部微裂隙開始萌生發(fā)展,低頻對應(yīng)大裂隙,高頻對應(yīng)小裂隙[10]。在拐點B處,頻譜整體向高頻偏移,說明有高頻信號出現(xiàn),該階段試件萌發(fā)出微小裂隙,呈現(xiàn)出高頻與低頻并存。頻譜200～300 kHz范圍內(nèi)持續(xù)出現(xiàn)幅度微弱的信號,頻譜范圍變寬。各種模式的聲發(fā)射源波形特征是多樣的,該階段的頻譜特征復(fù)雜[9],頻譜形狀由單峰變成多峰。

在拐點C處低頻信號的幅度值明顯降低,高頻信號幅度值升高。主頻值達(dá)到最大值。呈現(xiàn)高頻、高幅度為主的特征。

在破壞前的能量突躍點D處,高頻信號幅度值逐漸降低,多峰特征減弱。

在點E處,頻譜寬度恢復(fù)至200 kHz,高頻信號變少,幅度進(jìn)一步減弱,并呈現(xiàn)單峰,此時試樣完全破壞。

圖4(b)中試樣Shy-3與圖4(c)中試樣Shy-6在各關(guān)鍵點的頻譜演化規(guī)律與試樣Shy-2類似。

整個過程的頻譜特征大部分呈現(xiàn)低頻高幅,說明石灰?guī)r中低頻高幅為一種主要形態(tài)。主頻數(shù)值呈現(xiàn)先上升、后下降的趨勢,并在C點達(dá)到最大值。

2.3 小波包頻帶分解及能量分布特征

為進(jìn)一步了解AE信號的能量分布特征,將FFT變換后的信號采用小波包分解在頻率上進(jìn)行細(xì)化分析。小波包借助小波分解濾波器在各個尺度上對每個子帶進(jìn)行再次分解,為信號提供一種更為精細(xì)的劃分方法[12]。

基于小波包分析方法對上述關(guān)鍵點的波形數(shù)據(jù)進(jìn)行分解。選取db3小波基對前述去噪后的信號進(jìn)行3層分解,將頻率500 kHz分解為8等分。得到各頻段的長度為62.5 kHz。8個頻段范圍如表2所示。

采用小波包分解得到試樣Shy-2、Shy-3、Shy-6的8個頻段的能量占比,以Shy-2的關(guān)鍵點A～E為例,如圖5所示,圖5中數(shù)字1～8代表頻段編號,分析表明,石灰?guī)r在整個加載過程中能量主要集中在前4個頻段(0～250 kHz),與圖4的頻帶主要分布范圍一致。由于后4個頻段能量占比之和均不超過5%,可以忽略不計。將1、2頻段視為低頻段,3、4頻段視為高頻段。為了全面分析巖石加載破裂全過程的頻帶能量變化,先對試樣加載全過程中所有AE信號進(jìn)行分解,得到低頻段1、2能量占比的和,高頻段3、4能量占比的和與其呈負(fù)相關(guān)，如圖6所示。

圖5 試樣shy-2關(guān)鍵點頻段能量占比圖Fig.5 Sample Shy-2 key point frequency band energy ratio

圖6中,沿左側(cè)縱軸將能量占比有明顯變化趨勢的范圍劃分為#1(90%～100%)、#2(40%～60%)、#3(10%～30%)。

分析可知,1、2頻段能量占比之和高于60%的信號貫穿全過程。此時信號能量主要集中于低頻段(0～125 kHz),與前面所說低頻高幅是主要存在形式一致。

在圖6中第1條虛線之前,試樣處于初始壓密階段。信號能量分布較為集中于1、2頻段,占比之和基本分布在60%以上,新萌生的裂紋較少,零星出現(xiàn)分布在#2中的信號。此時低頻段能量占比高。

隨著巖石的加載,1、2頻段的能量占比之和逐漸向下偏移,#1范圍內(nèi)信號數(shù)量減小,對應(yīng)低頻信號減少；#2范圍內(nèi)信號開始增加,對應(yīng)頻段3、4能量占比增加,有高頻信號出現(xiàn)。此時試件處于彈性變形階段,部分小裂隙萌生發(fā)育。

B點附近開始出現(xiàn)大量分布于#3范圍內(nèi)的信號,能量占比小于30%,部分信號能量占比低至10%左右,頻段3、4能量占比進(jìn)一步增加,此時小裂隙大量發(fā)育伴隨彈性階段對裂紋的擾動,高頻信號持續(xù)增多導(dǎo)致這一階段高低頻并存。

隨著試樣的進(jìn)一步加載,巖石進(jìn)入累進(jìn)性破裂階段,大量信號重新聚集在#1范圍內(nèi),大裂縫加劇貫通,故在#1范圍內(nèi)的信號數(shù)量多于#2、#3,并在試件臨近破裂前的D～E階段,#2、#3范圍內(nèi)信號持續(xù)增多,試件即將破壞。

由此可證明小波包分解能量占比的變化能夠反映巖石受載裂隙發(fā)育的過程。經(jīng)過小波包分解對3個試件能量占比的分析對比,1、2頻段能量占比均在B點附近出現(xiàn)高低并存的現(xiàn)象直至試樣失穩(wěn)破壞。利用出現(xiàn)能量大量偏移至30%以下這一特征作為分界,1、2頻段能量之和低于30%的信號作為特征點,進(jìn)行巖石破裂預(yù)測。

3 AE信號分類與識別

3.1 劃分信號類別

前述分析表明,B點附近出現(xiàn)1、2頻帶能量占比之和低于30%信號,從開始出現(xiàn)此類信號起,即認(rèn)為試件進(jìn)入裂隙大量發(fā)育至逐漸貫通的階段。將1、2頻帶能量占比之和高于30%的信號作為X1,低于30%的信號作為X2。

3.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計與訓(xùn)練

一個完整的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層組成。輸入神經(jīng)元數(shù)目由特征向量維數(shù)確定[13],這里考慮到各破壞階段信號點小波包分解后能量占比具有唯一性,因此輸入向量確定為8個特征細(xì)節(jié)能量占比,所以輸入神經(jīng)元數(shù)為8。而輸出向量為前述的X1、X2向量,考慮用兩個神經(jīng)元表征兩類信號,即二進(jìn)制代碼(0,1)表示信號X1，(1,0)表示信號X2,因此輸出神經(jīng)元數(shù)為2。

隱層神經(jīng)元數(shù)目的確定極為重要,數(shù)量過多易使網(wǎng)絡(luò)復(fù)雜,訓(xùn)練過程難以收斂。隱層神經(jīng)元數(shù)目的計算公式為

(1)

式(1)中:X為隱層單元數(shù)；m、n分為輸出、輸入層神經(jīng)元數(shù)；a為[0,10]之間的常數(shù)值,因此,X的范圍為[4,14],選取8為隱含層節(jié)點數(shù)。BP網(wǎng)絡(luò)參數(shù)設(shè)置如表3所示。

表3 BP網(wǎng)絡(luò)參數(shù)設(shè)置Table 3 BP neural network parameter setting

從3個試件的兩類信號中分別選取10組,共60組,對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后運用已訓(xùn)練好的BP網(wǎng)絡(luò)對輸入向量進(jìn)行sim仿真模擬。

BP網(wǎng)絡(luò)經(jīng)過125步達(dá)到設(shè)定的最小誤差精度,表示網(wǎng)絡(luò)訓(xùn)練成功。

3.3 BP網(wǎng)絡(luò)性能測試與應(yīng)用

另從3個試件的兩類信號中分別選取10組,共30組聲發(fā)射信號。1～15組為試件Shy-2、Shy-3、Shy-6在X1中選取的信號；16～30組為試件Shy-2、Shy-3、Shy-6在X2中選取的信號。將其作為網(wǎng)絡(luò)測試樣本對已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試。測試結(jié)果如表4所示,BP網(wǎng)絡(luò)將兩類信號全部識別正確,識別正確率為100%。說明此網(wǎng)絡(luò)訓(xùn)練成功,已經(jīng)能夠識別所需的信號特征。

表4 BP神經(jīng)網(wǎng)絡(luò)測試結(jié)果Table 4 BP neural network test results

續(xù)表4

應(yīng)用已訓(xùn)練好的BP網(wǎng)絡(luò)測試試件Shy-4,如圖 7所示,經(jīng)過全過程波形的分析測試后,發(fā)現(xiàn)657 s附近開始出現(xiàn)大量輸出為(1,0)的X2信號?？梢哉J(rèn)為此時出現(xiàn)特征點,對應(yīng)能量抬升點為B點,進(jìn)入裂隙大量發(fā)育至貫通階段。

圖7 試件Shy-4 BP網(wǎng)絡(luò)應(yīng)用Fig.7 Application of BP network to sample Shy-4

證明此網(wǎng)絡(luò)能夠用來快速并且準(zhǔn)確的識別巖石聲發(fā)射信號的特征破裂信息,對于預(yù)測巖石破裂階段有一定價值。

4 結(jié)論

(1)結(jié)合石灰?guī)r應(yīng)力與累積能量走勢的特征選取5個巖石加載破壞過程中的關(guān)鍵點A、B、C、D、E。用關(guān)鍵點的信號特征分析來反映巖石全過程的信號特征具有代表性。

(2)對聲發(fā)射信號進(jìn)行快速傅里葉變換后觀察頻譜圖發(fā)現(xiàn),石灰?guī)r加載過程中主頻整體呈現(xiàn)先上升后下降的趨勢,在C點達(dá)到最大值；隨著加載,頻譜變寬至300 kHz,頻率經(jīng)歷了由單一低頻轉(zhuǎn)化為低高頻并存,最后又恢復(fù)成單一低頻為主的變化過程；頻譜特征由單峰轉(zhuǎn)化為多峰又恢復(fù)為單峰,在加載過程中大部分呈現(xiàn)低頻高幅,說明石灰?guī)r中低頻高幅為一種主要形態(tài)存在。

(3)利用小波包分析對聲發(fā)射信號進(jìn)行3層分解,將頻率細(xì)分為8個頻段。石灰?guī)r在整個加載過程中能量主要集中在前4個頻段(0～250 kHz)處；1、2頻段能量占比之和高于60%的信號貫穿全過程,其隨著加載向下偏移,B點附近逐漸出現(xiàn)占比之和小于30%的信號；將1、2頻段能量之和低于30%的信號作為特征點。整個加載過程能量占比#1、#2、#3范圍內(nèi)信號的變化進(jìn)一步證明了小裂隙發(fā)育對應(yīng)高頻信號的出現(xiàn),大裂隙發(fā)育貫通對應(yīng)低頻信號的出現(xiàn)。

(4)根據(jù)石灰?guī)r加載過程中1、2頻段能量的變化趨勢,將信號劃分為X1、X2兩類。將8個頻段能量占比作為輸入向量訓(xùn)練BP網(wǎng)絡(luò),對信號類別進(jìn)行識別。測試結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)對兩個區(qū)段的識別正確率為100 %。將訓(xùn)練成功的網(wǎng)絡(luò)應(yīng)用于試樣Shy-4,找到其特征點,說明此網(wǎng)絡(luò)能夠快速并且準(zhǔn)確的識別巖石聲發(fā)射信號特征破裂信息,對于預(yù)測巖石破裂階段有一定價值。