郭松林，王朝暉

（黑龍江科技大學，黑龍江哈爾濱，150000）

1 緒論

沖擊地壓微震是指煤巖體在復雜外界條件下發(fā)生結構破裂，產生微震信號。這些微震信號經常被用來研究和評價煤巖體穩(wěn)定性[1-2]。現(xiàn)今用于礦下的微震監(jiān)測技術包含多方面內容，其中震源定位被認為是沖擊地壓研究領域中最核心的研究方向[3]。

本文利用卷積神經網絡進行沖擊地壓微震定位，文中把監(jiān)測區(qū)域劃分為5*5的區(qū)域，用二維數(shù)組[x，y]來表示（其中x，y取值為1-5的整數(shù)），模型采用有監(jiān)督學習，所有的震動事件均將通過卷積神經網絡模型對應到圖中每一個區(qū)域中，將定位問題轉換為分類問題，這種方法保持了卷積神經網絡對二維數(shù)據處理的優(yōu)勢，能夠達到較高的定位準確度。

1.1 樣本處理

為了確保訓練模型最終能夠達到好的定位效果，必須對實驗事件進行合適挑選：

（1）用于模型訓練的的微震事件，必須在取樣時間段內是完整可靠的；

（2）實驗所選的每個記錄時間以震動觸發(fā)時為中點，前后各取5ms。將（-5ms，5ms）定為一個震動事件的時間域。

經過以上篩選和校正后，共選取了240個微震事件，每一個事件均由兩個維度（A和B）所采集的震動信號構成。震動信號如下圖所示。

圖1 震動信號示例A

圖2 震動信號示例B

圖中橫軸為震動采集時間，取值范圍（-5ms，5ms）；縱軸為電壓信號，表示震動幅值大小，取值范圍（-6V，6V）。

1.2 短時傅里葉變換

本文利用短時傅里葉變將一維數(shù)據轉換為二維數(shù)據。沖擊地壓微震信號是一種不平穩(wěn)的震動信號，對這種非平穩(wěn)信號f(t)，采用窗函數(shù)α作短時 Fourier 變換，計算公式如下：

其中ε表示某一待分析時間點，s表示頻率，α(t?ε)表示以ε為中心的分析窗。

下圖分別是對某一信號樣本的短時傅里葉變換圖，對每個樣本的A、B兩個維度分別進行短時傅里葉變換。

圖3 信號1A變換圖

圖4 信號1B變換圖

2 定位方法與網絡結構

2.1 卷積神經網絡

本文搭建的網絡模型，如圖5所示。整個網絡結構包含了4個卷積層、4個池化層以及2個全連接層。網絡的輸入層采用512*512*2的尺寸。最終到達第四個池化層后輸出32*32*128的尺寸。之后經過全連接層計算，由于研究區(qū)域被劃分為25個區(qū)間，所以輸出采用25的模型尺寸。

圖5 網絡結構

2.2 卷積層

卷積層主要包括特征圖以及卷積核。具體的卷積操作如圖6。當卷積核卷積位置超出特征圖有效位區(qū)域時，做填充或其他操作。然后激活函數(shù)對卷積后的值做激活操作。得到卷積層最終的輸出。

圖6 卷積層的運算過程示意圖

2.3 池化層

池化層可以用來減小特征圖的大小，減少模型計算時間，對上一層的特征進行數(shù)據壓縮計算。池化層分為最大池化層和平均池化層，在本文中所有池化層的池化運算步長為2，均采用最大池化。池化層的操作過程如圖7。

圖7 池化層的池化過程示意圖

2.4 損失函數(shù)

由于定位區(qū)域被劃分為5*5的結構，每個震動對應的二維坐標[x，y]表示該震動的期望值，所以本文使用了二維交叉熵函數(shù)來度量模型損失值的大小。

一維交叉熵損失函數(shù)：

式中：N——訓練的總樣本數(shù)

y——期望輸出，即有監(jiān)督訓練的標簽；

o——實際輸出，即經過模型運算給出的結果；

Q——損失值，表示期望值與訓練值之間的誤差大小。

本文使用的二維交叉熵損失定義為：

其中Qx，Qy分別表示兩個維度上的交叉熵損失值。

3 實驗及分析

3.1 實驗環(huán)境及配置

本次實驗建立在Window10，64位的操作系統(tǒng)之上，使用Tensorflow2.0作為深度學習框架，軟件編程使用以Python為基礎的卷積神經網絡函數(shù)庫。

實驗共有數(shù)據240組，這240組數(shù)據中的200組用于模型訓練，剩余40組用于檢測模型的準確率。

3.2 模型訓練過程

設定學習率lr為0.001，迭代數(shù)epoch為500，批大小batch為40，將200個數(shù)據進行5批訓練，計算每一批次的損失值loss累加計算均值，這樣就更精確地計算loss。

初始化網絡參數(shù)，開始訓練網絡，通過迭代最小化交叉熵的損失loss，優(yōu)化網絡連接權，提高模型準確率。

每次訓練后保存卷積神經網絡模型的參數(shù)，將損失值和準確率實時記錄下來。

3.3 結果分析

訓練完成后，保存繪制成的變化曲線用來觀察模型定位效果。訓練中的損失loss以及準確率acc的變化的曲線分別如圖8、9所示。

圖8 模型損失函數(shù)變化圖

圖9 模型準確率變化圖

通過損失函數(shù)和準確率的變化曲線可以看到，在完成500次迭代后，損失函數(shù)值為0.0753，準確率達到了97.5%。

表1 定位法準確率對比

本實驗采用TDOA時差定位法[4]進行對照分析，將240組數(shù)據進行定位計算，把計算位置與實際震源位置處于同一區(qū)域內的事件標記為準確定位。比較兩種定位結果后可以發(fā)現(xiàn)，時差定位法的準確率為92.5%，低于本文采用的卷積神經網絡定位法的準確率97.5%。

4 結束語

本文針對沖擊地壓微震定位任務提出了一種通過卷積神經網絡進行定位的方法，并采用短時傅里葉變換將處理后數(shù)據直接代入模型，該定位法利用了卷積神經網絡強大的二維數(shù)據處理方法和優(yōu)秀的特征提取能力。通過實驗及結果分析表明，該方法在微震定位中能取得較好的定位效果，定位準確率是優(yōu)于TDOA時差定位法的。