[发明专利]基于声纹深度特征的硬岩拉剪破裂识别方法及装置

说明书

本发明公开了一种基于声纹深度特征的硬岩拉剪破裂识别方法及装置，主要解决了现场下硬岩拉剪破裂识别不易性的问题。包括步骤S1：获取硬岩张拉破裂和剪切破裂的声音信号，并绘制成相应的Wigner‑Ville声纹图；步骤S2：利用预训练深度神经网络提取张拉和剪切两类破裂声纹图的深度特征；步骤S3：将张拉和剪切两类破裂信号声纹图的深度特征作为训练样本训练IVM；步骤S4：监测硬岩的破裂声音信号，获取相应破裂声音的声纹图；步骤S5：利用同样的预训练网络提取待预测的声纹深度特征，根据IVM分类结果，确定硬岩破裂类型；步骤S6：将IVM分类结果良好的预测样本也一同作为训练样本加入到训练集合中，对之后监测所得的声音进行预测。

技术领域

本发明属于岩土工程灾害防治技术领域，涉及一种基于声纹深度特征的硬岩拉剪破裂识别方法及装置。

背景技术

我国三分之二以上的国土面积为山区，极易受到山区危岩所带来的自然灾害。受限于危岩灾害的突发性和快速性等，对于危岩灾害的及时预警还存在巨大的改善空间。

已有研究表明，硬岩的宏观破坏均从微小的脆性破裂逐渐发育而成，加深对于脆性破裂的研究对于硬岩宏观破坏机理的揭示具有重要的意义，因此如何监测硬岩的破裂行为是研究的热点。

硬岩的脆性破裂可分为张拉破裂和剪切破裂，拉剪破裂的研究对于再现硬岩内部的破坏演化以及对危岩的破坏预警具有重要的意义。通过研究硬岩的拉剪演化，从拉剪破裂的角度进一步的揭示岩石破坏的机理。因此，对硬岩拉剪破裂进行分类识别，可以实现对硬岩宏观破坏的及时预警，减少硬岩破坏造成的人员伤亡和财产的损失。

张拉破裂是硬岩在外荷载状态下，当硬岩某一承载面达到抗拉强度时，硬岩产生张拉破裂，张拉破裂是在能量急剧情况下，最后能量快速释放所表现出的急剧性宏观破裂；剪切破裂是指硬岩在外荷载状态下，硬岩某一接触面达到最大抗剪强度，硬岩产生剪切破裂，剪切破裂是硬岩是内部不同尺寸颗粒接触间相互摩擦产生的连续性破裂事件，相较于张拉破裂所表现出急剧短促的特点，剪切破裂属于连续，较长时间的破裂。由于上述两种破裂过程的根本性不同，因此通过分析硬岩张拉破裂和剪切破裂时所表现出的较为明显地特征，即能做到对两种不同破裂类型的显著区分。

当前对硬岩张拉破裂和剪切破裂传统区分手段包括：数值模型分析，现场的观测等手段，但是上述等监测手段存在着诸多的问题。数值模型的计算方法耗时较大，且数学模型的建立需要较多的假设，因此对于现场硬岩的真实情况反映还有所欠缺。基于现场的监测方法手段常借助于声发射、微震等设备，但是此类监测设备的使用成本较高，经济性较差，在现场环境下难以获得较大范围的使用。针对上述分析手段的不足，需要一种新的岩石拉剪破裂识别的方法，既能准确地进行岩石拉剪破裂机制的分析，同时还具有操作上的便利性。

当硬岩发生脆性破裂时，伴随着硬岩的宏观破裂，会发出人耳可听见的声响，能够在不利用传感器器进行接触条件下完成信号的接收，与传统的声发射。微震监测相比，具有极高的经济价值。然而，当前对于生物语音的智能识别已经获得了巨大的突破，各种商业语音识别产品已经日臻成熟，但如何借鉴已有的语音识别技术，建立岩石力学领域的声音信号监测还尚待研究。

深度学习是一种近年来依据大数据兴起的智能学习算法，具有无监督学习和监督学习下的自适应学习能力，已经被广泛用于计算机视觉中的多项任务，尤其是图像分类。与在训练中重新调整深度神经网络中的参数不同，经过大数据集预训练的深度神经网络往往充当深度提取器的作用。

与传统人工描述固定的纹理、颜色、边缘等特征不同，使用预训练的深度学习网络通过不同位置的网络层具有从不同深度提取描述声纹图形特征的优势。在深度学习方法中，通过大数据集建立的预训练深度学习模型，经过适当的微调后，可以用来对其他数据集中的图形进行更好地特征迁移，所提取出的图像特征虽然会抽象但是具有更好的代表性。并且相较于传统人工描述的特征，具有自动处理的优势，极大地提高了图像识别的效率。