[发明专利]基于全过程可视化的卷积神经网络微震监测波形识别方法

说明书

一种基于全过程可视化的卷积神经网络微震监测波形识别方法，属于岩体工程灾害智能监测领域。技术方案：构建训练所需要的数据集，人工标注单通道数据；将波形数据集随机划分为训练集、验证集以及测试集；将原始波形图片进行图像缩放、归一化、标准化及灰度化图像预处理操作；在Lenet网络中，用卷积层代替全连接层，增加激活层；在模型训练过程中采用随机梯度下降方法，增加批量归一化层；在模型中增加注意力机制，并对模型识别不同波形种类的过程进行可视化解释；有益效果：本发明实现全过程可视化，确定了输入尺寸为50*130、卷积核5*3为最佳改进模型框架，正确率达到了0.9768，相比原始模型提升了10.18％；无需降噪，无需画图，无需转化为时频图，实现端到端分类。

技术领域

本发明涉及岩体工程灾害智能监测领域，特别是基于全过程可视化的卷积神经网络微震监测波形识别方法。

背景技术

我国现阶段的岩石工程规模大、难度高，为世界所曙目。无论是矿山工程，还是水电工程、交通工程，其开发均已进入深部地下空间。“长、大、深、群”特点愈来愈明显，带来许多深部岩石力学问题，尤以岩爆最为突出，严重威胁施工人员人身和设备财产安全。微震监测技术是一种直接预测大型工程岩体失稳的先进技术。通过岩石裂隙声发射特征可以判断岩体的应力状态，获取岩体微裂隙发生的时间、位置和大小。因此，可以估计岩体局部损伤和潜在岩爆的位置，从而达到实时灾害预警推断的有效手段。

然而，工程环境复杂多变，干扰因素众多，导致在接收到的有效微震监测信号中存在大量干扰信号。微震监测信号与干扰信号的分类是微震监测系统的基础工作，对灾害预警和工程管理具有重要意义。目前，大多数微震信号的识别和分类仍依赖人工处理，但工作量大，人工识别效率低，易受个人因素影响，并会出现处理错误、误处理和不及时处理。此外，对信号进行分类需要时间，这延误了灾害预警信息的产生。因此，快速有效地识别和分类微震监测信号是一个迫切需要解决的问题。

目前用于处理微震监测信号方法存在以下几点不足：

(1)采用地震矩、能量、静应力降、视应力等震源参数作为分类特征。Malovichko(2012)、Vallejos和McKinnon(2013)、Dong等(2016)、Zhao et al.(2015)。这些研究虽然在分类方面取得了很大的进展，但不适合用于实时处理和预警系统。震源参数由经验丰富的分析人员利用P/S波的初至拾取、定位和震源参数计算获得。

(2)只分类了微震和岩爆信号，没有具体区分干扰信号。但Gaudio et al.(2014)论证了从环境噪声中可以获得边坡材料的s波速度等有效信息。因此，除了对微震和爆破进行分类外，还需要对废弃干扰信号进行识别和分类，因为它们也可以提供有效的岩体信息。

(3)提取原始波形特征代替波形对微震监测信号进行分类。Esposito等人(2006)、Zhang等人(2019)、Peng等人(2020a,2020b)、Zhao和Gross(2017)。但没有充分利用原始数据会丢失一些波形特征，且将在转换时频图的过程中，有些方法可能会出现涂抹和泄漏现象(Tary et al.,2014)。

(4)降噪后分类，如Lin et al.(2018,2019)提出了两种微震波形自动识别方法:DCNN-SPP(deep convolutional neural network-spatial pyramid pool)和DCNN-SVM(deep convolutional neural network-support vector machine)，对波形图像进行滤波和去噪处理后进行分类。但如果选择不恰当的去噪方法或滤波参数，会造成波形失真，降低P/S到时拾取精度，对微震定位产生负面影响(Zhang et al.，2019b；Lv,2019)。

(5)Wilkins等人(2020)通过时间-振幅数据先绘制波形图再进行分类。但时间-振幅数据很难自动导出，增加技术人员难度，且增加了画图步骤，较为繁琐。