文摘

很难准确、有效地检测地震波信号到达时间的自动定位从微震的波。U-net模型检测地震波到达的时间构造基于卷积神经网络(CNN)的理论。1555年的原始数据段和合成数据的7764段发现使用Akaike信息标准(AIC)算法,时窗能量特征值算法,和U-net模型。在试样的单轴压缩,声发射设备用于收集产生的振动波试样的断裂。源成像图像绘制使用的软件,计算到达时间错误,三个到达时间方法的优缺点进行了讨论。源图像之间的相似性和实际裂缝图像。源成像图之间的相似度高和物理轨迹地图U-net模型时使用。因此,它是可行的使用U-net模型检测地震波到达的时间。其精度大于时间窗口的能量特征值算法但低于AIC算法对高信噪比。降低信噪比后,U-net模型的稳定性和精度检测到达时间比其他两种算法有所提高。

1。介绍

微地震监测技术是一个重要的早期预警方法改善岩体灾害的安全与稳定。广泛应用于煤矿岩爆、煤和天然气爆发,高陡边坡监测在水电工程中,围岩和隧道结构安全监测。检测地震波到达自动定位的准确性和可靠性直接影响微震的活动。到达传统的手工检测方法系统误差,自动检测临界值的影响,时间窗长度、限制幅度,和其他参数并不能应用于大规模的微震的事件。因此,找到一个稳定、快速、精确的智能地震波到达检测方法是主要问题领域的微震的监控。

迄今为止,地震波到来的自动检测算法主要是指地震波到达的算法自然地震数据处理。1978年,艾伦1)发现有显著差异在地震波的能量和噪声,提出了古典长期窗口能量平均/短时窗能量平均(STA / LTA)方法和特征函数的概念。1985年,Maeda [2改善了AIC皮卡时间方法并提出了Maeda AIC方法直接计算AIC没有计算AR模型的顺序;因此,AIC可用于地震探测和提高运营效率。2017年,王3)提出了快速AIC方法考虑其缓慢的业务在处理大量的微地震数据。2018年,朱镕基et al。4采用了多步检测方法。在第一步中,STA / LTA被用来确定大概的位置,在第二步,AIC用于精确检测。提出了一种改进的AIC方法,解决了这个问题,AIC大大地影响信噪比处理水力压裂时的信号。2020年,李宏力(5]STA / LTA相比,偏振和AIC方法并详细解释了他们的特点。近年来,随着微地震监测技术的快速发展和微震的爆炸式增长的数据,自动检测算法的局限性,过于依赖参数已经暴露出来。例如,如果一些地震波的背景噪音比较大,有必要设置一个较大的临界值。如果有一个大区别一些地震波的高峰值,有必要设置一个较大的时间窗口长度。因此,自动地震检测的稳定性是不够的。一个方法只适用于特定的信号或信号数据具有相同地质条件,不能适应条件当信号特征变化。因此,检测精度将降低,从而导致微地震定位的偏差。

机器学习的迅速发展有得天独厚的处理大数据。许多地震学者应用机器学习地震相识别和时间选择。2019年初,江泽民和宁6应用支持向量机识别和选择地震体波到达时间。同年,赵et al。7,8]CNN模型用于分类汶川余震的地震阶段和应用u型CNN (U-net)选择地震的到达时间。2020年,王等。9CNN模型用于微震的事件监视。同年年底,高et al。10)利用随机森林选择第一个微震的波的到来。2021年,大卫•et al。11)使用几个U-nets选择第一个地震的到来。选择第一个振动波的到来可以转化为cnn的一个分类问题,和U-net有很好的应用在生物医学图像分割领域(12),显著的优势在处理进行像素级图像分类问题和满足精度要求的检测振动波到达时间。

在这项研究中,U-net用于确定振动波的第一个突破。古典U-net模型调整使用现有的7700煤和岩石断裂振动波数据输入训练和测试。参数调整来实现网络的最优效果。由于损失函数曲线反映了所有预测点的样本之间的差异和标记点,而不是微震的波预测之间的区别首先到达单点和标签第一次入境单点。为了计算微震的波之间的误差预测首先到达和标签第一次到达,U-net皮卡微震的第一个到达程序是用python编写的,使用保存的U-net训练参数的微震的波到达时间。与其他算法进行比较,用c#编写的程序包含AIC算法和时间窗的能量特征值算法(13)也用于接微震的到达时间。1555段的验证数据输入的每个两个项目加快微震的到达时间和比较的准确性。为了测试U-net模型的概括能力,7764段的训练数据被混合了白噪声和输入两个项目来测试三种方法的噪声免疫力。然后,单轴压缩测试声发射监测水泥砂浆块骨折进行。振动波的到达时间的实验数据确定U-net模型,AIC算法和时间窗方法,源成像和物理轨迹图像之间的相似性比较。U-net模型的稳定性被认为是在实验环境。

2。U-Net理论和过程

U-net是一种完整的卷积神经网络(FCN)可以在像素级分类和处理不同大小的数据。的整体流U-net捡振动波到达如图1。

2.1。U-Net调整

U-net模型之间的差异和传统数据处理模型,标签标记的第一个到来的振动波,和层大小调整。

2.1.1。数据处理

本研究的样本数据所产生的振动波数据single-pressure断裂实验煤和水泥砂浆试块使用声发射仪器收集。单通道波形是通过事件检测和派生的到达时间是手动标记,其中包括1242煤岩断裂振动波和6528水泥砂浆试样断裂振动波,7770个样本总数。

数据用于网络培训的细节如下:一段121.24秒的采样率3兆赫水泥砂浆测试波形数据块;和一段546.57秒采样率为2.5 MHz连续煤岩破裂波形数据。AE软件记录每个震源的近似触发位置,并通过触发位置,连续波形分解为6的渠道单一事件波形和出口到txt格式。txt格式导出为txt,在导出的三种不同的行数取决于每个事件的持续时间。为了满足输入的要求U-net模型,对数据进行裁剪和补充零操作:数据少于1024采样点,0的点数据添加了最后的数据补长度到1024年,并与采样点的数据大于1024,数据采样点1024年之后被删除。1024年被选中,是因为U-net网络需要五池操作减少长度的数据,这就需要能被2整除的样本长度⁵,考虑到派生事件的平均长度是大约1000个样本,1024年被选为32整除。由于这项研究是关心振动波的到达时间,这只破坏事件的完整性和不影响传感器的效果。数据预处理去除均值和正常化。

U-net模型一般用于处理图像数据,可通过减少U-net结构中每一层的尺寸(7]或通过提高地震波的尺寸数据。因此,TensorFlow newaxis函数是用于改变数据到一个张量形式的1024行,1列,1通道满足网络输入数据的格式要求。

2.1.2。标签第一振动波的到来

的问题确定振动波的第一个突破可以转换成一个二进制分类问题在cnn标签可以放置时间点。然而,微震的信号占整个波形数据的一小部分,和到达时间只有一个点的微震的信号。这样的标签导致极其不均匀分布的正负样本,训练效果不符合要求。分组处理是一个方法来解决不均匀分布在正负样本9),但冲击波序列是连续的和有一个前后点之间的关系。如果每个样本组的长度太短,序列信息将会丢失,这是不可靠的,缺乏实用性。如果每个样本组的长度太长,以满足精度要求,其他方法用于定时检测。

U-net在图像分割具有良好的性能。它执行进行像素级分类和能满足要求的初至时间的准确性和实用性。使用U-net使标签时,不均匀的正负样本处理之前通过选择所有点时间点作为类和标记后的时间点作为第二课。微震的输入数据和输出特征数据与标签。具体操作如图2。

2.1.3。层的大小

在这项研究中,卷积的大小、池、和upsampling层已经调整。卷积核的大小改变从3×3 - 3×1,池内核改变从2×2到2×1,和upsampling改为2×1对应于池层。原因是数据输入到网络是一维的,波形的振幅,而不是二维图像组成的时间和振幅。对于一维数据,采用3×1卷积是一种不可避免的选择;它不可能使用一个3×3卷1024×1数据广场内核。对于二维数据,3×1卷积失去相比,3×3的隆起边缘信息,降低网络的性能,通常需要upsampling调整恢复性能。3×1卷积可以节省33%的参数的数量和计算如果使用得当,导致双重的增加速度与最小性能下降(14]。

如图3,U-net模型由五个部分组成:输入层,降低抽样层,上层抽样层,融合层和跳线,和输出层。较低的抽样层包括卷积和池层与一些丢弃层。U-net模型首先不断通过将采样提取的特征数据,并逐步通过upsampling数据恢复到原来的大小。像素进行分类,和融合层和跳线防止过度拟合。

冲击波数据最初进入卷积层1从输入层。卷积层使用一个零填充,卷积核的数量设置为64,和ReLU激活函数。通过卷积操作,数据输入层,特征提取两次,结果被发送到汇聚层1。最大连接池是用来降低数据长度的一半。丢弃层4和5添加下卷积层4和5,和50%的神经元被丢弃,防止过度拟合。降低抽样层五次重复这个过程(最后一次不需要池)和不断提取数据特征。所示的卷积操作如下: 在哪里代表的输出层的神经元 , 的输出是什么层的神经元 , 的重量,是补偿项,是零填充函数,卷积运算,是激活函数。

然后输入上的数据采样6从丢弃层5层。上采样的功能层是相反的池层,双打数据的长度,减少了卷积核的数量减半,并逐步恢复原始波形的外观。层间残余转移操作(15是用来防止过度拟合。丢弃第四层的数据输出较低的抽样层对应上抽样层6,与上一个矩阵叠加抽样层通过融合6层6通过卷积,然后输出层6。具体操作如图4与方程(2)。上抽样层四次重复这一过程,对应于池层和数据恢复到原来的长度。 在哪里是所有的输出层神经元 , 是所有的输出层神经元 , 是矩阵叠加,是融合函数,是所有神经元的输出层。

最后,数据进入卷积层9,逐渐减少了卷积核的数量。然后,输入输出层,它通过1×1卷积核,改变特征的深度图。因此,输出数据的大小是一样的输入数据。输出层采用乙状结肠激活函数产生预测冲击波到达时间特征映射。

二进制熵函数对应于乙状结肠激活函数是用来衡量预测的时间和标签之间的差异。当二进制熵函数的导数梯度下降,最终的损失函数的梯度层的重量不再是相关的激活函数的导数,但仅仅是成正比的输出和价值观之间的差异。使用此函数可以加快收敛速度和更新的速度权重。二进制熵函数给出的计算公式如下: 在哪里是标签和预测的价值。

2.2。培训过程

使用伪随机数发生器,建立了随机种子的数量,7700段的振动波样本数据中断,并确保数据的重现性。第一个6215段被选为训练集,最后1555段被选为验证设置,批量输入到神经网络。每一批输入32段的数据,还有40训练轮。亚当优化器使用和学习速率是10⁻⁴。验证设置测试的准确性是决定每一轮后,损失函数和精度曲线如图5。

本研究采用PyCharm实现和调整U-net到达时间模型,这是TensorFlow训练和测试。U-net培训运行在一个电脑,8 GB内存和NVIDIA GPU。连续调试表明,该训练轮保持最佳经过40轮。见图5,大量的样本数据训练集的损失函数曲线逐渐减少从0.16到0.04。验证组的损失函数曲线波动在0.11和0.05之间前10轮,然后经过1022轮稳步下降到0.05。然后它开始从22-36轮在0.05和0.06之间波动,从37-40轮开始上升。此时,训练是终止。

训练集的正确速度曲线逐渐从93.8%上升到98.2%在第十轮。从流传1040年,曲线稍有波动,总体精度提高到98.7%。的准确性验证集波动从96.5%到98.5%前10轮,然后从1025年轮从97%上升到98.4%。它从轮2636年开始波动在98.4%左右波动下降的趋势超过3740回合。损失函数和准确性曲线表现出负相关。损失函数下降时,准确度增加,表明U-net模型的训练效果好。

2.3。比较分析

一般来说,第一个打破选择的误差范围内是可以接受的50点,和超过50点被认为是一个错误的选择。这里,误差定量表达各种方法的选择的准确性,所反映的统计数据。计算公式是 在哪里选择第一个冬至的各种方法。以满足实际工程的需要,原始数据的信噪比有统计学计算,和原始数据去噪测试三种方法的稳定性。在这项研究中收集的数据来自对岩体单轴压缩测试,在实验室里没有其他噪声生成,所以采集的波形噪声主要有两种类型:单轴压缩器所产生的噪声和其他噪声产生的实验室环境。

收集到的声发射信号的频率从测试是100千赫到400千赫。基于经验,三种类型的环境噪声是10赫兹到100赫兹,和带通滤波器从100千赫到400千赫选择使用的过滤器AE软件,过滤订单5的,所以环境噪声可以有效地过滤掉。然后,数据导入到一个c#程序写一写噪声添加算法基于伪随机数和振幅比例添加噪声数据和信噪比的减少值测量15-50 dB不到15分贝。高斯白噪声是基于原始数据添加到每个通道,以及噪声的影响如图6。计算公式是 在哪里融合的数据点,原始数据点,然后呢指的是白噪声数据点。

2.3.1。统计比较原始和嘈杂的数据

添加噪声后的信噪比进行了计算,和AIC U-net,时窗能量特征值算法被用来确定到达时间。误差范围点,误差范围比例,错误时间率和平均误差1555原始波形和7764的合成数据统计。统计结果如图7和表1。

图71555段的原始数据显示,有1430段与AIC传感器误差在5点,这是超过1228段U-net和734年段的时间窗口的方法。同时,有179段的数据错误超过50点的时间窗方法,占最大的份额。这表明AIC方法的准确性比U-net和时间窗口的方法。添加噪声后,数据量与错误U-net在5点是5739段,超过了4893段AIC和3183段时间窗口的方法,而只有373段错误超过50分。因此,U-net确定到达时间数据时具有较强的稳定性和较低的信噪比。

表1表明,当使用原始波形数据,U-net模型的平均误差为6.38μ年代错误皮卡率达到3.34%,这些AIC算法2.79μ和2.19%,这些时间窗方法12.63μ和11.51%,分别。计时精度U-net模型略低于AIC的算法,但远高于时间窗口的方法。这是因为,高信噪比,AIC算法有一个优秀的能力区分噪声和信号边界点。U-net模型使用多重卷积核提取数据特征,也保证准确性。

添加噪声原始波形数据后,信噪比降低,平均误差U-net计时误差是11.64μ年代,皮卡率是4.80%的错误。这些值的AIC算法12.16μ和9.51%,这些时间窗方法31.07μ年代和28.55%。此时,皮卡U-net模型的精度大于AIC算法和时间窗口的方法。因此,降低信噪比后,三种算法的准确性时机选择在一定程度上减少,但AIC算法和时间窗方法影响较大,而U-net模型的稳定性很好,信噪比降低后到达时间精度高。

2.3.2。比较算法特征图之前和之后噪音之外

插图的波形时序如图8AIC, U-net和时间窗方法,说明三种方法有不同程度的错误。在图8(一)、波形的信噪比是31.98 dB,和图8(b)展示了一个强烈的局部最小值峰值前的AIC特性曲线与一个错误的9点。在图8(c),双峰值的时间窗口的特性曲线的方法,coda最后是连续的。0.001的振幅限制设定的算法来避免终结,但仍有43分的错误。在图8(d)的地方U-net输出的概率特征图首次超过0.5是可区分的,和到达时间精度提高。时间窗方法的准确性低于AIC和U-net方法。

添加噪声后波形数据图8(e),信噪比降低到8.06 dB。此时,AIC特性曲线在图的局部最小值8(f)不强,定时误差超过50分,这是判断作为一个错误的选择。在图8(g),时间窗的特性曲线方法仍有许多干扰,误差是42分。在图8(h), U-net输出特性图是被一定程度的噪音,但时间点仍然准确地捡起。U-net的稳定性和时间窗方法比AIC方法,表明AIC方法极大地受信噪比影响。

2.4。实验室验证

预制水泥砂浆试样进行单轴压缩,以及声发射仪器被用来收集在断裂过程中振动信号。在数据处理阶段,三种自动时间到达皮卡方法被用于比较的到达时间精度提出U-net模型对AIC和时间窗口的方法。源位置进行了使用三种不同的时间到达方法和事件位置和能量散射图像软件被吸引。根据这些断裂位置图片,各种波到达时间拾取方法评估,为后续的项目的实际应用奠定了基础。

作为本研究最终关心的是到达时间对定位精度的影响,在本地化点能量的大小,关心的是真正的质量和能量信号。信号的质量越高,更准确的将是当拿起和本地化的准确性将会改善,最终反映出结构的岩石裂缝;信号的能量将反映岩石断裂的程度。

我们简单地使用信噪比和能量来表示信号的质量和能量,使用图9说明每个阶段的过滤效果的测试结果。影响能量轨迹:Parseval定理表明,获得的信号的能量积累振幅的平方。相信通过时域滤波器或频域滤波器会影响振幅和造成损失的能量。过滤器一个经过越多,能量损失越大。对传感器的影响效应:信号的测试结果是100千赫到400千赫。带通滤波的传感器是强制性的,50千赫到400 KHz,能够捕获完整的事件,过滤掉噪音,和提高传感器的初始精度;放大器的过滤器是选为100 KHz - 400千赫能够进一步排除50 KHz - 100赫兹的低频噪声,而放大器本身也可以显著提高信噪比,可以大大提高波传感器精度。当信号变成数字,后面的处理实际上是可控的。收集器的过滤器可以选择类型来提高传感器精度,和软件滤波器更加强大,允许秩序和阈值的选择恢复波形细节和改进小波到达时间的准确性。

2.4.1。测试系统和水泥砂浆测试块

水泥砂浆试块的平均长度,宽度,和高度100毫米,如图10。表2显示了每个测试块的详细参数。Yaw6206微机控制电液伺服压力试验机从大都会工业系统有限公司,有限公司,单轴压缩,直到它被摧毁的加载速率表所示2。在测试期间,八声道声发射仪器从北京软岛时代科技有限公司,有限公司,用于采集的振动信号测试环境如图11。在单轴压缩试验之前,lead-breaking测试进行校准测试块的声速(16),如图12。这三个测试块的声速表所示2。

声速Lead-break测试:在水泥砂浆试样的两个传感器坐标(100年,50岁,10)和(100,90),两个断点(100、50、20)和设置(100,80),和领导每一点坏了三次,分别由软件设置。的声速计算软件和六个计算声波速度的平均值被设置为纵波声速。以下所示的原则是方程,计算界面如图13。 在哪里是距离lead-break指向传感器1,是距离lead-break指向传感器2,是声波传播时间传感器1,是声波传播时间传感器2,然后呢V波的声速。

2.4.2。数据处理和分析

另类投资会议,时间窗口和U-net算法被用来确定振动波的到达时间收集的数据测试。定位地图与物理轨迹,和每个方法的准确性和稳定性进行了分析。具体测试结果如图14和15所示。协调轴以O为原点,OC的X设在,OAZ设在,噩Y设在。是指定OABC是正面,1号的测试块写在正面,ABED顶面,和OADG左边。

能源领域被删除的单位大小的能量与输入成起源和策划磅值作为直径的能量。然而,直径太大画的内部测试块,所以添加了一个比例因子,减少能量球体的直径的0.05倍。

图14(一)表明,声发射的高能事件点软件集中在中上试验台的一部分,和有高能点OCFG试样表面。图14AIC (b)的方法表明,高能事件集中在中间和上部的女朋友,还有很多职位高的能量在中间和内心BEFC平面的一部分。图14(c)的时间窗方法表明,高能事件主要集中在测试块的上部,有分散低能点OCFG表面之上。图14(d) U-net模型表明,能量集中在中下游地区DEFG飞机,和正面的中间偏上部分的测试块还包含一些高能点。

图14显示左侧DEFG试样表面大面积脱落,DEFG和底部一侧的表面有明显的开裂,这表明试样产生高能事件在这一领域。声发射软件表明AIC、时间窗和U-net方法都有高能事件点在这个领域。其中,时间窗方法定位高能事件接近试样的顶部,而定位软件,AIC, U-net都表明,高能事件集中在中下游部分。物理图的比较表明,AIC和U-net更接近实际断裂位置,表明预测到达时间更准确,更好地反映特定事件的位置。

图15显示,有四个不同的裂缝EDFG背后的测试块,与大面积剥落裂纹从1到3。裂纹的深度4已经被掏空了,只留下几个表面裂缝。

图15(一)声发射和本地化的软件。从图可以看出,试样内部的事件集中和分散和不规则。这是由于一个事实,即声发射传感器算法是基于阈值触发理论,和使用的20 mV触发软件收购,这可能是有点太小,导致早期波到达时间和一个更大的整体计算,试样内的本地化点分散,没有明显的可以看到裂缝的形成,这是不符合实际的破裂。

在图15(b),裂纹3和裂纹4可以清楚地看到,这表明AIC校正准确定位的点。原因是AIC算法是基于时间序列的平滑度,和AE的波形获得软件,具有高信噪比,非常适合AIC算法。很明显从AIC算法的测试结果非常准确的信号信噪比高,这也反映在本地化。

图15(c)显示裂纹4,事件点分布。这是因为时间窗算法是基于能量差理论,并产生大量能量的大面积DEFG表面脱落,但由于其固有的缺乏准确性和造成的不可避免的损失的能量系统处理数据,本地化结果不令人满意。

在图15(d),大量的事件点集中在DEFG脸,和事件点都集中在某种程度上,它们可以连接到形成裂纹3和4,本地化的结果是理想的。U-net模型的原因是一个单纯的数据识别模型,它是更高级的理论,并从功能图,我们可以看到它有很强的概括能力,这种优势反映在它的高精度小波到达时间和本地化地图匹配的实际破裂过程。

3所示。结论

本研究调整输入和输出数据维度和卷积核大小基于U-net模型,并使用它来选择地震波到达的时间。结果与传统的AIC算法和时间窗口法来验证其准确性。三种方法使用一个比较稳定的合成添加噪声后的信号。通过实验室实验,监测水泥砂浆的骨折块进行了声发射检测和分析使用三种方法来确定地震到达时间和创建源图像。结果与实际的水泥砂浆试样的断裂轨迹,和三种方法测定的优点和缺点。以下的结论。(1)可行的使用U-net模型自动检测振动波形的到来。(2)数据分析表明,U-net模型的平均误差为6.38μ年代没有噪音,略低于AIC的算法,但高于时间窗口的方法。添加噪声,上面增加U-net模型的准确性AIC算法和时间窗方法平均误差为11.64μ年代。(3)与时间窗方法相比,U-net模型不需要多次调整时间窗口长度和特征函数。与AIC算法相比,不需要判断峰值极限振幅,消除主观因素的影响,给出了一个更高的稳定性。测量和嘈杂的合成信号,误差小的1555真实信号和7764合成信号使用U-net模型分别为3.34%和4.80%,稳定,优于其他两种方法。三种算法的测试结果监测骨折时水泥砂浆试样通过声学排放显示来源和物理轨迹图像之间的相似性检测后U-net和AIC算法高,进一步验证U-net模型的准确性和稳定性。(4)U-net模型显著增加了噪声信号的定时误差。因此,该模型仍需进一步优化。在未来,网络结构将继续调整测试的准确性和稳定性到达时间的决心。

数据可用性

(补充Materials.zip)数据用于支持本研究的发现是由Haoyuan Chang在许可证,所以不能免费提供。请求访问这些数据应该Haoyuan Chang,(电子邮件保护)。一些数据可以公开访问的下载地址:https://pan.baidu.com/s/1py_HkpH_RBaUqfVuVazt0w;提取代码:chhy。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(52104157 300000元)和张家港市科技计划项目(zkcxy2112 100000元人民币)。

补充材料

补充文章的文档包含应用程序的一些照片在实验和项目。(补充材料)