-
摘要:
煤矿采空区覆岩破裂信号作为开采沉陷的前兆特征, 对其开展监测有助于预警采空区塌陷事件。但现有手段难以实现大范围、全方位、分布式的监测。以我国宁东矿区羊场湾煤矿为研究区域, 引入分布式声波传感技术(distributed acoustic sensing, 简称DAS)对采空区覆岩破裂信号开展连续监测。针对DAS数据信噪较低的问题, 对比试验了5种去噪方法。对预处理后的信号开展时频分析, 提取覆岩破裂信号; 进一步将DAS信号转换为递归图以构建数据集, 训练基于卷积神经网络的覆岩破裂信号智能识别模型。结果表明, 同步压缩小波变换能够很好地压制DAS数据的噪声。覆岩破裂信号与非覆岩破裂信号的递归图之间具有明显区别, 训练得到的VGG-16模型在分类二者的任务上实现了85%的准确率。因此, 利用DAS技术监测覆岩破裂具有可行性, 本研究所提出的基于递归图和卷积神经网络VGG-16的深度学习方法可实现对覆岩破裂信号的智能识别。研究成果为后续开发基于DAS系统的开采沉陷智能预警系统提供了一定技术支撑。
Abstract:Objective As socioeconomic development advances, challenges associated with coal mining beneath structures such as buildings, water bodies, and railways have intensified markedly. It is increasingly imperative to extract underground minerals within acceptable boundaries while diligently monitoring the environmental impacts of such activities. Previous research showed that mining-induced subsidence was a primary contributor to environmental geological disasters in mining areas, particularly when the integrity of the overlying strata is breached. Therefore, it is crucial to develop methodologies for the early detection of surface subsidence, which requires in-depth research into monitoring the fracture signals from overburden rock. Existing methods, including acoustic emission and microseismic monitoring systems, face significant challenges in achieving widespread, comprehensive, and distributed monitoring. In response to these limitations, distributed acoustic sensing (DAS), a state-of-the-art optoelectronic sensing technique, has recently gained prominence and been extensively employed across geophysical exploration fields such as oil and gas exploration and seismic monitoring. We explore applying DAS technology to enhance the monitoring and identification of fracture signals in the overburden of mined-out areas, aiming to improve both safety and sustainability in mining operations.
Methods This research selects a coal mine in Ningdong town, Lingwu city, Ningxia Hui Autonomous Region, China. DAS technology is used to continuously monitor the fracture signals of the overburden in underground voids. A fibre optic cable was installed at the bottom of a trench stretching parallel to the coal mining face with dimensions of approximately 1 km in length, 15 cm in width, and 30 cm in depth. Additionally, several triaxial node seismometers were deployed along the route for comparison validation. Given the low signal-to-noise ratio of DAS data, comparative experiments were conducted using five denoising techniques: high-pass filtering, empirical mode decomposition, Fourier transform, F-X deconvolution, and synchronous compression wavelet transform. The DAS signals were preprocessed through detrending, mean removal, and denoising, followed by time-frequency analysis to extract overburden fracture signals. The event signals collected by the DAS system which formed a dataset were converted into recurrence plots. This dataset was used to train an intelligent recognition model for overburden fracture signals based on the convolutional neural network VGG-16.
Results The results demonstrate that synchronous compression wavelet transform effectively eliminates noise from DAS data. The overburden fracture signals detected by DAS were consistent with those by seismometers. Recurrence plots of DAS-collected fracture signals differed from nonfracture signals, which can be distinguished by the trained VGG-16 model with an accuracy of 85%.
Conclusions Monitoring overburden fractures via DAS technology is feasible. The proposed deep learning approach, based on recurrence plots and the VGG-16 convolutional neural network, can effectively recognize fracture signals. This research provides significant technical support for developing an intelligent early warning system for mining subsidence based on DAS.
-
随着社会经济的发展，矿区开采范围逐渐扩大，“三下”开采(建筑物、铁路和水体下)问题日趋严重[1]。如何在合理范围内继续开采地下矿产的同时，监测采动造成的土地破坏、地表建筑物破坏、生态环境破坏等并采取保护措施，成为人们越发关注的问题。
已有研究认为，开采沉陷是造成采空区环境地质灾害的直接根源[2]。对此，刘天泉院士建立了完整的矿山岩体采动响应理论体系[3]，该理论认为地下开采会导致采空区上覆岩体的初始应力平衡状态遭到破坏，进而使周围岩土体的应力状态发生改变。为了达到新的平衡，在重力作用下上覆岩层移动、变形，自下而上形成“三带”，即垮落带、断裂带、弯曲带。采空区地表沉降与塌陷就是覆岩破坏发展到地表后的一种表现。为了预警地表沉陷，有必要开展对覆岩破裂信号监测的研究。
岩体内部裂隙的扩展伴随着能量的释放并产生弹性波，高频弹性波为声发射信号，低频弹性波为微震信号，因此声发射[4-5]与微震监测技术[6-8]常用于岩石破裂信号的采集。但这2种方法依赖于一定数量的传感器和数据采集仪，维护成本高，工作量大，且易受环境影响，很难实现对大范围采空区全方位、分布式的监测。
近年来，DAS技术在大地探测领域得到广泛应用[9]。该技术在具有耐腐蚀、耐高温、耐高压与抗电磁干扰等光纤传感技术优点的同时[10]，能够远距离、分布式、实时定量监测光纤沿线动态应变[11]。此外，DAS系统在布设速度、台站密度和实时传输等方面也具有明显优势[12]。2009年，Shell公司在勘探一口致密气井期间，首次将光纤用于井下水力压裂监测和诊断[13]。DALEY等[14]利用DAS系统在井下进行了油气储层的动态监测研究。LIOR等[15]用埋设在地中海的3条海底光纤的背景噪声与天然地震事件记录，与近水地震仪的记录进行了对比，发现两者之间的一致性很高。FANG等[16]对斯坦福光纤地震观测的记录进行了去噪和振动源归一化处理，利用13.3 km外采石场的重复爆炸的信号，监测到光纤附近地下挖掘引起的近地表速度的显著变化。此外，DAS系统在冰川和城市等的地震监测中也有着很多的应用[17]。但该技术能否应用于煤矿采空区覆岩破裂监测仍有待于进一步研究。
鉴于此，本研究引入DAS技术，以我国西部典型煤矿采空区为试验场地，监测地下采动过程中采空区覆岩破裂信号，并利用卷积神经网络实现对覆岩破裂信号的智能识别，认为将DAS技术用于监测煤矿采空区覆岩破裂具有可行性。研究成果可为构建开采沉陷预警系统提供参考。
1. 分布式声波传感技术原理
光纤的结构由外部向内部依次是套层、涂覆层、包层和纤芯。但是受限于生产工艺，纤芯内部不同位置并非是均质的。如图 1所示，当脉冲激光穿过纤芯时，这类非均匀介质会使得入射光向不同方向发生散射，一部分光会继续沿着光传输方向进行传播，还有一部分光则沿着光传输方向的相反方向进行传播，这部分光被称为背向瑞利散射光。
DAS技术基于背向瑞利散射光的相位解调，具体而言，背向散射光的相位ϕ与纤芯折射率μ、非均匀介质的位置d、脉冲激光的波长λ有关[18]，其关系可以借助以下公式表示：
ϕ=4πμdλ。 (1) 当外界有干扰事件发生时，光纤震颤并发生形变，折射率变化，相位也随之改变。假设散射光波长与入射光波长相同，由于弹光效应，折射率μ和应变这二者的变化成线性关系[19]，即$\frac{\Delta \lambda}{\lambda}=0$，$\ \frac{\Delta \mu}{\mu}=(\xi-1)$\frac{\Delta d}{d}$。此时相位变化量Δϕ可以表示为：
Δϕ=∂ϕ∂dd+∂ϕ∂μμ=4πμξL8λdΔd, (2) 式中：ξ为弹光系数；Lg为标距长度；Δd为非均匀介质位置变化量。
假设脉冲间隔为ΔT，那么应变率εd与相位变化量Δϕ之间的关系可以表示为：
εd=ΔddΔT=λ4πμξLgΔTΔϕ 。 (3) 由上式可知，背向散射光的相位变化量与应变率之间存在着线性关系，因此DAS利用沿光纤背向传播的瑞利散射光，通过对相干瑞利散射光的相位信息进行分析，可以实现光纤沿线的动态应变测量。
2. 数据处理方法
2.1 数据预处理
数据预处理的步骤主要包括：去除数据的均值项与趋势项以及信号去噪。信号去噪技术有许多种类，常见滤波器去噪、小波变换去噪等。
针对DAS系统监测数据的特点，本研究采用同步压缩小波变换(synchrosqueezed wavelet transform, 简称SST)去噪方法[20]。该方法基于小波变换，其目标是通过采用特殊的重新分配方法来产生更清晰、更锐利的连续小波表示，从而提高时频分辨率。以下为该方法的实现过程：
首先，假设微震信号s(t)是一系列非平稳分量的叠加，如下式所示：
s(t)=K∑k=1fk(t)+ε(t), (4) 式中: s(t)为记录的时间序列; ε(t)为噪声; fk(t)为各种微震信号; K为信号中分量的个数。
接着，对信号s(t)进行连续小波变换，如下式所示：
Ws(a,τ)=∫s(t)a−1/2Ψ∗a(t−taua)dt, (5) 式中：✻为共轭复数；Ws为小波系数，表示在尺度a下，观测信号s(t)上的能量的系数；τ为时移因子；Ψ为母小波函数，母小波必须满足容许条件, 换言之，如果Ψ是可积的，它的均值为零，如下式所示：
+∞∫−∞Ψ(t)dt=0 。 (6) 如果函数s(t)是离散的，则公式(5)积分形式需要被离散化为求和操作。
最后，将时间-尺度平面的信息被转换到时间-频率平面，这一操作被称为同步压缩小波变换，过程如下式所示：
Ts(ωl,τ)=∑ak:|ω(ak,τ)−ωl⩽Δω2|Ws(ak,τ)a−3/2k(Δak)Δω, (7) 式中: ω是Ws的瞬时频率，通过以下公式计算：
ω(a,τ)=−i2πWs(a,τ)∂Ws(a,τ)∂τ, (8) 式中：瞬时频率ω(a, τ)只在离散值ak处被计算(ak-ak-1=(Δa)k), 并且它的同步压缩变换Ts(ωl, τ)同样地只在连续区间[ωl-ωl/2, ωl+ωl/2]的中心位置ωl(ωl-ωl-1=Δωl), 通过对不同贡献进行累加来计算。
2.2 时频分析
傅立叶变换将一个时域信号分解为多个不同频率的正弦波信号，从而实现在频域上对信号的分析和处理。将输入信号表示为f(t)，其频域可以表示为F(jω)，其中j表示虚数单位，w表示频率。假设f(t)是能量有限信号，F(jω)和f(t)均有界可积，即f∈L1(R)，则下列积分收敛，如下式所示：
|F(jω)|⩽∫+∞−∞|f(t)|dt<+∞ 。 (9) 若信号满足上述积分条件，则有如下傅里叶变换：
F(jω)=∫+∞−∞f(t)e−jωt dt, (10) f(t)=12π∫+∞−∞F(jω)ejπt dω。 (11) 为了弥补傅里叶变换在时频局部化分析能力方面的不足，Dennis Gaber于1946年提出短时傅里叶方法，利用有限窗宽的光滑函数g(t-b)滤除信号窗外部分，保留窗内信号，再做傅里叶变换来进行信号的局部化分析，如下式所示：
GF(ω,b)=∫+∞−∞f(t)g(t−b)e−jwt dt。 (12) 式中：b为窗口函数的移位参数。
2.3 构造递归图
煤矿采空区采动覆岩破裂信号以复杂的方式随时间变化，此类非平稳信号常被转换为递归图后再用于进一步研究。递归图在机械探伤以及医学领域已有了成熟的应用[21]。
在数学上，递归图可以表示为1个由2个时间轴组成的0~1方阵。通常来说，1个时间序列x={x1, x2, …, xn}的递归图可以通过以下操作进行构造：由于单一的时间序列无法构造1个完整的相空间，故首先根据该时间序列重构其等价相空间，具体过程如下式所示：
X={X1,X2,⋯,Xi,⋯,XN}, (13) 式中：Xi=(xi, xi+τ, …, xi+(m-1)τ)；N为重构相空间X的轨迹长度，N=n-(m-1)τ。m和τ分别为嵌入维度与时间延迟，可分别通过维度嵌入理论以及时间延迟方法确定。
在相空间X中，时间序列x的递归图可以根据以下表达式得到：
Ri,jΘ(ε−‖ (14) 式中：Ri, j为递归图中位置(i, j)处的值；ε为人为选取阈值；||·||表示2-范数，即相点间欧式距离；Θ(·)为Heaviside函数，其表达式如下：
\mathit\Theta(x)=\left\{\begin{array}{l} 1, x \geqslant 0 \\ 0, x<0 \end{array} 。\right. (15) 如果Xi与Xj间的距离小于阈值ε，则Ri, j=1，在递归图上表示为黑点，说明该重构相空间中的相点i与相点j之间是递归的；反之如果Ri, j=0，则递归图中表示为白点，两点之间无递归现象。这些黑点和白点的组合会在递归图中表现出各种图形特征，如斜线、竖直线和水平直线等，进而反映出时间序列x的递归特性。
2.4 卷积神经网络
本研究采用卷积神经网络(convolutional neural network, 简称CNN)经典网络VGG-16[22]对非覆岩破裂事件信号递归图和覆岩破裂事件信号递归图进行分类。模型架构如图 2所示，共有13个卷积层、4个池化层、3个全连接层。每个卷积层和前2个全连接层使用ReLU函数作为非线性激活函数，最后1个全连接层使用LogSoftmax函数作为激活函数。优化器选用Adam优化器，损失函数采用交叉熵损失函数。
ReLU函数的表达式如下：
{ReLU}(x)=\max (0, x) \text { 。 } (16) LogSoftmax函数的表达式如下：
LogSoftmax\left( {{x_i}} \right) = \ln \left( {\frac{{{{\rm{e}}^{{x_i}}}}}{{\sum\nolimits_j^{} {{{\rm{e}}^{{x_j}}}} }}} \right) 。 (17) 交叉熵损失函数的表达式如下：
L=-\sum\limits_{i=1}^C y_i \ln \left(p_i\right) (18) 式中：C为类别的数量；yi为一个布尔值，表示类别i是否为正确的类别(正确为1，其余为0)；pi为模型预测输入属于类别i的概率。
3. 现场条件与设备布设情况
3.1 场地概况
为了验证DAS技术应用于煤矿采空区覆岩破裂信号监测的可行性，本研究将位于宁夏回族自治区灵武市宁东镇境内羊场湾煤矿的一处采动影响区作为试验场地，场地概况如图 3所示。其地理位置介于东经106°36′23″~106°39′55″，北纬38°01′15″~38°02′40″之间。试验场地所在的地区属大陆性半干旱气候：夏季炎热，冬季寒冷，日照充分，昼夜温差大，降水少，蒸发量大，多风沙。土地利用类型为天然牧草地，区内植被较发育，植被主要为草本植物和人工灌木林。该地区地形起伏不大，略呈南高北低之势，标高一般在海拔1 290~1 350 m之间，相对高差达百米。
试验场地所处羊场湾煤矿，其地层区划属华北-柴达木地层大区华北地层区桌子山-青龙山小区，煤矿内地层由老至新依次为：上三叠统上田组，中侏罗统延安组、直罗组，上侏罗统安定组，下白垩统宜君组和第四系。含煤地层延安组(图 4)平均厚326.45 m，含煤层32层，累计煤厚28.58 m，含煤系数为8.75%。由于地下采煤作业，试验场地地表沉降、地表塌陷与地裂缝等地质灾害较为严重。场地内宁夏750 kV黎鸳线、黎州线#9杆塔-#11杆塔因此长期存在变形、倾斜等问题，当地电网的安全稳定运行受到极大威胁。2022年6月至2023年12月期间，10#塔位处沉降量为1.27 m，其周边最大沉降量点位的沉降量达到2.09 m。
图 4 试验场地含煤地层的划分及沉积环境分析示意图Figure 4. Schematic diagram of the division of coal-bearing strata and sedimentary environment analysis in the test area3.2 监测布置
本试验采用光谷互连公司的MS-DAS200设备，该DAS系统由探测器、解调器、激光发射器、光纤连接点和PC控制端等部件组成。如图 5所示，本试验沿着黎州线、黎鸳线#9-#11塔基线路开挖了一条长约1 km、宽约15 cm、深约30 cm的沟槽，将增敏光纤埋置于沟槽底部，并使用原位土进行回填。相关研究认为，监测数据的质量在很大程度上取决于光纤与周边土体的耦合情况[23-25]，因此，本试验回填土体时进行了充分的压实处理。监测过程中，DAS系统的采样频率设为1 000 Hz，道间距为5 m，通道数为200。
图 5 监测设备布设情况a.光纤和地震仪布设位置；b.DAS解调仪; c.地震仪Figure 5. Deployment status of monitoring equipment本试验在埋设光纤的沟槽附近还埋设了SmartSolo节点式地震仪，道间距为50 m，共计埋设20台，同步采集现场采空区震动信号，目的是与DAS的测量结果进行对比(图 5)。
4. 监测结果分析
4.1 覆岩破裂信号特征分析
DAS系统采集到的监测数据包括2类：试验场地下方煤矿采动诱发的覆岩破裂信号，环境因素等造成的干扰信号。因此分析信号特征前，需要对其进行去均值、去趋势及去噪处理。较之地震仪，DAS系统更灵敏，其采集到的信号有着更低的信噪比。为此，如表 1所示，本研究对比试验了5种去噪方法，分别应用高通滤波法、经验模态分解法、傅里叶变换法、F-X反褶积法和同步压缩小波变换法对信号Signal 1、Signal 2、Signal 3和Signal 4进行去噪处理，表 1对应的柱状图如图 6所示。为了评价不同方法的去噪效果，应用了均方根误差(RMSE)、信噪比(SNR)和降噪后信号占原信号能量百分比(Esn)这3个指标：
表 1 不同降噪方法降噪效果对比Table 1. Comparison of denoising effects of different denoising methods去噪处理方法 评价指标 信号编号 Signal 1 Signal 2 Signal 3 Signal 4 高通滤波法 RMSE 0.99 1.44 1.46 1.52 SNR/dB 2.73 0.83 1.34 1.49 Esn/% 79.03 87.51 71.78 82.46 经验模态分解法 RMSE 0.96 1.04 1.11 1.12 SNR/dB 3.00 3.70 3.74 4.17 Esn/% 86.94 93.77 88.09 89.63 傅里叶变换法 RMSE 0.36 0.37 0.48 0.52 SNR/dB 11.44 12.69 10.98 10.83 Esn/% 92.83 94.61 92.01 91.74 F-X反褶积法 RMSE 0.25 0.29 0.30 0.33 SNR/dB 14.79 14.73 15.06 14.69 Esn/% 98.47 95.46 96.01 92.06 同步压缩小波变换法 RMSE 0.06 0.03 0.12 0.04 SNR/dB 27.69 33.92 23.36 33.63 Esn/% 99.37 99.46 96.91 99.43 注：RMSE为均方根误差；SNR为信躁比；Esn为能量百分比; 下同 
图 6 不同降噪方法降噪效果对比柱状图Figure 6. Comparison of denoising effects of different denoising methodsR M S E=\frac{1}{M} \sqrt{\sum\limits_{i=1}^M\left(\bar{s}_i-s_i\right)^2}, (19) SNR = 10\lg \left[ {\left. {\sum\limits_{i = 1}^M {\frac{{s_i^2}}{{{{({{\bar s}_i} - {\rm{ }}{s_i})}^2}}}} } \right]} \right.， (20) E_{\mathrm{sn}}=\frac{\sum\limits_{i=1}^M\left|\bar{s}_i\right|}{\sum\limits_{i=1}^M\left|s_i\right|}, (21) 式中：si为经过去噪处理的信号；si为原始信号；M为采样点数。
综合表 1和图 6可以明显看出，与其他4种常用去噪方法相比，同步压缩小波变换方法在均方根误差(RMSE)、信噪比(SNR)和降噪后信号占原信号能量百分比(Esn)这3个评价指标上均有更好表现，因此本研究采用同步压缩小波变换方法对DAS采集到的信号进行去噪处理。上述4组信号利用同步压缩小波变换方法去噪前后的信号波形如图 7所示，去噪后的信号波形比去噪前的信号更平滑，且信号的整体特征与信号峰值在去噪后基本不变，去噪效果明显。
图 7 降噪前后的信号波形a.Signal 1降噪前波形；b.Signal 1降噪后波形；c.Signal 2降噪前波形；d.Signal 2降噪后波形；e.Signal 3降噪前波形；f.Signal 3降噪后波形；g.Signal 4降噪前波形；h.Signal 4降噪后波形Figure 7. Waveform of signal before and after denoising为分析信号的频域特征，利用傅里叶变换将DAS系统采集到的覆岩破裂信号转换为频谱图。覆岩破裂信号去噪前后的频谱图如图 8所示，覆岩破裂信号的频域特征较为明显，其主频在13~35 Hz。为了验证DAS采集数据的可靠性，对比了该事件的单道DAS与周边地震仪的波形记录与频率特征，发现二者频率信息较为一致，且纵波的到时也具有一致性，但地震仪记录的主频(8~13 Hz)要窄于DAS记录的主频，反映了2种地球物理探测手段对同一事件的响应存在差异。
图 8 同步压缩小波变换前后信号频谱对比图Figure 8. Comparison of signal spectra before and after synchrosqueezed wavelet transforms4.2 覆岩破裂信号智能识别
将同步压缩小波变换后的事件信号转换为递归图。为了尽可能多地保留递归图上的信息以及保证卷积神经网络的训练速度，统一将图片尺寸设置为224 px×224 px。手动将递归图分为2类：非覆岩破裂事件信号和覆岩破裂事件信号。由于卷积神经网络是有监督的机器学习，需要通过为每张图片添加标签的方式实现数据集标注。设定非覆岩破裂事件的标签为1，后者的覆岩破裂事件为0。从图 9可以看出，2种事件的递归图存在显著差异，后者存在明显黄色亮区。
将上述递归图作为卷积神经网络VGG-16的数据集，并按7∶3的比例将数据集划分为训练集和测试集。其中，由于采动覆岩破裂微震事件信号少于其他事件干扰信号，数据集中非覆岩破裂事件递归图、覆岩破裂事件信号递归图的比例为9∶1，前者数量为3 600，后者数量为400。为了扩充数据集，进一步通过平移以及旋转的方式对递归图进行了数据增强。本研究使用的VGG-16模型包含输入层共有23层，具体结构与参数见表 2。
表 2 VGG-16模型具体参数Table 2. Specific parameters of the VGG-16 model序号 类别 核参数 步长 1 Input Iayer — — 2 Conv 1 3×3×64 1 3 Conv 2 3×3×64 1 4 Max Pool 1 2×2 2 5 Conv 3 3×3×128 1 6 Conv 4 3×3×128 1 7 Max Pool 2 2×2 2 8 Conv 5 3×3×256 1 9 Conv 6 3×3×256 1 10 Conv 7 3×3×256 1 11 Max Pool 3 2×2 2 12 Conv 8 3×3×512 1 13 Conv 9 3×3×512 1 14 Conv 10 3×3×512 1 15 Max Pool 4 2×2 2 16 Conv 11 3×3×512 1 17 Conv 12 3×3×512 1 18 Conv 13 3×3×512 1 19 Max Pool 5 2×2 2 20 Fully nected 1 4 096 — 21 Fully nected 2 4 096 — 22 Fully nected 3 1 024 — 23 LogSoftmax — — 在一台配有GTX-4060Ti型号GPU的工作站上训练VGG-16，训练时间约为9 h。模型的构建基于Pytorch计算框架。训练时迭代轮次(epoch)设置为40，批大小(batch size)设置为8。选用Adam优化器根据梯度信息来更新神经网络参数，最小化损失函数。
模型训练过程如图 10所示，损失函数在30轮后收敛。本研究利用准确率对模型性能进行评价，30轮训练后，模型的准确率达到85%。准确率指的是分类正确的数据个数占数据总量的比值，可以用下式表示：
{ Accuracy }=\frac{T P+T N}{T P+T N+F P+F N}, (22) 式中：TP为真正例的数量；TN为真负例的数量；FP为假正例的数量；FN为假负例的数量。
图 11为经由上述训练过程得到的覆岩破裂信号智能识别模型在测试集上的推理结果。为了量化评估模型在测试集上的表现，本研究计算了其准确率和F1分数(F1 Score)，分别为85%和0.81。可以看到该模型能很好地识别出覆岩破裂事件。F1分数是精确率(Precision)和召回率(Recall)的调和平均数，表达式如下：
图 11 卷积神经网络VGG-16识别结果a~d.识别出的非覆岩破裂事件递归图；e~h.识别出的覆岩破裂事件递归图Figure 11. VGG-16 recognition results{ F1\;Score }=2 \times \frac{ { Precision } \times { Recall }}{{ Precision }+ { Recall }}, (23) { Precision }=\frac{T P}{T P+F P}, (24) { Recall }=\frac{T P}{T P+F N} 。 (25) 综上所述，在模型训练之前，我们首先将经过预处理的时序信号转换为递归图，将不同事件对应的递归图和事件的时间序列信号一一对应，建立起对应关系。再将递归图用于卷积神经网络VGG-16的训练，训练得到的模型可以实现两种事件递归图的自动分类。最后根据识别出的事件递归图，可以结合之前建立的对应关系，将时序信号中的覆岩破裂事件提取出。至此，实现了覆岩破裂信号智能识别。
5. 结论
(1) 对比地震仪信号和DAS信号的特征，证明了利用DAS系统监测并识别煤矿采空区覆岩破裂信号的可行性。
(2) 对比覆岩破裂事件和非覆岩破裂事件的特征，提出了覆岩破裂事件识别方法。
(3) 提出了基于递归图和卷积神经网络VGG-16的覆岩破裂信号智能识别方法，并得到了85%的测试集准确率。
所有作者声明不存在利益冲突。 -
图 4 试验场地含煤地层的划分及沉积环境分析示意图
Figure 4. Schematic diagram of the division of coal-bearing strata and sedimentary environment analysis in the test area
图 5 监测设备布设情况
a.光纤和地震仪布设位置；b.DAS解调仪; c.地震仪
Figure 5. Deployment status of monitoring equipment
图 6 不同降噪方法降噪效果对比柱状图
Figure 6. Comparison of denoising effects of different denoising methods
图 7 降噪前后的信号波形
a.Signal 1降噪前波形；b.Signal 1降噪后波形；c.Signal 2降噪前波形；d.Signal 2降噪后波形；e.Signal 3降噪前波形；f.Signal 3降噪后波形；g.Signal 4降噪前波形；h.Signal 4降噪后波形
Figure 7. Waveform of signal before and after denoising
图 8 同步压缩小波变换前后信号频谱对比图
Figure 8. Comparison of signal spectra before and after synchrosqueezed wavelet transforms
图 11 卷积神经网络VGG-16识别结果
a~d.识别出的非覆岩破裂事件递归图；e~h.识别出的覆岩破裂事件递归图
Figure 11. VGG-16 recognition results
表 1 不同降噪方法降噪效果对比
Table 1. Comparison of denoising effects of different denoising methods
去噪处理方法 评价指标 信号编号 Signal 1 Signal 2 Signal 3 Signal 4 高通滤波法 RMSE 0.99 1.44 1.46 1.52 SNR/dB 2.73 0.83 1.34 1.49 Esn/% 79.03 87.51 71.78 82.46 经验模态分解法 RMSE 0.96 1.04 1.11 1.12 SNR/dB 3.00 3.70 3.74 4.17 Esn/% 86.94 93.77 88.09 89.63 傅里叶变换法 RMSE 0.36 0.37 0.48 0.52 SNR/dB 11.44 12.69 10.98 10.83 Esn/% 92.83 94.61 92.01 91.74 F-X反褶积法 RMSE 0.25 0.29 0.30 0.33 SNR/dB 14.79 14.73 15.06 14.69 Esn/% 98.47 95.46 96.01 92.06 同步压缩小波变换法 RMSE 0.06 0.03 0.12 0.04 SNR/dB 27.69 33.92 23.36 33.63 Esn/% 99.37 99.46 96.91 99.43 注：RMSE为均方根误差；SNR为信躁比；Esn为能量百分比; 下同 
下载: 导出CSV
表 2 VGG-16模型具体参数
Table 2. Specific parameters of the VGG-16 model
序号 类别 核参数 步长 1 Input Iayer — — 2 Conv 1 3×3×64 1 3 Conv 2 3×3×64 1 4 Max Pool 1 2×2 2 5 Conv 3 3×3×128 1 6 Conv 4 3×3×128 1 7 Max Pool 2 2×2 2 8 Conv 5 3×3×256 1 9 Conv 6 3×3×256 1 10 Conv 7 3×3×256 1 11 Max Pool 3 2×2 2 12 Conv 8 3×3×512 1 13 Conv 9 3×3×512 1 14 Conv 10 3×3×512 1 15 Max Pool 4 2×2 2 16 Conv 11 3×3×512 1 17 Conv 12 3×3×512 1 18 Conv 13 3×3×512 1 19 Max Pool 5 2×2 2 20 Fully nected 1 4 096 — 21 Fully nected 2 4 096 — 22 Fully nected 3 1 024 — 23 LogSoftmax — —
下载: 导出CSV
-
[1] 姜岳, R.MISA, 李鹏宇, 等. 矿山开采沉陷理论发展历程综述[J]. 金属矿山, 2019(10): 1-7.JIANG Y, MISA R, LI P Y, et al. Summary and development of mining subsidence theory[J]. Metal Mine, 2019(10): 1-7. (in Chinese with English abstract) [2] 郭广礼, 王悦汉, 马占国. 煤矿开采沉陷有效控制的新途径[J]. 中国矿业大学学报, 2004, 33(2): 150-153.GUO G L, WANG Y H, MA Z G. A new method for ground subsidence control in coal mining[J]. Journal of China University of Mining & Technology, 2004, 33(2): 150-153. (in Chinese with English abstract) [3] 李效甫. 刘天泉院士与特殊开采技术[J]. 中国煤炭, 1997, 23(4): 57-58.LI X F. Academician Liu Tianquan and special mining technology[J]. China Coal, 1997, 23(4): 57-58. (in Chinese with English abstract) [4] 纪洪广, 王宏伟, 曹善忠, 等. 花岗岩单轴受压条件下声发射信号频率特征试验研究[J]. 岩石力学与工程学报, 2012, 31(增刊1): 2900-2905.JI H G, WANG H W, CAO S Z, et al. Experimental research on frequency characteristics of acoustic emission signals under uniaxial compression of granite[J]. Chinese Journal of Rock Mechanics and Engineering, 2012, 31(S1): 2900-2905. (in Chinese with English abstract) [5] 王晓南, 陆菜平, 薛俊华, 等. 煤岩组合体冲击破坏的声发射及微震效应规律试验研究[J]. 岩土力学, 2013, 34(9): 2569-2575.WANG X N, LU C P, XUE J H, et al. Experimental research on rules of acoustic emission and microseismic effects of burst failure of compound coal-rock samples[J]. Rock and Soil Mechanics, 2013, 34(9): 2569-2575. (in Chinese with English abstract) [6] SALVONI M, DIGHT P M. Rock damage assessment in a large unstable slope from microseismic monitoring-MMG Century mine (Queensland, Australia) case study[J]. Engineering Geology, 2016, 210: 45-56. doi: 10.1016/j.enggeo.2016.06.002 [7] 戴峰, 李彪, 徐奴文, 等. 白鹤滩水电站地下厂房开挖过程微震特征分析[J]. 岩石力学与工程学报, 2016, 35(4): 692-703.DAI F, LI B, XU N W, et al. Microseismic characteristic analysis of underground powerhouse at Baihetan hydropower station subjected to excavation[J]. Chinese Journal of Rock Mechanics and Engineering, 2016, 35(4): 692-703. (in Chinese with English abstract) [8] GHOSH G K, SIVAKUMAR C. Application of underground microseismic monitoring for ground failure and secure longwall coal mining operation: A case study in an Indian Mine[J]. Journal of Applied Geophysics, 2018, 150: 21-39. doi: 10.1016/j.jappgeo.2018.01.004 [9] 刘威, 朱鸿鹄, 王涛, 等. 基于分布式声波传感的大地探测技术研究进展[J]. 地质科技通报, 2023, 42(1): 29-41. doi: 10.19509/j.cnki.dzkq.2022.0228LIU W, ZHU H H, WANG T, et al. Research progress of earth exploration technologies based on distributed acoustic sensing[J]. Bulletin of Geological Science and Technology, 2023, 42(1): 29-41. (in Chinese with English abstract) doi: 10.19509/j.cnki.dzkq.2022.0228 [10] 朱鸿鹄. 工程地质界面: 从多元表征到演化机理[J]. 地质科技通报, 2023, 42(1): 1-19. doi: 10.19509/j.cnki.dzkq.tb20220661ZHU H H. Engineering geological interface: From multivariate characterization to evolution mechanism[J]. Bulletin of Geological Science and Technology, 2023, 42(1): 1-19. (in Chinese with English abstract) doi: 10.19509/j.cnki.dzkq.tb20220661 [11] 蔡海文, 叶青, 王照勇, 等. 分布式光纤声波传感技术研究进展[J]. 应用科学学报, 2018, 36(1): 41-58.CAI H W, YE Q, WANG Z Y, et al. Progress in research of distributed fiber acoustic sensing techniques[J]. Journal of Applied Sciences, 2018, 36(1): 41-58. (in Chinese with English abstract) [12] LI Z F, SHEN Z C, YANG Y, et al. Rapid response to the 2019 Ridgecrest earthquake with distributed acoustic sensing[J]. AGU Advances, 2021, 2(2): e2021AV000395. doi: 10.1029/2021AV000395 [13] MOLENAAR M M, HILL D, WEBSTER P, et al. First downhole application of distributed acoustic sensing (DAS) for hydraulic fracturing monitoring and diagnostics[C]//Anon. SPE Hydraulic Fracturing Technology Conference and Exhibition. Richardson: Society of Petroleum Engineers, 2011. [14] DALEY T M, FREIFELD B M, AJO-FRANKLIN J, et al. Field testing of fiber-optic distributed acoustic sensing (DAS) for subsurface seismic monitoring[J]. The Leading Edge, 2013, 32(6): 699-706. doi: 10.1190/tle32060699.1 [15] LIOR I, SLADEN A, RIVET D, et al. On the detection capabilities of underwater distributed acoustic sensing[J]. Journal of Geophysical Research (Solid Earth), 2021, 126(3): e2020JB020925. doi: 10.1029/2020JB020925 [16] FANG G, LI Y E, ZHAO Y M, et al. Urban near-surface seismic monitoring using distributed acoustic sensing[J]. Geophysical Research Letters, 2020, 47(6): e86115. [17] MARTIN E R, HUOT F, MA Y B, et al. A seismic shift in scalable acquisition demands new processing: Fiber-optic seismic signal retrieval in urban areas with unsupervised learning for coherent noise removal[J]. IEEE Signal Processing Magazine, 2018, 35(2): 31-40. doi: 10.1109/MSP.2017.2783381 [18] DALEY T M, MILLER D E, DODDS K, et al. Field testing of modular borehole monitoring with simultaneous distributed acoustic sensing and geophone vertical seismic profiles at Citronelle, Alabama[J]. Geophysical Prospecting, 2016, 64(5): 1318-1334. doi: 10.1111/1365-2478.12324 [19] WANG J, ZHU H H, MEI G X, et al. Field monitoring of bearing capacity efficiency of permeable pipe pile in clayey soil: A comparative study[J]. Measurement, 2021, 186: 110151. doi: 10.1016/j.measurement.2021.110151 [20] MOUSAVI S M, LANGSTON C A, HORTON S P. Automatic microseismic denoising and onset detection using the synchrosqueezed continuous wavelet transform[J]. Geophysics, 2016, 81(4): 341-355. doi: 10.1190/geo2015-0598.1 [21] OZKOK F O, CELIK M. Convolutional neural network analysis of recurrence plots for high resolution melting classification[J]. Computer Methods and Programs in Biomedicine, 2021, 207: 106139. doi: 10.1016/j.cmpb.2021.106139 [22] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]//Anon. International Conference on Learning Representations(ICLR). [S. l. ]: [s. n. ], 2015: 1-14. [23] 朱鸿鹄, 施斌, 严珺凡, 等. 基于分布式光纤应变感测的边坡模型试验研究[J]. 岩石力学与工程学报, 2013, 32(4): 821-828.ZHU H H, SHI B, YAN J F, et al. Physical model testing of slope stability based on distributed fiber-optic strain sensing technology[J]. Chinese Journal of Rock Mechanics and Engineering, 2013, 32(4): 821-828. (in Chinese with English abstract) [24] 程刚, 施斌, 朱鸿鹄, 等. 光纤和砂土界面耦合性能的分布式感测试验研究[J]. 高校地质学报, 2019, 25(4): 487-494.CHENG G, SHI B, ZHU H H, et al. Experimental study on coupling performance of fiber and sand interface based on distributed sensing[J]. Geological Journal of China Universities, 2019, 25(4): 487-494. (in Chinese with English abstract) [25] 张诚成, 施斌, 刘苏平, 等. 钻孔回填料与直埋式应变传感光缆耦合性研究[J]. 岩土工程学报, 2018, 40(11): 1959-1967.ZHANG C C, SHI B, LIU S P, et al. Mechanical coupling between borehole backfill and fiber-optic strain-sensing cable[J]. Chinese Journal of Geotechnical Engineering, 2018, 40(11): 1959-1967. (in Chinese with English abstract)) ZHANG C C, SHI B, LIU S P, et al. Mechanical coupling between borehole backfill and fiber-optic strain-sensing cable[J]. Chinese Journal of Geotechnical Engineering, 2018, 40(11): 1959-1967. (in Chinese with English abstract) -
下载:
下载:
点击查看大图
计量
- 文章访问数: 233
- PDF下载量: 49
- 被引次数: 0
