基于卷積神經(jīng)網(wǎng)絡的沖擊地壓微震定位法

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(jié)構(gòu)破裂，產(chǎn)生微震信號。這些微震信號經(jīng)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(nèi)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(jīng)網(wǎng)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(jīng)網(wǎng)絡模型對應到圖中每一個區(qū)域中，將定位問題轉(zhuǎn)換為分類問題，這種方法保持了卷積神經(jīng)網(wǎng)絡對二維數(shù)據(jù)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(nèi)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(jīng)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(gòu)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(jù)轉(zhuǎn)換為二維數(shù)據(jù)。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(wǎng)絡結(jié)構(gòu)

2.1 卷積神經(jīng)網(wǎng)絡

本文搭建的網(wǎng)絡模型，如圖5所示。整個網(wǎng)絡結(jié)構(gòu)包含了4個卷積層、4個池化層以及2個全連接層。網(wǎng)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(jīng)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(wǎng)絡結(jié)構(gòu)

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(jù)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(jié)構(gòu)，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(jīng)過模型運算給出的結(jié)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(jīng)網(wǎng)絡函數(shù)庫。

實驗共有數(shù)據(jù)240組，這240組數(shù)據(jù)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(jù)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(wǎng)絡參數(shù)，開始訓練網(wǎng)絡，通過迭代最小化交叉熵的損失loss，優(yōu)化網(wǎng)絡連接權(quán)，提高模型準確率。

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

3.3 結(jié)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(jù)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(nèi)的事件標記為準確定位。比較兩種定位結(jié)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(jīng)網(wǎng)絡定位法的準確率97.5%。

4 結(jié)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(jīng)網(wǎng)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(jù)直接代入模型，該定位法利用了卷積神經(jīng)網(wǎng)絡強大的二維數(shù)據(jù)處理方法和優(yōu)秀的特征提取能力。通過實驗及結(jié)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。