隨采地震數據質量定量評價

覃 思，崔偉雄，王 偉

?

隨采地震數據質量定量評價

覃 思1，崔偉雄1，王 偉2

(1. 中煤科工集團西安研究院有限公司，陜西 西安 710077； 2. 資源與環(huán)境信息系統(tǒng)國家重點實驗室，中國科學院地理科學與資源研究所，北京 100101)

在采煤工作面布設了隨采地震監(jiān)測系統(tǒng)后，為了自動篩選實時不間斷傳輸回地面的巨量地震數據，利用采煤機積極割煤時，各接收道收到的信號相關性強，反之則弱這一特點，提出了一種自動定量化評估隨采地震數據質量的方法。對內蒙某礦隨采地震數據進行了處理，結果證明該方法能有效識別出單道的相關能量峰，對數據質量定量評價的效果很好。利用此法篩選了貴州某礦隨采地震監(jiān)測數據，將優(yōu)選數據疊加后，數據的信噪比得到了明顯的改善，相關能量軸明顯增強。該方法可從海量隨采地震數據中快速篩選出高質量的數據，大幅縮減進一步處理的工作量，改善處理效果。

煤礦采掘機械；隨采地震；數據質量評價

煤礦井下的采掘活動會激發(fā)出能量足夠的震動波。利用其作為震源，可以探測工作面內部或者掘進面前方一定區(qū)域內的地質構造、應力分布等情況，這種勘探方式叫“隨采地震勘探”。國外一些學者探索了這種勘探方法[1-7]，但文獻數量很少，且僅停留在試驗階段。近年來國內在這個領域內的探索越來越多[8-16]，還出現了不少成功的試驗案例。但在嘗試將此方法推進到工業(yè)生產階段，即用隨采地震勘探的方式對煤礦回采工作面或掌子面前方進行監(jiān)控級勘探時遇到了一個問題：每1 min都有海量數據傳到地面服務器中，數據量太過龐大。若以觀測系統(tǒng)為48道淺孔單分量和12道深孔單分量檢波器，合計60道地震道，4 000 Hz采樣頻率來計算，一天的數據量約為60×24 h×3 600 s/h×4 000樣點/s×4 Byte/樣點≈82.9 GB。然而由于采掘機械一天中真正積極截割煤壁的時間相對較少(例行檢修時完全停機，工作時也有大量時間在刨煤，并未截割煤壁)，其中僅有較少一部分是高質量數據。面對如此龐大的數據量，和相對很少的高質量數據，要實現隨采地震數據的計算機實時自動化處理，首先要解決的問題就是對隨采地震數據的質量進行定量化自動評價，挑選出符合要求的高質量數據，以縮減處理工作量，提高處理成果的質量。

為了實現隨采地震數據質量自動評價，利用在內蒙古某煤礦采集的隨采地震數據進行了試驗。

1 方法原理

當采掘機械積極截割煤壁時，產生的有效震動信號能量很強，能被整個接收排列收到，因此，整個接收排列上收到的信號具有較高的相似性，從而具有較高的相關度；當采掘機械刨煤或者停機時，產生的有效震動信號較弱甚至沒有，此時整個接收排列上沒有強度足夠大的信號，因此，各道收到的信號相似性差，從而相關度差。利用這個特點可以設計一個定量評價隨采地震數據質量的方法，實現流程如下：

a. 找出此數據的最佳參考道，用最佳參考道與其余道相關，獲取相關記錄。

設地震數據有道，每道有個樣點，則數據可表達為×階矩陣。計算道數據之間的兩兩互相關系數，就是求維空間中個向量兩兩之間夾角的余弦，相關系數計算公式可簡單表達為：

其中，cov(,)表示地震道,之間的協(xié)方差，cov(,)為第道的方差。計算出所有地震道兩兩相關的相關系數后，再求任意道做參考道時，與其余道的相關系數的平方和，取其最大者為最佳參考道。用最佳參考道與其余道相關，獲得相關記錄送入下一流程。

b. 對相關記錄逐道提取特征輪廓，將其抽象化。對特征輪廓數據逐道評價合格性，僅留下合格的部分，全部不合格則將此道置零。

相關并截取后得到的記錄矩陣是×階的，其中遠小于之前的每道樣點數，但依然摻雜太多細節(jié)，這些細節(jié)對于進一步的處理有用，但對于評價數據質量是干擾，需要針對關心的特征將數據抽象化，以便準確而又快速地評價。此處關心的特征是：相關能量峰的能量凝聚度是否足夠高。因此，可以這樣定義特征輪廓的計算方式：

將×階的相關記錄矩陣，每一列切割成等份(每一等份的時間長度建議設置為0.5個相關能量峰的時間寬度，以在確保判別精度的同時獲得相對較高的處理速度)，每一等份中，取段內數據絕對值的最大值作為本段數據的特征值，生成×階的特征輪廓矩陣，完成對相關數據的抽象化。

評價相關數據是否合格的標準是相關能量峰的能量凝聚度是否足夠高，因此對×階特征輪廓矩陣設計這樣一個評判標準：將道內個值從大到小排序，取前20%左右(以相關能量團寬度占總道長的比例做參考設定為宜)處的值的2倍作為閾值，將小于閾值的值置零，將大于等于閾值的值保留(可以微調，以獲得最佳評判效果)。這樣處理，能量峰凝聚度不高的道會被抹除所有特征輪廓值，變成空道，不是空道的都是合格道。

c. 用非零道數與總道數之比計算數據的質量評價結果。

下面用實際數據來詳細闡述方法的實現。

2 試驗數據處理

本次試驗煤礦位于內蒙古草原區(qū)域，試驗煤層分為上、下分層，其中分層界限為砂巖，厚0.05~ 0.27 m。煤層上分層厚度平均1.20 m，煤層經濟可采厚度平均3.58 m，總體厚度平均4.24 m。煤層頂板以灰?guī)r為主，屬堅硬巖石，巖體質量優(yōu)，屬穩(wěn)定頂板。煤層底板以粉砂巖為主，屬軟弱巖石，巖體質量中等，屬不穩(wěn)定底板。

觀測系統(tǒng)布設如圖1所示，三角形為測點位置。此處工作面不是純矩形，靠切眼處的一段工作面彎曲了一個角度。測線共54道，第54道距離采煤工作面81 m。整個測線總長約649 m，道間距平均為12.25 m。

圖1 觀測系統(tǒng)示意圖

試驗總共采集了500 min，圖2是其第150 min的數據截圖，長度1 min。

圖2 第150 min時的隨采地震數據

從圖2中可見，大多數道整個時間段內數據能量沒有較強烈的改變，幾乎是均勻的。對于這樣的數據，采用waterlevel法[17]進行頻域互相關處理，即將頻域里所有低于某個設定值(即waterlevel)的頻譜拉到此設定值，高于此設定值的頻譜不變，然后再進行頻域相關處理，獲得相關記錄。圖3是圖2數據經此處理后獲得的記錄。

圖3 第 150 min數據相關結果

通過這樣處理，不僅可以提升處理效果，還能減少處理時間。參與相關的數據道越長，速度提升越明顯，這對于海量數據的實時處理是非常有用的。

對圖3數據進行抽象化(將截割后的數據分塊處理，本次截割成50塊)，獲得數據輪廓，然后逐道評價相關數據是否合格，獲得圖4。圖4淺灰色是被置零的段抽象值，黑色是通過評價被保留的段抽象值。

圖4 第150 min數據經相關能量團抽象與評價后的結果

獲得相關數據的逐道評價結果后，用非零道數與總道數之比作為數據的質量評價結果。

利用以上方法，對此隨采數據第50~250 min數據進行質量評價，繪出每分鐘評價結果，如圖5所示。

從圖5可見，可以根據評價結果，將數據質量劃分為三類：

a. 高質量道占比大于70%的，為優(yōu)秀數據，對應割煤機積極截割煤壁的時段；

b. 高質量道占比小于等于30%的，為無效數據，對應割煤機沒開機或開機了沒割煤或沒掃煤的時段；

c. 高質量道占比大于30%且小于等于70%的，為質量較差數據，對應割煤機割煤不積極或掃煤的時段。

從圖5可見，第89 min與第90 min數據質量有跳變，對這兩分鐘數據處理后發(fā)現：第89 min相關能量團非常弱，評價結果僅有6道未置零(圖6)，非零道占比為11%，此時采煤機應當剛開機，尚未割煤；第90 min相關能量團非常強，評價結果有45道未被置零(圖7)，非零道占比為83%，此時采煤機應當在積極割煤。由圖5—圖7可見，此方法能有效地對隨采地震數據質量做出定量化評價。

圖5 此隨采數據逐分鐘數據質量評價

圖6 第89 min數據相關和評價結果

圖7 第90 min數據結果和評價結果

3 方法應用

在貴州某礦隨采地震監(jiān)測工地采集到一段隨采地震數據，觀測系統(tǒng)如圖8所示：在兩條巷道中各布設24道淺孔檢波器，接收來自采煤機的震動信號。

圖8 隨采地震信號觀測系統(tǒng)示意圖

由于受井下各種干擾的影響，數據質量較差，以48道中的每一道做參考道，分別與其余所有道進行相關運算，所獲得的48個結果僅有少部分能看到相關能量軸。圖9是其中兩個能看到相關能量軸的結果。

為獲得較好的相關同相軸，將這48個相關結果用前面提到的數據質量自動評價流程進行評價，然后剔除一些評價太差的結果，將剩余結果先通過相關找準疊加時差，再進行疊加，最后得到圖10。由圖10可見相關能量軸得到很好地增強，而噪聲被很好地壓制。圖10的結果，是在圖8的觀測系統(tǒng)下，48道接收道所接收波場的共性之疊加，而各道因位置不同，波的傳播路徑不同所導致的個性信息被抹去。得到共性，是研究異常的第一步，共性是背景，而異常是背景下的偏離，因此這個處理流程很有意義。

圖9 兩個能看到相關能量軸的結果

圖10 數據通過自動評價篩選后的疊加結果

4 結論

由于震源特性的不可控，隨采地震數據質量參差不齊，其中高質量數據僅占很小一部分，且分布未知，這對利用其進行高質量勘探造成很大困難。利用本文提出的隨采地震數據質量定量評價方法，可以定量設定質量篩選標準，篩選出符合要求的數據進行下一步處理，不僅能提升成果質量，還能大幅度節(jié)省處理時間。從試驗數據處理結果來看，在識別質量合格的相關道與挑選優(yōu)質數據進行疊加方面，本方法的效果都非常顯著。此外，在本文所提方法的基礎上，可實現數據的自動篩選，進而為隨采地震數據自動化智能處理提供了重要的支撐。

[1] BUCHANAN D J，MASON I M，DAVIS R. The coal cutter as a seismic source in channel wave exploration[J]. IEEE Transactions on Geoscience and Remote Sensing，1980，18(4)：318–320.

[2] LUO X，KING A，VAN DE WERKEN M. Sensing roof conditions ahead of a longwall mining using the shearer as a seismic source[J]. IEEE Transactions on Geoscience and Remote Sensing，2008，46(4)：17 –20.

[3] KING A，LUO X. Methodology for tomographic imaging ahead of mining using the shearer as a seismic source[J]. Geophysics，2009，74(2)：1–8.

[4] LUO X，KING A，VAN DE WERKEN M. Tomographic imaging of rock conditions ahead of mining using the shearer as a seismic source：A feasibility study[J]. IEEE Transactions on Geoscience and Remote Sensing，2009，47(11)：3671–3678.

[5] TAYLOR N，MERRIAM J，GENDZWILL D，et al. The mining machine as a seismic source for in-seam reflection mapping[J]. Seg Technical Program Expanded Abstracts，1949，20(1)：1365–1368.

[6] WESTMAN E C，HARAMY K Y，ROCK A D. Seismic tomography for longwall stress analysis[C]// In Proc. 2nd North Am. Rock Mech. Symp. 1996：397–403.

[7] WESTMAN E C，HEASLEY K A，SWANSON P L，et al. A correlation between seismic tomography，seismic events and support pressure[C]//In Proc. 38th Rock Mech. Symp. Washington DC，2001：319–326.

[8] 陸斌. 以掘進機為震源對煤礦斷層進行超前探測[C]//中國地球物理2013——第二十四分會場論文集.昆明，2013：1020–1025.

[9] 覃思，程建遠. 煤礦井下隨采地震反射波勘探試驗研究[J]. 煤炭科學技術，2015，43(1)：116–119. QIN Si，CHENG Jianyuan. Experimental study on seismic while mining for underground coal mine reflection survey[J]. Coal Science and Technology，2015，43(1)：116–119.

[10] 陸斌，程建遠，胡繼武，等．采煤機震源有效信號提取及初步應用[J]. 煤炭學報，2013，38(12)：2202–2207. LU Bin，CHENG Jianyuan，HU Jiwu，et al. Shearer source signal extraction and preliminary application[J]. Journal of China Coal Society，2013，38(12)：2202–2207.

[11] LU Bin，CHENG Jianyuan，HU Jiwu，et al. Seismic features of vibration induced by mining machines and feasibility to be seismic sources[J]. Procedia Earth and Planetary Science，2011(3)：76–85.

[12] 覃思，程建遠，胡繼武，等. 煤礦采空區(qū)及巷道的井地聯(lián)合地震超前勘探[J]. 煤炭學報，2015，40(3)：636?639. QIN Si，CHENG Jianyua，HU Jiwu，et al. Coal-seam-ground seismic for advance detection of goaf and roadway[J]. Journal of China Coal Society，2015，40(3)：636–639．

[13] 覃思. 隨采地震井–地聯(lián)合超前探測的試驗研究[J]. 煤田地質與勘探，2016，44(6)：148–151. QIN Si. Underground-surface combined seismic while mining advance detection[J]. Coal Geology & Exploration，2016，44(6)：148–151.

[14] 陸斌. 基于噪聲地震干涉的煤礦工作面隨采成像方法[J]. 煤田地質與勘探，2016，44(6)：142–147. LU Bin. A Seismic while mining method of coal working-face based on seismic interferometry[J]. Coal Geology & Exploration，2016，44(6)：142–147.

[15] 覃思. 煤礦井下隨采地震技術的試驗研究[D]. 北京：煤炭科學研究總院，2016.

[16] 霍晶晶，查華勝，苗園園，等. 突出煤層巷道隨掘超前探測技術研究[J]. 煤礦開采，2018，23(6)：19–23.HUO Jingjing，CHA Huasheng，MIAO Yuanyuan，et al. Advanced exploring technology during driving of roadway with outburst coal seam[J]. Coal Mining Technology，2018，23(6)：19–23.

[17] WILLIAM M. Geophysical Data Analysis：Discrete Inverse Theory[M]. San Diego，New York，Berkeley，Boston，London，Sydney，Tokyo，Toronto：Academic Press，1984.

Quantitative quality evaluation of seismic-while-mining data

QIN Si1, CUI Weixiong1, WANG Wei2

(1. Xi’an Research Institute Co. Ltd., China Coal Technology and Engineering Group Corp., Xi’an 710077, China; 2. The State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Science, Beijing 100101, China)

A seismic-while-mining(SWM) monitoring system laid in a working face of an underground coalmine will continuously generate tremendous amount of SWM data. When a coalmine cutting machine cuts coal seam actively, the SWM data will be of high correlation, and when it is not, the SWM data will be of low correlation or even no correlation at all. Based on this characteristic, a method for automatically and quantitatively evaluating the quality of SWM data was proposed. Using this method to process SWM data from a coal mine in Inner Mongolia, the result showed that this method can recognize the correlation peak very effectively, and the data quality evaluation result is very good. To apply this method to screening SWM monitoring data from a coal mine working face in Guizhou Province, the stack result of selected high quality data shows that the S/N ratio is obviously improved, and the correlation event is obviously enhanced. This method can be used to rapidly pick out high quality data from enormous amount of data, and reduce the workload of next step while improving the processing result.

coalmine cutting machine; seismic-while-mining; data quality evaluation

National Key R&D Program of China(2018YFC0807804)；Guizhou Science and Technology Major Projects([2018]3003-1)；Science and Technology Innovation Fund of Xi’an Research Institute of CCTEG(2018XAYZD02)；Scientific Research Instrument and Equipment Development Project of Chinese Academy of Sciences(YJKYYQ20170033)

覃思，1981年生，男，湖南吉首人，副研究員，博士，研究方向為隨采地震勘探. E-mail：qinsi@cctegxian.com

覃思，崔偉雄，王偉. 隨采地震數據質量定量評價[J]. 煤田地質與勘探，2019，47(3)：20–24.

QIN Si，CUI Weixiong，WANG Wei. Quantitative quality evaluation of seismic-while-mining data[J]. Coal Geology & Exploration，2019，47(3)：20–24.

1001-1986(2019)03-0020-05

P631. 4

A

10.3969/j.issn.1001-1986.2019.03.004

2018-12-21

國家重點研發(fā)計劃課題(2018YFC0807804)；貴州省科技重大專項項目([2018]3003-1)；中煤科工集團西安研究院有限公司科技創(chuàng)新基金項目(2018XAYZD02)；中國科學院科研儀器設備研制項目(YJKYYQ20170033)

(責任編輯 聶愛蘭)