基于卷積神經(jīng)網(wǎng)絡(luò)的沖擊地壓微震定位法

郭松林，王朝暉

（黑龍江科技大學(xué)，黑龍江哈爾濱，150000）

1 緒論

沖擊地壓微震是指煤巖體在復(fù)雜外界條件下發(fā)生結(jié)構(gòu)破裂，產(chǎn)生微震信號(hào)。這些微震信號(hào)經(jīng)常被用來(lái)研究和評(píng)價(jià)煤巖體穩(wěn)定性[1-2]。現(xiàn)今用于礦下的微震監(jiān)測(cè)技術(shù)包含多方面內(nèi)容，其中震源定位被認(rèn)為是沖擊地壓研究領(lǐng)域中最核心的研究方向[3]。

本文利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行沖擊地壓微震定位，文中把監(jiān)測(cè)區(qū)域劃分為5*5的區(qū)域，用二維數(shù)組[x，y]來(lái)表示（其中x，y取值為1-5的整數(shù)），模型采用有監(jiān)督學(xué)習(xí)，所有的震動(dòng)事件均將通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)到圖中每一個(gè)區(qū)域中，將定位問(wèn)題轉(zhuǎn)換為分類問(wèn)題，這種方法保持了卷積神經(jīng)網(wǎng)絡(luò)對(duì)二維數(shù)據(jù)處理的優(yōu)勢(shì)，能夠達(dá)到較高的定位準(zhǔn)確度。

1.1 樣本處理

為了確保訓(xùn)練模型最終能夠達(dá)到好的定位效果，必須對(duì)實(shí)驗(yàn)事件進(jìn)行合適挑選：

（1）用于模型訓(xùn)練的的微震事件，必須在取樣時(shí)間段內(nèi)是完整可靠的；

（2）實(shí)驗(yàn)所選的每個(gè)記錄時(shí)間以震動(dòng)觸發(fā)時(shí)為中點(diǎn)，前后各取5ms。將（-5ms，5ms）定為一個(gè)震動(dòng)事件的時(shí)間域。

經(jīng)過(guò)以上篩選和校正后，共選取了240個(gè)微震事件，每一個(gè)事件均由兩個(gè)維度（A和B）所采集的震動(dòng)信號(hào)構(gòu)成。震動(dòng)信號(hào)如下圖所示。

圖1 震動(dòng)信號(hào)示例A

圖2 震動(dòng)信號(hào)示例B

圖中橫軸為震動(dòng)采集時(shí)間，取值范圍（-5ms，5ms）；縱軸為電壓信號(hào)，表示震動(dòng)幅值大小，取值范圍（-6V，6V）。

1.2 短時(shí)傅里葉變換

本文利用短時(shí)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(hào)是一種不平穩(wěn)的震動(dòng)信號(hào)，對(duì)這種非平穩(wěn)信號(hào)f(t)，采用窗函數(shù)α作短時(shí) Fourier 變換，計(jì)算公式如下：

其中ε表示某一待分析時(shí)間點(diǎn)，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(duì)某一信號(hào)樣本的短時(shí)傅里葉變換圖，對(duì)每個(gè)樣本的A、B兩個(gè)維度分別進(jìn)行短時(shí)傅里葉變換。

圖3 信號(hào)1A變換圖

圖4 信號(hào)1B變換圖

2 定位方法與網(wǎng)絡(luò)結(jié)構(gòu)

2.1 卷積神經(jīng)網(wǎng)絡(luò)

本文搭建的網(wǎng)絡(luò)模型，如圖5所示。整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)包含了4個(gè)卷積層、4個(gè)池化層以及2個(gè)全連接層。網(wǎng)絡(luò)的輸入層采用512*512*2的尺寸。最終到達(dá)第四個(gè)池化層后輸出32*32*128的尺寸。之后經(jīng)過(guò)全連接層計(jì)算，由于研究區(qū)域被劃分為25個(gè)區(qū)間，所以輸出采用25的模型尺寸。

圖5 網(wǎng)絡(luò)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(dāng)卷積核卷積位置超出特征圖有效位區(qū)域時(shí)，做填充或其他操作。然后激活函數(shù)對(duì)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(yùn)算過(guò)程示意圖

2.3 池化層

池化層可以用來(lái)減小特征圖的大小，減少模型計(jì)算時(shí)間，對(duì)上一層的特征進(jìn)行數(shù)據(jù)壓縮計(jì)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(yùn)算步長(zhǎng)為2，均采用最大池化。池化層的操作過(guò)程如圖7。

圖7 池化層的池化過(guò)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(gè)震動(dòng)對(duì)應(yīng)的二維坐標(biāo)[x，y]表示該震動(dòng)的期望值，所以本文使用了二維交叉熵函數(shù)來(lái)度量模型損失值的大小。

一維交叉熵?fù)p失函數(shù)：

式中：N——訓(xùn)練的總樣本數(shù)

y——期望輸出，即有監(jiān)督訓(xùn)練的標(biāo)簽；

o——實(shí)際輸出，即經(jīng)過(guò)模型運(yùn)算給出的結(jié)果；

Q——損失值，表示期望值與訓(xùn)練值之間的誤差大小。

本文使用的二維交叉熵?fù)p失定義為：

其中Qx，Qy分別表示兩個(gè)維度上的交叉熵?fù)p失值。

3 實(shí)驗(yàn)及分析

3.1 實(shí)驗(yàn)環(huán)境及配置

本次實(shí)驗(yàn)建立在Window10，64位的操作系統(tǒng)之上，使用Tensorflow2.0作為深度學(xué)習(xí)框架，軟件編程使用以Python為基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)函數(shù)庫(kù)。

實(shí)驗(yàn)共有數(shù)據(jù)240組，這240組數(shù)據(jù)中的200組用于模型訓(xùn)練，剩余40組用于檢測(cè)模型的準(zhǔn)確率。

3.2 模型訓(xùn)練過(guò)程

設(shè)定學(xué)習(xí)率lr為0.001，迭代數(shù)epoch為500，批大小batch為40，將200個(gè)數(shù)據(jù)進(jìn)行5批訓(xùn)練，計(jì)算每一批次的損失值loss累加計(jì)算均值，這樣就更精確地計(jì)算loss。

初始化網(wǎng)絡(luò)參數(shù)，開始訓(xùn)練網(wǎng)絡(luò)，通過(guò)迭代最小化交叉熵的損失loss，優(yōu)化網(wǎng)絡(luò)連接權(quán)，提高模型準(zhǔn)確率。

每次訓(xùn)練后保存卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，將損失值和準(zhǔn)確率實(shí)時(shí)記錄下來(lái)。

3.3 結(jié)果分析

訓(xùn)練完成后，保存繪制成的變化曲線用來(lái)觀察模型定位效果。訓(xùn)練中的損失loss以及準(zhǔn)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(zhǔn)確率變化圖

通過(guò)損失函數(shù)和準(zhǔn)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(zhǔn)確率達(dá)到了97.5%。

表1 定位法準(zhǔn)確率對(duì)比

本實(shí)驗(yàn)采用TDOA時(shí)差定位法[4]進(jìn)行對(duì)照分析，將240組數(shù)據(jù)進(jìn)行定位計(jì)算，把計(jì)算位置與實(shí)際震源位置處于同一區(qū)域內(nèi)的事件標(biāo)記為準(zhǔn)確定位。比較兩種定位結(jié)果后可以發(fā)現(xiàn)，時(shí)差定位法的準(zhǔn)確率為92.5%，低于本文采用的卷積神經(jīng)網(wǎng)絡(luò)定位法的準(zhǔn)確率97.5%。

4 結(jié)束語(yǔ)

本文針對(duì)沖擊地壓微震定位任務(wù)提出了一種通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行定位的方法，并采用短時(shí)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(luò)強(qiáng)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(guò)實(shí)驗(yàn)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(zhǔn)確率是優(yōu)于TDOA時(shí)差定位法的。