石灰岩声发射频谱特性演化及破裂阶段识别

王创业,刘沂琳,常新科

(内蒙古科技大学矿业研究院,包头 014010)

岩石声发射(acoustic emission,AE)是岩石材料受力作用下,其内部原生缺陷闭合、扩展贯通过程中以瞬态弹性波释放的应变能现象,其在一定程度上能够反映岩石的破裂损伤程度[1]。目前,AE信号分析方法有参数分析与频谱分析两类常用方法,与前者的不确定性与随机性等特征相比,后者具有本征性与唯一性。赵菲等[2]基于AE信号频谱分析,揭示了试件高度对花岗岩岩爆破坏后破裂面特征的影响。Wang等[3]分析了AE波形信号频谱特征演化与砂石变形损伤各阶段的关系。曾鹏等[4]通过声发射信号主频频段的变化趋势分析,提出了岩石的破坏前兆信息识别。

由于岩石材料在受力过程中产生AE信号的时域、频域特征均有差异,准确对AE信号进行识别分类能够判别岩石的破裂阶段。BP神经网络无需事先确定输入输出样本之间的映射关系,具有较强的非线性映射能力,适用于解决损伤识别问题[5]。周俊等[6]利用BP神经网络对声发射信号进行分类测试,表明其区分性能好且性能更优越。申景诗等[7]采用BP神经网络实现声发射定位,获得了较好的定位结果。张艳博等[8]对声发射信号聚类分析,建立并训练BP神经网络从获取的信号中识别出岩爆前兆特征信号。

在前人研究的基础上,对天然状态下的石灰岩进行单轴压缩AE试验,获得加载全过程的AE特征参数及其波形信息,通过频谱分析与小波包分析,将频域内的频谱图、主频与小波包分析提取的能量占比联合起来,找到石灰岩AE频谱特征变化规律,寻求适合的破裂阶段识别信息；再利用小波包分解所提取的细节特征参数训练BP神经网络,准确识别岩石声发射信号破裂阶段特征信息,为岩石破裂阶段预测提供双重保证,为声发射技术与信号智能识别方法运用于实际岩土工程中监测及预防煤岩复合动力灾害的发生提供可靠依据。

1 单轴压缩AE试验及岩石力学基本参数特征

1.1 岩石试样制备

试验选择块状石灰岩加工制备成6个直径为50 mm,高度为100 mm的标准圆柱体试样。试样物理力学参数如表1所示。

表1 岩芯试样力学参数Table 1 Rock core mechanical parameters

1.2 试验设备及方法

岩石加载系统采用长春科新试验仪器有限公司设计的SAW-2000微机控制电液伺服岩石压力试验机。声发射设备为北京声华科技制造的SAEU2S多通道声发射监测系统。在力学实验进行过程中同步采集与分析AE特征参数。

设定AE系统参数后,通过断铅测验确认AE系统各线路畅通无误,随后采用轴向等位移控制方式,以0.05 mm/min的加载速率进行加载,直至试样发生破坏停止加载。试样的轴向应力-应变曲线如图 1所示。石灰岩试样破裂形态如图2所示。

由图1可知,石灰岩各试样的应力-应变曲线斜率基本相似,呈线性变化；压密阶段短,除Shy-4以外,其余试样的应力在峰值后迅速下降,说明试样脆性高,结构致密。由图 2可知,用皮筋与胶条使破坏后的岩石试样保持原有形态,可清晰观察到破坏后的侧表面上形成许多条竖直方向的、贯通试样的裂缝,试件轴方向的中间位置向外鼓出,体积膨胀增大,属于典型的脆性破坏。

图1 试样轴向应力-应变曲线Fig.1 Axial stress-strain curve

图2 试样破坏形态Fig.2 Sample failure pattern

2 AE信号频域特征分析

2.1 关键点选取

原则上对全部试样试验结果进行分析会更全面,限于篇幅,只选取了Shy-2、Shy-3、Shy-6试样进行具体分析说明。

岩石的受力破坏是一个能量吸收与释放的过程,声发射的能量反映了岩石内部裂纹产生或扩展时所释放的弹性能[2]。因此，采用声发射累积能量对加载过程中产生的声发射信号进行分析。石灰岩试样Shy-2、Shy-3、Shy-6的累积能量、应力与时间曲线如图3所示。

图3 试样AE累积能量、应力与时间关系曲线Fig.3 Sample AE cumulative energy,stress and time curve

结合石灰岩应力特征与累积能量走势的特征选取5个岩石加载破坏过程中的关键点[9],5个关键拐点分别为:岩石初始加载能量明显上升的点A,两次能量上升台阶处的拐点B、C,即将达到峰值应力附近能量进一步抬升的点D,试样发生破坏、对应应力下降时的点E。由图3可知,石灰岩各试样累积能量具有相同的走势,分析关键点的信号特征来反映岩石全过程的信号特征具有代表性。

2.2 AE归一功率谱图及主频分布特征

由于声发射信号的非平稳性和多样、不确定性,时域分析难以反映信号的全部特点。快速傅里叶变换(fast Fourier transform,FFT)作为一种非平稳信号的经典频谱分析方法得到广泛的使用[10]。

每个波形文件由2 048个点组成,首先用rigrsure小波阈值函数对关键点信号去噪处理后进行快速傅里叶变换(FFT),得到了与信号时间函数对应的、以频率为自变量的频谱函数,分析该信号和频率有关部分,进一步绘制出试样Shy-2、Shy-3、Shy-6关键点的归一化频率谱图,如图4所示,各关键点的主频定义为归一化频谱图中最大幅值所对应的频率[11]。

图4 试样Shy-2、Shy-3、Shy-6关键点波形信号二维功率谱图Fig.4 Sample Shy-2,Shy-3,Shy-6 two-dimensional spectrum of key point waveform signal

以图4(a)为例,分析Shy-2可知,在关键点A处波形特征主要以低频、高幅度为主。

随着荷载的增加,岩石内部微裂隙开始萌生发展,低频对应大裂隙,高频对应小裂隙[10]。在拐点B处,频谱整体向高频偏移,说明有高频信号出现,该阶段试件萌发出微小裂隙,呈现出高频与低频并存。频谱200～300 kHz范围内持续出现幅度微弱的信号,频谱范围变宽。各种模式的声发射源波形特征是多样的,该阶段的频谱特征复杂[9],频谱形状由单峰变成多峰。

在拐点C处低频信号的幅度值明显降低,高频信号幅度值升高。主频值达到最大值。呈现高频、高幅度为主的特征。

在破坏前的能量突跃点D处,高频信号幅度值逐渐降低,多峰特征减弱。

在点E处,频谱宽度恢复至200 kHz,高频信号变少,幅度进一步减弱,并呈现单峰,此时试样完全破坏。

图4(b)中试样Shy-3与图4(c)中试样Shy-6在各关键点的频谱演化规律与试样Shy-2类似。

整个过程的频谱特征大部分呈现低频高幅,说明石灰岩中低频高幅为一种主要形态。主频数值呈现先上升、后下降的趋势,并在C点达到最大值。

2.3 小波包频带分解及能量分布特征

为进一步了解AE信号的能量分布特征,将FFT变换后的信号采用小波包分解在频率上进行细化分析。小波包借助小波分解滤波器在各个尺度上对每个子带进行再次分解,为信号提供一种更为精细的划分方法[12]。

基于小波包分析方法对上述关键点的波形数据进行分解。选取db3小波基对前述去噪后的信号进行3层分解,将频率500 kHz分解为8等分。得到各频段的长度为62.5 kHz。8个频段范围如表2所示。

采用小波包分解得到试样Shy-2、Shy-3、Shy-6的8个频段的能量占比,以Shy-2的关键点A～E为例,如图5所示,图5中数字1～8代表频段编号,分析表明,石灰岩在整个加载过程中能量主要集中在前4个频段(0～250 kHz),与图4的频带主要分布范围一致。由于后4个频段能量占比之和均不超过5%,可以忽略不计。将1、2频段视为低频段,3、4频段视为高频段。为了全面分析岩石加载破裂全过程的频带能量变化,先对试样加载全过程中所有AE信号进行分解,得到低频段1、2能量占比的和,高频段3、4能量占比的和与其呈负相关，如图6所示。

图5 试样shy-2关键点频段能量占比图Fig.5 Sample Shy-2 key point frequency band energy ratio

图6中,沿左侧纵轴将能量占比有明显变化趋势的范围划分为#1(90%～100%)、#2(40%～60%)、#3(10%～30%)。

分析可知,1、2频段能量占比之和高于60%的信号贯穿全过程。此时信号能量主要集中于低频段(0～125 kHz),与前面所说低频高幅是主要存在形式一致。

在图6中第1条虚线之前,试样处于初始压密阶段。信号能量分布较为集中于1、2频段,占比之和基本分布在60%以上,新萌生的裂纹较少,零星出现分布在#2中的信号。此时低频段能量占比高。

随着岩石的加载,1、2频段的能量占比之和逐渐向下偏移,#1范围内信号数量减小,对应低频信号减少；#2范围内信号开始增加,对应频段3、4能量占比增加,有高频信号出现。此时试件处于弹性变形阶段,部分小裂隙萌生发育。

B点附近开始出现大量分布于#3范围内的信号,能量占比小于30%,部分信号能量占比低至10%左右,频段3、4能量占比进一步增加,此时小裂隙大量发育伴随弹性阶段对裂纹的扰动,高频信号持续增多导致这一阶段高低频并存。

随着试样的进一步加载,岩石进入累进性破裂阶段,大量信号重新聚集在#1范围内,大裂缝加剧贯通,故在#1范围内的信号数量多于#2、#3,并在试件临近破裂前的D～E阶段,#2、#3范围内信号持续增多,试件即将破坏。

由此可证明小波包分解能量占比的变化能够反映岩石受载裂隙发育的过程。经过小波包分解对3个试件能量占比的分析对比,1、2频段能量占比均在B点附近出现高低并存的现象直至试样失稳破坏。利用出现能量大量偏移至30%以下这一特征作为分界,1、2频段能量之和低于30%的信号作为特征点,进行岩石破裂预测。

3 AE信号分类与识别

3.1 划分信号类别

前述分析表明,B点附近出现1、2频带能量占比之和低于30%信号,从开始出现此类信号起,即认为试件进入裂隙大量发育至逐渐贯通的阶段。将1、2频带能量占比之和高于30%的信号作为X1,低于30%的信号作为X2。

3.2 BP神经网络设计与训练

一个完整的BP神经网络由输入层、隐层和输出层组成。输入神经元数目由特征向量维数确定[13],这里考虑到各破坏阶段信号点小波包分解后能量占比具有唯一性,因此输入向量确定为8个特征细节能量占比,所以输入神经元数为8。而输出向量为前述的X1、X2向量,考虑用两个神经元表征两类信号,即二进制代码(0,1)表示信号X1，(1,0)表示信号X2,因此输出神经元数为2。

隐层神经元数目的确定极为重要,数量过多易使网络复杂,训练过程难以收敛。隐层神经元数目的计算公式为

(1)

式(1)中:X为隐层单元数；m、n分为输出、输入层神经元数；a为[0,10]之间的常数值,因此,X的范围为[4,14],选取8为隐含层节点数。BP网络参数设置如表3所示。

表3 BP网络参数设置Table 3 BP neural network parameter setting

从3个试件的两类信号中分别选取10组,共60组,对BP网络进行训练,然后运用已训练好的BP网络对输入向量进行sim仿真模拟。

BP网络经过125步达到设定的最小误差精度,表示网络训练成功。

3.3 BP网络性能测试与应用

另从3个试件的两类信号中分别选取10组,共30组声发射信号。1～15组为试件Shy-2、Shy-3、Shy-6在X1中选取的信号；16～30组为试件Shy-2、Shy-3、Shy-6在X2中选取的信号。将其作为网络测试样本对已经训练好的BP神经网络进行测试。测试结果如表4所示,BP网络将两类信号全部识别正确,识别正确率为100%。说明此网络训练成功,已经能够识别所需的信号特征。

表4 BP神经网络测试结果Table 4 BP neural network test results

续表4

应用已训练好的BP网络测试试件Shy-4,如图 7所示,经过全过程波形的分析测试后,发现657 s附近开始出现大量输出为(1,0)的X2信号。可以认为此时出现特征点,对应能量抬升点为B点,进入裂隙大量发育至贯通阶段。

图7 试件Shy-4 BP网络应用Fig.7 Application of BP network to sample Shy-4

证明此网络能够用来快速并且准确的识别岩石声发射信号的特征破裂信息,对于预测岩石破裂阶段有一定价值。

4 结论

(1)结合石灰岩应力与累积能量走势的特征选取5个岩石加载破坏过程中的关键点A、B、C、D、E。用关键点的信号特征分析来反映岩石全过程的信号特征具有代表性。

(2)对声发射信号进行快速傅里叶变换后观察频谱图发现,石灰岩加载过程中主频整体呈现先上升后下降的趋势,在C点达到最大值；随着加载,频谱变宽至300 kHz,频率经历了由单一低频转化为低高频并存,最后又恢复成单一低频为主的变化过程；频谱特征由单峰转化为多峰又恢复为单峰,在加载过程中大部分呈现低频高幅,说明石灰岩中低频高幅为一种主要形态存在。

(3)利用小波包分析对声发射信号进行3层分解,将频率细分为8个频段。石灰岩在整个加载过程中能量主要集中在前4个频段(0～250 kHz)处；1、2频段能量占比之和高于60%的信号贯穿全过程,其随着加载向下偏移,B点附近逐渐出现占比之和小于30%的信号；将1、2频段能量之和低于30%的信号作为特征点。整个加载过程能量占比#1、#2、#3范围内信号的变化进一步证明了小裂隙发育对应高频信号的出现,大裂隙发育贯通对应低频信号的出现。

(4)根据石灰岩加载过程中1、2频段能量的变化趋势,将信号划分为X1、X2两类。将8个频段能量占比作为输入向量训练BP网络,对信号类别进行识别。测试结果表明BP神经网络对两个区段的识别正确率为100 %。将训练成功的网络应用于试样Shy-4,找到其特征点,说明此网络能够快速并且准确的识别岩石声发射信号特征破裂信息,对于预测岩石破裂阶段有一定价值。