基于BP神经网络的岩石损伤声发射事件源定位研究*

2021-09-09赵红霞罗筱毓林华李

中国安全生产科学技术 2021年8期

吴鑫，赵红霞，罗筱毓，朱旭，林华李

(1.四川师范大学工学院，四川成都 610101；2.四川大学水利学与山区河流开发保护国家重点实验室，四川成都 610065)

0 引言

随着我国铁路、桥梁、隧道等工程设施的迅猛发展，其全生命周期过程中的安全运行与可靠性监测意义重大。工程岩体中节理与裂隙等软弱结构容易在外荷载作用下发生变形破坏，并同时释放出频率各异的弹性波，通过对弹性波抵达预设标定点的到达时差，便能对破坏点进行定位与评价，从而为工程结构安全监测与应急处理提供依据。20世纪60年代末，Scholz[1]首次利用声发射S波到达时差，采用最小二乘法对22个较大的AE事件进行了定位，开创了多通道拟合声发射源定位方法。随后，声发射检测技术作为1种无损检测方法已得到了较为广泛的关注[2]；赵兴东等[3]率先应用声发射对不同岩样破裂过程进行了实验研究，揭示了不同岩样的破裂失稳机理；许江等[4]利用PCI-2型声发射系统，通过不同试件尺寸条件下的声发射断铅定位实验，对声发射定位精度的尺寸效应进行了研究；崔力等[5]利用RTX-1000岩石三轴仪和Micro-Ⅱ声发射成像采集仪对煤样进行不同围压下的三轴压缩声发射定位实验，对加载过程中的应力应变、AE计数等特征参数进行对比分析，构建基于AE计数的损伤模型，研究了三轴压缩下煤岩损伤变形的规律；张延兵等[6]针对传统基于时差的声发射定位方法精度及稳定性不足问题，通过优化声发射信号的到达时刻计算方式，使得定位源稳定收敛在近似区域，以提高AE定位准确度。

然而，由于真实岩体的非均匀性与各向异性，利用抵达时差来进行源定位的方法受到了很大的挑战，其精度往往并不理想。为此，BP神经网络等人工智能手段得到了很多关注，许多学者将其与声发射参数分析、谱分析联合起来进行研究。例如，李波等[7]建立BP神经网络模型，直接从磨削声发射信号中提取磨削表面粗糙度信息，对高效深磨加工工程陶瓷Al2O3的工件表面粗糙度进行了训练、预测和分析，该方法可以实现对高效深磨加工工程陶瓷工件表面粗糙度的监测；程智海等[8]提出了1种结合声发射信号与BP神经网络在线识别煤粉粒径的新方法，通过功率谱分析发现了信号能量随煤粉粒径的变化特征，最后提取信号能量特征，利用建立的BP神经网络模型可以对煤粉粒径进行识别；朱亮[9]基于声发射检测，建立了3层BP神经网络识别阀门内漏的模型，利用实验数据样本对该模型进行了验证，结果表明：阀门内漏识别准确率超过90%；张颖等[10]建立了1个能识别焊接冷裂纹开裂信号的BP神经网络模型，通过对SPV490Q钢平板刚性拘束焊接裂纹实验的数据进行训练和测试，验证了该网络的可行性；张勇等[11]建立3层BP神经网络铝合金点焊裂纹的监测模型，并利用测试样本对该模型进行验证，结果表明:裂纹监测的正确率达到89.1%，为监测铝合金电阻点焊裂纹提供了1种有效的方法；周俊等[12]针对现有声发射信号识别参数分析法的不足，提出利用小波变换特征提取与BP神经网络结合的AE信号分析方法，为AE信号参数提取提供了1种新方法。

综上所述，基于声发射的微破裂识别与定位相关技术得到了较为广泛的研究。目前传统的AE源定位技术均将声发射信号相关参数(如时差、幅值等)变化视为线性过程，事实上难以对复杂介质中的AE源进行准确定位。因此，本文拟采用BP神经网络算法，构建岩石声发射信号源定位模型，利用神经网络交叉学习进行交叉检验，从而进一步提升定位精度，减小定位误差，使更为准确地定位工程结构缺陷成为可能。

1 实验方案及数据采集

1.1 实验方案

采用400 mm×400 mm，200 mm×200 mm的试件设计尺寸验证在不同尺寸下的岩石声发射源定位效果。为了尽可能减少试件材料非均匀性带来的实验误差，采用同一块400 mm×400 mm的板状大理石按设计尺寸划定区域进行实验。实验前在试件上均匀画出密度为10 mm×10 mm的网格，用于标注断铅点位置。在断铅点位置采用φ0.5 mm、型号为HB的铅芯与试件平面按30°夹角进行断铅测试，采用北京软岛公司的DS5-16B声发射系统全程记录声发射信号参数与波形。通过DS5-16B声发射系统自带软件，可以得到基于传统声发射信号到达时间获得的AE源坐标以及信号特征参数。实验流程见图1。

图1 实验流程

1.2 岩石AE信号采集与异常数据处理

在声发射波形检验过程中，为了避免环境噪声影响，需要设置一定的声发射信号触发阈值。如果阈值设定的过低就无法有效起到过滤环境噪声的作用，过高又可能丢失重要的信号波[13]。因此，为降低误差并确定最优阈值，用5组(根据实验选择60，80，100，120，140 mV)不同的阈值进行波形检验，得出不同阈值下误差值，误差在20 mm以下的定位点所占百分比如图2所示。根据图2分析可知，当阈值为100 mV时误差在20 mm以下的百分比最大，即实验效果最好，故将100 mV设为波形检验的最优阈值。

图2 不同阈值下的误差小于20 mm所占的百分比

在处理实验数据时，经常会遇到数据明显与实际情况不符的情况，因此，需要一些处理异常数据的方法，在对各种异常值删除法进行了比较之后，本文实验采用3σ准则消除数据处理过程中遇到的离群点，用周围数据的线性值代替异常值和声发射实验中的未定位点。最后，得到新的实验数据，并在此基础上进一步分析。

2 传统定位法及波速优化分析

2.1 利用传统时差定位法进行分析

实验数据经过粗处理后，根据公式(1)可以计算出偏差距离，即真实断铅点与定位计算点之间的距离。

(1)

式中：d为定位点与断铅点的偏差距离，mm；X1为AE定位点横坐标，mm；Y1为AE定位点纵坐标，mm；X2为真实断铅点(声源)横坐标，mm；Y2为真实断铅点(声源)纵坐标，mm。

利用MATLAB分析数据得到矢量误差图和误差云图，如图3所示。图3(a)和图3(c)中箭头代表误差大小和方向，试件中部区域箭头长度较试件边缘的箭头长度短一些，且200 mm×200 mm的误差矢量箭头较短，400 mm×400 mm较长。由图3(b)和图3(d)可以看出，越到试件中心的颜色越深，定位精度越高，越到试件边缘颜色越浅，定位精度越低。实验结果符合尺寸效应，即随着尺寸的增大，定位误差也有所增大，定位精度越来越低。对于同一块岩石，声发射源的位置也对定位精度有影响，试件中部区域定位精度较高，而试件边缘部位定位精度较低。

图3 2种尺寸试件误差矢量及误差云图

2.2 考虑岩石各向异性的优化方法

弹性波速在各个不同传播方向上的差异是岩石结构的重要指标之一，通常用来表示岩体的各向异性[14]。在收集实验数据和数据处理时把波速默认为匀速，但由于岩石的各向异性，波速在各个方向的传播具有差异，因此，对基于到达时差的定位精度有一定影响。为了降低波速对定位的影响，在试件平面上每间隔30°测定波速。在每个角度测量2次，取其平均值作为该方向的弹性波传播速度，结果如图4所示。

图4 波速玫瑰图

由图4可看出，各个方向上的波速有较大差异，存在明显的波速优势方向。考虑波速对实验结果的影响，建立速度修正模型，主要应用拉伸、压缩状态下相对位置不变原理。据此将VX压缩(假设VX>VY)，因此，原来的正方形变为矩形，此时水平、竖直方向将以相同速度传播，可视为各向同性条件下时差定位，定出源坐标以后再几何拉伸回正方形就可得到速度修正模型下的定位坐标。最后利用到达时差重新定位出坐标位置，并绘制矢量图和误差云图，如图5所示。

图5 2种不同尺寸试件速度修正后的误差矢量及误差云图

对比发现，在建立速度修正模型后试件四周误差减小，且试件中部的误差更小；误差云图中，试件中部深色区域面积(即定位精度较高的区域)在速度修正之后有明显增大，表明速度修正之后定位精度有所提高；试件边缘误差较大的区域与速度修正前相比更靠近试件的4个角(即传感器的位置)。

综上所述，建立速度修正模型之后，误差有所降低，定位更加准确，在一定程度上克服了由于材料各向异性带来的实验误差。

3 基于BP神经网络声发射源定位

3.1 AE源定位模型

BP神经网络也被称为误差反向传播神经网络，在模式识别[15-16]等领域有着广泛的应用。BP神经网络是1种多层前馈神经网络，在前向传递过程中，输入信号经过隐含层逐层处理到达输出层[17],如果该值与期望值偏差较大，则反向传播，各网络层权值和阈值根据预测的误差调整，直至预测值逼近期望值[18]。一般常用的BP神经网络包括输入层、隐含层、输出层。本文实验设置了4个传感器(即有4个信号通道)，每个信号通道选用幅值、能量、振铃计数、时差4组特征参数，则输入层设置为16；输出为预测声发射源的坐标值，但由于在测试过程中发现，同时预测X，Y值时的误差远大于单独预测X值或Y值的误差，故将输出层设置为1，即单独预测X值和Y值；隐含层数过多，会加大网络计算量并容易产生过度拟合问题；层数过少，则会影响网络性能，达不到预期效果。网络中隐含层的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前，对于隐含层数目的确定并没有明确的公式，本文可以参考公式(2)和多次实验来最终确定。

(2)

式中：L为隐含层数，层；a为[1，10]之间的常数；n为输入层数，层；m为输出层数，层。根据公式(2)可以得出隐含层数为4～13。选取4，6，8，10隐含层分别进行测试，再对4组测试结果进行比较分析。

3.2 AE定位模型训练及验证

由于各个特征参数衡量的指标和单位不同，原始样本各个分量数量级也存在很大差异，为了后续数据处理的方便，需要通过归一化处理把所有输入向量都转化为0～1之间的数值[19]，其目的是消除各组数据间数量级的差别，避免网络预测误差过大。将各组数据进行归一化后，随机选择80%的数据，将隐含层数分别设置为4，6，8，10进行训练，最后将剩余数据的20%通过网络进行预测，再通过交叉学习，交叉验证的方式，把用作训练的数据一一验证，并记录得出的数据。

完成预测后，得到的不同隐含层数下的绝对误差，如图6所示，2种尺寸试样隐含层数为6时，绝对误差的数值大小较为稳定，且大多数定位点绝对误差也较小；不同隐含层数下2种尺寸试件误差正态拟合特征数据见表1，隐含层数为6时，误差的均值和方差均最小，说明其误差最小，误差波动也较为稳定，定位效果最好，故本次模型的隐含层数为6。将误差数据处理成矢量图和误差云图，如图7所示。为了进一步辅助分析，把传统时差定位法、波速优化以及BP神经网络预测下的数据进行对比，如图8所示。

图6 2种尺寸试件隐含层误差对比

表1 不同隐含层数下2种尺寸试件误差正态拟合特征数据统计

图7 2种尺寸试件BP神经网络下的误差矢量及误差云图

图7中，BP神经网络预测下的矢量图与传统时差法以及波速修正后的误差矢量图相比，2种尺寸的定位误差都有明显减小，且试件中部误差较小的范围有所增大，这说明BP神经网络算法较前2种方法的定位误差明显减小；图7云图中心精度高的范围扩大，且平面其他区域几乎均由深色填充(颜色越深，定位精度越高)，且从图8也可以直观地看出，BP神经网络算法较前2种方法的定位精度提高，定位点的误差在一定范围内的波动也比传统定位法和波速优化之后的误差波动更小，这表明BP神经网络算法减小了声发射源的位置(试件边缘)对定位精度的影响，使试件边缘处的定位误差也大大减小。