随采地震数据质量定量评价

覃 思，崔伟雄，王 伟



随采地震数据质量定量评价

覃 思1，崔伟雄1，王 伟2

(1. 中煤科工集团西安研究院有限公司，陕西 西安 710077； 2. 资源与环境信息系统国家重点实验室，中国科学院地理科学与资源研究所，北京 100101)

在采煤工作面布设了随采地震监测系统后，为了自动筛选实时不间断传输回地面的巨量地震数据，利用采煤机积极割煤时，各接收道收到的信号相关性强，反之则弱这一特点，提出了一种自动定量化评估随采地震数据质量的方法。对内蒙某矿随采地震数据进行了处理，结果证明该方法能有效识别出单道的相关能量峰，对数据质量定量评价的效果很好。利用此法筛选了贵州某矿随采地震监测数据，将优选数据叠加后，数据的信噪比得到了明显的改善，相关能量轴明显增强。该方法可从海量随采地震数据中快速筛选出高质量的数据，大幅缩减进一步处理的工作量，改善处理效果。

煤矿采掘机械；随采地震；数据质量评价

煤矿井下的采掘活动会激发出能量足够的震动波。利用其作为震源，可以探测工作面内部或者掘进面前方一定区域内的地质构造、应力分布等情况，这种勘探方式叫“随采地震勘探”。国外一些学者探索了这种勘探方法[1-7]，但文献数量很少，且仅停留在试验阶段。近年来国内在这个领域内的探索越来越多[8-16]，还出现了不少成功的试验案例。但在尝试将此方法推进到工业生产阶段，即用随采地震勘探的方式对煤矿回采工作面或掌子面前方进行监控级勘探时遇到了一个问题：每1 min都有海量数据传到地面服务器中，数据量太过庞大。若以观测系统为48道浅孔单分量和12道深孔单分量检波器，合计60道地震道，4 000 Hz采样频率来计算，一天的数据量约为60×24 h×3 600 s/h×4 000样点/s×4 Byte/样点≈82.9 GB。然而由于采掘机械一天中真正积极截割煤壁的时间相对较少(例行检修时完全停机，工作时也有大量时间在刨煤，并未截割煤壁)，其中仅有较少一部分是高质量数据。面对如此庞大的数据量，和相对很少的高质量数据，要实现随采地震数据的计算机实时自动化处理，首先要解决的问题就是对随采地震数据的质量进行定量化自动评价，挑选出符合要求的高质量数据，以缩减处理工作量，提高处理成果的质量。

为了实现随采地震数据质量自动评价，利用在内蒙古某煤矿采集的随采地震数据进行了试验。

1 方法原理

当采掘机械积极截割煤壁时，产生的有效震动信号能量很强，能被整个接收排列收到，因此，整个接收排列上收到的信号具有较高的相似性，从而具有较高的相关度；当采掘机械刨煤或者停机时，产生的有效震动信号较弱甚至没有，此时整个接收排列上没有强度足够大的信号，因此，各道收到的信号相似性差，从而相关度差。利用这个特点可以设计一个定量评价随采地震数据质量的方法，实现流程如下：

a. 找出此数据的最佳参考道，用最佳参考道与其余道相关，获取相关记录。

设地震数据有道，每道有个样点，则数据可表达为×阶矩阵。计算道数据之间的两两互相关系数，就是求维空间中个向量两两之间夹角的余弦，相关系数计算公式可简单表达为：

其中，cov(,)表示地震道,之间的协方差，cov(,)为第道的方差。计算出所有地震道两两相关的相关系数后，再求任意道做参考道时，与其余道的相关系数的平方和，取其最大者为最佳参考道。用最佳参考道与其余道相关，获得相关记录送入下一流程。

b. 对相关记录逐道提取特征轮廓，将其抽象化。对特征轮廓数据逐道评价合格性，仅留下合格的部分，全部不合格则将此道置零。

相关并截取后得到的记录矩阵是×阶的，其中远小于之前的每道样点数，但依然掺杂太多细节，这些细节对于进一步的处理有用，但对于评价数据质量是干扰，需要针对关心的特征将数据抽象化，以便准确而又快速地评价。此处关心的特征是：相关能量峰的能量凝聚度是否足够高。因此，可以这样定义特征轮廓的计算方式：

将×阶的相关记录矩阵，每一列切割成等份(每一等份的时间长度建议设置为0.5个相关能量峰的时间宽度，以在确保判别精度的同时获得相对较高的处理速度)，每一等份中，取段内数据绝对值的最大值作为本段数据的特征值，生成×阶的特征轮廓矩阵，完成对相关数据的抽象化。

评价相关数据是否合格的标准是相关能量峰的能量凝聚度是否足够高，因此对×阶特征轮廓矩阵设计这样一个评判标准：将道内个值从大到小排序，取前20%左右(以相关能量团宽度占总道长的比例做参考设定为宜)处的值的2倍作为阈值，将小于阈值的值置零，将大于等于阈值的值保留(可以微调，以获得最佳评判效果)。这样处理，能量峰凝聚度不高的道会被抹除所有特征轮廓值，变成空道，不是空道的都是合格道。

c. 用非零道数与总道数之比计算数据的质量评价结果。

下面用实际数据来详细阐述方法的实现。

2 试验数据处理

本次试验煤矿位于内蒙古草原区域，试验煤层分为上、下分层，其中分层界限为砂岩，厚0.05~ 0.27 m。煤层上分层厚度平均1.20 m，煤层经济可采厚度平均3.58 m，总体厚度平均4.24 m。煤层顶板以灰岩为主，属坚硬岩石，岩体质量优，属稳定顶板。煤层底板以粉砂岩为主，属软弱岩石，岩体质量中等，属不稳定底板。

观测系统布设如图1所示，三角形为测点位置。此处工作面不是纯矩形，靠切眼处的一段工作面弯曲了一个角度。测线共54道，第54道距离采煤工作面81 m。整个测线总长约649 m，道间距平均为12.25 m。

图1 观测系统示意图

试验总共采集了500 min，图2是其第150 min的数据截图，长度1 min。

图2 第150 min时的随采地震数据

从图2中可见，大多数道整个时间段内数据能量没有较强烈的改变，几乎是均匀的。对于这样的数据，采用waterlevel法[17]进行频域互相关处理，即将频域里所有低于某个设定值(即waterlevel)的频谱拉到此设定值，高于此设定值的频谱不变，然后再进行频域相关处理，获得相关记录。图3是图2数据经此处理后获得的记录。

图3 第 150 min数据相关结果

通过这样处理，不仅可以提升处理效果，还能减少处理时间。参与相关的数据道越长，速度提升越明显，这对于海量数据的实时处理是非常有用的。

对图3数据进行抽象化(将截割后的数据分块处理，本次截割成50块)，获得数据轮廓，然后逐道评价相关数据是否合格，获得图4。图4浅灰色是被置零的段抽象值，黑色是通过评价被保留的段抽象值。

图4 第150 min数据经相关能量团抽象与评价后的结果

获得相关数据的逐道评价结果后，用非零道数与总道数之比作为数据的质量评价结果。

利用以上方法，对此随采数据第50~250 min数据进行质量评价，绘出每分钟评价结果，如图5所示。

从图5可见，可以根据评价结果，将数据质量划分为三类：

a. 高质量道占比大于70%的，为优秀数据，对应割煤机积极截割煤壁的时段；

b. 高质量道占比小于等于30%的，为无效数据，对应割煤机没开机或开机了没割煤或没扫煤的时段；

c. 高质量道占比大于30%且小于等于70%的，为质量较差数据，对应割煤机割煤不积极或扫煤的时段。

从图5可见，第89 min与第90 min数据质量有跳变，对这两分钟数据处理后发现：第89 min相关能量团非常弱，评价结果仅有6道未置零(图6)，非零道占比为11%，此时采煤机应当刚开机，尚未割煤；第90 min相关能量团非常强，评价结果有45道未被置零(图7)，非零道占比为83%，此时采煤机应当在积极割煤。由图5—图7可见，此方法能有效地对随采地震数据质量做出定量化评价。

图5 此随采数据逐分钟数据质量评价

图6 第89 min数据相关和评价结果

图7 第90 min数据结果和评价结果

3 方法应用

在贵州某矿随采地震监测工地采集到一段随采地震数据，观测系统如图8所示：在两条巷道中各布设24道浅孔检波器，接收来自采煤机的震动信号。

图8 随采地震信号观测系统示意图

由于受井下各种干扰的影响，数据质量较差，以48道中的每一道做参考道，分别与其余所有道进行相关运算，所获得的48个结果仅有少部分能看到相关能量轴。图9是其中两个能看到相关能量轴的结果。

为获得较好的相关同相轴，将这48个相关结果用前面提到的数据质量自动评价流程进行评价，然后剔除一些评价太差的结果，将剩余结果先通过相关找准叠加时差，再进行叠加，最后得到图10。由图10可见相关能量轴得到很好地增强，而噪声被很好地压制。图10的结果，是在图8的观测系统下，48道接收道所接收波场的共性之叠加，而各道因位置不同，波的传播路径不同所导致的个性信息被抹去。得到共性，是研究异常的第一步，共性是背景，而异常是背景下的偏离，因此这个处理流程很有意义。

图9 两个能看到相关能量轴的结果

图10 数据通过自动评价筛选后的叠加结果

4 结论

由于震源特性的不可控，随采地震数据质量参差不齐，其中高质量数据仅占很小一部分，且分布未知，这对利用其进行高质量勘探造成很大困难。利用本文提出的随采地震数据质量定量评价方法，可以定量设定质量筛选标准，筛选出符合要求的数据进行下一步处理，不仅能提升成果质量，还能大幅度节省处理时间。从试验数据处理结果来看，在识别质量合格的相关道与挑选优质数据进行叠加方面，本方法的效果都非常显著。此外，在本文所提方法的基础上，可实现数据的自动筛选，进而为随采地震数据自动化智能处理提供了重要的支撑。

[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] 陆斌. 以掘进机为震源对煤矿断层进行超前探测[C]//中国地球物理2013——第二十四分会场论文集.昆明，2013：1020–1025.

[9] 覃思，程建远. 煤矿井下随采地震反射波勘探试验研究[J]. 煤炭科学技术，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] 陆斌，程建远，胡继武，等．采煤机震源有效信号提取及初步应用[J]. 煤炭学报，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，程建远，胡继武，等. 煤矿采空区及巷道的井地联合地震超前勘探[J]. 煤炭学报，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. 随采地震井–地联合超前探测的试验研究[J]. 煤田地质与勘探，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] 陆斌. 基于噪声地震干涉的煤矿工作面随采成像方法[J]. 煤田地质与勘探，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. 煤矿井下随采地震技术的试验研究[D]. 北京：煤炭科学研究总院，2016.

[16] 霍晶晶，查华胜，苗园园，等. 突出煤层巷道随掘超前探测技术研究[J]. 煤矿开采，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，副研究员，博士，研究方向为随采地震勘探. E-mail：qinsi@cctegxian.com

覃思，崔伟雄，王伟. 随采地震数据质量定量评价[J]. 煤田地质与勘探，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

国家重点研发计划课题(2018YFC0807804)；贵州省科技重大专项项目([2018]3003-1)；中煤科工集团西安研究院有限公司科技创新基金项目(2018XAYZD02)；中国科学院科研仪器设备研制项目(YJKYYQ20170033)

(责任编辑 聂爱兰)