基于声发射Wigner-Ville时频图的岩石拉剪破裂智能识别方法

王拯扶，苏国韶*，胡小川，刘岩鑫，黄杰，燕柳斌

(1.广西大学 土木建筑工程学院， 广西 南宁 530004；2.工程防灾与结构安全教育部重点实验室， 广西 南宁 530004)

0 引言

岩体的失稳破坏源自岩石破裂发育，岩石的破裂类型可以分为拉伸破裂和剪切破裂。岩石的拉、剪破裂过程研究不仅有助于揭示岩体的破裂与失稳机理，而且还能为岩体的破坏失稳提供重要的预警信息。因此，开展岩石拉、剪破裂研究一直是岩石力学与工程领域的重要研究课题。

岩石内部的拉、剪破裂过程无法用肉眼和影像器材直接观测，常借助于微震[1]、声发射(acoustic emission, AE)[2-3]等声信号监测手段进行间接观测。目前，岩石拉、剪破裂识别的声发射识别方法主要有P波初动理论判别法[4]、基于声发射参数特征判别法[5]、SIGMA矩张量分析方法[6]等。OHNO等[5]与AGGILES等[7-8]通过参数判别法对不同材料(混凝土、纤维复合材料、岩石)进行研究，发现张拉破裂和剪切破裂的声发射信号具有不同的特点。苗金丽等[9]对岩爆过程中的声发射信号进行了研究，发现高RA值[10]对应张裂纹，低RA值对应剪切裂纹的规律。GRAHAM等[6]利用矩张量法与P波初动理论判别法对比分析了岩样加载过程中的声发射数据，揭示了岩石破裂过程中脆性损伤的演化规律。刘建坡等[11]开展了花岗岩三点弯曲和剪切试验，采用单纯形算法和矩张量理论分析了岩石破裂过程中声发射事件的时空分布特征以及拉、剪破裂占比情况。但是，P波初动理论判别法适用于地震学中的超大岩体板块，不适用于一般工程及室内试验几何尺度的岩块；声发射参数分析法缺乏明确的拉、剪破裂判别界限，过于依赖人为经验；矩张量分析法对传感器的三维空间布置及其数量要求较为苛刻，在实际工程中难以推广。因此，有必要探索岩石拉、剪破裂识别的新方法。为此，本文提出一种基于声发射声纹特征的岩石拉、剪破裂智能识别方法，为岩石拉、剪破裂过程的高效识别提供一条新途径。

1 基于声发射Wigner-Ville时频图的岩石拉、剪智能识别方法

1.1 基本思路

首先，开展张拉破裂与剪切破裂的岩石力学试验，分别采集岩石纯拉与纯剪破裂的AE信号。

其次，要对拉、剪破裂的AE信号进行有效识别，需提取拉、剪破裂的AE信号特征，而声纹图是一种具有可分性强、稳定性高的声学特征图像指标。利用所采集的拉、剪破裂的AE信号分别构建反映拉、剪破裂不同特征的Wigner-Ville分布时频图。设连续时间信号 ，则信号的Wigner-Ville分布定义为

(1)

式中，t表示时间，单位为ms；ω表示频率，单位为kHz。时频图的实现具体见参考文献[12]。

最后，为了实现对拉与剪破裂的声纹图像特征的自动有效辨识，本文采用具有卓越分类性能、适用于小样本问题的支持向量机(support vector machines，SVM)机器学习方法进行声纹图辨识。

支持向量机是一种建立在VC维理论和结构风险最小化原则基础上的机器学习方法，对高维数、小样本以及非线性等复杂分类问题具有良好的适应性[13-14]，其分类原理是将向量映射到一个高维空间里，在这个空间里寻求一个最大间隔超平面，将其数据分割开。假设数据集：(x1,y1)(x2,y2)…(xi,yi)…(xn,yn)其中xi是一个p维实向量，为了将xi所属的类别区分开，我们将yi定义为1或者-1，其中yi=1的xi属于一类而yi=-1的属于另一类，支持向量机就是寻找能够使两类不同的数据点分开的“最大间隔超平面”使得超平面与最近的点xi之间的距离最大化。超平面方程为

w·x+b=0,

(2)

式中，w是该超平面法向量;参数b表示原点沿法向量w到超平面的距离。

1.2 实现步骤

本文方法的实现步骤如下：

① AE信号获取

开展岩石的巴西圆盘与直剪试验，分别获取拉破裂与剪破裂的AE撞击信号。撞击(Hit)为超过AE系统阈值并导致系统通道进行数据采集的信号，一个信号的波形对应于一次撞击，可用于揭示岩石加载过程中内部的开裂活动[15]。

② 绘制Wigner-Ville时频图

③ 构建训练样本与测试样本

④ 特征提取

本文采用描述图片纹理信息的灰度共生矩阵[16](gray-level co-occurrence matrix，GLCM)和梯度直方图[17](histogram of oriented gradient, HOG)特征作为图像识别的特征向量，并用其对SVM分类模型进行训练。GLCM和HOG的提取方法参考文献[18-19]。

⑤ 训练SVM模型

本文采用径向基函数(RBF)作核函数。

⑥ SVM模型验证

本文利用构建的测试样本对SVM分类模型的准确率进行验证，当分类模型准确率满足要求时，保存模型并结束程序；当分类模型准确率不满足要求时，需重新载入训练样本，继续对模型进行训练。

岩石拉、剪破裂识别方法流程图[20]如图1所示。

图1 岩石拉、剪破裂识别方法流程图

1.3 方法验证

① AE信号获取

利用自主研发的高压伺服动真三轴试验机，分别进行2组灰岩的巴西圆盘试验(编号为：LBD-S-1/2)和直剪试验(编号为：LDS-1/2), 巴西圆盘试验与直剪试验如图2所示。试验过程采用采用美国物理声学公司的PAC-III AE系统进行AE信号监测，分别获得若干张拉与剪破裂的AE撞击信号，巴西圆盘试验典型岩样声发射撞击信号和直剪试验典型岩样声发射撞击信号分别如图3和图4所示。

(a) 巴西圆盘试样

图3 巴西圆盘试验典型岩样声发射撞击信号

图4 直剪试验典型岩样声发射撞击信号

② 提取特征并构建训练样本与测试样本

利用MATLAB中的信号处理工具箱对破裂阶段的声发射撞击信号进行处理并绘制Wigner-Ville时频图。其中将编号为LBD-S-1的巴西圆盘试验(破裂阶段：90～98 s)和编号为LDS-1的直剪试验(破裂阶段：1 230～1 300 s)的Wigner-Ville时频图(各65张)作为训练样本；将编号为LBD-S-2巴西圆盘试验(破裂阶段：125～133 s)和编号为LDS-2直剪试验(破裂阶段：876～916 s)的Wigner-Ville时频图(各50张)作为测试样本。限于篇幅，部分拉、剪破坏阶段的岩样破坏阶段部分Wigner-Ville时频图如图5所示。

(a) 张拉训练样本

③ 训练SVM模型

对于同一组数据，在某些核函数下可以进行分类，而在另一些核函数下就变得无法分割，因此核函数的选择直接决定着数据是否可分，本文选用径向基函数(RBF)作核函数，经验证可以达到分类效果。然而SVM分类效果的质量则取决于核函数参数σ和惩罚参数C。核函数参数σ又称核半径，当S→0时核函数的分类效果越好，但是容易出现过拟合现象，使得SVM泛化能力差。惩罚参数C又称惩罚因子，指对误差的容忍度，C越大，经验风险越小，结构风险越大，容易出现过拟合；C越小，模型复杂度越低，容易出现欠拟合。参考文献[18]惩罚参数C和核函数参数σ分别为C=32,σ=128。

④ SVM模型验证

SVM分类模型的好坏在于其分类准确率能否满足要求。利用所建立的100个测试样本(张拉、剪切各50个)对已建立的SVM分类模型进行进行测试。测试结果表明，50个张拉测试样本中预测成功48个，准确率为96.0%；50个剪切测试样本中预测成功47个，准确率为94.0%；该方法的整体准确率为95.0%。

⑤ 方法先进性验证

利用声发射判别岩石拉剪破裂的传统方法中，基于声发射RA-AF值的参数分析法是运用的最为广泛，这种方法被编入日本声发射监测规范(JCMS-III B5706)，具体原理及方法参考文献[21]。分别利用RA-AF值法和本文所述的识别方法对巴西圆盘试验(编号为：LBD-S-2)的整个过程所采集到的声发射撞击信号进行拉、剪破裂识别。本文所述识别方法和传统的RA-AF值识别法对比结果见表1。结果表明，本文所述方法不依赖k值(k=AF/RA)的选择，其识别准确率更高，具有更好的推广性。

表1 本文方法和声发射参数识别的对比结果

2 方法应用

双轴压缩试验是模拟隧洞开挖面附近围岩应力状态与破坏过程的重要试验。本文采用真三轴试验机开展灰岩的双轴压缩试验，对灰岩双轴压缩试验的拉、剪破裂过程进行识别，围压为30 MPa，加载速率为5 kN/s。受限于篇幅，选取2.076、21.294、61.750、109.840、135.456、143.752、146.111、148.701 s共计8个时间点的声发射撞击信号绘制Wigner-Ville时频图，采用本文提出的方法进行分类辨识，双轴压缩试验不同时间点Wigner-Ville时频图分类结果如图6所示，不同时间点Wigner-Ville时频图的识别概率见表2。根据参考文献[11]的研究结果，本文将张拉信号概率大于50%时的声发射信号归为张拉信号，将剪切信号概率大于50%时的声发射信号归为剪切信号。

图6 双轴压缩试验不同时间点Wigner-Ville时频图分类结果

表2 不同时间点Wigner-Ville时频图的识别概率

监测到的岩石在双轴压缩条件下拉、剪破裂过程演化图如图7所示。双轴压缩岩样破坏发育过程及最终结果如图8所示。由图8可知，岩石在双轴压缩前期，声发射信号以张拉为主，岩石破坏以张拉破裂为主，随着荷载的不断增大，声发射信号逐渐由张拉信号向剪切信号过渡，直至岩样发生完全破坏，剪切信号达到最大，与图7中岩样的裂纹扩展过程相符合，表明岩石在双轴压缩条件下的最终破坏是由剪切破裂造成的。

图7 双轴压缩条件下岩石拉、剪破裂演化图

图8 双轴压缩岩样破坏发育过程及最终结果

3 结语

本文在SVM机器学习方法与拉剪破裂声谱图特征的基础上，提出了一种基于声发射Wigner-Ville时频图的岩石拉、剪破裂智能识别方法。研究表明：①该方法与传统的RA-AF值识别岩石拉剪破裂类型的方法相比，排除了依赖人为经验确定分界线而导致的识别结果可靠性不强的缺陷，将识别准确率提高至94.8%，能够满足工程应用的要求；②该方法将声发射声谱图与机器学习方法相结合，省去了大量繁琐的计算，提高了识别效率，为快速识别岩石拉剪类型提出了新思路。虽然该方法是可行的，具有简单实用、准确率高的特点，但本文所做研究基于灰岩的室内试验，今后仍需开展不同岩性的相关试验，不断充实训练样本库，修正分类模型，提高该方法的适用性和可靠性。