0.   引言

随着我国煤矿由浅部开采逐步过渡到深部开采，在矿山地下工程建设过程中经常会发生冲击地压灾害，突发性强、破坏性大，甚至会严重威胁施工人员的人身安全，造成巨大经济损失^[1]。岩石破裂是一种从微破裂不断累积，最终导致宏观破碎的过程。按照破裂原因划分，这些微破裂可分为张拉型破裂和剪切型破裂^[2]。已有研究表明，岩石破裂的过程是一个从以张拉型破裂为主逐渐转换到以剪切型破裂为主的过程^[3-4]，岩石破裂类型的识别是实现冲击地压灾害预测和预警的重要前提。

在工程实践中，可通过分析岩石宏观破裂过程中电阻率变化规律实现破裂类型的识别^[5-6]，或通过研究岩石破裂过程宏观力学特性与岩石电磁辐射信号特征的对应关系对破裂类型进行识别^[7-8]。此外，当岩石承受外力时，内部的局部微破裂源会以弹性波的形式迅速释放能量，并产生声发射、微震等声学信号，因此声发射、微震技术是岩石破裂监测和识别的有效手段^[9-10]。其中，声发射信号频率相对较高，能够较好地表征岩石微小尺度（毫米或厘米级）破裂现象，多用于岩石破裂过程监测和识别室内试验。如通过分析声发射信号相关参数对岩石损伤进行定量化表征，实现岩石破裂类型识别及损伤演化特征分析^[11-12]；通过分析岩石宏观损伤破裂过程中的声发射信号变化规律，研究岩石微破裂产生类型和发展趋势^[13-14]；结合声发射RA−AF（Risetime/Amplitude-Average Frequency）值演化特征及宏观破裂形貌识别不同岩爆倾向灰岩的破裂特征^[15]；通过不同非均质性岩石的声发射特征与应力状态和能量水平之间的关系对岩石破裂类型进行识别^[16]等。而微震信号频率相对较低，主要通过速度或加速度传感器获取，在大尺度的岩体破坏监测和识别方面具有优势^[5，17]，相关方法有微震信号P波与S波的能量比值法^[5]等，但这类人工特征分析方法步骤冗长、容易受主观因素影响。近年来，人工智能领域的机器学习方法在岩石破裂类型识别方面得到了应用，如将支持向量机（Support Vector Machine，SVM）用于岩石破裂类型识别^[4]，通过高斯过程及岩石破裂声谱图特征实现岩石拉剪破裂类型识别^[18]等，但这类常规机器学习方法存在特征提取能力有限，以及因噪声影响导致的准确率不高且泛化性较差等问题。

深度学习方法的特征提取能力强，但其有效性需要靠大量的熟练数据来保证，而在煤矿深部开采工程的实际应用中，通常难以获取到足够数量的微震数据。因此，本文结合深度卷积神经网络和浅层机器学习方法，提出一种基于微震信号深度特征学习的岩石破裂类型识别方法。该方法通过构造微震信号聚合（Microseismic Signal Aggregation，MSA）声谱图，对深度特征提取网络和浅层分类网络进行训练，得到岩石破裂类型识别模型，可充分发挥深度学习特征提取能力强、端到端学习和浅层机器学习方法所需训练数据少的优点，提升岩石破裂类型识别的准确率。

1.   基于微震信号深度特征学习的岩石破裂类型识别方法

1.1   方法架构

基于微震信号深度特征学习的岩石破裂类型识别方法架构如图1所示。

图  1  基于微震信号深度特征学习的岩石破裂类型识别方法架构

Figure  1.  Schematic of rock fracture type recognition method based on deep feature learning of microseismic signals

下载: 全尺寸图片 幻灯片

1） 数据获取和声谱图转换。为实现岩石拉剪破裂类型的准确识别，分别通过巴西圆盘劈裂试验和直剪试验获取单纯的张拉型破裂微震信号和剪切型破裂微震信号，将这2种微震信号作为原始样本。在语音识别领域，常用的声信号特征表达方法有时频谱图、Log−Mel频谱图、梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients，MFCC）等。其中，时频谱图由声音信号经过短时傅里叶变换（Short-Time Fourier Transform，STFT）得到，体现频率随时间的变化规律；Log−Mel频谱图用于描述声音的频率分布特征；MFCC反映声信号的频谱特征，对不同的声信号具有较好的鲁棒性。已有研究^[19]指出：对于声信号识别模型，聚合特征比单一特征具有更高的分类准确率，且基于频域的变换方法更适合离散信号。微震信号是一种连续信号，但在实际应用中，为了对微震信号进行分析和处理，通常对微震信号进行离散化处理。因此，对微震信号原始样本提取时频谱图、Log−Mel频谱图和MFCC，并且合并为MSA声谱图，作为特征提取器的输入。

2） 模型构建。深度卷积神经网络通过多层卷积和池化操作自动提取数据中的高维特征，避免了人工特征的主观性和不确定性。因此，提出一种基于DenseNet^[20]的改进深度特征提取网络（Squeeze-and-Excitation Multi-feature Parallel DenseNet，SE−MPDenseNet），从2个方面改进：① 对DenseNet模型中的Dense块进行改进，提出多特征并行密集连接块（Multi-feature Parallel DenseBlock，MP−DenseBlock），利用多个不同大小的并行卷积核提取特征图，再使用密集连接机制将每个特征图在通道维度上连接起来，以更好地传递信息和梯度，提高网络的表达能力和性能。② 对DenseNet模型中的Transition层进行改进，受SENet^[21]启发，提出压缩与激发过渡层（Squeeze-and-Excitation Transition Layer，SE−TransLayer），通过学习权重因子，对每个通道的信息进行重新加权，使得网络更加关注重要的通道，提升网络性能。对SE−MPDenseNet进行训练，模型收敛后用作特征提取器。

受室内开展岩石破裂试验的条件限制，收集到的岩石破裂微震信号数据集规模通常较小。浅层机器学习方法的优点在于使用小数据集也能训练出具有良好泛化性的模型。LightGBM^[22]是一种基于决策树算法的高效可扩展梯度提升框架，在许多任务上都取得了极高的准确率，但通常情况下识别岩石破裂类型需要对微震信号进行离散化处理，导致信号的边界较难识别。Hinge Loss是一种常用于分类任务的损失函数，其优点是对样本中异常值具有较强的鲁棒性^[23]。因此，通过添加Hinge Loss损失函数对LightGBM进行改进，提出一种改进的分类网络（Hinge BinaryLogLoss-LightGBM，HBL−LightGBM）。使用SE−MPDenseNet从微震信号对应的MSA声谱图中提取的特征向量对HBL−LightGBM进行训练，得到HBL−LightGBM分类器，最终获得结合特征提取器和分类器的岩石破裂类型识别模型。

3） 识别输出。使用训练得到的岩石破裂类型识别模型对输入的岩石破裂微震信号进行识别，并输出识别结果。

1.2   岩石破裂微震信号获取和声谱图转换

为获取岩石张拉破裂和剪切破裂所产生的微震信号，采用团队自主研发的高压伺服动真三轴试验机开展花岗岩的巴西圆盘劈裂试验和直剪试验，试验平台如图2所示。真三轴试验机在3个相互垂直的方向上具有3个独立伺服加载系统，竖直方向最大试验力为5 000 kN，两水平方向最大试验力为3 000 kN，试验机配置有单面摆杆卸载装置，具有三向六面压缩条件下单面快速卸载、施加扰动荷载等特殊功能，可开展单轴、双轴、常规三轴、真三轴、巴西圆盘、直剪等岩石力学试验。采用中国科学院武汉岩土力学研究所研发的中科微震（SinoSeiSm）监测系统分别采集单纯的张拉型破裂微震信号和剪切型破裂微震信号，使用的微震传感器型号为AU（T）1000，灵敏度为1 V/g（g为重力加速度），分辨率为0.1 mg，测量范围为±5g，可实现32位AD转换，采样频率为4 kHz，动态范围不低于120 dB。

图  2  试验平台

Figure  2.  Experimental platform setup

下载: 全尺寸图片 幻灯片

巴西圆盘劈裂试验和直剪试验中岩样严格按照国际岩石力学学会标准加工：巴西圆盘劈裂试验岩样为圆柱体，底面直径为100 mm，厚度为40 mm；直剪试验岩样为正方体，边长为100 mm。试验加载方案：① 巴西圆盘劈裂试验用于产生张拉型破裂微震信号，加载方式如图3（a）所示。先在竖直方向加载至预压3 MPa，之后在竖直方向以0.1 MPa/s的加载速率施加荷载，直至岩样发生断裂破坏。② 直剪试验用于产生剪切型破裂微震信号，加载方式如图3（b）所示。先在竖直方向加载至预压1 MPa，之后在水平方向以0.1 MPa/s的加载速率施加荷载，直至岩样发生断裂破坏。

图  3  试验加载方式

Figure  3.  Loading configuration in experimental setup

下载: 全尺寸图片 幻灯片

获取的张拉型破裂微震信号和剪切型破裂微震信号的时频谱如图4所示。

通过以上试验采集的数据集共包含微震信号样本121个，其中张拉型破裂微震信号样本69个，剪切型破裂微震信号样本52个。针对微震信号的特点，结合时频谱图、Log−Mel频谱图和MFCC构建MSA声谱图，过程如图5所示。使用Librosa语音处理库对微震信号原始样本进行处理，岩石破裂微震信号原始样本长度为1 536。设置快速傅里叶变换（Fast Fourier Transform，FFT）点数为384，窗口长度为192，帧移为8，得到大小为193×193的时频谱图；设置FFT点数为384，帧移为8，Mel滤波器个数为128，得到大小为128×193的Log−Mel频谱图；设置MFCC数量为40，FFT点数为384，帧移为8，得到大小为40×193的MFCC。将得到的时频谱图、Log−Mel频谱图和MFCC拉伸到大小为224×224，并按照顺序在通道维度上堆叠，最终得到大小为3×224×224的MSA声谱图。

图  4  张拉型及剪切型破裂微震信号时频谱

Figure  4.  Time-frequency spectrograms of microseismic signals from tensile and shear fractures

下载: 全尺寸图片 幻灯片

图  5  MSA声谱图构建

Figure  5.  Construction of Microseismic Signal Aggregation spectrogram

下载: 全尺寸图片 幻灯片

1.3   SE−MPDenseNet

SE−MPDenseNet结构如图6所示，其中主要包括2个方面的改进。

图  6  SE−MPDenseNet结构

Figure  6.  Structure of SE-MPDenseNet

下载: 全尺寸图片 幻灯片

1） MP−DenseBlock。DenseNet中的DenseBlock由多个DenseLayer组成，每个DenseLayer包含2个卷积层（Conv），卷积核大小分别为1×1和3×3。对于卷积神经网络来说，不同大小的卷积核感受野不同，能提取到的特征也不相同，卷积核越大，每一次卷积操作覆盖的区域就越大，从而能够捕获更广阔的空间信息，有助于增强网络的全局理解能力。因此，从增强网络特征提取能力出发，提出MP−DenseBlock，其结构如图7所示，其中$ \oplus $表示通道维度连接。多个MP−DenseLayer连接组成MP−DenseBlock，每个改进的MP−DenseLayer分别采用卷积核大小为1×1，3×3，5×5的卷积层获得不同尺度的特征，MP−DenseLayer之间依然采用密集连接，将每一层MP−DenseLayer输出的特征相连。然而增加卷积核的尺寸会增加网络宽度，导致计算量增加，因此，5×5卷积核实际上通过2个3×3的卷积核来实现，以获得与5×5卷积核相同的感受野，同时通道间的信息交互也可以提高网络的表达能力。

图  7  MP−DenseBlock结构

Figure  7.  Structure of MP-DenseBlock

下载: 全尺寸图片 幻灯片

2） SE−TransLayer。在DenseNet中，DenseBlock之间采用TransitionLayer连接，以降低特征图的通道数和空间大小，这种做法虽然有助于增加网络的感受野，但可能会丢失一些特征信息，影响网络性能。因此，从提升网络的特征表达能力出发，提出SE−TransLayer，其结构如图8所示，其中r为压缩比例，C，H，W分别为特征图的通道数、高度、宽度。通过2次卷积操作降低通道数和特征图大小：第1次卷积操作采用的卷积核尺寸为1×1，之后经过全局平均池化和2个全连接层（第1个全连接层将通道数量压缩到C/2r，第2个全连接层将通道数量还原到C/2）；第2次卷积操作采用的卷积核尺寸为3×3。之后计算每个通道的权重，再通过矩阵相乘为每个通道赋予权重信息，使网络更关注对正确分类有用的特征信息，增强网络对有用信息的感知能力。

图  8  SE−TransLayer结构

Figure  8.  Structure of SE-TransLayer

下载: 全尺寸图片 幻灯片

使用岩石张拉破裂和剪切破裂对应的MSA声谱图数据对SE−MPDenseNet进行训练，直到模型收敛。使用SE−MPDenseNet对岩石破裂微震信号进行特征提取，再将获得的特征向量输入浅层机器学习方法进行分类，而特征向量对于分类性能的影响很大，因此，选择SE−MPDenseNet网络哪一层的输出作为特征向量成为关键问题。有研究^[24]指出，网络较深的层输出的特征表达能力更强，所包含的语义信息更抽象，比浅层特征更有优势，但网络末端的全连接层作用是将前层计算得到的特征空间映射到样本标记空间，其输出一般不作为特征向量使用。因此，本文选择SE−MPDenseNet中最深的全局平均池化层输出的1 024维特征向量作为特征提取器的输出。

1.4   HBL−LightGBM

LightGBM是一种对高维数据具有良好处理能力的浅层机器学习方法，可用于处理高维特征向量。但LightGBM在解决分类问题上可能存在问题：一方面，其使用的二元对数损失函数BinaryLogLoss通常对噪声比较敏感，如果训练数据中同时存在噪声和异常值，影响可能更大，训练得到的最终模型的性能可能会受到一定影响；另一方面，对于输出分数接近于极值的样本，BinaryLogLoss计算得到的梯度会变得很小，导致模型难以持续优化。

Hinge Loss可以降低噪声数据的影响，使得模型更具健壮性；同时，通过对超出边界的误差进行惩罚使得模型对样本中异常值的鲁棒性得到提升。因此，提出一种结合Hinge Loss和BinaryLogLoss的损失函数HBLLoss，替换LightGBM中原来使用的BinaryLogLoss，从而得到HBL−LightGBM。

式中：L_HBLLoss，L_{Hinge Loss}，L_{BinaryLogLoss}分别为HBLLoss，Hinge Loss和BinaryLogLoss损失函数；N为样本总数；${y_i}$为样本的真实标签，$ {y}_{i}\in \{\text{0}，\text{1}\} $；${p_i}$为样本的预测标签，$ {p_i} \in \left\{ 0 \right.,\left. 1 \right\} $。

由于Hinge Loss损失函数的计算使用的是{−1，1}标签，而HBL−LightGBM的输出标签为{0，1}，为保证HingeLoss可在HBL−LightGBM中使用，在式（2）中，采用（2${y_i}$−1）和（2${p_i}$−1）将样本的真实标签${y_i}$和预测标签${p_i}$映射到[−1，1]区间，再用于计算Hinge Loss损失函数。

2.   试验结果与分析

2.1   试验数据及试验环境

采用留出法以7∶3的比例划分训练集和测试集，训练集共包含84张MSA声谱图，测试集共包含37张MSA声谱图。采用添加噪声、随机平移、时域增强和频域增强等数据增强方法将训练集扩充为原来的5倍，共得到420个样本，以解决数据量不足的问题。采用所提SE−MPDenseNet作为特征提取器，HBL−LightGBM作为分类器，使用深度学习框架PyTorch实现基于微震信号深度特征学习的岩石破裂类型识别方法。HBL−LightGBM相关超参数设置：采用梯度提升树算法，迭代次数为300，树最大深度为4，学习率为0.03，叶子节点数量为16，其他超参数均采取默认参数值。计算平台环境：Windows11 64位操作系统，8核AMD Ryzen7 3700X CPU（3.6 GHz），NVIDIA GeForce RTX2070 Super显卡（GPU），32 GiB内存。

2.2   岩石破裂类型识别试验

使用高压伺服动真三轴试验机进行真三轴加载试验，可以较好地模拟冲击地压灾害的发生过程，采用所提方法对真三轴加载下的岩石破裂类型进行识别，以测试该方法在工程模拟环境中的性能。

试验采用的岩样为花岗岩，尺寸为100 mm×100 mm×200 mm（长×宽×高）。试验加载方式：分别从轴向、径向和切向3个方向以0.5 MPa/s的速率同步加载，轴向和径向方向分别施加压力至30 MPa和5 MPa后保持不变，切向继续以0.5 MPa/s的速率施加压力直至岩样破坏。

使用SE−MPDenseNet对所有微震信号的MSA声谱图进行特征提取，得到对应的特征向量；然后将这些特征向量输入HBL−LightGBM分类网络，得到每个微震信号的类别。由于巴西圆盘劈裂试验和直剪试验分别进行了多次，获取的岩石破裂微震信号来自不同的试验，单次测试的结果可能缺乏稳定性和可靠性。所以，进行100次随机划分数据集试验，每次随机划分的训练集与测试集互斥，划分完数据集后重新进行模型训练，通过测试集测试模型性能，最终对100次试验获取的模型各项性能指标计算均值和标准差，结果见表1。

表  1  岩石破裂类型识别结果

Table  1.  Recognition results for different rock fracture types %

类别	准确率	召回率	F1分数	总体准确率
剪切	90.34	87.82	88.87	92.12
张拉	93.90	92.51	91.06

下载: 导出CSV 

| 显示表格

从岩石破裂类型识别的准确率、召回率、F₁分数和总体准确率对试验结果进行评估，其中准确率表示模型预测为某一类时正确的概率，召回率表示模型找出真正某一类样本的能力，F₁分数是准确率和召回率的综合评价指标，是准确率和召回率的调和平均。从表1可看出：所提方法的总体准确率达92.12%，说明训练得到的岩石破裂类型识别模型在所需训练数据少且多次随机划分数据集时仍能获得较高的准确率；总体标准差为4.50%，说明即使在多次随机划分数据集的情况下，所提方法的准确率变化幅度也较小，具有较高的稳定性和鲁棒性；对2类样本的识别准确率均达90%以上，F₁分数达88%以上，说明所提方法对于每个类别都具有良好的分辨能力；在训练集上训练得到的模型在测试集上也能有很好的表现，说明所提方法具有很强的泛化能力。

真三轴加载试验获得的微震信号波形如图9（a）所示，根据试验中的应变−应力曲线（图9（b）），将整个试验过程划分为初始压密阶段（A）、线弹性阶段（B）、弹塑性阶段（C）和塑性阶段（D）。

图  9  真三轴加载试验波形及阶段划分

Figure  9.  Waveform and stage division of true-triaxial loading test

下载: 全尺寸图片 幻灯片

在初始压密阶段，岩石之间的天然孔隙逐渐闭合，尚未发生破裂事件，因此对加载过程中的初始压密阶段不做分析，仅对线弹性阶段、弹塑性阶段和塑性阶段做分析。在获得微震信号后将其转换为MSA声谱图，共提取到43个待测样本，分别处于试验的线弹性阶段、弹塑性阶段和塑性阶段。使用训练好的SE−MPDenseNet模型从MSA声谱图中提取特征向量，然后再将这些特征向量输入到训练好的HBL−LightGBM模型，对待测微震信号样本进行识别，得出真三轴加载试验过程中的张拉型破裂和剪切型破裂情况，结果如图10所示，对应的试样实际破裂形态如图11所示。

图  10  真三轴加载试验拉剪破裂识别结果

Figure  10.  Recognition results for tensile and shear fractures of true-triaxial loading test

下载: 全尺寸图片 幻灯片

图  11  真三轴加载试验后岩样破坏情况

Figure  11.  Post-test failure morphology of rock samples from true-triaxial loading test

下载: 全尺寸图片 幻灯片

从图10可看出：在线弹性阶段，剪切型破裂微震信号占比约为26%；在弹塑性阶段，剪切型破裂微震信号占比约为67%；在塑性阶段，剪切型破裂微震信号占比增加到80%。试验结果表明：在冲击地压孕育的初期，主要发生一些微小的张拉型破裂；随着岩石应力不断增大，岩石内部积聚的能量越来越大，因此发生破裂时所释放的能量也较大，形成一些较大的剪切型破裂；试验后期，岩石内部受力达到极限，此时，岩石内部积聚的能量释放，一部分能量转换为剪切型破裂消耗，剩余能量转换为临空面的颗粒弹射动能，岩石发生大尺度破坏，即发生冲击地压。利用所提方法得到的冲击地压过程中拉剪破裂演化的结论与传统工程力学试验研究结果^[3-4]保持一致，验证了该方法的有效性和可行性。

为直观展示SE−MPDenseNet的特征提取能力，通过SE−MPDenseNet对微震信号的MSA声谱图数据进行特征提取，得到特征向量，使用t−SNE（t-Distributed Stochastic Neighbor Embedding）算法对这些特征向量进行降维，映射到二维空间中，可视化结果如图12所示。可看出，除去少量的离群点，张拉型破裂样本主要集中在上半部分区域，剪切型破裂样本主要集中在下半部分区域，这说明经过SE−MPDenseNet提取的特征向量具有良好的可分性，方法展现出较强的特征提取能力。

图  12  特征向量的t−SNE可视化

Figure  12.  t-SNE visualization of extracted feature vectors

下载: 全尺寸图片 幻灯片

2.3   消融实验

为验证对DenseNet和LightGBM所作改进的有效性，开展消融实验，结果见表2。可看出与DenseNet相比，使用了MP−DenseBlock和SE−TransLayer后的DenseNet在准确率上分别提升了1.14%和0.33%；相较于LightGBM，添加了Hinge Loss的HBL−LightGBM准确率提升了0.92%。

表  2  不同改进策略对识别准确率的影响

Table  2.  Effect of different model enhancement strategies on recognition accuracy

特征提取器	分类器	准确率/%
DenseNet	HBL−LightGBM	90.64
DenseNet+MP−DenseBlock	HBL−LightGBM	91.78
DenseNet+SE−TransLayer	HBL−LightGBM	90.97
SE−MPDenseNet	LightGBM	91.20
SE−MPDenseNet	HBL−LightGBM	92.12

下载: 导出CSV 

| 显示表格

3.   结论

1） 在特征提取网络方面，对DenseNet进行改进，加入多特征并行密集连接块MP−DenseBlock和压缩与激发过渡层SE−TransLayer，得到深度特征提取网络SE−MPDenseNet。

2） 在分类网络方面，对LightGBM进行改进，在其BinaryLogLoss损失函数中加入Hinge Loss损失函数，得到浅层分类网络HBL−LightGBM。

3） 将岩石破裂微震信号对应的MSA声谱图输入SE−MPDenseNet，提取的特征向量经过HBL−LightGBM分类识别岩石破裂类型，充分发挥了深度学习特征提取能力强和浅层机器学习方法所需训练数据少的优点。

4） 将所提方法用于与现场工程环境近似的真三轴加载试验（模拟冲击地压灾害）下的岩石破裂类型识别中，结果表明该方法的识别准确率达92.12%，且岩石拉剪破裂演化规律与传统工程力学试验研究结果一致，验证了所提方法的有效性和可行性。