基于聲譜圖特征的硬巖破裂類型識別方法

黃杰 蘇國韶 王拯扶 劉巖鑫

摘要： 為揭示巖石破裂機(jī)理，提出了一種通過巖石破裂聲音聲譜圖特征辨識巖石拉/剪破裂類型的方法。從巴西圓盤劈裂試驗和直剪試驗中分別收集具有代表性的張拉破裂和剪切破裂的聲音信號，將聲音信號繪制成聲譜圖，采用局部二值特征指標(biāo)和顏色矩指標(biāo)作為聲譜圖特征指標(biāo)，進(jìn)而建立了基于高斯過程分類的拉/剪聲譜圖自動識別方法。將該方法應(yīng)用于雙軸壓縮試驗中花崗巖拉/剪破裂過程識別，驗證表明此方法具有較好的準(zhǔn)確性和經(jīng)濟(jì)實用性。

關(guān) 鍵 詞： 硬巖破裂; 聲音信號; 聲譜圖形; 高斯過程分類

中圖法分類號： ?P642.3

文獻(xiàn)標(biāo)志碼： ?A

DOI： 10.16232/j.cnki.1001-4179.2021.08.030

0 引 言

巖石宏觀的破壞失穩(wěn)是隨著巖石內(nèi)小尺度的脆性破裂產(chǎn)生并逐漸發(fā)育而成。當(dāng)前，根據(jù)脆性破裂產(chǎn)生機(jī)理的不同，通常將巖石的脆性破裂分為張拉破裂和剪切破裂兩種類型[1]。建立巖石的張拉破裂和剪切破裂（簡稱：拉/剪破裂）識別的技術(shù)，不僅有助于探索巖石破壞機(jī)制，而且可為巖石破壞失穩(wěn)的預(yù)測預(yù)警提供科學(xué)依據(jù)。

當(dāng)前，受限于對巖石內(nèi)部破裂行為直接觀測的不易性，常借助聲發(fā)射（AE）信號進(jìn)行間接識別，常用的方法有2種：第1種是基于AE信號中平均頻率（AF，Average Frequency）和RA值比值的參數(shù)特征判別法。如Aggile[2]利用參數(shù)判別法對混凝土、纖維等不同材料破壞時聲發(fā)射信號中張拉信號和剪切信號的占比進(jìn)行研究;陳炳瑞[3]利用AF和RA的比值分析了“時滯型”和“即時型”巖爆的破壞機(jī)制。第2種是矩張量法，如Liu[4]等采用AE信號矩張量技術(shù)揭示了單軸加載下花崗巖的拉/剪破裂過程。但是，由于AE信號的傳播極易受到巖石各項異性、傳感器的安裝位置、數(shù)量以及與巖體貼合緊密度等多種因素的影響[56]，采用基于AE信號的巖石拉/剪破裂辨識方法時常遇到采集信號變異性大的問題。因此，有必要探索新的識別方法。

硬脆性巖石（以下簡稱硬巖）脆性破裂過程一般伴隨著人耳可識別的頻率范圍在20～20 000 Hz的聲音信號[7]。不同于以巖石為傳播介質(zhì)的聲發(fā)射信號，聲音信號以空氣為介質(zhì)進(jìn)行傳播，信號采集具有較強(qiáng)的便利性和廉價性。當(dāng)前，硬巖破裂聲音的定量化研究尚處于起步階段[8-10]。對于定量化區(qū)分巖石張拉破裂和剪切破裂的技術(shù)手段尚未出現(xiàn)。為此，本文提出了一種基于聲音聲譜圖特征的硬巖破裂類型智能化自動識別方法，為硬巖拉/剪破裂識別提供新的有效工具。

1 ?基于聲譜圖形紋理和顏色特征的巖石拉/剪破裂識別方法

1.1 基本思路

（1） 收集硬巖在拉/剪不同受力狀態(tài)下的破裂聲音信號。

（2） 提取硬巖在不同受力狀態(tài)下相應(yīng)的破裂聲音信號特征。聲譜圖是一種常用的聲源身份確認(rèn)圖像[11]。與其他音頻特征參數(shù)如梅爾倒譜系數(shù)、短時能量等相比，聲譜圖不僅可視化了聲音信號的時頻分布，而且弱化了聲音信號分析時長等多因素的影響，有利于提升聲音信號辨識的穩(wěn)定性。因此，本文從硬巖拉/剪破裂聲音聲譜圖中提取特征指標(biāo)。

（3） 建立硬巖拉/剪破裂類型識別的機(jī)器學(xué)習(xí)模型。高斯過程分類（GPC，Gaussian Process Classification）是一種基于貝葉斯理論的機(jī)器學(xué)習(xí)方法，具有嚴(yán)格的統(tǒng)計學(xué)理論基礎(chǔ)，對預(yù)測輸出做出概率解釋，對于小樣本、高維度分類問題具有良好適應(yīng)性[12]，因此被廣泛使用。GPC分類的詳細(xì)原理見文獻(xiàn)[13]。與傳統(tǒng)的分類模型相比，人工神經(jīng)網(wǎng)絡(luò)模型（ANN，Artificial Neural Network）本身需要確定大量超參數(shù)的核函數(shù)，其合理的網(wǎng)絡(luò)結(jié)構(gòu)往往需要試算才能確定，支持向量機(jī)（SVM，Support Vector Machine）存在著核函數(shù)參數(shù)難以確定的問題。相較而言，GPC具有超參數(shù)自適應(yīng)獲取的優(yōu)勢，鑒于GPC方法在小樣本分類問題上具有獨(dú)特的優(yōu)勢，本文采用GPC作為機(jī)器學(xué)習(xí)模型，將已知的拉/剪破裂類型的聲譜圖形特征構(gòu)建訓(xùn)練樣本，訓(xùn)練GPC模型，由此建立聲譜圖特征和拉/剪破裂類型的非線性映射關(guān)系。

（4） 將待預(yù)測的聲音信號輸入GPC模型中，可直接輸出分類結(jié)果。

1.2 實現(xiàn)步驟

方法簡稱為LBPCM-GPC，具體實現(xiàn)步驟如下（見圖1）。

（1） 信號收集。

通過試驗收集張拉破裂聲音信號和剪切破裂聲音信號，建立拉/剪破裂聲音樣本集。

（2） 聲音信號預(yù)處理。

包括信號的去噪、分幀、加窗等。

（3） 聲譜圖生成。

采用短時傅里葉變換（STFT，Short-time Fourier Transform）繪制聲譜圖形，STFT的詳細(xì)計算原理見參考文獻(xiàn)[9]。

（4） 聲譜圖特征提取。

從聲譜圖形中提取描述聲譜特征的指標(biāo)，包括反映聲譜圖形紋理的局部二值（LBP，Local Binary Pattern）特征和反映聲譜圖顏色特征的顏色矩（Color Moment）特征。LBP特征和顏色矩特征的詳細(xì)計算方法見參考文獻(xiàn)[14-15]。為了能充分地描述聲譜圖形的特征，將LBP特征和顏色矩特征融合，作為新的描述聲譜圖形的特征指標(biāo)，對聲音庫中所有的聲譜圖進(jìn)行特征提取，生成GPC模型所需的訓(xùn)練樣本。

（5） GPC分類模型訓(xùn)練。

利用生成的訓(xùn)練樣本對GPC模型進(jìn)行訓(xùn)練。在GPC模型中，所需要確定的模型參數(shù)包括：初始超參數(shù)范圍、核函數(shù)類型、自適應(yīng)參數(shù)尋優(yōu)次數(shù)等。

（6） GPC模型驗證。

在訓(xùn)練過程中，對模型進(jìn)行自驗證，調(diào)試模型參數(shù)，如果驗證環(huán)節(jié)的正確率滿足要求，則判定方法可用，進(jìn)入下一步環(huán)節(jié)，否則重新調(diào)整訓(xùn)練樣本的分布或者調(diào)整模型的參數(shù)設(shè)置。

（7） 預(yù)測樣本輸入。

將待預(yù)測的聲音信號生成聲譜圖形，輸入訓(xùn)練好的GPC模型中進(jìn)行識別，根據(jù)GPC模型的輸出值判斷破裂類型。GPC模型對預(yù)測樣本的輸出概率值意義如下：當(dāng)概率值p*大于0.5時，則判定為張拉信號，p*值越接近于1，則說明預(yù)測為張拉破裂聲音信號的概率越大;當(dāng)概率值為p*小于0.5時，則判定為剪切信號，p*值越接近于0，則說明預(yù)測為剪切破裂聲音信號的概率越大。

按照上述步驟編寫Matlab計算程序。

1.3 方法可行性驗證

1.3.1 拉/剪切破裂聲音信號的獲取

選取花崗巖制作巖樣，在室內(nèi)真三軸試驗機(jī)上開展巴西圓盤劈裂試驗和直剪試驗。如圖2所示，在實驗中使用Sony公司生產(chǎn)的PCM-D100型錄音筆對兩類試驗的破裂聲音信號實時監(jiān)測，試驗中錄音筆的最大采樣率為192 kHz，采樣量化精度為24位，放至在距離巖樣20 cm處，試驗中保證環(huán)境安靜，減少外界噪聲的干擾。巴西圓盤實驗加載裝置和直剪試驗加載裝置如圖3所示，其中巴西圓盤劈裂試驗中巖樣以張拉破裂為主，從試驗中可以收集到張拉破裂聲音信號;直剪試驗中巖樣以剪切破裂為主，從試驗中可以收集到剪切破裂聲音信號。

采用音頻分析軟件Cool Edit Pro V2.1對錄音筆中的原始聲音信號進(jìn)行降噪處理，去除試驗環(huán)境下的噪聲，降噪前后的波形對比如圖4所示。為了構(gòu)建機(jī)器學(xué)習(xí)的訓(xùn)練樣本，對試驗過程中產(chǎn)生的代表性破裂聲音信號進(jìn)行截取。其中，巴西圓盤試驗中出現(xiàn)顯著張拉破裂聲音的時間段為4 min 41.202 s至4 min 55.023 s，依次截取這段時間內(nèi)出現(xiàn)的破裂聲音，每一段破裂聲音的截取時長為0.060 s，將從巴西圓盤劈裂試驗中截取的聲音信號作為張拉破裂類型的訓(xùn)練樣本。直剪試驗中出現(xiàn)顯著剪切破裂的時間段為18 min 19.138 s至18 min 21.218 s，截取該段時間內(nèi)破裂聲音，每一段破裂聲音的截取時長為0.060 s，將從直剪試驗中截取的聲音信號作為剪切破裂類型的訓(xùn)練樣本（見圖5）。

1.3.2 聲音信號的預(yù)處理

在對聲音信號進(jìn)行分析之前，需要進(jìn)行相應(yīng)的預(yù)處理包括：分幀、加窗等。在本文研究中，采用幀長設(shè)定為10 ms，幀移設(shè)定為5 ms，選擇海明窗，減少計算中信號頻譜能量泄露，海明窗的計算原理見文獻(xiàn)[16]。

1.3.3 聲音聲譜圖形繪制

繪制拉/剪兩類聲譜圖形，如圖6所示。

從圖6可見：張拉破裂聲譜圖和剪切破裂聲譜圖形在譜帶的分布上具有明顯的差異，基于聲譜圖形的差異性，可以將聲音信號的分類轉(zhuǎn)為對聲譜圖像的分類，從圖像識別的角度實現(xiàn)對于巖石拉/剪破裂類型的區(qū)分。

1.3.4 提取聲譜圖形特征

提取聲譜圖形紋理的LBP特征和顏色矩（Color Moment）特征，并將兩類特征融合，作為新的描述聲譜圖形的特征指標(biāo)。

1.3.5 訓(xùn)練并驗證GPC模型

在提取聲譜圖形的紋理和顏色特征的基礎(chǔ)上，對GPC模型進(jìn)行訓(xùn)練，張拉信號的標(biāo)簽為+1，剪切信號的標(biāo)簽為-1;選定的GPC核函數(shù)為covNNone函數(shù)，covNNone函數(shù)的表達(dá)式如式（1）所示。

kNN? x p， x q =σ2farcsin?? x p· x q l? l2+ x p2? l2+ x q2??? +σ2nδpq? （1）

式中： x p， x q是輸入向量，l為距離尺度的參數(shù)，σf為控制局部相關(guān)性程度的參數(shù)，σn為噪聲的標(biāo)準(zhǔn)差，參數(shù)的詳細(xì)說明見文獻(xiàn)[13]。

在模型的訓(xùn)練過程中，對模型進(jìn)行交叉驗證，將數(shù)據(jù)集隨機(jī)分成k等份，每次取其中k-1份作為訓(xùn)練樣本，剩余一份作為預(yù)測樣本，循環(huán)驗證k次，取k次預(yù)測準(zhǔn)確率的平均值作為模型的性能評估。在本方法的訓(xùn)練驗證中k取5，即將全部訓(xùn)練樣本（一共30張聲譜圖，16張張拉、14張剪切）隨機(jī)分成5份，每份里面包括6張圖片，循環(huán)驗證5次，取5次的平均準(zhǔn)確率。由表1可見，本文識別方法的平均準(zhǔn)確率達(dá)到了90%，說明在小樣本條件下該方法具有良好的泛化能力和準(zhǔn)確性，能用于硬巖拉/剪破裂類型自動識別。

2 方法應(yīng)用

將本文方法運(yùn)用至雙軸壓縮下巖樣的拉/剪破裂演化分析。

采用巖石三軸試驗機(jī)對100 mm×100 mm×200 mm的立方體花崗巖巖樣開展雙軸壓縮試驗，水平向應(yīng)力σx以0.05 MPa/s的加載速率加載至1 MPa后保持不變，豎向應(yīng)力σz以0.5 MPa/s的加載速率加載至巖樣破壞，如圖7所示。從圖7可見，巖樣的不同部位出現(xiàn)張拉破裂與剪切破裂。

根據(jù)應(yīng)力-應(yīng)變曲線變化特征，峰前變形可分成5個階段，如圖8所示：A為初始壓密階段、B為線彈性階段、C為彈-塑性過渡階段、D為塑性階段。各階段的聲音信號波形如圖9所示。

對雙軸試驗全過程中出現(xiàn)的聲音信號進(jìn)行端點(diǎn)檢測，根據(jù)檢測結(jié)果截取破裂聲音信號，每段破裂聲音時長在0.05～0.07 s。之后將每段破裂聲音繪制成聲譜圖形，輸入訓(xùn)練好的GPC模型中，獲得識別結(jié)果，判斷此時聲音信號屬于張拉破裂還是剪切破裂。

GPC的初始超參數(shù)范圍為[-2，2]，核函數(shù)為covNNone函數(shù)，當(dāng)GPC預(yù)測概率大于0.5以及等于0.5時為張拉破裂，小于0.5時為剪切破裂，參數(shù)自尋優(yōu)20次。

聲音信號的拉/剪破裂類型識別結(jié)果如圖10所示，不同變形階段內(nèi)張拉破裂聲音信號和剪切破裂聲音信號的占比如表2所列。

從圖10和表2可看出：整體上，在雙軸加載過程產(chǎn)生的巖石破裂聲音類型演化規(guī)律為先產(chǎn)生張拉破裂聲音信號后產(chǎn)生剪切破裂聲音信號。在初始壓密期，沒有破裂聲音信號出現(xiàn)，在線彈性期，巖石內(nèi)部的活躍程度上升，聲音信號產(chǎn)生且數(shù)量逐漸增加，此階段破裂聲音信號的類型主要為張拉破裂聲音信號，僅有少量的剪切破裂聲音信號出現(xiàn)，張拉破裂聲音信號占到82%;當(dāng)進(jìn)入短暫的彈-塑性階段，張拉破裂聲音信號的數(shù)量逐漸降低，剪切破裂聲音信號逐漸增多，剪切破裂聲音信號的占比上升到75%左右;當(dāng)進(jìn)入塑性階段，剪切破裂聲音信號占據(jù)絕對主導(dǎo)地位，張拉破裂聲音信號基本消失，剪切破裂聲音信號在這一階段占100%。

根據(jù)上述對于雙軸試驗中破裂聲音信號類型的識別結(jié)果，結(jié)合試驗后的巖樣破裂形態(tài)，可獲得隨著豎向應(yīng)力σz增加巖樣拉/剪破裂裂縫的演化過程，如圖11所示。從初始壓密至線彈性階段，巖樣經(jīng)過受力密實，出現(xiàn)了少量由顆粒交錯，受力不均勻所致的破裂，根據(jù)識別結(jié)果，此時以張拉破裂占據(jù)主導(dǎo)。隨著豎向應(yīng)力σz的增加，進(jìn)入彈-塑性階段，巖石兩側(cè)繼續(xù)受力致裂，張拉裂縫繼續(xù)生成，兩側(cè)臨空面出現(xiàn)少量剝落碎石，同時張拉裂縫的擴(kuò)展為剪切破裂的發(fā)育創(chuàng)造條件。根據(jù)識別結(jié)果，此時張拉破裂占比逐漸下降，剪切破裂占比上升。當(dāng)豎向應(yīng)力加載至塑性階段，大量裂縫連接、貫通，形成貫穿整個巖樣的斜向剪切破裂帶，此時剪切破裂占據(jù)主導(dǎo)，巖樣兩側(cè)的臨空面出現(xiàn)整塊巖板的剝落，最后應(yīng)力達(dá)到峰值，巖樣失穩(wěn)破壞，喪失承載力。綜上所述，對于雙軸試驗的拉/剪破裂識別的結(jié)果，符合已有研究對于雙軸試驗先經(jīng)歷張拉破裂、后發(fā)生剪切破裂的認(rèn)識[17]，驗證了本文方法的準(zhǔn)確性。

3 結(jié) 論

針對傳統(tǒng)巖石拉/剪破裂識別方法的局限性，本文提出一種基于聲音信號的硬巖拉/剪破裂的識別方法。該方法采用聲音信號作為破裂源破裂類型識別的物理信號，將可描述聲譜圖紋理特征的LBP指標(biāo)和描述聲譜圖形顏色特征的顏色矩指標(biāo)的聲譜圖特征作為識別的特征信息，并采用在小樣本、高維分類條件下具有良好分類能力的GPC模型實現(xiàn)硬巖拉/剪破裂類型的自動識別。雙軸壓縮試驗案例表明，本文所提出的識別方法具有良好的實用性。

與傳統(tǒng)聲發(fā)射方法相比，本文方法兼具有成本低廉、信號易采集、實現(xiàn)簡單等優(yōu)點(diǎn)，為當(dāng)前硬巖室內(nèi)試驗的拉/剪破裂研究提供了一種新的途徑。在實際使用中，需要收集更多種巖樣的破裂聲音，豐富聲音樣本信息。同時考慮到室內(nèi)環(huán)境與實際工程現(xiàn)場具有明顯的差異，未來需要加強(qiáng)對現(xiàn)場環(huán)境下巖石破裂聲音的研究，提供可靠的去噪手段，進(jìn)一步地提高該方法在實際工程環(huán)境下的適用性，建立更為精確的基于聲音信號的巖石破裂機(jī)制識別方法。

參考文獻(xiàn)：

[1] ?FARHIDZADEH A，MPALASKAS A C，MATIKAS T E，et al.Fracture mode identification in cementitious materials using supervised pattern recognition of acoustic emission features[J].Construction and Building Materials，2014，67：129-138.

[2] AGGELIS D G，MPALASKAS A C，MATIKAS T E.Acoustic signature of different fracture modes in marble and cementitious materials under flexural load[J].Mechanics Research Communications，2013，47（47）：39-43.

[3] 陳炳瑞，魏凡博，王睿，等.西南地區(qū)某深埋隧道花崗巖破壞機(jī)制與前兆特征研究[J].巖石力學(xué)與工程學(xué)報，2020，39（3）：469-479.

[4] LIU J P，LI Y H，XU S D，et al.Cracking mechanisms in granite rocks subjected to uniaxial compression by moment tensor analysis of acoustic emission[J].Theoretical and Applied Fracture Mechanics，2015，75：151-159.

[5] 賈雪娜，姜全果，何滿潮，等.傳感器放置位置對花崗巖巖爆聲發(fā)射頻譜特征的影響[J].巖石力學(xué)與工程學(xué)報，2018，37（增2）：3968-3978.

[6] 張艷博，李昆，劉祥鑫，等.傳感器類型對巖石破裂聲發(fā)射時頻特征影響實驗研究[J].實驗力學(xué)，2018，33（6）：902-910.

[7] SU G S，SHI Y J，F(xiàn)ENG X T，et al.True-Triaxial Experimental Study of the Evolutionary Features of the Acoustic Emissions and Sounds of Rockburst Processes[J].Rock Mechanics and Rock Engineering，2018，51（2）：375-389.

[8] 蘇國韶，石焱炯，馮夏庭，等.巖爆過程的聲音信號特征研究[J].巖石力學(xué)與工程學(xué)報，2016，35（6）：1190-1201.

[9] 蘇國韶，劉鑫錦，閆召富，等.巖爆預(yù)警與烈度評價的聲音信號分析[J].爆炸與沖擊，2018，38（4）：716-724.

[10] ?劉鑫錦，蘇國韶，馮夏庭，等.基于聲音信號的室內(nèi)巖爆動態(tài)預(yù)測方法[J].巖土力學(xué)，2018，39（10）：3573-3580.

[11] SHARAN R V，MOIR T J.An overview of applications and advancements in automatic sound recognition[J].Neurocomputing，2016，200：22-34.

[12] SU G S，PENG L F，HU L H.A Gaussian process-based dynamic surrogate model for complex engineering structural reliability analysis[J].Structural Safety，2017，68：97-109.

[13] 張研，王偉，張炳暉.基于高斯過程的層狀危巖失穩(wěn)模式識別[J].人民長江，2018，49（增2）：108-111.

[14] 付波，楊章，趙熙臨，等.基于降維LBP與葉片形狀特征的植物葉片識別方法[J].計算機(jī)工程與應(yīng)用，2018，54（2）：173-176.

[15] 張少博，全書海，石英，等.基于顏色矩的圖像檢索算法研究[J].計算機(jī)工程，2014，40（6）：252-255.

[16] 崔璨，袁英才.窗函數(shù)在信號處理中的應(yīng)用[J].北京印刷學(xué)院學(xué)報，2014，22（4）：71-74.

[17] 陳景濤，馮夏庭.高地應(yīng)力下巖石的真三軸試驗研究[J].巖石力學(xué)與工程學(xué)報，2006，25（8）：1537-1543.

（編輯：鄭 毅）

引用本文：

黃杰，蘇國韶，王拯扶，等.基于聲譜圖特征的硬巖破裂類型識別方法

[J].人民長江，2021，52（8）：198-203.

Recognition method of hard rock cracking types based on spectrograms characteristics

HUANG Jie1，2，SU Guoshao1，2，WANG Zhengfu1，2，LIU Yanxin1，2

（ 1.School of Civil Engineering and Architecture，Guangxi University，Nanning 530004，China; 2.Key Laboratory of Engineering Disaster Prevention and Structural Safety，Ministry of Education，Guangxi University，Nanning 530004，China ）

Abstract：

To further reveal the mechanism of rock cracking，a tensile/shear crack recognition method based on the characteristics of spectrograms was proposed.The representative tensile and shear sound signals were collected from the Brazilian disc splitting test and the direct shear test respectively.Then the sound signals were drawn into spectrograms.The local binary pattern indicator and the color moment indicator were used as characteristic index to distinguish spectrograms.Thus a tensile/shear crack recognition method based on Gaussian process classification was established.The method was applied to investigate the tensile and shear crack development of granite during biaxial compression test，proving that the proposed method was applicable and convenient.

Key words：

hard rock cracking;sound signal;spectrograms recognition;Gaussian process classification