黄杰 苏国韶 王拯扶 刘岩鑫
摘要：
为揭示岩石破裂机理，提出了一种通过岩石破裂声音声谱图特征辨识岩石拉/剪破裂类型的方法。从巴西圆盘劈裂试验和直剪试验中分别收集具有代表性的张拉破裂和剪切破裂的声音信号，将声音信号绘制成声谱图，采用局部二值特征指标和颜色矩指标作为声谱图特征指标，进而建立了基于高斯过程分类的拉/剪声谱图自动识别方法。将该方法应用于双轴压缩试验中花岗岩拉/剪破裂过程识别，验证表明此方法具有较好的准确性和经济实用性。
关 键 词：
硬岩破裂; 声音信号; 声谱图形; 高斯过程分类
中图法分类号：
P642.3
文献标志码：
A
DOI：
10.16232/j.cnki.1001-4179.2021.08.030
0 引 言
岩石宏观的破坏失稳是随着岩石内小尺度的脆性破裂产生并逐渐发育而成。当前，根据脆性破裂产生机理的不同，通常将岩石的脆性破裂分为张拉破裂和剪切破裂两种类型[1]。建立岩石的张拉破裂和剪切破裂（简称：拉/剪破裂）识别的技术，不仅有助于探索岩石破坏机制，而且可为岩石破坏失稳的预测预警提供科学依据。
当前，受限于对岩石内部破裂行为直接观测的不易性，常借助声发射（AE）信号进行间接识别，常用的方法有2种：第1种是基于AE信号中平均频率（AF，Average Frequency）和RA值比值的参数特征判别法。如Aggile[2]利用参数判别法对混凝土、纤维等不同材料破坏时声发射信号中张拉信号和剪切信号的占比进行研究;陈炳瑞[3]利用AF和RA的比值分析了“时滞型”和“即时型”岩爆的破坏机制。第2种是矩张量法，如Liu[4]等采用AE信号矩张量技术揭示了单轴加载下花岗岩的拉/剪破裂过程。但是，由于AE信号的传播极易受到岩石各项异性、传感器的安装位置、数量以及与岩体贴合紧密度等多种因素的影响[56]，采用基于AE信号的岩石拉/剪破裂辨识方法时常遇到采集信号变异性大的问题。因此，有必要探索新的识别方法。
硬脆性岩石（以下简称硬岩）脆性破裂过程一般伴随着人耳可识别的频率范围在20～20 000 Hz的声音信号[7]。不同于以岩石为传播介质的声发射信号，声音信号以空气为介质进行传播，信号采集具有较强的便利性和廉价性。当前，硬岩破裂声音的定量化研究尚处于起步阶段[8-10]。对于定量化区分岩石张拉破裂和剪切破裂的技术手段尚未出现。为此，本文提出了一种基于声音声谱图特征的硬岩破裂类型智能化自动识别方法，为硬岩拉/剪破裂识别提供新的有效工具。
1 基于声谱图形纹理和颜色特征的岩石拉/剪破裂识别方法
1.1 基本思路
（1） 收集硬岩在拉/剪不同受力状态下的破裂声音信号。
（2） 提取硬岩在不同受力状态下相应的破裂声音信号特征。声谱图是一种常用的声源身份确认图像[11]。与其他音频特征参数如梅尔倒谱系数、短时能量等相比，声谱图不仅可视化了声音信号的时频分布，而且弱化了声音信号分析时长等多因素的影响，有利于提升声音信号辨识的稳定性。因此，本文从硬岩拉/剪破裂声音声谱图中提取特征指标。
（3） 建立硬岩拉/剪破裂类型识别的机器学习模型。高斯过程分类（GPC，Gaussian Process Classification）是一种基于贝叶斯理论的机器学习方法，具有严格的统计学理论基础，对预测输出做出概率解释，对于小样本、高维度分类问题具有良好适应性[12]，因此被广泛使用。GPC分类的详细原理见文献[13]。与传统的分类模型相比，人工神经网络模型（ANN，Artificial Neural Network）本身需要确定大量超参数的核函数，其合理的网络结构往往需要试算才能确定，支持向量机（SVM，Support Vector Machine）存在着核函数参数难以确定的问题。相较而言，GPC具有超参数自适应获取的优势，鉴于GPC方法在小样本分类问题上具有独特的优势，本文采用GPC作为机器学习模型，将已知的拉/剪破裂类型的声谱图形特征构建训练样本，训练GPC模型，由此建立声谱图特征和拉/剪破裂类型的非线性映射关系。
（4） 将待预测的声音信号输入GPC模型中，可直接输出分类结果。
1.2 实现步骤
方法简称为LBPCM-GPC，具体实现步骤如下（见图1）。
（1） 信号收集。
通过试验收集张拉破裂声音信号和剪切破裂声音信号，建立拉/剪破裂声音样本集。
（2） 聲音信号预处理。
包括信号的去噪、分帧、加窗等。
（3） 声谱图生成。
采用短时傅里叶变换（STFT，Short-time Fourier Transform）绘制声谱图形，STFT的详细计算原理见参考文献[9]。
（4） 声谱图特征提取。
从声谱图形中提取描述声谱特征的指标，包括反映声谱图形纹理的局部二值（LBP，Local Binary Pattern）特征和反映声谱图颜色特征的颜色矩（Color Moment）特征。LBP特征和颜色矩特征的详细计算方法见参考文献[14-15]。为了能充分地描述声谱图形的特征，将LBP特征和颜色矩特征融合，作为新的描述声谱图形的特征指标，对声音库中所有的声谱图进行特征提取，生成GPC模型所需的训练样本。
（5） GPC分类模型训练。
利用生成的训练样本对GPC模型进行训练。在GPC模型中，所需要确定的模型参数包括：初始超参数范围、核函数类型、自适应参数寻优次数等。
（6） GPC模型验证。
在训练过程中，对模型进行自验证，调试模型参数，如果验证环节的正确率满足要求，则判定方法可用，进入下一步环节，否则重新调整训练样本的分布或者调整模型的参数设置。
（7） 预测样本输入。
将待预测的声音信号生成声谱图形，输入训练好的GPC模型中进行识别，根据GPC模型的输出值判断破裂类型。GPC模型对预测样本的输出概率值意义如下：当概率值p*大于0.5时，则判定为张拉信号，p*值越接近于1，则说明预测为张拉破裂声音信号的概率越大;当概率值为p*小于0.5时，则判定为剪切信号，p*值越接近于0，则说明预测为剪切破裂声音信号的概率越大。
按照上述步骤编写Matlab计算程序。
1.3 方法可行性验证
1.3.1 拉/剪切破裂声音信号的获取
选取花岗岩制作岩样，在室内真三轴试验机上开展巴西圆盘劈裂试验和直剪试验。如图2所示，在实验中使用Sony公司生产的PCM-D100型录音笔对两类试验的破裂声音信号实时监测，试验中录音笔的最大采样率为192 kHz，采样量化精度为24位，放至在距离岩样20 cm处，试验中保证环境安静，减少外界噪声的干扰。巴西圆盘实验加载装置和直剪试验加载装置如图3所示，其中巴西圆盘劈裂试验中岩样以张拉破裂为主，从试验中可以收集到张拉破裂声音信号;直剪试验中岩样以剪切破裂为主，从试验中可以收集到剪切破裂声音信号。
采用音频分析软件Cool Edit Pro V2.1对录音笔中的原始声音信号进行降噪处理，去除试验环境下的噪声，降噪前后的波形对比如图4所示。为了构建机器学习的训练样本，对试验过程中产生的代表性破裂声音信号进行截取。其中，巴西圆盘试验中出现显著张拉破裂声音的时间段为4 min 41.202 s至4 min 55.023 s，依次截取这段时间内出现的破裂声音，每一段破裂声音的截取时长为0.060 s，将从巴西圆盘劈裂试验中截取的声音信号作为张拉破裂类型的训练样本。直剪试验中出现显著剪切破裂的时间段为18 min 19.138 s至18 min 21.218 s，截取该段时间内破裂声音，每一段破裂声音的截取时长为0.060 s，将从直剪试验中截取的声音信号作为剪切破裂类型的训练样本（见图5）。
1.3.2 声音信号的预处理
在对声音信号进行分析之前，需要进行相应的预处理包括：分帧、加窗等。在本文研究中，采用帧长设定为10 ms，帧移设定为5 ms，选择海明窗，减少计算中信号频谱能量泄露，海明窗的计算原理见文献[16]。
1.3.3 声音声谱图形绘制
绘制拉/剪两类声谱图形，如图6所示。
从图6可见：张拉破裂声谱图和剪切破裂声谱图形在谱带的分布上具有明显的差异，基于声谱图形的差异性，可以將声音信号的分类转为对声谱图像的分类，从图像识别的角度实现对于岩石拉/剪破裂类型的区分。
1.3.4 提取声谱图形特征
提取声谱图形纹理的LBP特征和颜色矩（Color Moment）特征，并将两类特征融合，作为新的描述声谱图形的特征指标。
1.3.5 训练并验证GPC模型
在提取声谱图形的纹理和颜色特征的基础上，对GPC模型进行训练，张拉信号的标签为+1，剪切信号的标签为-1;选定的GPC核函数为covNNone函数，covNNone函数的表达式如式（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是输入向量，l为距离尺度的参数，σf为控制局部相关性程度的参数，σn为噪声的标准差，参数的详细说明见文献[13]。
在模型的训练过程中，对模型进行交叉验证，将数据集随机分成k等份，每次取其中k-1份作为训练样本，剩余一份作为预测样本，循环验证k次，取k次预测准确率的平均值作为模型的性能评估。在本方法的训练验证中k取5，即将全部训练样本（一共30张声谱图，16张张拉、14张剪切）随机分成5份，每份里面包括6张图片，循环验证5次，取5次的平均准确率。由表1可见，本文识别方法的平均准确率达到了90%，说明在小样本条件下该方法具有良好的泛化能力和准确性，能用于硬岩拉/剪破裂类型自动识别。
2 方法应用
将本文方法运用至双轴压缩下岩样的拉/剪破裂演化分析。
采用岩石三轴试验机对100 mm×100 mm×200 mm的立方体花岗岩岩样开展双轴压缩试验，水平向应力σx以0.05 MPa/s的加载速率加载至1 MPa后保持不变，竖向应力σz以0.5 MPa/s的加载速率加载至岩样破坏，如图7所示。从图7可见，岩样的不同部位出现张拉破裂与剪切破裂。
根据应力-应变曲线变化特征，峰前变形可分成5个阶段，如图8所示：A为初始压密阶段、B为线弹性阶段、C为弹-塑性过渡阶段、D为塑性阶段。各阶段的声音信号波形如图9所示。
对双轴试验全过程中出现的声音信号进行端点检测，根据检测结果截取破裂声音信号，每段破裂声音时长在0.05～0.07 s。之后将每段破裂声音绘制成声谱图形，输入训练好的GPC模型中，获得识别结果，判断此时声音信号属于张拉破裂还是剪切破裂。
GPC的初始超参数范围为[-2，2]，核函数为covNNone函数，当GPC预测概率大于0.5以及等于0.5时为张拉破裂，小于0.5时为剪切破裂，参数自寻优20次。
声音信号的拉/剪破裂类型识别结果如图10所示，不同变形阶段内张拉破裂声音信号和剪切破裂声音信号的占比如表2所列。
从图10和表2可看出：整体上，在双轴加载过程产生的岩石破裂声音类型演化规律为先产生张拉破裂声音信号后产生剪切破裂声音信号。在初始压密期，没有破裂声音信号出现，在线弹性期，岩石内部的活跃程度上升，声音信号产生且数量逐渐增加，此阶段破裂声音信号的类型主要为张拉破裂声音信号，仅有少量的剪切破裂声音信号出现，张拉破裂声音信号占到82%;当进入短暂的弹-塑性阶段，张拉破裂声音信号的数量逐渐降低，剪切破裂声音信号逐渐增多，剪切破裂声音信号的占比上升到75%左右;当进入塑性阶段，剪切破裂声音信号占据绝对主导地位，张拉破裂声音信号基本消失，剪切破裂声音信号在这一阶段占100%。
根据上述对于双轴试验中破裂声音信号类型的识别结果，结合试验后的岩样破裂形态，可获得随着竖向应力σz增加岩样拉/剪破裂裂缝的演化过程，如图11所示。从初始压密至线弹性阶段，岩样经过受力密实，出现了少量由颗粒交错，受力不均匀所致的破裂，根据识别结果，此时以张拉破裂占据主导。随着竖向应力σz的增加，进入弹-塑性阶段，岩石两侧继续受力致裂，张拉裂缝继续生成，两侧临空面出现少量剥落碎石，同时张拉裂缝的扩展为剪切破裂的发育创造条件。根据识别结果，此时张拉破裂占比逐渐下降，剪切破裂占比上升。当竖向应力加载至塑性阶段，大量裂缝连接、贯通，形成贯穿整个岩样的斜向剪切破裂带，此时剪切破裂占据主导，岩样两侧的临空面出现整块岩板的剥落，最后应力达到峰值，岩样失稳破坏，丧失承载力。综上所述，对于双轴试验的拉/剪破裂识别的结果，符合已有研究对于双轴试验先经历张拉破裂、后发生剪切破裂的认识[17]，验证了本文方法的准确性。
3 结 论
针对传统岩石拉/剪破裂识别方法的局限性，本文提出一种基于声音信号的硬岩拉/剪破裂的识别方法。该方法采用声音信号作为破裂源破裂类型识别的物理信号，将可描述声谱图纹理特征的LBP指标和描述声谱图形颜色特征的颜色矩指标的声谱图特征作为识别的特征信息，并采用在小样本、高维分类条件下具有良好分类能力的GPC模型实现硬岩拉/剪破裂类型的自动识别。双轴压缩试验案例表明，本文所提出的识别方法具有良好的实用性。
与传统声发射方法相比，本文方法兼具有成本低廉、信号易采集、实现简单等优点，为当前硬岩室内试验的拉/剪破裂研究提供了一种新的途径。在实际使用中，需要收集更多种岩样的破裂声音，丰富声音样本信息。同时考虑到室内环境与实际工程现场具有明显的差异，未来需要加强对现场环境下岩石破裂声音的研究，提供可靠的去噪手段，进一步地提高该方法在实际工程环境下的适用性，建立更为精确的基于声音信号的岩石破裂机制识别方法。
参考文献：
[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.西南地区某深埋隧道花岗岩破坏机制与前兆特征研究[J].岩石力学与工程学报，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] 贾雪娜，姜全果，何满潮，等.传感器放置位置对花岗岩岩爆声发射频谱特征的影响[J].岩石力学与工程学报，2018，37（增2）：3968-3978.
[6] 张艳博，李昆，刘祥鑫，等.传感器类型对岩石破裂声发射时频特征影响实验研究[J].实验力学，2018，33（6）：902-910.
[7] SU G S，SHI Y J，FENG 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] 苏国韶，石焱炯，冯夏庭，等.岩爆过程的声音信号特征研究[J].岩石力学与工程学报，2016，35（6）：1190-1201.
[9] 苏国韶，刘鑫锦，闫召富，等.岩爆预警与烈度评价的声音信号分析[J].爆炸与冲击，2018，38（4）：716-724.
[10] 刘鑫锦，苏国韶，冯夏庭，等.基于声音信号的室内岩爆动态预测方法[J].岩土力学，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] 张研，王伟，张炳晖.基于高斯过程的层状危岩失稳模式识别[J].人民长江，2018，49（增2）：108-111.
[14] 付波，杨章，赵熙临，等.基于降维LBP与葉片形状特征的植物叶片识别方法[J].计算机工程与应用，2018，54（2）：173-176.
[15] 张少博，全书海，石英，等.基于颜色矩的图像检索算法研究[J].计算机工程，2014，40（6）：252-255.
[16] 崔璨，袁英才.窗函数在信号处理中的应用[J].北京印刷学院学报，2014，22（4）：71-74.
[17] 陈景涛，冯夏庭.高地应力下岩石的真三轴试验研究[J].岩石力学与工程学报，2006，25（8）：1537-1543.
（编辑：郑 毅）
引用本文：
黄杰，苏国韶，王拯扶，等.基于声谱图特征的硬岩破裂类型识别方法
[J].人民长江，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
猜你喜欢剪切张拉岩石库克岩石汉语世界(The World of Chinese)(2021年4期)2021-09-05第五章 岩石小专家小学科学(2021年7期)2021-08-18真假月球岩石小福尔摩斯(2021年2期)2021-02-09某商业地产项目结构方案比选与优化中国房地产业·上旬(2020年4期)2020-06-08滚切剪钢板的剪切切丝问题研究中国新技术新产品(2018年13期)2018-09-21岩石背后伸出的巨爪青少年科技博览（中学版）(2017年3期)2017-06-15剪切与冲切的辨析及工程算例建筑工程技术与设计(2015年19期)2015-10-21下承式拱桥吊杆张拉相互影响研究建筑工程技术与设计(2015年12期)2015-10-21关于桥梁预应力张拉施工质量控制的探讨探索科学(2015年12期)2015-10-21三塔自锚式斜拉悬索协作体系桥吊索的优化设计城市建设理论研究(2014年25期)2014-09-24