矿山微震源智能定位方法

1.一种微震源智能定位方法，其步骤是：
A、基于数值分析和PSO方法的微震源监测传感器布置，所述的PSO方法为粒子群优化方法：
(1)根据矿山实际采矿工艺、地质条件，建立数值模拟模型，对矿山开采活动先进行数值分析，整体上把握开采过程中矿山地质灾害出现的区域，作为微震监测传感器布置区域；
(2)在矿山开采活动范围内，结合数值分析结果，确定N个微震源；
(3)根据矿山不同性质矿岩波速试验、采空区波速试验及不同性质岩层的分布，确定微震波传播速度模型及取值范围；
(4)接着，根据矿山实际采矿工艺，确定传感器布置的范围，并在范围内利用混合同余法随机产生X组传感器位置，每组M个传感器位置；
(5)对每组传感器，判断震源微震信号传播到传感器所经历的断层和采空区，并计算微震信号在其中传播的距离，自动选择速度模型，根据公式(a)计算得到N×M个传感器监测到时：
其中，tij为第j个检波器接收到第i个微震源发出的信号的时间，Ti为第i个微震源发震时刻，V为波在介质中传播的等效波速，Lij为第i个微震源到第j个检波器的距离，计算如下：
式中，(xi，yi，zi)第i个微震源位置坐标，(xj，yj，zj)为第j个检波器位置坐标；
(6)对计算到时按公式(b)进行随机扰动，获得N×M个虚拟监测到时：
tV＝(1+3c(-1)xa0)tc (b)
其中，tv为虚拟监测到时，tc为计算监测到时，a0为0-0.05之间的数，c为0-1间的随机数，x＝(int)3c，对3倍的随机数取整；
(7)在传感器布置的前提下，目标函数为使监测到时和计算到时的累积残差平方和最小，利用粒子群群智能方法，根据M个传感器监测信号，对N个微震源进行定位；
(8)定位精度满足要求，传感器监测到微震信号，位置合理，结束传感器布置；
(9)没有找到传感器位置，利用PSO操作，在传感器布置的范围内产生X组新的传感器位置，返回本节第(4)步，对新一组的传感器位置进行判断；
B、微震信号多指标智能滤波技术，首先通过试验建立各种类型的噪音数据库，对噪音信号特征：上升时间、总计数、峰值计数、能量、振幅持续时间进行分析归纳，构建神经网络学习与测试样本；接着，利用遗传算法优化神经网络的结构、权值和阈值，利用人工神经网络超强的非线性映射能力和自学习能力训练神经网络，建立不同噪音信号特征和噪音类型之间的映射关系；最后，输入监测到的微震信号对其进行滤波，获取有效的微震信号；
C、微震源智能分层定位：
(1)利用智能滤波对传感器阵列监测到的多噪音信号进行消噪、滤波处理，最大程度地准确记录微震信号的到时，选取用来震源定位的微震波类型；
(2)初始化PSO参数，微震源范围和波速范围；
(3)利用混合同余随机算法初始化粒子群位置和粒子飞行速度；
(4)根据时差定位原理，由公式(c)计算粒子的适应值，判断事先设定的飞行次数和定位精度，满足，进行本节第(6)步；否则，进行本节第(5)步；
式中， 和 分别是第k个传感器监测和计算到时；
(5)根据公式(d)和(e)分别更新粒子的位置Xid和飞行速度Vid，即微震源的位置和迭代步长，返回第(3)步；
Vid＝wVid+c1r1(Pid-Xid)+c2r2(Pgd-Xid) (d)
Xid＝Xid+Vod (e)
其中，w为惯性权重；c1和c2均为非负常数的学习因子；r1和r2为介于[0，1]之间的随机数；d＝1，2，...，D； 和 分别为第i个粒子的位置、迄今为止搜索到的最优震源参数和整个粒子群迄今为止搜索到的最优震源参数；
(6)将识别到的微震源坐标和速度模型代入式(f)得到微震源发震时间t；
(7)判断微震信号传播到传感器是否穿过大的断层、空区，若穿过剔除该信号，返回本节第(2)步重新定位；否则，微震信号选取是正确的和微震源定位是准确的，结束微震源定位；
D、三维显示技术，该部分是在VC++环境下集成AutoCAD动态链接库开发成的，是将监测结果、分析结果及工程三维立体模型形象显示，由监测信息数据库、几何模型信息数据库和分析结果存储数据库组成，三个数据库分别用来存储微震设备监测的各种波形信息及特征、岩土工程各个部位的具体几何尺寸、位置及测点布置信息特征数据和利用上述基于数值分析和PSO优化方法微震源监测传感器布置优化技术、微震信号多指标智能滤波技术和微震源智能分层定位分析方法的智能技术处理分析的结果，三者相互联系，信息互通。

矿山微震源智能定位方法\n技术领域\n[0001] 本发明属于矿山微震监测技术领域，更具体涉及一种矿山微震源智能定位方法，该方法可广泛用于矿业工程、水利水电工程、石油工程、岩土工程以及地下工程。\n背景技术\n[0002] 随着我国国民经济的高速增长，深部采矿已成为我国采矿的一个主要发展方向。\n矿山开采深度的加大，地应力相应增大，开采条件的恶化，导致开采时出现冒顶、片帮等现象明显增多，甚至出现岩爆等动力地压灾害，给国家、矿山企业和人民群众造成了巨大的生命财产和经济损失，严重制约了国民经济和矿山企业的可持续发展。资料统计显示，随着开采深度的增加，红透山铜矿、凡口铅锌矿、铜陵狮子山铜矿、山东玲珑金矿、湘西金矿、冬瓜山矿等矿山的动力灾害明显呈增加趋势，支护翻修工程也大为增加；与世界主要产煤国相比，我国煤矿地质构造复杂，矿井事故多发，平均百万吨死亡率在2-6左右，是美国的100倍左右和南非的30倍左右，年死亡人数6000人左右，是全球其他产煤国家死亡人数总和的3倍。因此，矿山地压与井下地质灾害的监测与预报已成为我国矿山安全亟待解决的难题。研究表明，不管是非煤矿山冲击地压、矿震等动力灾害，还是煤矿的煤与瓦斯突出(或涌出)和煤矿底板突水等灾害，都是矿山开采过程中的应力场扰动所诱发的微破裂萌生、发展、贯通等岩石破裂过程失稳的结果。监测表明，不管是哪种矿山动力灾害，多数情况下，在动力灾害出现之前，都有微破裂(微震活动)前兆。因此，监测微震活动，获取灾害来临的前兆信息对于矿山地质灾害预报具有极其重要的意义。\n[0003] 对于监测工具及设备，国内外已进行了深入系统的研究，而对于微震监测传感器布置方法、噪音多指标消除技术、微震源高精度智能定位技术的研究，尚需要进一步提高，国内外已有方法主要存在以下不足：\n[0004] 1.传感器布置方法\n[0005] 传感器布置不仅影响微震信号的监测，而且对不同的微震定位算法的定位速度、精度及定位结果的唯一性也有不同程度的影响。合理的传感器布置方案不仅能够更大范围地监测到更多有效微震信号，而且能使定位算法快速准确的确定震源位置和发震时间。目前传感器布置主要是根据经验，经验不同的工作人员布置的传感器监测到的微震信号往往差异较大，往往不能使传感器最大程度地监测到有效微震信号，也很难保证传感器形成一个良性阵列，致使微震定位速度及精度受到不同程度的影响，矿震准确预测预报也很大程度上受到了限制。因此，非常有必要对传感器布置进行优化。\n[0006] 2.噪音滤波技术\n[0007] 现场微震监测，噪音消除是一项非常重要的技术措施，是岩爆能否成功预测的决定因素之一。目前的噪音消除方法多采用单一指标(比如门槛值、平均频率或者振铃数等)，但对于多噪音相互交织(施工车辆、锚杆钻机、空压机、TBM工作噪音等)，且噪音信号特征与围岩实际破裂特征较为接近的条件下，单一指标往往无法较好的滤去环境噪音的影响。因此，有必要研究多指标滤波技术，进一步提高有效信号的识别能力。\n[0008] 3.微震源定位分析方法\n[0009] 微震源定位方法前人已做了大量研究，实际应用中，根据参与求解的参数的不同一般可分为两类，一是已知速度模型，求解发震时间和微震源位置的经典定位方法；一是微震源位置、发震时间和速度模型一起求解的联合法定位方法。前者，在地震领域、采矿工程中应用最为广泛，速度模型给不准是该方法的最大不足，虽前人对速度模型做了许多研究，但由于岩石材料是复杂的，非均质的，含有大量裂隙、节理和微不连续面的，且事先很难确定这些不良体的位置、尺寸及走向的，也很难划清这些不良体之间的界限，事先合理给定波速模型仍然是困难的，这很大程度上影响了定位算法的稳定性和定位精度；后者较好地解决了速度模型给不准的问题，较大程度上提高了微震源定位精度，但微震源位置、发震时间和介质速度这些参数的相互关联，又带来了定位结果不稳定的问题。另外这些定位算法主要采用最小二乘法进行求解，此类方法最大缺点是求解过程中易发散。为了提高解的稳定性尽管学者们提出了各种改进方法，如奇异矩阵分解法、阻尼最小二乘法等，但各种改进的方法还都属于线形定位的范畴，总是解决了这个问题带来了那个问题。因此，有必要另辟蹊径探索新的定位算法和求解方法。\n[0010] 为此，在采集微震信号，进行微震定位时，必须对传感器位置进行合理优化，使其尽可能监测到更多的有效信息，形成一个良性的传感器阵列；对速度模型进行正确辨识，使其能正确计算微震信号在介质中的传播时间；对多噪音交织信号进行滤波，使其最大程度获取有效信号；对震源定位方法进行改进，尽可能避免微震定位中的解不稳定现象，快速准确的定位微震发生的位置和时间，方便快捷的全方位的显示分析与预报的结果，为矿山地质灾害的预测预报提供更为准确可靠的信息。微震智能定位分析方法就是为了解决这些问题而提出的，该方法不仅可以监测到更多的微震信号，有效消除环境噪音的影响，快速精确定位矿山微震源的位置，而且还可以通过岩石内部裂纹演化实时定位研究裂纹演化规律及机理，是室内(或现场)试验研究岩石破坏规律与模式的重要手段。\n发明内容\n[0011] 本发明的目的是在于提供了一种微震源智能定位方法，解决现有方法存在的上述问题和不足，进一步改善微震源时空定位精度，提高了矿山灾害预报的精度。该方法实现了传感器布置自动优化、井下灾害孕育过程实时分析、灾害发生位置和时间高精度预报及传感器布置方案、监控分析和预报结果的动态三维直观显示。该方法不仅可用于矿山地下、露天开采过程中地质灾害孕育、发展、发生全过程的实时监控，还可用于加载过程中硬岩破坏机理、破坏模式及损伤演化规律的室内(或现场)试验研究，同时对于隧道工程、水利水电工程、油气田开采、核废料处置等领域也具有广泛的应用价值。\n[0012] 为了实现上述的目的，本发明采用以下技术措施：\n[0013] 1)基于数值分析和粒子群优化方法(Particle Swarm Optimization，PSO)微震源监测传感器布置优化技术；2)微震信号多指标智能滤波技术；3)微震源分层智能定位技术；4)微震分析和预测结果三维动态显示技术。\n[0014] 一种微震源智能定位方法，其步骤是：\n[0015] A、基于数值分析和PSO优化方法微震源监测传感器布置优化技术：\n[0016] 1、首先，根据矿山实际采矿工艺(例如有底柱阶段矿房法)，地质条件(例如水平构造应力为主，岩体裂隙发育)，建立数值模拟模型，对矿山开采活动先进行数值分析，整体上把握开采过程中矿山地质灾害有可能出现的区域，作为微震监测传感器布置优化的重点区域。\n[0017] 2、在矿山安全生产关心的开采活动范围内，结合数值分析结果，确定N个(例如N＝100)微震源(三维坐标和发震时间)。\n[0018] 3、根据矿山不同性质矿岩波速试验、采空区波速试验及不同性质岩层的分布，确定微震波传播速度模型及取值范围。\n[0019] 4、接着，根据矿山实际采矿工艺，确定传感器布置的范围，并在范围内利用混合同余法随机产生X组(例如X＝16)传感器位置(三维坐标)，每组M个(例如M＝30)传感器位置。\n[0020] 5、对每组传感器，判断震源微震信号传播到传感器所经历的断层和采空区，并计算微震信号在其中传播的距离，自动选择合适的速度模型，根据公式(a)计算得到N×M个(100×30＝3000个)传感器监测到时。\n[0021] \n[0022] 其中，tij为第j个检波器接收到第i个微震源发出的信号的时间，Ti为第i个微震源发震时刻，V为波在介质中传播的等效波速，Lij为第i个微震源到第j个检波器的距离，计算公式如下：\n[0023] \n[0024] 式中，(xi，yi，zi)第i个微震源位置坐标，(xj，yj，zj)为第k个检波器位置坐标。\n[0025] 6、对计算到时按公式(b)进行随机扰动，获得N×M个(100×30＝3000个)虚拟监测到时。\n[0026] tV＝(1+3c(-1)xa0)tc (b)\n[0027] 其中，tc为虚拟监测到时，tc为计算监测到时，a0为0-0.05之间的数，c为0-1间的随机数，x＝(int)3c，对3倍的随机数取整。\n[0028] 7、在考虑传感器布置成本和光缆走线方便的前提下，以使监测到时和计算到时的累积残差平方和最小为目标函数，利用粒子群(Particle SwarmOptimization，PSO)群智能方法，根据M个(M＝30)传感器监测信号，对N个(N＝100)微震源进行定位。\n[0029] 8、若定位精度满足要求，且传感器能较好地监测到微震信号，位置合理，结束传感器布置优化；否则，进行下一步。\n[0030] 9、若没有找到合适的传感器位置，则利用PSO操作，在传感器可布置的范围内产生X组(X＝16)新的传感器位置，返回本节第(4)步，对新一组的传感器位置进行优劣判断。\n[0031] 整个优化过程如图1所示。\n[0032] B、微震信号多指标智能滤波技术：\n[0033] 首先通过试验建立各种类型的噪音数据库，对噪音信号特征(如上升时间、总计数、峰值计数、能量、振幅持续时间等)进行分析归纳，构建神经网络学习与测试样本；接着，利用遗传算法(Genetic algorithm，GA)优化神经网络的结构、权值和阈值，并利用人工神经网络超强的非线性映射能力和自学习能力训练神经网络，建立不同噪音信号特征和噪音类型之间的映射关系；最后，输入监测到的微震信号对其进行滤波，获取有效的微震信号。神经网络滤波器结构示意图如图2所示。\n[0034] C、微震源智能分层定位分析方法：\n[0035] 1、首先利用智能滤波技术对传感器阵列监测到多噪音信号进行消燥、滤波等处理，最大程度地准确记录微震信号的到时，选取用来震源定位的微震波类型。\n[0036] 2、初始化PSO参数，微震源范围和波速范围。\n[0037] 3、利用混合同余随机算法初始化粒子群位置(震源位置和波速)和粒子飞行速度(迭代步长)。\n[0038] 4、根据时差定位原理，由公式(c)计算粒子的适应值，并判断是否满足事先设定的飞行次数和定位精度，满足，进行本节第(6)步；否则，进行本节第(5)步；\n[0039] \nM C\n[0040] 式中，Tk 和Tk 分别是第k个传感器监测和计算到时。\n[0041] 5、根据公式(d)和(e)更新粒子(微震源)的位置和飞行速度(迭代步长)，返回第(3)步；\n[0042] Vid＝wVid+c1r1(Pid-Xid)+c2r2(Pgd-Xid) (d)\n[0043] Xid＝Xid+Vid (e)\n[0044] 其中，w为惯性权重；c1和c2均为非负常数的学习因子；r1和r2为介于[0，1]之间的随机数；d＝1，2，…，D；和 分别为第i个粒子的位置、迄今为止搜索到的最优震源参数和整个粒子群迄今为止搜索到的最优震源参数。\n[0045] 6、将识别到的微震源坐标和速度模型代入式(f)得到微震源发震时间t；\n[0046] \n[0047] 7、判断微震信号传播到传感器是否穿过大的断层、空区，若穿过剔除该信号，返回本节第(2)步重新定位；否则，微震信号选取是正确的和微震源定位是准确的，结束微震源定位。\n[0048] 整个微震源定位分析过程如图3所示。\n[0049] D、三维显示技术：\n[0050] 该部分是在VC++环境下集成AutoCAD核心动态链接库开发而成的，主要是将监测结果、分析结果及工程三维立体模型形象显示，由监测信息数据库，几何模型信息数据库和分析结果存储数据库组成，三个数据库分别用来存储微震设备监测的各种波形信息及特征、岩土工程各个部位的具体几何尺寸、位置及测点布置信息等特征数据和利用上述智能技术处理分析的结果，三者相互联系，信息互通。\n[0051] 本发明与现有技术相比，具有以下优点和积极效果：\n[0052] 1)传感器智能布置优化方法，考虑了实际采矿工艺对传感器位置的约束，微震信号能量衰减和断层、采空区对微震波速度的影响，在传感器灵敏度和监测范围一定的情况下，综合考虑传感器布置成本和微震源定位精度，以粒子群智能优化方法为求解手段，对传感器可能布置位置全局空间内搜索优化，达到了获得更多、更全面和更完整的有效微震信息的目的，图4是国内某金属矿山应用的实例；2)利用遗传算法和神经网络相结合的方法，对多噪音干扰下的微震信号采用多指标进行滤波分析，解决了单一指标滤波技术难于处理多噪音相互交织的微震信号的难题，图5和图6是滤波效果图。3)微震源智能定位方法，在到波处理(消燥、滤波等)和传感器布置优化的基础上，考虑断层、采空区及岩石材料的非均匀性对波速的影响，以时差定位原理为基础，采用粒子群群智能方法对微震波速度模型和震源参数(震源三维坐标和发震时间)联合反演，既解决了传统方法定位时易发散的缺点，又提高了定位精度，图7是该方法在某隧道工程中应用的效果图；4)优化结果三维显示，是在VC++环境下集成AutoCAD核心动态链接库开发而成的，可形象直观、方面快捷地三维显示传感器布置和微震源智能定位结果。\n附图说明\n[0053] 图1为一种传感器布置优化技术流程图；\n[0054] 图2为人工神经网络多指标滤噪示意图；\n[0055] 图3为微震源智能分层定位流程示意图；\n[0056] 图4为某矿山某中段传感器布置平面示意图；\n[0057] 图5为滤波前声发射事件率；\n[0058] 图6为滤波后声发射事件率；\n[0059] 图7为微震源智能定位分析方法工程中应用的效果图；\n[0060] 图8为数值分析整体网格模型图；\n[0061] 图9为矿区内部结构图；\n[0062] 图10为三维显示软件操作功能菜单。\n具体实施方式\n[0063] 一种微震源智能定位方法(以本发明在某矿山应用为例说明本发明的具体实施方式)，下面结合附图对本发明作进一步详细描述，一种微震源智能定位方法其步骤是：\n[0064] 1.基于数值分析和PSO优化方法微震源监测传感器布置优化技术[0065] 以初步评定矿山地压与地质灾害有可能出现的区域为基础，以使传感器监测范围更广、监测精度更高为目标，结合微震源定位算法，考虑采矿工艺的影响，利用PSO技术，对传感器位置进行优化，具体过程如下：\n[0066] (1)首先，根据室内试验和现场监测确定力学分析模型及其参数，根据地质条件(大的断层、结构面)，考虑有底柱阶段矿房法采矿工艺特点，建立数值分析模型，如图8和如图9所示，以能量释放率为评价指标，对矿山开采活动进行数值分析与评价，整体上把握开采过程中应力场的演化规律，初步评定矿山地压与地质灾害有可能出现的区域，作为微震监测传感器布置优化的重点区域。\n[0067] (2)根据矿山实际开采活动确定600m×600m×550m的监测范围，结合数值分析结果，确定800个微震源。\n[0068] (3)根据矿山不同性质矿岩波速试验、采空区波速试验及不同性质岩层的分布，确-1 -1\n定微震波传播速度模型为V(v1、v2、v3、v4)及波速取值范围4500m.s --6500m.s 。\n[0069] (4)传感器布置的范围600m×600m×550m，利用混合同余法随机产生20组传感器位置，判断传感器和微震源之间是否有断层和采空区，选择合适的速度模型，根据公式(a) 计算得到24000个传感器监测到时；\n[0070] (5)计算到时按公式(b)tV＝(1+3c(-1)xa0)tc进行随机扰动，获得24000个虚拟监测到时。\n[0071] 根据虚拟到时，对微震源进行定位分析，在考虑现场施工方便的前提下，使得监测到时和计算到时的累积残差平方和小于10-4，结束优化，优化结果效果图如图4所示。\n[0072] 2.微震信号多指标智能滤波技术\n[0073] 1)通过现场试验，确定施工车辆、电器噪音、锚杆钻机、空压机、纤杆敲击等噪音的特征，建立噪音数据库；2)以上升时间、总计数、峰值计数、能量、振幅持续时间等12个特征量为神经网络输入，5种噪音类型为神经网络输出构建神经网络学习50个与测试样本10；\n3)利用遗传算法优化神经网络的结构、权值和阈值，确定神经网络最佳结构为12-34-8-1；\n4)通过训练建立不同噪音信号特征和噪音类型之间的映射关系；5)输入监测到的微震信号对其进行消噪、滤波，获取有效的微震信号。滤波效果如图5和图6所示。\n[0074] 3.微震源智能分层定位分析方法\n[0075] (1)首先利用智能滤波技术对传感器阵列监测到多噪音信号进行消燥1、滤波2等处理，最大程度地准确记录微震信号3，选取有效微震信号5进行微震源定位。\n[0076] (2)接着，对到时进行重新修正与拾取6，获取更精准的有效信号；\n[0077] (3)初始化PS0参数7：学习因子c1＝c2＝2，群体规模Npop＝100，w0＝1，结束条件ε0＝1.0×10-10；最小二乘法结束条件ε0＝1.0×10-10；微震源范围为600m×600m×550m和波速范围为4500m.s-1-6500m.s-1。\n[0078] (4)利用混合同余随机算法初始化粒子群位置(震源位置和波速8)和粒子飞行速度(迭代步长)。\n[0079] (5)根据公式(c) 计算粒子的适应值9，并判断是否满足事先设\n定的飞行次数和定位精度10，满足，进行本节第(6)步；否则，进行本节第(5)步；\n[0080] (6)根据公式(d)Vid＝wVid+c1r1(Pid-Xid)+c2r2(Pgd-Xid)和(e)Xid＝Xid+Vid更新粒子(微震源)的位置和飞行速度(迭代步长)11，返回第(3)步；\n[0081] (7)将识别到的微震源坐标和速度模型代入式(f) 得到微震源发震时间t12；\n[0082] (8)判断微震信号传播到传感器是否穿过大的断层、空区14，若穿过剔除该信号，返回本节第(2)步重新定位；否则，微震信号选取是正确的和微震源定位是准确的15，结束微震源定位16。\n[0083] 定位效果如图7所示。\n[0084] 4.三维显示技术\n[0085] 根据自行开发的现实软件(主菜单如图11所示)，可直接快捷的全面显示微震监测的各种波形信息及特征、矿山各个岩土工程各个部位的具体几何尺寸、位置及测点布置信息等特征数据和利用上述智能技术处理分析的结果。