基于深度学习的岩石断裂声学辐射关键信号的实时识别方法

科学领域:

• 地质物理学和岩石力学 岩石力学
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 岩石变形过程中的声辐射 (AE) 信号包含有关内部损伤的重要信息.
• 目前对岩石断裂灾害预警的AE监测缺乏实时识别前体信号.
• 传统方法通常依赖于后分析,限制实时识别和工程应用.

研究的目的:

• 开发一种实时智能识别方法,用于声辐射信号,表明岩石断裂.
• 利用语音识别概念和深度学习来增强特征提取和信号识别.
• 为了提高识别岩石断裂灾害前体信号的准确性和效率.

主要方法:

• AE信号被视为语音信号,使用光谱分析 (STFT) 和Mel频率分析来提取特征.
• 六个深度学习模型,包括VGG16和AlexNet,用于实时识别.
• 优化了VGG16网络结构和损失函数,导致了Mel+VGG-FL模型.

主要成果:

• 开发的深度学习模型实现了关键AE信号的实时智能识别.
• 梅尔+VGG-FL模型表现出卓越的性能,准确率为87.68%,回忆率为81.05%.
• 对比分析证实了Mel+VGG-FL模型的高精度和效率.

结论:

• 梅尔+VGG-FL模型提供了一种更准确的方法,用于实时智能识别岩石断裂期间关键的AE信号.
• 这种方法为岩石断裂前体识别研究提供了新的见解和方法.
• 该研究增强了工程应用中用于防灾的实时智能识别的潜力.