一种微震事件精确定位的动态参数方法与流程

本发明属于岩石工程灾害预测领域,涉及一种微震事件精确定位动态参数法。

背景技术：

微震监测目的是进行岩体危险性评估，微震事件的多少间接反映出局部岩体破裂程度。

为了实现岩体灾害的精确预警，对每个微震事件的精确定位是必不可少的。由于微震监测系统的限制每个工程一段时间内只能输入一套参数。例如：岩体密度、P波波速、S波波速等等。而一般岩体工程监测环境是非常复杂的，断层、节理、裂隙、溶洞及水，煤矿中还有瓦斯气体。因此，每个微破裂发出的应力波要经过几乎所有这些固、液、气等材料才能被微震传感器所接收到。对于地下洞室较多的地下工程，应力波传递的路径更加复杂。但是，微震系统中只是根据已有波速和到达传感器的时间差进行定位，不考虑中间过程，也不区分应力波来源及方向。这就是微震系统目前定位精度不高的主要原因。

技术实现要素：

针对现有技术存在的问题，本发明提供一种微震事件精确定位的动态参数方法，该动态参数方法能够提高微震事件的定位精度。

本发明的技术方案为：

一种微震事件精确定位的动态参数方法，具体包括以下步骤：

第一步，首先采用工程类比法，结合以往类似工程大致设计该工程所使用微震监测系统的输入参数，建立初始参数数据库，此时数据库中只包含一组参数。所述的输入参数包括岩体密度、P波波速、S波波速、传感器数量、传感器的空间坐标、采样频率。

第二步，指定几组已知的人工震源位置，对已经安装的传感器所在范围进行分区，称为传感器快速响应区域，根据测试位置坐标确定最近的传感器快速响应区域，计算人工震源位置与传感器位置的距离；所述的人工震源位置包括人工爆破点或敲击点；所述的分区原则为以每个传感器为中心点，以50m为半径建立立体球空间范围。

第三步，建立微震事件调整参数数据库

3.1)根据传感器获取的P波时间差，计算出P波波速；根据走时差公式(1)计算S波波速，根据P波的容易确定位置和已知的震源与传感器的距离准确计算出S波波速，避开S波提取的人为干扰因素；最后把所有的测试点数据以及相应的传感器快速响应分区数据，计算出的P波波速和S波波速等参数加入到测试参数数据库；初始参数数据库中其他参数保持不变。

t＝(r/Vs)-(r/Vp) (1)

其中，Vs为S波波速；Vp为P波波速；t为走时差；r为震中与传感器距离。

3.2)利用人工智能神经网络方法对人为指定的较大级别的已知位置的微震事件进行误差调整，不断重复调整P波波速、S波波速和其他输入参数，建立调整参数数据库；

微震监测系统开始进行实际工程监测测试，此时加入人工智能神经网络方法对所监测的数据进行优化调整。监测过程中要不断地人为指定实际发生的较大级别的微震事件，甚至是岩爆、冲击地压等灾害事件作为人工智能神经网络方法的学习样本，并不断重复调整P波和S波的波速，以及其他输入参数，建立调整参数数据库。此时该数据库中包含初步划分的快速响应分区数目的参数组。

第四步，根据调整参数数据库对传感器快速响应区域进行对应细化，建立对应于每个细化的传感器快速响应区域的微震事件的精确定位参数数据库。

经过上述系统参数的学习和调整后，根据误差最小的参数组，将每个传感器快速反应区域细分为更小的快速反应区域，建立精确定位参数数据库。如果新发生的微震事件经过初步定位后，判断出所属于的细分的快速反应区域，则指定对应的参数作为该事件的输入参数并做定位精度调整。此时该数据库中包含细分响应分区数目组数参数组。

本发明的有益效果为：实际监测工作中，需要不断更新和丰富调整参数数据库和精确定位参数数据库数据。本发明利用工程中应力波传播媒介的差异，从现场实际情况出发，依据震源的方向动态调整数据参数，并利用人工智能神经网络方法对定位结果进行优化。该动态参数方法能够灵活地适应矿山、隧道、地下厂房等不断改变地质环境等条件，进行微震事件的高精度定位工作。

附图说明

图1为微震参数训练阶段流程图；

图2为微震事件定位流程图。

具体实施方式

以下对本发明做进一步说明。

微震监测系统首先采用工程类比法，结合以往类似工程大致设计该工程所使用的输入参数，包括岩体密度、P波波速、S波波速、传感器数量、传感器的空间坐标、采样频率，建立初始参数数据库。

指定几组已知的人工爆破点或敲击点，根据测试位置坐标确定最近的传感器快速响应区域，计算出人工震源位置与传感器的位置的距离。根据传感器获取的P波时间差，计算出P波波速。然后利用走时差公式t＝(r/Vs)-(r/Vp)计算出S波波速，这样可以根据P波的容易确定位置和已知的震源与传感器的距离准确计算出S波波速，避开S波提取的人为干扰因素。然后把所有的测试点数据以及相应的传感器快速响应分区数据，计算出的P波波速和S波波速等参数加入到测试参数数据库；初始参数数据库中其他参数保持不变。此时该数据库中包含初步划分的快速响应分区数目的参数组。

微震监测系统开始进行实际工程监测测试，此时加入人工智能神经网络方法对所监测的数据进行优化调整。监测过程中要不断地人为指定实际发生的较大级别的微震事件，甚至是岩爆、冲击地压等灾害事件作为人工智能神经网络方法的学习样本，并不断重复调整P波和S波的波速，以及其他输入参数，建立调整参数数据库。此时该数据库中包含初步划分的快速响应分区数目的参数组。

经过上述系统参数的学习和调整后，根据误差最小的参数组，将每个传感器快速反应区域细分为更小的快速反应区域，建立精确定位参数数据库。如果新发生的微震事件经过初步定位后，判断出所属于的细分的快速反应区域，则指定对应的参数作为该事件的输入参数并做定位精度调整。此时该数据库中包含细分响应分区数目组数参数组。实际监测工作中，不断更新和丰富调整参数数据库和精确定位参数数据库数据。