岩体失稳阶段的预测方法、装置、系统以及存储介质与流程

本发明涉及岩体失稳预测技术领域，具体地涉及一种岩体失稳阶段的预测方法、一种岩体失稳阶段的预测装置、一种岩体失稳阶段的预测系统以及一种计算机可读存储介质。

背景技术：

对地下采矿工程而言，要想保证矿山的安全生产，岩体稳定性的预测尤为重要。但是岩体由于其非线性和各向异性的力学性质，使得岩体内部状态难以判断，而目前现有的理论计算方法还不成熟，同时影响岩体失稳的因素太多，使得现有的理论计算公式难以运用到工程实践中。发明cn201510788783.9公开了一种利用神经网络预测巷道围岩变形的方法，通过巷道断面尺寸、埋深、岩石力学参数、围岩非均质度等指标，利用bp神经网络实现了预测围岩的变形量，但是其需采集、输入的参数多，计算量大，且只能预测围岩的变形量而无法预测岩体的失稳阶段，适用范围有限。

技术实现要素：

本发明实施方式的目的是提供一种岩体失稳阶段的预测方法、装置、系统以及存储介质，以解决岩体失稳阶段预测困难的问题。

为了实现上述目的，在本发明第一方面，提供一种岩体失稳阶段的预测方法，所述方法包括：

获取岩体的声发射信号；

从获取到的声发射信号中提取特征参数；

依据所述特征参数和预设的bp神经网络模型，预测岩体的失稳阶段；所述预设的bp神经网络模型通过岩体失稳不同阶段的声发射信号的特征参数对bp神经网络和遗传算法进行训练后得到。

可选地，所述预设的bp神经网络模型训练过程为：

获取岩体失稳不同阶段的声发射信号，并从中提取岩体失稳不同阶段的声发射信号的特征参数；

将提取到的岩体失稳不同阶段的声发射信号的所有特征参数分为训练集和测试集；

依据所述训练集和遗传算法对bp神经网络进行训练，得到初始的bp神经网络模型；

依据测试集对所述初始的bp神经网络模型进行验证，得到所述预设的bp神经网络模型。

可选地，所述预设的bp神经网络模型为单输入、单输出的结构。

可选地，所述岩体失稳不同阶段的声发射信号的特征参数可以为振铃计数或能量计数。

可选地，所述得到初始的bp神经网络模型的具体过程包括：

依据所述训练集中的特征参数的类别和岩体的失稳阶段确定bp神经网络的输入层和输出层节点个数；

依据试凑法确定bp神经网络的隐含层节点个数；

初始化bp神经网络的权值和阈值；

通过所述遗传算法优化bp神经网络的权值和阈值；

依据所述训练集中的特征参数和对应的岩体失稳阶段对bp神经网络进行训练，获取bp神经网络的预测输出值与期望输出值的误差，通过反向传播更新bp神经网络的权值和阈值，直至预测输出值与期望输出值的误差小于第一设定值，得到所述初始的bp神经网络模型。

可选地，通过所述遗传算法优化bp神经网络的权值和阈值的具体过程包括：

设置种群参数，所述种群参数包括种群规模、进化次数、交叉概率及变异概率；

对bp神经网络的参数进行实数编码，所述参数包括bp神经网络的权值和阈值；

计算个体的适应度，依据个体的适应度从当前种群中选择最优个体，执行交叉、变异操作，直至达到优化条件，选择最佳的权值和阈值更新bp神经网络的初始权值和阈值。

可选地，所述个体的适应度与所述初始的bp神经网络模型的预测输出值与期望输出值的误差成反比。

在本发明第二方面，还提供一种岩体失稳阶段的预测装置，所包括：

数据获取单元，被配置为获取岩体的声发射信号；

特征提取单元，被配置为从获取到的声发射信号中提取特征参数；

预测单元，被配置为依据所述特征参数和预设的bp神经网络模型，预测岩体的失稳阶段；所述预设的bp神经网络模型通过岩体失稳不同阶段的声发射信号的特征参数对bp神经网络和遗传算法进行训练后得到。

在本发明第三方面，还提供一种岩体失稳阶段的预测系统，包括：

连接于网络的声发射传感器；以及

连接于所述网络的岩体失稳阶段的预测装置，所述装置的数据获取单元通过网络获取所述声发射传感器采集的岩体的声发射信号。

在本发明第四方面，还提供一种计算机可读存储介质，该可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的岩体失稳阶段的预测方法。

本发明上述技术方案通过建立以声发射信号特征参数为输入，以对应的岩体失稳阶段为输出的bp神经网络模型，实现对岩体失稳阶段的预测，同时通过遗传算法优化bp神经网络模型参数，有效解决了bp神经网络模型训练过程中对模型参数优化易陷入局部最优解的问题，从而提高了预测准确性；同时，本发明仅需采集岩体的声发射信号特征参数作为输入，有效减少了计算量。

本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：

图1是本发明一种实施方式提供的一种岩体失稳阶段的预测方法流程图；

图2是本发明一种可选实施方式提供的初始的bp神经网络模型训练流程图；

图3是本发明一种可选实施方式提供的bp神经网络预测输出值和期望值的对比图；

图4是本发明一种可选实施方式提供的bp神经网络预测输出值和期望值的输出误差图；

图5是本发明一种可选实施方式提供的预设的bp神经网络模型的预测输出值和期望值的对比图；

图6是本发明一种可选实施方式提供的预设的bp神经网络模型的预测输出值和期望值的输出误差图；

图7是本发明一种实施方式提供的一种岩体失稳阶段的预测装置框图。

附图标记说明

100-预测装置，110-数据获取单元，120-特征提取单元，130-预测单元。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

在本发明实施方式中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

如图1所示，本发明的实施方式提供一种岩体失稳阶段的预测方法，方法包括：

获取岩体的声发射信号；

从获取到的声发射信号中提取特征参数；

依据特征参数和预设的bp神经网络模型，预测岩体的失稳阶段；预设的bp神经网络模型通过岩体失稳不同阶段的声发射信号的特征参数对bp神经网络和遗传算法进行训练后得到。

如此，本发明的实施方式通过建立以声发射信号特征参数为输入，以对应的岩体失稳阶段为输出的bp神经网络模型，实现对岩体失稳阶段的预测，同时通过遗传算法优化bp神经网络模型参数，有效解决了bp神经网络模型训练过程中对模型参数优化易陷入局部最优解的问题，从而提高了预测准确性；同时，本发明仅需采集岩体的声发射信号特征参数作为输入，有效减少了计算量。

具体的，通过大量的实验表明，在整个岩体失稳断裂过程中都伴有声发射现象产生，而且在不同失稳阶段有着不同的声发射特征。将岩体失稳过程中采集到的声发射信号按照岩体受力情况划分为四个阶段：分别为第ⅰ阶段-压密阶段、第ⅱ阶段-弹性变形阶段、第ⅲ阶段-塑性变形阶段和第ⅳ阶段-峰后破坏阶段，分别选取四个阶段的声发射信号进行特征参数提取，并将提取到的特征参数作为bp神经网络的输入，对bp神经网络进行训练，得到以声发射信号特征参数为输入，以岩体失稳阶段为输出的bp神经网络模型。bp神经网络能够自学习的存储、更新声发射信号的特征参数与岩体失稳阶段的映射关系，而无需事先存储大量的声发射信号特征参数与岩体失稳阶段的映射关系，通过声发射信号对岩体失稳阶段进行预测，其输入的特征参数少，有效减小了对数据处理的计算量，从而提高了预测过程的计算速率，使得bp神经网络能够快速的根据输入的声发射信号特征参数对岩体失稳阶段进行预测，有效避免因岩体失稳造成的安全问题。

进一步的，要得到预设的bp神经网络模型需要通过大量的岩体失稳声发射信号对bp神经网络进行训练，因此，采用以下过程对bp神经网络进行训练：

获取岩体失稳不同阶段的声发射信号，并从中提取岩体失稳不同阶段的声发射信号的特征参数；

将提取到的岩体失稳不同阶段的声发射信号的所有特征参数分为训练集和测试集；

依据训练集和遗传算法对bp神经网络进行训练，得到初始的bp神经网络模型；

依据测试集对初始的bp神经网络模型进行验证，得到预设的bp神经网络模型。

具体的，在一种实施方式中，预先获取大量岩体在失稳不同阶段的声发射信号，将采集到的岩体失稳声发射信号按照岩体失稳的四个阶段进行划分，对应的每个阶段均按等时间距截取20组声发射信号，每组声发射信号长度为2048个数据点，每个数据点为一个脉冲信号数据，共截取80组声发射信号，并提取每组声发射信号的特征参数。将提取到的所有特征参数分为训练集和测试集，本实施例中，随机选取40组特征参数作为训练集，以剩下的40组特征参数作为测试集，其具体划分比例可根据实际情况进行调整。通过遗传算法优化bp神经网络的初始参数，将训练集中的特征参数输入bp神经网络并依据bp神经网络输出值与期望值的误差对bp神经网络的参数进行调整，当bp神经网络的输出结果与期望结果的误差达到某个标准或达到最大迭代次数，则认为bp神经网络训练完成，得到初始的bp神经网络模型。将测试集中的特征参数作为输入对初始的bp神经网络模型进行验证，检验其预测精度，若预测精度未满足要求，则对bp神经网络进行参数调整，并重复上述训练过程，直至预测精度满足要求，得到预设的bp神经网络模型。

进一步的，预设的bp神经网络模型为单输入、单输出的结构，其输入层与输出层之间采用单隐含层设置，输入层以岩体的声发射信号特征参数为输入，输出层以识别某一特征参数所对应的岩体失稳阶段为输出。

进一步的，岩体失稳不同阶段的声发射信号的特征参数可以为振铃计数或能量计数，本实施例采用振铃计数作为声发射信号的预设特征参数，其中，振铃计数表示在一组采样的声发射信号中，超过设定阈值的振铃脉冲次数。以上述的每组声发射信号长度为2048个数据点为例，每组声发射信号中包含2048个脉冲信号数据，计算2048个数据点中超过设定阈值的振铃脉冲次数，从而得到每组声发射信号的振铃计数，由此得到本实施方式中采集到的各阶段声发射信号对应的振铃计数如表1所示。

表1

如图2所示，得到初始的bp神经网络模型的具体过程包括：

依据训练集中的特征参数的类别和岩体的失稳阶段确定bp神经网络的输入层和输出层节点个数；

依据试凑法确定bp神经网络的隐含层节点个数；

初始化bp神经网络的权值和阈值；

通过遗传算法优化bp神经网络的权值和阈值；

依据训练集中的特征参数和对应的岩体失稳阶段对bp神经网络进行训练，获取bp神经网络的预测输出值与期望输出值的误差，通过反向传播更新bp神经网络的权值和阈值，直至预测输出值与期望输出值的误差小于第一设定值，得到初始的bp神经网络模型。

具体的，首先进行bp神经网络构建，本实施方式中，特征参数为振铃计数，输入数据为一维数据，故输入层节点数为1，输出层输出为输入的振铃计数对应的岩体失稳阶段，故输出层节点数也为1，根据试凑法确定隐含层的节点数为5个。其中，隐含层神经元传递函数选取s型函数，具体为logsig函数，输出层神经元传递函数选取线性激活函数，具体为purelin函数，训练函数为training函数，损失函数选择均方误差(mse)，设定学习速率为0.001，迭代次数为100。

对bp神经网络进行训练的过程如下：

初始化bp神经网络的权值和阈值，并通过遗传算法对bp神经网络的权值和阈值进行优化，以训练集中的特征参数作为输入，按如下公式计算隐含层输入值yi和输出值hi：

yi＝ωix+ai；

hi＝f(ωix+ai)。

将隐含层输出值作为输入，按如下公式计算输出层输入值t和输出层输出值o：

将输出层输入值和输出层输出值作为输入，采用均方误差函数计算得到bp神经网络的输出值与期望值的误差，均方误差计算公式如下：

若bp神经网络的输出值与期望值的误差大于第一设定值，则以输出层输入值和输出层输出值作为输入，执行反向传播，按如下公式更新隐含层和输出层的权值和阈值：

其中，输入样本为x＝(x1,x2,x3...xp)，tp表示输出层第p个样本输入时的输入值、op表示输出层第p个样本输入时的输出值。ωi为隐含层权值，ω为输出层权值，隐含层阈值为ai，输出层阈值为b，f为隐含层传递函数，φ为输出层传递函数，i(i＝1,2...,5)为隐含层节点，μ为常数。

重复上述训练过程，使得各层的权值及阈值根据bp神经网络的输出值和期望值的误差逐渐调整，直至bp神经网络的预测输出值与期望输出值的误差小于第一设定值，得到初始的bp神经网络模型。

进一步的，传统的bp神经网络在训练过程中容易陷入局部最优解，从而导致bp神经网络参数优化效果不是最佳，使得神经网络稳定性不好，从而影响预测精度，因此，本实施方式通过遗传算法对bp神经网络的权值和阈值进行优化，从而有效避免了bp神经网络陷入局部最优解，优化过程包括：

设置种群参数，种群参数包括种群规模、进化次数、交叉概率及变异概率；

对bp神经网络的参数进行实数编码，参数包括bp神经网络的权值和阈值；

计算个体的适应度，依据个体的适应度从当前种群中选择最优个体，执行交叉、变异操作，直至达到优化条件，选择最佳的权值和阈值更新bp神经网络的初始权值和阈值。

具体的，先进行遗传算法参数设置，本实施方式中，种群规模设为20，进化次数、交叉概率集变异概率可根据具体情况设定，并通过以下公式计算得到每个染色体长度：

l＝n×m+m×s+m+s；

其中，l为染色体长度，n为输入层节点个数，m为输出层节点个数，s为隐含层节点个数，则本实施方式中，染色体长度为l＝1×1+1×5+1+5，l＝12。

分别对bp神经网络的各层权值及阈值进行实数编码为长度12的染色体个体，并逐一计算各个个体的适应度值。

采用轮盘赌选择法，依照个体的适应度值大小随机选择个体执行交叉、变异操作，轮盘赌选择法中个体被选择的概率与适应度值成正比，具体计算公式如下：

其中，n为种群大小，个体适应度值为g(i)，个体被选择的概率为p(i)。

由于采用实数编码规则，故交叉算子选择算术交叉，使得两个个体经过线性变换获得新的个体，变异算子选择原值随机突变，算术交叉的计算公式如下：

其中，x1和x2分别表示原个体，x′1和x′2分别为新个体，k为0～1的常数。

每执行一轮选择、交叉和变异，种群就更新一次，并重新计算种群中各个体的适应度，选择适应度大的部分个体组成新的种群，并继续进行个体选择、交叉和变异操作，使得种群不断迭代，直至种群中每一个个体的适应度值均大于预设阈值，得到最优解，获得最佳权值和阈值，并将得到的最佳权值和阈值作为bp神经网络的初始权值和阈值。通过遗传算法对bp神经网络的初始权值和阈值进行优化，使得bp神经网络的权值和阈值在训练过程中随着训练动态变化，从而避免了bp神经网络训练过程中陷入局部最优解，提高了bp神经网络的稳定性。

进一步的，个体的适应度与初始的bp神经网络模型的预测输出值与期望输出值的误差成反比，因此，上述过程可以采用如下公式计算个体的适应度：

其中，g(x)表示适应度函数，e(x)表示均方误差函数。

本实施方式中，将40组训练集作为输入得到的bp神经网络的预测输出值和期望值的对比图及输出误差图分别如图3及图4所示，将40组测试集作为预设的bp神经网络模型的输入得到的预测输出值和期望值的对比图及输出误差图分别如图5及图6所示。

如图7所示，本发明的实施方式还提供一种岩体失稳阶段的预测装置100，所包括：

数据获取单元110，被配置为获取岩体的声发射信号；

特征提取单元120，被配置为从获取到的声发射信号中提取特征参数；

预测单元130，被配置为依据特征参数和预设的bp神经网络模型，预测岩体的失稳阶段；预设的bp神经网络模型通过岩体失稳不同阶段的声发射信号的特征参数对bp神经网络和遗传算法进行训练后得到。

此处的数据获取单元110、特征提取单元120及预测单元130为程序模块，各单元的划分仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

本发明的实施方式还提供一种岩体失稳阶段的预测系统，包括：

连接于网络的声发射传感器，以及连接于网络的岩体失稳阶段的预测装置100，声发射传感器可以为多个，用于采集岩体的声发射信号，预测装置100的数据获取单元110通过网络获取声发射传感器采集的岩体声发射信号。上述网络可以是无线网络，也可以是有线网络，当其为有线网络时，可以是由相应的总线组成的网络。

相应的，本发明的实施方式还提供一种计算机可读存储介质，该可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的岩体失稳阶段的预测方法。

本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。