本發(fā)明屬于巖石工程災(zāi)害預(yù)測(cè)領(lǐng)域,涉及一種微震事件精確定位動(dòng)態(tài)參數(shù)法。

背景技術(shù)：

微震監(jiān)測(cè)目的是進(jìn)行巖體危險(xiǎn)性評(píng)估，微震事件的多少間接反映出局部巖體破裂程度。

為了實(shí)現(xiàn)巖體災(zāi)害的精確預(yù)警，對(duì)每個(gè)微震事件的精確定位是必不可少的。由于微震監(jiān)測(cè)系統(tǒng)的限制每個(gè)工程一段時(shí)間內(nèi)只能輸入一套參數(shù)。例如：巖體密度、P波波速、S波波速等等。而一般巖體工程監(jiān)測(cè)環(huán)境是非常復(fù)雜的，斷層、節(jié)理、裂隙、溶洞及水，煤礦中還有瓦斯氣體。因此，每個(gè)微破裂發(fā)出的應(yīng)力波要經(jīng)過(guò)幾乎所有這些固、液、氣等材料才能被微震傳感器所接收到。對(duì)于地下洞室較多的地下工程，應(yīng)力波傳遞的路徑更加復(fù)雜。但是，微震系統(tǒng)中只是根據(jù)已有波速和到達(dá)傳感器的時(shí)間差進(jìn)行定位，不考慮中間過(guò)程，也不區(qū)分應(yīng)力波來(lái)源及方向。這就是微震系統(tǒng)目前定位精度不高的主要原因。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供一種微震事件精確定位的動(dòng)態(tài)參數(shù)方法，該動(dòng)態(tài)參數(shù)方法能夠提高微震事件的定位精度。

本發(fā)明的技術(shù)方案為：

一種微震事件精確定位的動(dòng)態(tài)參數(shù)方法，具體包括以下步驟：

第一步，首先采用工程類比法，結(jié)合以往類似工程大致設(shè)計(jì)該工程所使用微震監(jiān)測(cè)系統(tǒng)的輸入?yún)?shù)，建立初始參數(shù)數(shù)據(jù)庫(kù)，此時(shí)數(shù)據(jù)庫(kù)中只包含一組參數(shù)。所述的輸入?yún)?shù)包括巖體密度、P波波速、S波波速、傳感器數(shù)量、傳感器的空間坐標(biāo)、采樣頻率。

第二步，指定幾組已知的人工震源位置，對(duì)已經(jīng)安裝的傳感器所在范圍進(jìn)行分區(qū)，稱為傳感器快速響應(yīng)區(qū)域，根據(jù)測(cè)試位置坐標(biāo)確定最近的傳感器快速響應(yīng)區(qū)域，計(jì)算人工震源位置與傳感器位置的距離；所述的人工震源位置包括人工爆破點(diǎn)或敲擊點(diǎn)；所述的分區(qū)原則為以每個(gè)傳感器為中心點(diǎn)，以50m為半徑建立立體球空間范圍。

第三步，建立微震事件調(diào)整參數(shù)數(shù)據(jù)庫(kù)

3.1)根據(jù)傳感器獲取的P波時(shí)間差，計(jì)算出P波波速；根據(jù)走時(shí)差公式(1)計(jì)算S波波速，根據(jù)P波的容易確定位置和已知的震源與傳感器的距離準(zhǔn)確計(jì)算出S波波速，避開(kāi)S波提取的人為干擾因素；最后把所有的測(cè)試點(diǎn)數(shù)據(jù)以及相應(yīng)的傳感器快速響應(yīng)分區(qū)數(shù)據(jù)，計(jì)算出的P波波速和S波波速等參數(shù)加入到測(cè)試參數(shù)數(shù)據(jù)庫(kù)；初始參數(shù)數(shù)據(jù)庫(kù)中其他參數(shù)保持不變。

t＝(r/Vs)-(r/Vp) (1)

其中，Vs為S波波速；Vp為P波波速；t為走時(shí)差；r為震中與傳感器距離。

3.2)利用人工智能神經(jīng)網(wǎng)絡(luò)方法對(duì)人為指定的較大級(jí)別的已知位置的微震事件進(jìn)行誤差調(diào)整，不斷重復(fù)調(diào)整P波波速、S波波速和其他輸入?yún)?shù)，建立調(diào)整參數(shù)數(shù)據(jù)庫(kù)；

微震監(jiān)測(cè)系統(tǒng)開(kāi)始進(jìn)行實(shí)際工程監(jiān)測(cè)測(cè)試，此時(shí)加入人工智能神經(jīng)網(wǎng)絡(luò)方法對(duì)所監(jiān)測(cè)的數(shù)據(jù)進(jìn)行優(yōu)化調(diào)整。監(jiān)測(cè)過(guò)程中要不斷地人為指定實(shí)際發(fā)生的較大級(jí)別的微震事件，甚至是巖爆、沖擊地壓等災(zāi)害事件作為人工智能神經(jīng)網(wǎng)絡(luò)方法的學(xué)習(xí)樣本，并不斷重復(fù)調(diào)整P波和S波的波速，以及其他輸入?yún)?shù)，建立調(diào)整參數(shù)數(shù)據(jù)庫(kù)。此時(shí)該數(shù)據(jù)庫(kù)中包含初步劃分的快速響應(yīng)分區(qū)數(shù)目的參數(shù)組。

第四步，根據(jù)調(diào)整參數(shù)數(shù)據(jù)庫(kù)對(duì)傳感器快速響應(yīng)區(qū)域進(jìn)行對(duì)應(yīng)細(xì)化，建立對(duì)應(yīng)于每個(gè)細(xì)化的傳感器快速響應(yīng)區(qū)域的微震事件的精確定位參數(shù)數(shù)據(jù)庫(kù)。

經(jīng)過(guò)上述系統(tǒng)參數(shù)的學(xué)習(xí)和調(diào)整后，根據(jù)誤差最小的參數(shù)組，將每個(gè)傳感器快速反應(yīng)區(qū)域細(xì)分為更小的快速反應(yīng)區(qū)域，建立精確定位參數(shù)數(shù)據(jù)庫(kù)。如果新發(fā)生的微震事件經(jīng)過(guò)初步定位后，判斷出所屬于的細(xì)分的快速反應(yīng)區(qū)域，則指定對(duì)應(yīng)的參數(shù)作為該事件的輸入?yún)?shù)并做定位精度調(diào)整。此時(shí)該數(shù)據(jù)庫(kù)中包含細(xì)分響應(yīng)分區(qū)數(shù)目組數(shù)參數(shù)組。

本發(fā)明的有益效果為：實(shí)際監(jiān)測(cè)工作中，需要不斷更新和豐富調(diào)整參數(shù)數(shù)據(jù)庫(kù)和精確定位參數(shù)數(shù)據(jù)庫(kù)數(shù)據(jù)。本發(fā)明利用工程中應(yīng)力波傳播媒介的差異，從現(xiàn)場(chǎng)實(shí)際情況出發(fā)，依據(jù)震源的方向動(dòng)態(tài)調(diào)整數(shù)據(jù)參數(shù)，并利用人工智能神經(jīng)網(wǎng)絡(luò)方法對(duì)定位結(jié)果進(jìn)行優(yōu)化。該動(dòng)態(tài)參數(shù)方法能夠靈活地適應(yīng)礦山、隧道、地下廠房等不斷改變地質(zhì)環(huán)境等條件，進(jìn)行微震事件的高精度定位工作。

附圖說(shuō)明

圖1為微震參數(shù)訓(xùn)練階段流程圖；

圖2為微震事件定位流程圖。

具體實(shí)施方式

以下對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

微震監(jiān)測(cè)系統(tǒng)首先采用工程類比法，結(jié)合以往類似工程大致設(shè)計(jì)該工程所使用的輸入?yún)?shù)，包括巖體密度、P波波速、S波波速、傳感器數(shù)量、傳感器的空間坐標(biāo)、采樣頻率，建立初始參數(shù)數(shù)據(jù)庫(kù)。

指定幾組已知的人工爆破點(diǎn)或敲擊點(diǎn)，根據(jù)測(cè)試位置坐標(biāo)確定最近的傳感器快速響應(yīng)區(qū)域，計(jì)算出人工震源位置與傳感器的位置的距離。根據(jù)傳感器獲取的P波時(shí)間差，計(jì)算出P波波速。然后利用走時(shí)差公式t＝(r/Vs)-(r/Vp)計(jì)算出S波波速，這樣可以根據(jù)P波的容易確定位置和已知的震源與傳感器的距離準(zhǔn)確計(jì)算出S波波速，避開(kāi)S波提取的人為干擾因素。然后把所有的測(cè)試點(diǎn)數(shù)據(jù)以及相應(yīng)的傳感器快速響應(yīng)分區(qū)數(shù)據(jù)，計(jì)算出的P波波速和S波波速等參數(shù)加入到測(cè)試參數(shù)數(shù)據(jù)庫(kù)；初始參數(shù)數(shù)據(jù)庫(kù)中其他參數(shù)保持不變。此時(shí)該數(shù)據(jù)庫(kù)中包含初步劃分的快速響應(yīng)分區(qū)數(shù)目的參數(shù)組。

微震監(jiān)測(cè)系統(tǒng)開(kāi)始進(jìn)行實(shí)際工程監(jiān)測(cè)測(cè)試，此時(shí)加入人工智能神經(jīng)網(wǎng)絡(luò)方法對(duì)所監(jiān)測(cè)的數(shù)據(jù)進(jìn)行優(yōu)化調(diào)整。監(jiān)測(cè)過(guò)程中要不斷地人為指定實(shí)際發(fā)生的較大級(jí)別的微震事件，甚至是巖爆、沖擊地壓等災(zāi)害事件作為人工智能神經(jīng)網(wǎng)絡(luò)方法的學(xué)習(xí)樣本，并不斷重復(fù)調(diào)整P波和S波的波速，以及其他輸入?yún)?shù)，建立調(diào)整參數(shù)數(shù)據(jù)庫(kù)。此時(shí)該數(shù)據(jù)庫(kù)中包含初步劃分的快速響應(yīng)分區(qū)數(shù)目的參數(shù)組。

經(jīng)過(guò)上述系統(tǒng)參數(shù)的學(xué)習(xí)和調(diào)整后，根據(jù)誤差最小的參數(shù)組，將每個(gè)傳感器快速反應(yīng)區(qū)域細(xì)分為更小的快速反應(yīng)區(qū)域，建立精確定位參數(shù)數(shù)據(jù)庫(kù)。如果新發(fā)生的微震事件經(jīng)過(guò)初步定位后，判斷出所屬于的細(xì)分的快速反應(yīng)區(qū)域，則指定對(duì)應(yīng)的參數(shù)作為該事件的輸入?yún)?shù)并做定位精度調(diào)整。此時(shí)該數(shù)據(jù)庫(kù)中包含細(xì)分響應(yīng)分區(qū)數(shù)目組數(shù)參數(shù)組。實(shí)際監(jiān)測(cè)工作中，不斷更新和豐富調(diào)整參數(shù)數(shù)據(jù)庫(kù)和精確定位參數(shù)數(shù)據(jù)庫(kù)數(shù)據(jù)。