一种岩石破裂状态识别方法及相关设备

技术领域

本发明涉及地质监测技术领域，尤其涉及的是一种岩石破裂状态识别方法及相关设备。

背景技术

储层岩体的破裂状态是油气开发工程中的重要指标。通常，油气开采最常用的方法是水力压裂法。即通过持续的钻井将压裂管送到储层，然后注入高压流体压裂储层岩体，制造气体的流动通道，从而实现高效的抽采。然而，高产的油气储层通常埋深较大、伴随着复杂三维地应力场；且储层地应力极易受到水力压裂作业扰动，并在大小和方向上都出现不规则的动态变化。常常导致钻井井筒和储层压裂区域岩体出现难以控制的破坏，造成巨大的经济损失。学者们利用基于线性推导的岩石力学模型(例如：摩尔-库伦、霍克-布朗强度准则)来预测岩石破坏，并尝试基于储层岩体破裂状态控制注入工艺。然而，深部三维应力场在施工作业扰动下储层应力场的变化是动态的且非线性的，依靠特定参数的评估方法难以适应应力场的实时变化。

因此，迫切地需要找到一种可以实现深部岩石破裂状态动态监测和判识的方法。但是由于缺乏有效的工具和方法，对深部工程岩体破裂状态/阶段的监测一直是具有挑战性的任务，目前尚未完善的有针对性的应对方案。

发明内容

本发明的目的是提供一种岩石破裂状态识别和监测方法及相关设备，旨在解决现有技术对岩体破裂阶段的识别和监测困难的问题。

本发明解决技术问题所采用的技术方案如下：

本发明提供一种岩石破裂状态识别和监测方法，包括

获取岩石破裂过程的声发射信号；

将岩石的声发射信号的声发射波形变换为声发射信号的时频图；

将岩石的声发射信号的时频图输入神经网络模型，通过神经网络模型对岩石的声发射信号的时频图进行分类识别，得到岩石是否处于破裂阶段的判断结果。

根据上述技术手段，本申请实施例基于不同应力环境下的岩石破裂声发射数据，将声发射数据的波形转换成时频图，保留波形的全部特征的同时完成对声发射数据的升维，进而利用卷积神经网络对时频图的特征进行分类识别，从而通过卷积神经网络模型判断岩石破裂的阶段，能够简单方便的实现对于岩石破裂阶段的识别与监测，用于岩石工程防灾预防和预警和为动态调整作业参数提供依据。

进一步地，所述将岩石的声发射信号的声发射波形变换为声发射信号的时频图具体是通过小波变换将岩石的声发射信号的声发射波形变换为声发射信号的时频图。

根据上述技术手段，本申请实施例通过小波变化将声发射信号的声发射波形变换为声发射信号的时频图，小波变换保留了波形的几乎全部特征，且小波变换可聚焦到信号的任意细节，极为适合岩石的破裂阶段特征提取这种需要聚焦声发射信号的区域细节部分的情况使用。

进一步地，所述神经网络模型具体是预训练出图像识别能力后进行分类识别训练得到。

根据上述技术手段，本申请实施例通过迁移学习方法，从而能够直接采用现有数据库的数据对神经网络模型训练出基本的图像识别能力，使得神经网络模型具备对于图像的边缘、区域和色彩等特征进行提取和识别，在此基础上进一步分类识别训练得到最后核实的神经网络模型。

进一步地，所述分类识别训练包括：

锁定部分或全部与图像识别能力相关的参数，对其余参数进行训练；

开启锁定的与图像识别能力相关的参数，对神经网络模型进行训练。

根据上述技术手段，本申请实施例为了不让采用时频图进行高精度训练破坏预训练构建的卷积层提取图像特征的能力，因此先锁定卷积层，开启全连接层，仅对全连接层进行训练，从而避免初始损失函数Loss过大破坏卷积层的预训练权重。

进一步地，所述神经网络模型包括VGG19模型；

所述锁定部分或全部与图像识别能力相关的参数，对其余参数进行训练具体是：

锁定卷积层，开启全连接层，仅对全连接层进行训练；

所述开启锁定的与图像识别能力相关的参数，对神经网络模型进行训练具体是：

开启卷积层，对神经网络模型进行训练。

根据上述技术手段，本申请实施例采用的VGG19网络模型具有优秀的可靠性和稳定性，能够较好的实现对于岩石破裂的识别与监测

进一步地，所述开启卷积层，对神经网络模型进行训练，具体是先开启头部的部分卷积层进行训练设定次数，之后逐级开启卷积层进行训练。

根据上述技术手段，本申请实施例为了进一步保护底层提取图片基础特征的功能，采用逐级开启卷积层的方式，最大程度的防止进行分类识别训练时破坏卷积层的预训练权重。

进一步地，所述逐级开启卷积层进行训练中，基于不同窗宽的声发射信号的时频图进行微调训练以获得最佳窗宽和对应的神经网络模型。

根据上述技术手段，本申请实施例通过微调快速获得最佳窗宽和对应最佳窗宽的效果最佳的神经网络。

进一步的,所述最佳窗宽具体是能完整地包含一个断裂的可识别特征但不包含其他破裂的波形特征的窗宽。

根据上述技术手段，本申请实施例通过设定合适小波变换的窗口宽度，从而能够相对完整地包含一个破裂的可识别特征，同时避免掺入更多其他破裂的波形特征，影响模型训练的准确度从而导致判识准确率降低。

此外，为实现上述目的，本发明还提供一种终端，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的岩石破裂状态识别和监测程序，所述岩石破裂状态识别和监测程序被所述处理器执行时控制终端实现如上所述的岩石破裂状态识别和监测方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有岩石破裂状态识别和监测程序，所述岩石破裂状态识别和监测程序被处理器执行时实现如上所述的岩石破裂状态识别和监测方法的步骤。

本发明采用上述技术方案具有以下效果：

本发明基于不同应力环境下的岩石破裂声发射数据，将声发射数据的波形转换成时频图，保留波形的全部特征的同时完成对声发射数据的升维，进而利用卷积神经网络对时频图的特征进行分类是被，从而通过卷积神经网络模型判断岩石破裂的阶段，能够简单方便的实现对于岩石破裂阶段的识别与监测，用于岩石工程防灾预防和预警和为动态调整作业参数提供依据。

附图说明

图1是本发明较佳实施例中岩石破裂状态识别和监测方法的步骤流程图；

图2是本发明较佳实施例中小波变换将声发射波形图转换为时频图的对照图；

图3是本发明较佳实施例中不同窗口宽度的小波变换数据样式；

图4是本发明较佳实施例中不同窗口宽度下的破裂阶段的识别准确度；

图5是本发明较佳实施例中采用的VGG19神经网络模型的网络结果示意图；

图6是本方面较佳实施例中采用的VGG19神经网络模型进行识别训练的步骤流程图；

图7是本发明终端的较佳实施例的运行环境示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例一

请参见图1，本申请的实施例一是一种岩石破裂状态识别和监测方法，其包括步骤：

S1、获取岩石的声发射信号；

其中，声发射(Acoustic Emission,AE)(频率≥10000Hz)是指岩体在受力变形失稳破坏过程中，微裂纹的产生、扩展和贯通所释放的能量产生的瞬态弹性波现象。岩体的宏观变形破坏现象是岩体内部微观破坏的整体表现，声发射信号能直观反映在整个变形破坏阶段的岩体内部损伤情况以及微观裂纹(小尺度)的产生、扩展、贯通的演化过程。

S2、将岩石的声发射信号的声发射波形变换为声发射信号的时频图；

具体而言，请参照图2，本步骤中，是通过小波变化将声发射信号的声发射波形变换为声发射信号的时频图中保留了波形的几乎全部特征，包含了主频分布，频率变化特征，小能力频谱的变化规律等。同时对数据进行了升维，便于后续通过神经网络对声发射信号进行识别。

小波变化(wavelet transform，WT)是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具，如同傅里叶变换是将信号分解成一系列不同频率的正余弦函数的叠加，同样小波变换是将信号分解为一系列的小波函数的叠加(或者说不同尺度时间的小波函数拟合)，而这些小波函数都是一个基本小波函数经过平移和尺度伸缩得来的。

它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，极为适合岩石的破裂阶段特征提取这种需要聚焦声发射信号的区域细节部分的情况使用。

请参照图3，本发明测试了窗宽为1、2、3、5、10和15的小波变换情况下，神经网络对于岩石破裂阶段识别的准确性，考虑三维应力路径能够反映更真实的应力环境，在指定应力路径的情况下神经网络不会收到应力路径变化的干扰，判断会更加准确一些，即在指定应力路径和不指定应力路径两种情况下，神经网络对于岩石破裂阶段的识别判断能力有所区别，因此本发明中分别对两种情况下不同窗宽的小波变换后的时频图被神经网络识别的准确度进行了测试。

请参照图4，在本发明对不指定应力路径的测试中，结果表明窗宽对卷积神经网络模型的训练精度和判识准确率具有显著影响。随着窗宽的增加，在不指定具体三维应力路径(罗德角)的情况下，神经网络模型对砂岩破裂阶段识别的准确率从最低80.2％提升了到最高87.3％，其中，窗宽从1到15的准确率分别为：80.2％、83.3％、85.2％、87.3％和86.3％。值得注意的是，窗宽从10增加到15时，准确略微降低。因此在本发明的实验条件下，窗宽为10时对于砂岩试件破裂阶段的判识属于最佳窗宽数量。从原理上而言，这也意味着10个连续的声发射波形，能够相对完整地包含一个破裂的可识别特征。然而如果窗宽偏大(如：窗宽为15)，反而会掺入更多其他破裂的波形特征，影响模型训练的准确度从而导致判识准确率降低。

值得说明的是，本实施例的最佳窗宽大小具体是对应砂岩进行测试，不同材质的岩石破裂的可识别特征大小不一，因此不同材质的岩石对应的最佳窗宽也并不相同。

在本发明对指定应力路径的测试中，由于加入了作为先验信息的指定应力路径，在不增加算力需求的情况下，相较于不指定应力路径的准确度有所增加，具体而言，其准确度居于88％至94.6％区间，在窗宽为15时，效果最佳。

S3、将岩石的声发射信号的时频图输入神经网络，对岩石的声发射信号的时频图进行分类识别得到岩石的破裂阶段。

卷积神经网络模型对致密砂岩破裂阶段的判识，本质上是个分类问题。本实施例中，具体是采用CNN神经网络中的VGG19网络模型对岩石的破裂阶段进行识别判定。在其他实施例中，也可以考虑采用其他形式的神经网络进行破裂阶段是识别判定，本发明不以此为限。

请参见图5，VGG19网络模型的可靠性和稳定性在广泛采用过程中已得到了验证。VGG19网络模型从前往后，依次包含13个卷积层和3个全连接层。

本实施例中，为了获得不同的应力路径下岩石破裂的声发射演化过程，本发明中开展了7种不同应力路径下的岩石的破坏实验，同时对其破裂过程进行全程的声发射监测，并将声发射信号通过小波变换转换成声发射信号的时频图，从而为神经网络训练提供大量的训练数据。

其中，每条应力路径(罗德角)条件下砂岩破坏的声发射数据集为一个子数据集。为避免卷积神经网络在训练时由于训练样本数量的差异对训练效果产生影响，从每个子集数据库中随机抽取80％混合制作成为训练数据集；剩余20％数据混合制作成测试数据集。

但由于VGG19网络模型的网络参数较多，对其进行训练需要大量的数据才能完成，如果全部直接采用时频图进行训练，需要耗费大量的人力物力对时频图进行标注获得标签数据，因此，本实施例中使用迁移学习方法对模型进行预训练从而获得基础的图像识别能力，即通过现有的数据库标注好的训练数据对VGG19网络模型进行预训练使VGG19网络模型获得例如边缘识别、区域识别和色彩识别等基础的图像识别能力。在此基础上，VGG19网络模型能够将时频图的详细特征从时频图中提取出来，得到时频图的亮度特征、距离特征和条带特征，其分别对应声发射信号的声发射能量大小、能量范围和频率范围。

在本实施例中，具体是使用包含海量的通用图像数据的ImageNet数据集作为预训练的数据集对VGG19网络模型进行预训练。

请参照图6，在完成对于模型的预训练后，采用前述制作的训练数据集进行后续的分类识别训练，其中，分类识别训练包括：

A1、锁定卷积层，开启全连接层，仅对全连接层进行训练；

本步骤的目的是为了不让采用时频图进行高精度训练破坏预训练构建的卷积层提取图像特征的能力，因此先锁定卷积层，开启全连接层，仅对全连接层进行训练，从而避免初始损失函数Loss过大破坏卷积层的预训练权重。

本实施例中，先对全连接层训练5个epoch，让网络获得一个初始的准确率，获得初始的准确率后，损失函数LOSS会下降到一个可以接受的范围，从而避免初始loss过大破坏卷积层的预训练权重。

其中，epoch表示训练数据集的全部样本训练一次的过程，即训练数据集完整的通过了神经网络一次并且返回了一次，即进行了一次正向传播和反向传播的过程。

A2、开启卷积层，对神经网络模型进行训练。

本实施例中，在对全连接层进行初始训练完成后，开启卷积层对整个神经网络模型进行训练40个epoch，以较多的保留底层提取基础纹理变化功能的卷积层，从而获得更好的识别准确度。

在可选实施例中，为了更好的保护底层提取图片基础特征的功能，也可以是先开启神经网络模型的前五层卷积层，保持其余的卷积层锁定，进行训练40个epoch，之后在逐级开启卷积层进行训练。

此外，本实施例中，在逐级开启卷积层进行训练的过程中，是基于不同窗宽的声发射信号的时频图进行微调训练，以得到最佳的窗宽和对应的最佳的神经网络模型。

在本实施例中，具体是采用Adam(Adaptive Moment Estimation，自适应运动估计算法)优化算法，Adam优化算法是将Momentum优化算法和RMSprop优化算法结合在一起的一种优化算法。不同于传统的梯度下降算法所有的输入变量均采用单个步长，Adam优化算法自动为目标函数的每个输入变量调整学习率，并通过使用以指数方式降低梯度的移动平均值以更新变量。

在本实施例中，训练的Batch size为16，Batch size指的是单次训练的样本个数，Batch size为16即在一次训练时采用训练数据集中的16个样本进行训练。

经过整体的训练后，神经网络模型对于岩石的破裂阶段的识别具有了较高的准确度，具体如前所述，在本发明对不指定应力路径的测试中，窗宽从1到15的准确率分别为：80.2％、83.3％、85.2％、87.3％和86.3％。

在本发明对指定应力路径的测试中，由于加入了作为先验信息的指定应力路径，在不增加算力需求的情况下，相较于不指定应力路径的准确度有所增加，具体而言，其准确度居于88％至94.6％区间，在窗宽为15时，效果最佳。

实施例二

请参见图3，基于上述方法，本发明还提供了一种终端，所述终端包括：存储器10、处理器20及存储在所述存储器10上并可在所述处理器20上运行的岩石破裂状态识别和监测程序，所述岩石破裂状态识别和监测程序被所述处理器20执行时控制终端实现如上所述的岩石破裂状态识别和监测方法的步骤。

所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有岩石破裂状态识别和监测程序40，该岩石破裂状态识别和监测程序40可被处理器10所执行，从而实现本申请中的岩石破裂状态识别和监测方法。

所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述岩石破裂状态识别和监测方法等。

实施例三

本实施例提供一种存储介质，其特征在于，所述计算机可读存储介质存储有岩石破裂状态识别和监测程序，所述岩石破裂状态识别和监测程序被处理器执行时实现如上所述的岩石破裂状态识别和监测方法的步骤。

综上所述，本发明基于不同应力环境下的岩石破裂声发射数据，将声发射数据的波形转换成时频图，保留波形的全部特征的同时完成对声发射数据的升维，进而利用卷积神经网络对时频图的特征进行分类是被，从而通过卷积神经网络模型判断岩石破裂的阶段，能够简单方便的实现对于岩石破裂阶段的识别与监测，用于岩石工程防灾预防和预警和为动态调整作业参数提供依据。

需要说明的是，在本文中，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、物品或者终端不仅包括那些要素，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、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。

当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。