首页 > 学术百科

基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法

Vol.12,No.1Feb.2021

第12卷第1期2021年2月

有金属科学与工程

Nonferrous Metals Science and Engineering

文章编号:1674-9669(2021)01-0099-09

DOI ： 10.13264/jki.ysjskx.2021.01.013

引文格式：罗小燕，黄祥海，汤文聪.基于改进VMD 和GA-BP 神经网络的砂岩破裂过程预测方法口有金属

科学与工程,2021,12(1):99-107.

基于改进VMD 和GA-BP 神经网络的

砂岩破裂过程预测方法

罗小燕匕黄祥海1，汤文聪1

(1.江西理工大学机电工程学院，江西赣州341000； 2.江西省矿冶机电工程研究中心，江西赣州341000)

摘要：为提取有效的砂岩破裂声发射信号特征，提高砂岩破裂过程预测精度，提出一种基于改进变

分模式分解算法(VMD )和GA-BP 神经网络的预测方法％首先，开展单轴压缩实验进行砂岩破裂试

验，并采集破裂过程的声发射信号；其次，为取得有效声发射信号，从中提取出有效特征参数进行预

测，引入相关系数改进VMD 算法并对原始声发射信号进行预处理，提取信号能量特征参数作为模型的输入以便区分破裂过程；最后构建GA-BP 预测模型，通过遗传算法(GA )优化BP 神经网络的权值和阈值，将信号能量作为样本用于预测模型的训练。结果表明，通过引入相关系数可有效解决VMD

算法中!值难以选取的问题，对采集到的声发射信号进行有效去噪；此外，经GA 算法改进后的BP

神经网络预测模型能够准确预测破裂状态，相较于改进前传统的BP 神经网络模型稳定性更高，收敛能力更好，预测准确率提高17.5%。

关键词：声发射信号；VMD ；砂岩破裂过程研究；BP 神经网络；GA-BP 预测模型

中图分类号:TD326 文献标志码:A

Method of predicting sandstone fracture process based

on improved VMD and GA-BP neural network

LUO Xiaoyan", HUANG Xianghai D ,TANG Wencong 1

(1.School of Mechanical and Electrical Engineering, Jiangxi University of Science and Technology, Ganzhou 341000, Jiangxi ,China ；精打细算教学设计

2. Jiangxi Mining and Metallurgy Engineering Research Center , Ganzhou 341000, Jiangxi , China)

Abstract : In order to extract effective acoustic emission signal characteristics of sandstone fracture and

improve the accuracy of predicting sandstone fracture process, a prediction method based on improved

variational mode decomposition (VMD) algorithm and GA-BP neural network was proposed. Firstly, uniaxial

compression experiments were carried out to simulate the process of sandstone fracture, and the AE signals of fracture process were collected; secondly, in order to obtain effective AE signals, the effective characteristic

parameters were extracted for prediction, the correlation coefficient was introduced to improve VMD algorithm,

the original AE signals were preprocessed, and the signal energy characteristic parameters were extracted as the input of the model so as to distinguish fracture process. Finally, the GA -BP prediction model was

收稿日期：2020-07-19

基金项目：国家自然科学基金资助项目(51464017)；江西省教育厅科技重点项目(GJJ150618)；赣州市重点研发计划项目(赣市科发[201_]50号) 通信作者：罗小燕(1967—)，女，副教授，主要从事计算机测控与智能技术、机电系统智能监测与控制等方面的研)E-mail ：****************

100

有金属科学与工程2021年2月constructed,the weights and thresholds of BP neural network were op

timized by genetic algorithm(GA),and the signal energy was used as a sample to train the prediction model.The results showed that the introduction to correlation coefficient could effectively solve the problem that K value was difficult to select in VMD algorithm,and the collected acoustic emission signals could be effectively de-noising;in addition,the BP neural network prediction model improved by GA algorithm could accurately predict the fracture state; compared with the traditional BP neural network model before the improvement,the stability of the improved one was higher,with better convergence ability,and prediction accuracy increased by17.5%o

Keywords：acoustic emission signal;VMD;study on sandstone fracture process;BP neural network;GA-BP prediction model

0引言

岩体破裂过程预测是保障采矿安全生产的重要手段，在破裂过程中往往伴随着声发射现象。岩体声发射是指当岩体承受外部载荷时，其原生裂隙区域应力高度集中，随着载荷的增加并逐渐达到打破原有的稳定应力关系，岩体发生宏观裂缝扩展和微观内部结构变形，从而使得岩体以弹性波的形式将积蓄的应力势能向外界释放的现象［1］。由于岩体内部状态和声发射在一定的非线性映射关系叫此，通过对岩体破裂过程声发射的研究可以加深对其内部结构变化的实时的了解叫声发射测通过声发射

声发射的，是测岩体稳定性的有手段叫

，内外专家在岩体状态预测方面做了许多有的究"对声发射信号

，发现声发射岩体破的性关系［5］；采岩体声发射，并构稳预测实现对岩体稳定性，对声发射

能有效预测岩体稳定性问；黄

、内聚力、重度、、孔隙力比、高度构并对稳定性预测叫到有效的岩体破裂过程声发射，内外采变式(VMD)对采集到的声发射。李余采用VMD成功提取了IMF中心频率，解决了射噪声［/］；

采VMD方法，通过每个分量的能量％，对岩体微震降［0］；毕凤荣等提出自适应选择VMD分解层，VMD需要手动选择分解层数的缺陷［10］。

通过以上可知，VMD有较好的去噪能力，但是BP在收敛速度慢、的稳定性差的，导致预测准确率不高；此外VMD存在预设尺度!以选的，！值选过小导致声-无有离，!值选过大导致过解，此当!值选取不合适时将影响声发射信号的果。

综上，本文提出改进VMD算法对原始砂岩破裂过程声发射，然后通过构建GA-BP预测实现砂岩破裂过程的预测。通过对声发射预并能量作岩体内部和发展的，预测岩体破裂状态为岩体稳测供了一定的论依据，对保障矿山安全、高效作业具有积极意义。

1VMD算法原理及其改进

1.1VMD算法原理

VMD是围绕变分问题处理信号的新方，适应稳、性的处理。该将输入"(#)K个函数$%(#)，目标是使每个

的估计带宽之和最小，VMD变过程主要包括立变约束和求解2部［11］。

首先立变约束，如下式所示：min:#||'#%(#)+"&'%(#)(如||2丨

仏山；1I'I⑴

%;1

式中:"所得模态函数，！％｝为对应模态的中，/(#)为原始。

在上式基础上引入增广函数，将问题变如下式所示：

L%!%为为#)=$#$乞

-%(#)+£">+

$/(#)-#$%(#)>II+］%(#)，/'(#)-#$%(#)&(2) %=1\%;1/

第12卷第1期罗小燕，等：基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法101式中:！为惩罚因子，入为拉格朗日因子#再通过使用

乘法算子交替方向法求解上式的鞍点，求得变分约束

模型的频域和中心频率表达凹，如下式所示：

"+1•

!=arg min

!I d t$"($)+如||#+

||/($)-&!)($)+||#

严二.$!&(*)

.$〔！&(*)|#d$⑶

⑷

2信号采集及预处理

2.1单轴压缩试验

本文采用RMT-150C岩石力学加载系统开展砂

，中

igf-1

，为能的,

4 件进行平行，具格如表1所&

具体算法实现过程如下:

1)将{!&},{$&},"%,"初始化为0&

2)根据式(3)，式(4)更新和

3)更新"&

4)若满足条件&II!"+1-!&II2/||!||12<#，则停止

更新，否则重复步骤2)。

1.2基于相关系数的改进VMD算法

相关系数是一种能反映变量之间紧密程度的指标[13]，将方，过始-相关程度更高的IMF为分量进行重构，消除变分模式分解算法参数+困和虚假IMF分量的除&相关系数下式解得：

&/())/()+-)(5)

L)=o

式中：/())为岩体点数值,L为数据度&

由式(5)计算得体相关系数，/，以及经VMD分解得到的各IMF分量的自相关系数,。由式(6)得体IMF分量的相关系数,

21-1

0&-帝(6)

,())&,2())

式中：互相关系数h丨的为[0,1],|弓I的大表了分量的相关，，则

为体相关程度更'反之相关程度越低0>0；表示正相关；0<0表示负相关；0&0表示完全相关&

分量,IMF分量如下式所示：

p=20m'@—⑺式中：0ma@指所有本征模态函数分量相关系数最大值；系数m为10；修正量"为3。

表1试件规格参数

Table1Specimen parameters

编号直径/mm/mm高径比

149.9699.96 2.00

250.0299.98 1.99

349.98100.04 2.00

450.01100.02 2.00

试验具体操作过程如下：

1)件，将上将

适位置，检查是否连接正常，传感器布局如图1所示；

图1加载试件及传感器布局

Fig.1Loading specimen and sensor layout

2)开启岩石力学加载系统进行预加载，使压头下件接触良好；

3)声发射采集系统与应力应变采集测试，检查数据输是否正常，将两者的频率设置为1MHz，保证信号的——对应；

4)开始加载，以0.002mm/s的速率进行位移加

102

有金属科学与工程

2021年2月

载试验，同时开始采集整个过程的声发射信号与应力

应变，直至岩样破裂，停止采集；

5）信号的传输与保存，将采集到的信号传输至

个人PC 并保存，做好试验记录；

6）更换试件重复上述过程，待所有试验结束后, 清理试验平台并整理试验设备。

如图2所示，是砂岩破裂全过程的应力-轴向应

变曲线，从图2中可以看出随着轴向应变的增大应力

也随增大，到

后应力（屈

A ）。从4 试样中

个原始声发射信号

进行分析，如图3所示。砂岩破裂声发射信号具有

平稳、线，图3中也可以看，声发射信

号是个

的。

轴向应变/lO^m

图2应力-轴向应变曲线

Fig. 2 Axial stress-strain curve

采样点数

图3原始岩样破裂过程声发射信号

Fig. 3 Acoustic emission signal of original rock

说谎的男孩

sample during fracture process

2.2改进VMD 算法的K 值确定

传统VMD

是过将信号分解为K （预设）个数分量，K 的信号

分大， K

过大信号过分

，K 过

声信号与有信号分5146。

传 K

以信号到有分

，相数

K 。

相

数，岩声发射信号分解10个

IMF 分量，（5）

同分个

IMF 分量与原始信号的相数，后

（7）

算得到有分

！，如 2所列。

2 可， K 2，

3 ， 4

，分相数

大

所 IMF 分有分，

分解状态；当K 为9和10时，可以发 IMF6与

IMF7 的相数

，

过分。

，

选取K 5，6,7,8 进行重，后

相

蔗糖脂肪酸酯K 的，分：

表2不同K 值下各分量与原始信号的相关系数

Table 2 The correlation coefficient between each component and the original signal under different K values

高平市阳光农廉网K