巖爆預警與烈度評價的聲音信號分析*

蘇國韶，劉鑫錦，閆召富，張 潔，李燕芳，燕柳斌

(廣西大學土木建筑工程學院工程防災與結構安全教育部重點實驗室，廣西 南寧 530004)

巖爆是高地應力區地下工程開挖時由于巖體中積聚的彈性應變能突然釋放而發生的動力地質災害現象，巖爆的預警是巖石力學領域的熱點與難點[1-2]。當前，基于聲發射(10～100 kHz)、微震(10 Hz～10 kHz)等聲信號的預警方法扮演著重要角色[3-4]。采用這兩種預警方法時，由于信號的傳播介質為巖體，信號傳播容易受到傳感器與巖體的貼合緊密度、巖體結構面和不良地質構造的影響，信號的衰減與空間變異性往往較大。實際上，巖爆孕育過程中常伴隨著人耳可識別的聲音信號(20 Hz～20 kHz)，它能夠在空氣中傳播，便于接收與采集，是一種潛在的巖爆預警物理信號。當前，一般采用聲響作為巖爆等級劃分的依據[5-6]，例如《水力發電工程地質勘查規范》[5]給出撕裂聲、清脆爆裂聲、爆炸聲、悶雷聲分別對應于輕微、中等、強烈、極強巖爆。然而，關于巖爆聲音信號定量化分析的研究尚未系統開展。

工程實踐和室內實驗均表明[7-11]，在巖爆發生整體性失穩破壞前，常出現顆粒彈射、巖板劈裂等巖石脆性破壞現象，并伴隨不同的聲音信號，為現場施工人員提供了寶貴的預警信息。但是，在現場諸多噪音和不良環境的影響下，人為經驗往往難以保證預警的準確性，而誤判則會對工程進度產生不利的影響。此外，通過人員對巖爆聲響的記憶與描述判斷是否發生巖爆及巖爆等級通常并不可靠，可能造成對同一巖爆事件有不同等級的劃分，進而使制定巖爆防治措施時出現很大的偏差。因此，對于具有巖爆傾向的深部隧道，通過對巖爆前聲音信號的記錄與分析，開展基于聲音信號的巖爆識別與烈度定量化評價研究，實現精準而及時的巖爆預警，具有重要的現實意義。

本文中，利用自主研發的真三軸巖爆實驗系統，在室內實現應變型巖爆的模擬，利用數字錄音筆對巖爆聲音信號進行全程監測，定量分析顆粒彈射、巖板劈裂、塊片彈射等巖爆過程中典型脆性破壞現象的聲音信號特征，由此建立基于隨機森林機器學習的巖爆聲音自動識別方法，并提出一種基于聲音信號的巖爆烈度評價指標，為建立基于聲音信號的現場巖爆預警與烈度評價方法提供基礎和參考。

1 巖爆實驗

1.1 實驗方案

巖樣包括錦屏二級水電站大理巖、白鶴灘水電站玄武巖、廣西岑溪花崗巖、廣東黃陵閃長花崗巖等各種完整硬巖，尺寸為200 mm× 100 mm×100 mm，加工精度嚴格按國際巖石力學協會標準執行。

采用廣西大學真三軸巖爆實驗系統進行隧洞圍巖環向應力集中導致的應變型巖爆模擬，應力加載路徑如下[12]：試樣保持一個臨空面，臨空面對立面施加最小主應力σ3，以模擬高地應力條件下圓形隧洞開挖后圍巖的徑向應力梯度，中間主應力σ2達到預設應力值后保持不變；加載軸向應力σ1直至試件發生巖爆破壞。利用DVR-116型數字錄音筆進行聲音信號實時監測，錄音筆放置在距離巖樣約0.5 m處，錄音文件格式為.wav文件，采樣率為192 kpbs。

1.2 實驗結果

多個不同硬巖的真三軸應變型巖爆實驗結果表明，巖樣的臨空面出現了顆粒彈射、巖板劈裂和塊片彈射3種依次發生的破壞現象。受篇幅限制，并考慮到各實驗的聲音信號變化過程具有一定的相似性，采用圖1給出的典型巖爆過程及其聲音波形進行分析。由圖1可知：1.35 s(圖1中的起始時間)時，臨空面局部開裂，出現清脆開裂聲；14、17、32、43 s后，臨空面分別出現顆粒彈射現象，伴隨著清脆而短促的聲音，相應的聲音信號幅值出現突增；45 s后，臨空面出現局部巖塊剝落，聲音幅值增大，緊接著出現巖板劈裂現象，相應的聲音信號幅值較大，隨后出現持續的低幅值的巖石破裂聲；47 s時，臨空面巖板開始出現橫向裂縫；49 s時，巖板突然折斷并高速彈射出去，隨后大量的巖石塊片彈射而出，伴隨有巨大爆炸響聲，相應的聲音信號幅值最大。由此可見，巖爆過程中的各種宏觀破壞現象與聲音信號波形圖中的幅值突增現象是一一對應的，為基于聲音信號的巖爆預警提供了基礎。

2 典型脆性破壞現象的聲音信號特征分析

對聲音信號的原始數據進行預處理，主要包括分幀、加窗、濾波和端點檢測等，提取聲音信號的特征。在短時分析中，首先將聲音信號按照固定時長分成很多個“標準段”，其中的一個標準段稱為一“幀”。為了使聲音信號的相鄰兩幀之間平穩過渡，在兩幀之間插入一幀，使相鄰兩幀之間的信號有部分重疊，稱為“幀移”。根據以往的聲音信號處理經驗[13]，幀長取為200樣本點，幀移取為80樣本點(見圖2)。聲音信號數字化處理過程中，分幀相當于乘以一個有限長的窗函數，本文中采用漢明窗函數，可避免頻譜能量泄漏現象[14]。無論是在現場施工還是在實驗室，巖爆實驗聲音信號會受到不同程度環境噪聲的污染。當前，噪聲濾波技術發展較為成熟，可以采用對時變信號和突變信號去噪適用性較強的小波法濾除環境噪聲[13]。最后，對完成濾波的聲音信號進行端點檢測[15-16]，自動檢測出聲音信號波形圖中幅值突增聲音的起始點及結束點，以獲取巖樣典型破壞現象相應的聲音波形。

2.1 波形特征

聲音信號波形是指聲音信號幅值隨時間的變化過程。圖3為利用端點檢測所得3種典型破壞現象的波形，不難發現，3種典型破壞現象所對應的波形差異明顯。表1列出了三者之間的具體差異，其中NA>0.4為聲音信號波形幅值A>0.4的聲波信號數。

(1) 顆粒彈射的波形呈“筍芽”狀，持續時間為0.03 s，約為塊片彈射持續時間的1/20。顆粒彈射現象的聲音信號波形幅值隨時間推移逐漸減小，且幅值在0.003 s內從0.4迅速減小到0.1以下，只有在顆粒彈射發生開始時的很短一段時間內超過0.4。這些現象反映了巖爆過程顆粒彈射現象聲音信號具有發生時間短、消失速度快、發生具有不連續性的特點。顆粒彈射的稀疏波形表明，在顆粒彈射現象發生時，巖樣內部的破壞活動較少。

(2) 巖板劈裂的波形呈“矛頭”狀，持續時間為0.47 s，約為顆粒彈射的15倍。幅值在巖板劈裂過程中數次達到或超過0.4，且在整個劈裂過程中聲音信號的幅值并不是持續減小的，局部甚至出現了幅值短暫增大的現象。引起幅值突然增大的原因可能是巖板劈裂過程中，由于巖樣持續加載，巖樣內部裂縫出現局部發展、貫通，致使聲音信號突然增強。該現象與實驗過程中在巖板劈裂現象發生時能聽到連續的“吱吱”剪切破壞聲響相符合。

(3) 塊片彈射波形呈“三角”狀，發生時伴隨著巨大的爆炸式聲響。由圖3(c)可知，幅值超過0.4的部分較多，持續時間為0.76 s，約為顆粒彈射的20倍。幅值隨著時間推移逐漸減小，但是與顆粒彈射和巖板劈裂相比，塊片彈射的幅值隨時間減小的速率較緩慢。塊片彈射現象發生時伴隨著很多小顆粒隨巖板塊片一起從臨空面飛出，因此，巖樣內部破壞活動較多，相應的聲音信號波形分布較濃密。

表1 3種典型破壞現象的聲音信號波形特性Table 1 Features of voice signal waveform for three typical failure phenomena

2.2 頻譜特征

將時域信號變換至頻域加以分析的方法稱為頻譜分析，有助于揭示巖爆過程中聲音信號的頻率分布情況。快速傅里葉變換(fast Fourier transformation, FFT)是應用最廣泛的一種頻譜分析手段，能夠實現波形由時域向頻域的轉變。將巖爆典型破壞現象對應的聲音信號波形提取出來，利用MATLAB時頻分析工具箱對所提取的聲音信號進行FFT，從而得到巖爆過程中不同破壞現象聲音信號的頻譜，如圖4所示，其中經FFT處理后的幅值是由傅里葉變換的返回值乘以2再除以數據長度得到的歸一化幅值。 由圖4可知，3種典型破壞現象聲音信號頻譜特征有明顯區別。表2列出了3種典型破壞現象的具體差異，以下分別進行說明。

(1) 顆粒彈射的頻率范圍為7～11 kHz，頻譜呈“多峰”狀，最大歸一化幅值為0.009，僅為塊片彈射時幅值的1/3；主頻的范圍較塊片彈射時的頻率高，主頻帶較寬。

(2) 巖板劈裂的頻率范圍2～8 kHz，頻譜呈“單峰”狀，最大歸一化幅值為0.005，比顆粒彈射和塊片彈射時幅值小；主頻帶較顆粒彈射和塊片彈射時更寬，這與巖板劈裂過程中巖石內部裂紋持續產生、發展、貫通有關；此外，巖板劈裂的頻率范圍與顆粒彈射頻率范圍有部分重疊。

(3) 塊片彈射的頻率范圍為0～2 kHz，頻譜呈“單峰”狀，最大歸一化幅值為0.021，較顆粒彈射和巖板劈裂的幅值大，呈現出低頻率、高幅值的現象，說明在巖爆孕育過程中塊片彈射比顆粒彈射和巖板劈裂更劇烈。

表2 3種典型破壞現象的聲音信號頻譜Table 2 Spectra of sound signals for three typical failure phenomena

2.3 聲紋特征

聲紋圖描述了聲音信號的頻率、時間和幅值三者之間的關系，它反映了聲音信號的動態頻譜特性，在語音信號特征分析中具有重要的實用價值[13]。

對第n幀語音信號進行短時傅立葉變換：

(1)

式中：w(m)為窗函數，ω為頻率。類似地定義離散傅里葉變換，令n=2πk/N， 0≤k≤N-1，可得：

(2)

短時功率譜和短時傅里葉變換有如下關系：

(3)

將式(2)代入式(3)得：

(4)

聲紋圖是指聲音信號在時間-頻率空間的功率譜。圖5給出了3種典型破壞現象的聲紋圖，橫坐標表示時間，縱坐標表示頻率，顏色表示在時間和頻率確定的條件下Sn(ejω)的取值，顏色越深，表示該點處聲音的響度越大。

由圖5可知，3種典型破壞現象的聲紋圖存在明顯差異，表3給出了具體的差異。

(1) 顆粒彈射的聲紋呈“帶”狀，頻率范圍為7～11 kHz，能量幅值為1.0～2.4；能量幅值最大值出現在0.005 s范圍內，說明顆粒彈射現象發生時間短，發生范圍小，且能量瞬間釋放。

(2) 巖板劈裂的的聲紋呈“鱗片”狀，頻率范圍為2～8 kHz，能量幅值為2.0～5.7；由于巖板劈裂是相對連續的過程，因此巖板劈裂時的能量釋放也是一個持續的過程，持續時間為0.35 s，是顆粒彈射的70倍。

(3) 塊片彈射聲紋呈“條”狀，頻率范圍為0～2 kHz，能量幅值范圍為4.0～18.0；塊片彈射的能量幅值分別為巖板劈裂和顆粒彈射時能量幅值的3.0和7.5倍。

表3 3種典型破壞現象的聲紋特性Table 3 Voiceprints of sound signals for three typical failure phenomena

2.4 短時能量特征

短時能量是一個度量聲音信號能量釋放強弱的指標，其計算式[13]為：

(5)

式中：Et為第t幀的短時能量；m為一幀內的樣本點；N為幀長。

巖爆過程中，3種典型破壞現象伴隨的聲音強弱是不同的，以下采用聲音信號的短時能量來反映各破壞現象劇烈程度。短時能量計算結果如圖6所示，三者之間的主要差異見表4。

(1) 顆粒彈射的能量釋放主要集中在前0.005 s內，最大能量幅值為0.34；短時能量曲線平滑，短時能量隨時間推移逐漸減小，且0.005 s之前下降斜率較大，基本呈垂直下降，能量幅值隨時間迅速減小。

(2) 巖板劈裂的能量釋放集中在前0.1 s內，最大能量幅值為2.30；巖板劈裂對應的短時能量幅值隨著時間的推移逐漸減小，并且減小過程中伴隨著一定的振蕩，振蕩頻率不大，這與巖板劈裂過程中裂紋的持續產生、發展、貫通時能量逐步釋放有關。

(3) 塊片彈射的能量釋放集中在前0.2 s，最大能量幅值為8.60；短時能量幅值隨時間的推移逐漸減小，減小過程中也出現了振蕩，且振蕩頻率較巖板劈裂高。說明塊片彈射較顆粒彈射和巖板劈裂時能量釋放的釋放面廣、路徑多，這與巖爆實驗臨空面能夠較大范圍產生塊片彈射有關。

破壞現象形狀振蕩頻度最大幅值破壞現象形狀振蕩頻度最大幅值顆粒彈射平滑曲線無振蕩0.34塊片彈射連續振蕩急速8.60巖板劈裂局部振蕩快速2.30

3 巖爆過程典型破壞現象智能識別的案例

隨機森林(random forest,RF)是近年來出現的一種可用于數據自動分類的機器學習方法[17-19]。RF處理高維小樣本數據時不易過擬合，適用于數據集中存在大量未知特征，并具有分類性能優良、抗噪聲能力強等特點，被廣泛應用于模式識別領域。本文中將RF作為巖爆過程上述3種典型破壞現象聲音信號自動識別的工具。

在已完成的66個室內巖爆實驗聲音監測結果中，隨機抽取56個巖爆過程構建訓練樣本，從余下的10個巖爆過程中構建預測樣本，其中56個巖爆過程訓練樣本中包含顆粒彈射現象131個，巖板劈裂現象56個，塊片彈射現象56個；10個巖爆過程預測樣本中包含顆粒彈射現象25個，巖板劈裂現象11個，塊片彈射現象10個。為使自動識別方法易于實現，將波形的持續時間、頻譜的主頻值及短時能量的最大幅值3種特征指標進行組合，構建樣本輸入向量。采用隨機森林對巖爆典型破壞現象進行自動識別，結果見表5，可以看出，預測樣本中3種典型破壞現象的識別準確率均在88%以上，說明本文中方法是可行的。需要指出的是，如果采用更多訓練樣本，識別準確率也會有所提高。

表5 基于RF模型的巖爆典型破壞現象識別結果Table 5 Identification of typical failure phenomena using RF model

4 巖爆烈度評價的聲音指標

當前，基于聲響特性的巖爆等級識別主要是依據現場人員對巖爆發生瞬間的聲響特性進行的定性描述，識別結果受人為主觀判斷的影響較大，可靠性不高。聲音信號的記錄與分析可以克服人為因素的影響，有助于實現基于聲響特性的巖爆劇烈程度的定量化評價。

波形最大幅值、短時能量等指標常用于聲音強弱的定量表征。但是，利用一般的錄音設備記錄聲音信號時，為保護設備信號采集子器件的安全，當聲響過大時，設備將對聲音的幅值進行“削峰”。因此，對于聲響較大的多個巖爆發生聲音信號，其波形的最大幅值往往是一樣的，難以通過波形最大幅值來區分其強弱。巖爆發生時，短時能量幅值雖然能夠準確反映聲音信號每幀對應的能量幅值，但僅能反映巖爆塊片彈射過程中某一段極短時間內所對應的聲音能量幅值，難以反映具有一定時間歷程的巖爆整體能量釋放情況。為了克服波形幅值、短時能量在定量刻畫巖爆發生時塊片彈射破壞劇烈程度上的局限性，提出了一種新指標——局部聲響總能量Etotal(total energy of local sound, TELS)。

室內巖爆過程聲音信號波形時域信號為x(L)、加窗分幀處理后得到的第t幀語音信號為xt(m)，則xt(m)滿足：

當m=0，1，…，N-1時，w(m)=1；當m取其他值時，w(m)=0。與第t幀巖爆聲音信號xt(m)對應的短時能量Et可通過式(5)進行計算，而巖爆破壞過程能量釋放的總和可以表示為：

式中：ts為巖爆過程聲音信號的持續時間，Etotal為短時能量曲線與時長所圍成面積的積分。

為了驗證短時能量指標的可行性，從大量的巖爆實驗中選取了具有代表性的強、中、弱3種巖爆烈度的聲音信號進行短時能量分析，結果如圖7所示。可以看出，3種等級巖爆的短時能量最大幅值相差較小，且強巖爆的聲音歷時約為中、弱巖爆的2倍，因此僅采用短時能量指標難以反映巖爆的強弱。

強、中、弱3種巖爆的彈射動能和局部聲響總能量如圖8所示。其中，巖爆烈度采用巖爆碎塊的彈射動能進行劃分，巖爆碎塊彈射動能估算方法參見文獻[12]，這里不再贅述。由圖8可知，巖爆越強，彈射動能越大，Etotal也越大；強烈巖爆的Etotal分別是弱巖爆、中等巖爆的1.5、1.4倍。由此可見，用該指標來評價巖爆發生的劇烈程度是可行的。

5 結 論

(1) 對巖爆過程中聲音信號特征的分析結果表明，巖爆過程中顆粒彈射、巖板劈裂和塊片彈射3種典型破壞現象的聲音信號在波形、頻譜、聲紋特性和短時能量等特征指標上存在明顯差異：顆粒彈射的波形較稀疏，巖板劈裂與塊片彈射的波形較濃密；顆粒彈射的波形持續時間最短，塊片彈射的波形持續時間最長；顆粒彈射、巖板劈裂、塊片彈射的聲音主頻值分別約為11.0、2.0、0.5 kHz；顆粒彈射、巖板劈裂、塊片彈射的聲紋圖分別呈“帶”狀、“鱗片”狀、“條”狀，頻率范圍分別為7～11、2～8、0～2 kHz；顆粒彈射、巖板劈裂、塊片彈射短時能量的最大能量幅值依次增大。

(2) 局部聲響總能量反映了具有一定時間歷程的巖爆能量釋放特性，能夠用于巖爆發生劇烈程度的定量評價，克服傳統定性化方法可靠性欠佳的不足。

(3) 與聲發射與微震相比，聲音信號的監測設備較廉價。因此，巖石聲音信號的監測與分析是一種具有良好發展潛力的巖爆預警途徑，也是對當前基于聲發射與微震監測的巖爆預警方法的有益補充。鑒于室內巖爆與現場巖爆存在一定差異，將來須加強現場巖爆聲音研究，進一步揭示現場巖爆孕育過程中各種典型破壞現象的聲音信號特性，為建立基于聲音信號自動識別的現場巖爆預警與烈度評價方法提供科學依據。

參考文獻:

[1] 馮夏庭.巖爆孕育過程的機制、預警與動態調控[M].北京:科學出版社,2013.

[2] 高瑋,張飛君.深部地下工程巖爆預測的篩選蟻群聚類算法[J].爆炸與沖擊,2012,32(6):568-572.

GAO Wei, ZHANG Feijun. Forecasting of rockburst indeep underground engineering based on abstraction ant colony clustering algorithm[J]. Explosion and Shock Waves, 2012,32(6):568-572.

[3] HE M C, MIAO J L, FENG J L. Rock burst process of limestone and its acoustic emission characteristics under true-triaxial unloading conditions[J]. International Journal of Rock Mechanics and Mining Sciences, 2010,47(2):286-298.

[4] 陳炳瑞,馮夏庭,曾雄輝,等.深埋隧洞TBM掘進微震實時監測與特征分析[J].巖石力學與工程學報,2011,30(2):275-283.

CHEN Bingrui, FENG Xiating, ZENG Xionghui, et al. Real-time microseismic monitoring and its characteristic analysis during TBM tunneling in deep-buried tunnel[J]. Chinese Journal of Rock Mechanics and Engineering, 2011,30(2):275-283.

[5] 中華人民共和國國家標準編寫組.GB 50287—2006 水力發電工程地質勘察規范[S].北京:中國計劃出版社,2006.

[6] 劉正雄.巖爆預防及防治技術研究[J].中國鐵道科學,2001,22(4):74-76.

LIU Zhengxiong. Technical study on the prevention and cure of rockburst[J]. China Railway Science, 2001,22(4):74-76.

[7] 周輝,孟凡震,張傳慶,等.深埋硬巖隧洞巖爆的結構面作用機制分析[J].巖石力學與工程學報,2015,34(4):720-727.

ZHOU Hui, MENG Fanzhen, ZHANG Chuanqing, et al. Analysis of the structural plane controlling mechanism on rockburst in deep hard rock tunnels[J]. Chinese Journal of Rock Mechanics and Engineering, 2015,34(4):720-727.

[8] 何滿潮,苗金麗,李德建,等.深部花崗巖試樣巖爆過程實驗研究[J].巖石力學與工程學報,2007,26(5):865-876.

HE Manchao, MIAO Jinli, LI Dejian, et al. Experimental study on rockburst processes of granite specimen at great depth[J]. Chinese Journal of Rock Mechanics and Engineering, 2007,26(5):865-876.

[9] 馮夏庭,陳炳瑞,明華軍,等.深埋隧洞巖爆孕育規律與機制:即時型巖爆[J].巖石力學與工程學報,2012,31(3):433-444.

FENG Xiating, CHEN Bingrui, MING Huajun, et al. Evolution law and mechanism of rockbursts in deep tunnels: immediate rockburst[J]. Chinese Journal of Rock Mechanics and Engineering, 2012,31(3):433-444.

[10] SU Guoshao, JIANG Jianqing, ZHAI Shaobin, et al. Influence of tunnel axis stress on strainburst: an experimental study[J]. Rock Mechanics and Rock Engineering, 2017,50(6):1551-1567.

[11] 宮鳳強,羅勇,司雪峰,等.深部圓形隧洞板裂屈曲巖爆的模擬試驗研究[J].巖石力學與工程學報,2017,36(7):1634-1648.

GONG Fengqiang, LUO Yong, SI Xuefeng, et al. Experimental modelling on rockburst in deep hard rock circular tunnels[J]. Chinese Journal of Rock Mechanics and Engineering, 2017,36(7):1634-1648.

[12] 蘇國韶,蔣劍青,馮夏庭,等.巖爆彈射破壞過程的試驗研究[J].巖石力學與工程學報,2016,35(10):1990-1999.

SU Guoshao, JIANG Jianqing, FENG Xiating, et al. Experimental study on ejection process in rockburst[J]. Chinese Journal of Rock Mechanics and Engineering, 2016,35(10):1990-1999.

[13] 王小川.MATLAB神經網絡43個案例分析[M].北京:北京航空航天大學出版社,2013.

[14] 李宏松,蘇健民,黃英來,等.基于聲音信號的特征提取方法的研究[J].信息技術,2006,30(1):91-94.

LI Hongsong, SU Jianmin, HUANG Yinglai, et al. The research on characteristics extraction based on voice signal[J]. Information Technology, 2006,30(1):91-94.

[15] GIANNAKOPOULOS T, PIKRAKIS A. Introduction to audio analysis[M]. Amsterdam: Elsevier Academic Press, 2014.

[16] 劉慶升,徐霄鵬,黃文浩.一種語音端點檢測方法的探究[J].計算機工程,2003,29(3):120-121.

LIU Qingsheng, XU Xiaopeng, HUANG Wenhao. Research on a speech endpoint detection method[J]. Computer Engineering, 2003,29(3):120-121.

[17] BREIMAN L. Random forests[J]. Machine Learning, 2001,45(1):5-32.

[18] DONG Longjun, LI Xibing, PENG Kang. Prediction of rockburst classification using random forest[J]. Transactions of Nonferrous Metals Society of China, 2013,23(2):472-477.

[19] CUTLER A, CUTLER D R, STEVENS J R. Random forests[M]∥ZHANG Cha, MA Yunqian. Ensemble Machine Learning. US: Springer Publishing, 2012:157-175.