基于大数据可视化分析的K-近邻岩爆预测方法和装置

摘要

本发明公开一种基于大数据可视化分析的K‑近邻岩爆预测方法和装置，包括：步骤S1、根据岩石数据，得到岩石的频谱特征和振幅/能量特征；步骤S2、根据所述频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。采用本发明的技术方案，可以对岩爆进行精准预测，以避免造成巨大的经济以及人员损失。

权利要求

1.一种基于大数据可视化分析的K‑近邻岩爆预测方法，其特征在于，包括：步骤S1、根据岩石数据，得到岩石的频谱特征和振幅/能量特征；

步骤S2、根据所述频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测；

其中，步骤S1，具体包括：

步骤11、获取岩石数据；

步骤12、将所述岩石数据的时域数据通过傅里叶变换，得到岩石数据的频域数据；

步骤13、根据岩石数据的频域数据，提取岩石数据的频谱特征和振幅/能量特征；

步骤13中，提取岩石数据的频谱特征包括：步骤1311、根据岩石数据的频域数据，得到岩爆发生时刻的实时时间，并依次存储到“主频.TXT”文件中，其中，“主频.TXT”文件中，第1列为岩爆发生时间，第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值，第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值；

步骤1312、将“主频.TXT”文件中的第1列时间序列作为X轴，将“主频.TXT”文件中的第2列主频序列作为Y轴，做出散点图所得为主频分布图；

步骤1313、对“主频.TXT”文件进行数据分析，得到主频中位数在84.472KHz，主频平均值在134.410KHz；

步骤1314、根据主频分布图，将主频划分为五个主频带，分别为：小于50KHz称为低频带，在大于等于50KHz且小于150KHz之间称为中低频带，在大于等于150KHz且小于250KHz之间称为中频带，在大于等于250KHz且小于350KHz之间称为中高频带，大于350KHz称为高频带；其中，小于50KHz的个数为203个，处于50KHz‑‑150KHz的个数为18464个，处于150KHz‑‑

250KHz的个数为1149个，处于250KHz‑‑350KHz的个数为5678个，大于350KHz的个数为459个，并计算五个主频带的数量比例后进行岩石主频分布饼状图可视化；

步骤1315、根据主频分布图、主频中位数、主频平均值、主频分布饼状图，得到岩爆频谱规律。

2.如权利要求1所述的基于大数据可视化分析的K‑近邻岩爆预测方法，其特征在于，步骤12中，得到岩石数据的频域数据包括：步骤121、对岩石数据进行解析；

步骤122、提取解析后的波形文件数据，并将波形文件数据按照岩爆发生时间顺序进行排序；

步骤123、将排序后的波形文件数据进行快速傅里叶变换，得到频域‑振幅值，即为岩石数据的频域数据。

3.如权利要求1所述的基于大数据可视化分析的K‑近邻岩爆预测方法，其特征在于，步骤S2，具体包括：

步骤21、获取岩石数据频谱特征和振幅/能量特征；

步骤22、根据频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。

4.如权利要求1所述的基于大数据可视化分析的K‑近邻岩爆预测方法，其特征在于，步骤2中，根据“主频.TXT”文件中，第1列为岩爆发生时间，第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值，第3列为整个岩爆过程通过快速傅里叶变换提取后的最大振幅值；将“主频.TXT”文件中第2列的最大主频值和第3列的最大振幅值分别进行标准化，归一化为0‑1的数据，处理如下：其中： 为所求特征值 ， 为所求特征值标准化后的值 ， 为所属特征类中的最小值， 为所属特征类中的最大值；

在数据归一化的基础上，利用声发射主频和振幅数据作为输入的特征数据，以自动识别得到的是否岩爆结果作为分类标签，即将岩爆实验过程中岩爆时的数据标签作为1，其余不发生岩爆的数据标签作为0。

5.一种基于大数据可视化分析的K‑近邻岩爆预测装置，其特征在于，包括：提取模块，用于根据岩石数据，得到岩石的频谱特征和振幅/能量特征；

预测模块，用于根据所述频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。

说明书

基于大数据可视化分析的K‑近邻岩爆预测方法和装置

技术领域

[0001] 本发明属于岩爆预测技术领域，尤其涉及一种基于大数据可视化分析的K‑近邻岩爆预测方法和装置。

背景技术

[0002] 随着岩体工程进入深部以后，因受高地应力、高地温、高水压以及工程扰动因素的共同影响，在煤矿、地下水电站泵、深埋隧道以及引水隧洞一些地下工程中，围岩会发生突
然猛烈的破坏，同时伴随能量的快速释放，岩体的这种破坏通常称为岩爆。岩爆规模巨大，
同时岩爆的发生不仅严重影响生产，还会造成设备损坏、人员伤亡，造成不可估量的经济损
失。目前还不能对岩爆进行精准预测，以避免造成巨大的经济以及人员损失。

发明内容

[0003] 本发明要解决的技术问题是，提供一种基于大数据可视化分析的K‑近邻岩爆预测方法和装置，可以对岩爆进行精准预测，以避免造成巨大的经济以及人员损失。

[0004] 为实现上述目的，本发明采用如下的技术方案：

[0005] 一种基于大数据可视化分析的K‑近邻岩爆预测方法，包括：

[0006] 步骤S1、根据岩石数据，得到岩石的频谱特征和振幅/能量特征；

[0007] 步骤S2、根据所述频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。

[0008] 作为优选，步骤S1，具体包括：

[0009] 步骤11、获取岩石数据；

[0010] 步骤12、将所述岩石数据的时域数据通过傅里叶变换，得到岩石数据的频域数据；

[0011] 步骤13、根据岩石数据的频域数据，提取岩石数据的频谱特征和振幅/能量特征，

[0012] 作为优选，步骤12中，得到岩石数据的频域数据包括：

[0013] 步骤121、对岩石数据进行解析；

[0014] 步骤122、提取解析后的波形文件数据，并将波形文件数据按照岩爆发生时间顺序进行排序；

[0015] 步骤123、将排序后的波形文件数据进行快速傅里叶变换，得到频域‑振幅值，即为岩石数据的频域数据。

[0016] 作为优选，步骤S2，具体包括：

[0017] 步骤21、获取岩石数据频谱特征和振幅/能量特征；

[0018] 步骤22、根据频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。

[0019] 作为优选，步骤13中，提取岩石数据的频谱特征包括：

[0020] 步骤1311、根据岩石数据的频域数据，得到岩爆发生时刻的实时时间，并依次存储到“主频.TXT”文件中，其中，“主频.TXT”文件中，第1列为岩爆发生时间，第2列为整个岩爆
过程通过快速傅里叶变换提取后的最大主频值，第3列为整个岩爆过程通过快速傅里叶变
换提取后的最大振幅值；

[0021] 步骤1312、将“主频.TXT”文件中的第1列时间序列作为X轴，将“主频.TXT”文件中的第2列主频序列作为Y轴，做出散点图所得为主频分布图；

[0022] 步骤1313、对“主频.TXT”文件进行数据分析，得到主频中位数在84.472KHz，主频平均值在134.410KHz；

[0023] 步骤1314、根据主频分布图，将主频划分为五个主频带，分别为：小于50KHz称为低频带，在大于等于50KHz且小于150KHz之间称为中低频带，在大于等于150KHz且小于250KHz
之间称为中频带，在大于等于250KHz且小于350KHz之间称为中高频带，大于350KHz称为高
频带；其中，小于50KHz的个数为203个，处于50KHz‑‑150KHz的个数为18464个，处于
150KHz‑‑250KHz的个数为1149个，处于250KHz‑‑350KHz的个数为5678个，大于350KHz的个
数为459个，并计算五个主频带的数量比例后进行岩石主频分布饼状图可视化；

[0024] 步骤1315、根据主频分布图、主频中位数、主频平均值、主频分布饼状图，得到岩爆频谱规律。

[0025] 作为优选，步骤2中，根据“主频.TXT”文件中，第1列为岩爆发生时间，第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值，第3列为整个岩爆过程通过快速傅里
叶变换提取后的最大振幅值；将“主频.TXT”文件中第2列的最大主频值和第3列的最大振幅
值分别进行标准化，归一化为0‑1的数据，处理如下：

[0026]

[0027] 其中： 为所求特征值 ， 为所求特征值标准化后的值 ， 为所属特征类中的最小值， 为所属特征类中的最大值。

[0028] 在数据归一化的基础上，利用声发射主频和振幅数据作为输入的特征数据，以自动识别得到的是否岩爆结果作为分类标签，即将岩爆实验过程中岩爆时的数据标签作为1，
其余不发生岩爆的数据标签作为0。

[0029] 本发明还提供一种基于大数据可视化分析的K‑近邻岩爆预测装置，其特征在于，包括：

[0030] 提取模块，用于根据岩石数据，得到岩石的频谱特征和振幅/能量特征；

[0031] 预测模块，用于根据所述频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。

[0032] 本发明根据岩石数据，得到岩石的频谱特征和振幅/能量特征；根据所述频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。采用本发明的技术方案，可以对岩
爆进行精准预测，以避免造成巨大的经济以及人员损失。

附图说明

[0033] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例 或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是
本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还
可以根据这些附图获得其他的附图。

[0034] 图1为本发明基于大数据可视化分析的K‑近邻岩爆预测方法流程图；

[0035] 图2为本发明基于大数据可视化分析的K‑近邻岩爆预测装置的结构示意图。

具体实施方式

[0036] 以下实施例会结合附图对本发明进行详述，在附图或说明中，相似或相同的部分使用相同的标号，并且在实际应用中，各部件的形状、厚度或高度可扩大或缩小。本发明所
列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显
而易知的修饰或变更都不脱离本发明的精神与范围。

[0037] 如图1所示，本发明提供一种基于大数据可视化分析的K‑近邻岩爆预测方法，包括：

[0038] 步骤S1、根据岩石数据，得到岩石的频谱特征和振幅/能量特征；

[0039] 步骤S2、根据所述频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。

[0040] 进一步，步骤S1，具体包括：

[0041] 步骤11、获取岩石数据；

[0042] 步骤12、将所述岩石数据的时域数据通过傅里叶变换，得到岩石数据的频域数据；

[0043] 步骤13、根据岩石数据的频域数据，提取岩石数据的频谱特征和振幅/能量特征，

[0044] 进一步，步骤12中，得到岩石数据的频域数据包括：

[0045] 步骤121、对岩石数据进行解析；

[0046] 步骤122、提取解析后的波形文件数据，并将波形文件数据按照岩爆发生时间顺序进行排序；

[0047] 步骤123、将排序后的波形文件数据进行快速傅里叶变换，得到频域‑振幅值，即为岩石数据的频域数据。

[0048] 进一步，步骤13中，提取岩石数据的频谱特征包括：

[0049] 步骤1311、根据岩石数据的频域数据，得到岩爆发生时刻的实时时间，并依次存储到“主频.TXT”文件中，其中，“主频.TXT”文件中，第1列为岩爆发生时间，第2列为整个岩爆
过程通过快速傅里叶变换提取后的最大主频值，第3列为整个岩爆过程通过快速傅里叶变
换提取后的最大振幅值；

[0050] 步骤1312、将“主频.TXT”文件中的第1列时间序列作为X轴，将“主频.TXT”文件中的第2列主频序列作为Y轴，做出散点图所得为主频分布图；

[0051] 步骤1313、对“主频.TXT”文件进行数据分析，得到主频中位数大约在84.472KHz，主频平均值在134.410KHz左右；

[0052] 步骤1314、、根据主频分布图，将主频划分为五个主频带，分别为小于50KHz称为低频带，在大于等于50KHz且小于150KHz之间称为中低频带，在大于等于150KHz且小于250KHz
之间称为中频带，在大于等于250KHz且小于350KHz之间称为中高频带，大于350KHz称为高
频带，可得小于50KHz（低频）的个数为203个，处于大于等于50KHz且小于150KHz之间（中低
频）的个数为18464个，处于大于等于150KHz且小于250KHz之间（中频）的个数为1149个，处
于大于等于250KHz且小于350KHz之间（中高频）的个数为5678个，大于350KHz（高频）的个数
为459个，并计算五个主频带的数量比例后进行岩石主频分布饼状图可视化；

[0053] 步骤1315、根据主频分布图、主频中位数、主频平均值、主频分布饼状图可得岩爆频谱规律大致如下：

[0054] ①主频频率大多数都在大于等于50KHz且小于150KHz之间、大于等于150KHz且小于250KHz之间、大于等于250KHz且小于350KHz之间这三个分布区间，其中主频分布在大于
等于50KHz且小于150KHz之间最多，其次分布在大于等于250KHz且小于350KHz之间、大于等
于150KHz且小于250KHz之间，而分布在小于50KHz及大于等于350KHz这两部分最少。

[0055] ②其声发射信号的主频值大多数分布在“中低频—中频—中高频”这三部分，从整体来看，岩爆主频呈现“中低频—中频—中高频—中频”的演化规律。

[0056] 进一步，步骤13中，提取岩石数据的振幅/能量特征包括：

[0057] 步骤1321、根据“主频.TXT”文件中，第1列为岩爆发生时间，第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值，第3列为整个岩爆过程通过快速傅里叶变换提
取后的最大振幅值；将“主频.TXT”文件中的第1列时间序列作为X轴，将“主频.TXT”文件中
的第3列主频序列作为Y轴，做出折线图所得为大理岩声发射振幅图；

[0058] 步骤1322、根据定理已知，任何振动的物体都有能量，而其能量可用以下公式来计算，

[0059] 假设质点密度为 ，端坐标为 ，质点振动时位移为 , 为角速度， 为波速，为振幅：

[0060] 质点的振动方程：

[0061]

[0062] 可得振动质点的速度为：

[0063]

[0064] 体元动能为：

[0065]

[0066] 体元势能为：

[0067]

[0068] 质点的机械能为：

[0069]

[0070] 其中， 为体元的体积， 为体元的质量， 为倔强系数，可以推出结论1：声波能量大小与声音振幅的平方成正比。

[0071] 由结论1可得岩石能量与振幅存在潜在关系，并且振幅越高，能量越大，同时岩爆过程初期和中期能量较小，岩爆过程后期能量急剧增大，在岩爆发生的同时，存在能量急剧
下降的现象。

[0072] 步骤1323、根据“主频.TXT”文件中，第1列为岩爆发生时间，第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值，第3列为整个岩爆过程通过快速傅里叶变换提
取后的最大振幅值；将“主频.TXT”文件中的第1列时间序列作为X轴，将“主频.TXT”文件中
的第2列主频序列作为Y轴，将“主频.TXT”文件中的第3列主频序列作为Z轴，刻画岩爆实验
声发射特征的岩石三维主频振幅图。

[0073] 可得以下结论：

[0074] ①岩爆整个过程初期和中期振幅幅值变化较小，岩爆过程后期幅值突然增大；

[0075] ②由结论1可得岩爆过程初期和中期能量较小，岩爆过程后期能量急剧增大，在岩爆发生的同时，存在能量急剧下降的现象；

[0076] ③岩爆过程中声发射信号的主频区间集中分布在“中低频、中频、中高频”这三部分，主频特征呈现“中低频→中频→中高频→中频”的演化规律；尤其岩爆时刻，声发射频谱
表现为中频高幅值的特征；

[0077] ④岩爆初期和中期，幅值、能量变化不大，岩爆后期主要是岩爆时刻的主频主要集中在中频带（150KHz—250KHz）分布区间，此区间的幅值突然增大，然后急速变小。由此可知
岩爆初期具有较低能量，然后下降，后期岩爆能量急剧上升，再急剧下降，并且此时的声发
射频谱表现为中频高幅值的特征。

[0078] 进一步，步骤S2，具体包括：

[0079] 步骤21、获取岩石数据频谱特征和振幅/能量特征；

[0080] 步骤22、根据频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。

[0081] 进一步，通过K‑近邻算法对岩爆的精准预测，包括：

[0082] 步骤21、根据“主频.TXT”文件中，第1列为岩爆发生时间，第2列为整个岩爆过程通过快速傅里叶变换提取后的最大主频值，第3列为整个岩爆过程通过快速傅里叶变换提取
后的最大振幅值；为确保预测模型的预测效果，将“主频.TXT”文件中第2列的最大主频值和
第3列的最大振幅值分别进行标准化，归一化为0‑1的数据，处理如下：

[0083]

[0084] 其中： 为所求特征值 ， 为所求特征值标准化后的值 ， 为所属特征类中的最小值， 为所属特征类中的最大值。

[0085] 步骤22、在上述数据归一化的基础上，利用声发射主频和振幅数据作为输入的特征数据，以自动识别、标识算法得到的是否岩爆结果作为分类标签，即将岩爆实验过程中岩
爆时的数据标签作为1，其余不发生岩爆的数据标签作为0。

[0086] 步骤23、在上述处理后的数据基础上，将数据集的大小按照9：1的比例划分为训练集和测试集，采用K‑近邻算法训练预测模型，来实现对岩爆的精准预测。采用准确率
（Accuracy）评估分类模型的好坏，其代表预测正确的结果占总样本的百分比；召回率
（Recall）表示实际为正的样本中被预测为正样本的概率；F1值（精确率与召回率的调和平
均值）是一种统计的量，它在数值上等于精确率与召回率的调和平均值，也经常被用来评价
模型的好坏，利用这三个特征，采用K‑近邻算法将它们用于处理后的上述数据，对它们进行
计算分析。

[0087] 如图2所示，本发明提供一种基于大数据可视化分析的K‑近邻岩爆预测装置，实现基于大数据可视化分析的K‑近邻岩爆预测方法，包括：

[0088] 提取模块，用于根据岩石数据，得到岩石的频谱特征和振幅/能量特征；

[0089] 预测模块，用于根据所述频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测。

[0090] 实施例1：莱州花岗岩岩爆预测

[0091] 步骤1、将本发明的预测方法用于实际中莱州花岗岩的岩爆预测，按照提取岩石数据的频域步骤，提取莱州花岗岩岩石数据的频域‑振幅值，即为莱州花岗岩岩石数据的频域
数据；

[0092] 步骤2、根据岩石数据的频域数据，提取岩石数据的频谱特征方法，提取莱州花岗岩的频谱特征；分别得到莱州花岗岩的莱州花岗岩主频分布图、莱州花岗岩主频分布饼状
图，

[0093] 根据莱州花岗岩的莱州花岗岩主频分布图、莱州花岗岩主频分布饼状图及对主频值进行数据分析计算，可得莱州花岗岩岩爆规律为岩爆过程中声音信号的主频分布区间主
要分布在“中低频、中频、中高频”这三部分，从总体上看主频特征呈现“中低频→中频→中
高频→中频”的演化规律，

[0094] 步骤3、根据岩石数据的频域数据，提取岩石数据的振幅/能量特征方法，提取莱州花岗岩的振幅‑能量特征，分布得到莱州花岗岩声发射振幅图、三维主频振幅图，根据莱州
花岗岩声发射振幅图、三维主频振幅图，可得莱州花岗岩岩爆规律为主频振幅能量经历“逐
渐增加→逐渐下降→急剧增加→急剧下降”的变化规律。

[0095] 步骤4、据频谱特征和振幅/能量特征，通过K‑近邻算法对岩爆的精准预测部分，采用K‑近邻算法对莱州花岗岩岩爆进行预测分析，可得算法效果如下：

[0096] 算法效果如表1所示：

[0097]

[0098] 由表1可知，本发明的KNN岩爆预测算法的对莱州花岗岩的预测准确率（Accuracy）高达96.687%，即此模型对岩爆事件预测正确的次数与岩爆事件总数比值为96.687%；同时
模型的召回率（Recall）达81.899%，F1 值达88.681%。

[0099] 由以上数据结果可得该模型对岩爆预测具有良好性能，不仅预测准确率较高，还可用于其他种类岩石的岩爆预测。

[0100] 应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说
明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以
理解的其他实施方式。