岩石破坏过程实时监测预警软件系统——搭建与初步应用
宋清蔚 朱万成 徐晓冬 张鹏海 陈承桢 刘溪鸽
(1.东北大学资源与土木工程学院,辽宁 沈阳 110819;2.东北大学岩石破裂与失稳研究所,辽宁 沈阳 110819)
开采引起的冒顶片帮、岩爆等灾害均为岩体内部损伤积聚诱发的失稳现象,但由于现场环境的复杂性及不可控性特性的存在,使得直接获取其失稳机制及损伤破坏规律变得十分困难,借助于室内岩石力学实验开展岩石损伤与失稳破坏特性的研究,将为指导矿山灾害的预测预警提供重要的理论基础。岩石损伤与破坏的预测预警是岩石力学的基本问题,同样也是岩石力学领域的百年未解问题[1],其研究成果可为矿山灾害预测预警提供理论基础。为推动相关研究进展,赵阳升院士举办了“岩石破坏短临预报”竞赛,通过限制传感器数量及隐藏加载机应力状态,模拟矿山现场监测手段受限给预测预警工作带来的不便,要求借助于有限的监测数据,实现岩石破坏时间、区域及能量的预测预警。此后,国内大量科研院校投入到相关研究之中,掀起了岩石失稳破坏预测预警的研究热潮[2]。
岩石在载荷作用下的变形特征是岩体失稳破坏的直观表现,学者们借助于应变传感器感知岩石表面的细微应变,开展了岩石失稳预测预警的研究。诸如张超等[3]基于岩石基本变形特征,建立了一种岩石全应力—应变曲线统计损伤本构模型,为预测岩石失稳情况提供了一定参考。XU 等[4]使用分布式光纤应变传感器观察了单轴压缩下圆柱形花岗岩试样失效过程的动态应变响应,通过实验过程中应变数据分析,能够合理地确定岩石破坏区域位置,能够提供岩石失稳的前兆信息。
数字图像数据通过计算机视觉技术处理,可实现试样全局的位移场和应变场的反演。李建旺[5]对岩石破坏过程中裂纹孕育演化规律及分布模式进行了研究,采用数字图像技术等研究了单轴压缩条件下含双裂隙类岩石试样破坏全过程,得到了试样破坏过程中观测面全场应变和位移的演化过程及裂纹发展、微破裂数等特征,对预测预警岩石破坏有参考价值。SONG 等[6]用数字图像相关方法观察了砂岩试样的损伤演化和裂纹扩展,通过单轴压缩实验,可以同时获得位移场和应变场,直观地显示岩石变形和开裂的分布、模式和演化过程,研究结果为预测预警岩石在压缩作用下的损伤演化提供参考。
岩石损伤与破坏过程会产生声发射现象[7]。声发射设备可以监测岩石破坏过程中岩体内部的微破裂情况,其参数多是基于传感器接收波形的统计参数,往往具有多样性和相互关联性特点,许多学者在此基础上开展了研究。ZHANG 等[8]对3种类型的盐岩在不同加载条件下的声发射特性进行了分析,研究了几种岩石的声发射事件数和能量的变化规律,结果表明声发射事件数和能量能够有效地预测岩样的损伤与破坏。张鹏海[9]进行了大量声发射实验,最终指出不同应力水平下岩石的声发射参数特征可以描述损伤程度和预警岩石失稳破坏。
综上,目前已经有大量学者采用多种手段实现了岩石失稳的预测,但这些传统的方法往往借助于设备配套的数据采集软件,不同种类数据之间存在明显的孤岛现象,导致数据融合分析比较困难,另外也无法实现实时数据处理,难以实现对岩石失稳破坏的实时预警。因此有必要开发一套系统,打破数据孤岛,实现数据融合,基于监测数据进行岩石损伤破坏过程的实时预警。基于此,本研究借助于应变监测、声发射监测及散斑监测等手段,采用Lab VIEW 二次开发方式,研发了集监测数据实时采集、处理、预警等功能于一体的岩石破坏短临预报系统,打破了不同监测设备间数据孤岛困境,实现基于多元异构监测数据融合下预测预警岩石失稳破坏。
1.1 软件系统架构
按照岩石失稳破坏预测预警的流程,将系统划分为“端”、“边”、“云”3 层架构,如图1所示。其中,“端”表示的是监测设备终端,包括动态应变仪、声发射采集仪、相机等力学响应实时监测设备,用于感知岩石变形破坏过程中的实时多元力学响应。“边”表示边缘计算,主要用于数据的智能分析自动处理,是系统的核心内容,包括经验公式力学参数估计、体应变拐点计算与判断及岩石失稳破坏实时预测三大模块,将在下文进行详细介绍。“云”表示的是应用层,用于监测数据的可视化展示并实时更新预测信息。应用层主要包括PC 端应用程序和网页在线云端界面,云端界面主要将监测数据和预测信息在网页进行展示,并能实现实验过程重放,便于分析失稳破坏过程。PC 端应用程序功能全面,能够将多元异构数据进行集成,并将应变数据、声发射数据、数字散斑图像数据分别进行展示。“云”、“边”、“端”之间通过HTTP、WebSocket 等数据传输协议的方式进行数据通信。
图1 系统架构Fig.1 System architecture
1.2 “端”——多元感知设备
“端”由多种监测设备组成,负责对加载过程中的岩石试样进行监测。实验系统由加载系统、应变监测系统、声发射监测系统、数字散斑监测系统组成,系统示意如图2所示,主要由动态应变监测系统、声发射监测系统及散斑处理系统组成。
图2 实验系统示意Fig.2 Schematic diagram of experimental system
各系统详细设备型号如下:
(1)动态应变测试系统。采用以DHDAS 型动态应变仪为数据采集仪的应变检测系统,可实时监测横向应变、轴向应变等。
(2)声发射监测系统。采用美国物理声学公司研发的PCI-2 型声发射监测系统,可实时监测声发射事件数、振铃计数、波形等参数。
(3)散斑处理系统。采用以EOS 90D 相机为数据采集设备,可以捕捉岩石试样表面离散斑点的图像,基于图像分析获得试样表面的变形。
1.3 “边”——边缘计算
从测试设备“端”采集到的数据全部传输到“边”中进行处理,边缘计算是本研究中数据处理的重要部分。“边”部分主要包括设备接入、边缘计算、数据集成3个内容。
本研究中监测的数据主要包含应变数据、声发射数据、数字散斑数据。其中应变数据作为预测的主要数据依据,通过应变数据计算出体应变拐点(即扩容点),进一步可以通过体应变拐点估算岩石的破坏时间、破坏能量等预测信息。声发射数据作为预测预警的辅助手段,通过振铃数、累计声发射能量等数据可以辅助预警岩石的失稳破坏。根据数字散斑数据可以确定岩石的破坏模式,通过噪声去除、稠密光流法计算,可以得到位移和应变场信息,从而预测岩石的破坏模式。本研究采用边缘计算的方法实现上述过程,计算内容主要可分为力学参数经验估计、体应变拐点计算与判断、岩石失稳破坏实时预测3个部分。
1.3.1 力学参数的经验公式估计
若想实时预测预警岩石的失稳与破坏,最直观的方式是动态监测实验过程中试样的应力状况,结合岩石的峰值强度,初步对试样损伤破坏状态做出判断。从单轴压缩实验的角度出发,应力是通过应变与弹性模量计算得到。应变值可以通过动态应变仪实时测量获取,只需要获得岩石的弹性模量就能实时估算应力,而岩石的弹性模量、峰值强度无法直接测试获得。TEYMEN 等[10]对6种不同的岩石开展了单轴压缩实验,通过回归方法分析了里氏硬度与峰值强度、弹性模量之间的关系,结果表明里氏硬度与两者之间存在强相关性。GOMEZ-HERAS 等[11]对29种不同的岩石进行了波速、里氏硬度的测试,同时开展单轴压缩实验测试岩石试样的峰值强度,再结合其他文献中的数据用拟合的方式总结了波速、里氏硬度与峰值强度之间的关系。上述文献表明岩石的峰值强度、弹性模量与里氏硬度、波速等参数具有强相关性。在此基础上,对本研究中用到的红砂岩进行了单轴压缩实验,对岩石里氏硬度、波速进行测量,便可估算岩石的弹性模量和单轴抗压强度,结合峰值强度可初步判断岩石所处阶段。
弹性模量与波速之间的关系为
式中,E为弹性模量,MPa;c为波速,m/s。
峰值强度与里氏硬度之间的关系为
式中,σc为峰值强度,MPa;Hl为里氏硬度。
1.3.2 体应变拐点计算
通过对实时应变数据的处理,获得体应变—时间曲线,并实时计算体应变拐点。
轴向应变、横向应变与体应变之间的关系为
式中,εv为体应变;εy为轴向应变;εx为横向应变。
由于实验过程中实时采集到的应变数据存在波动,为了识别体应变拐点,利用以下方法,对应变数据进行实时处理与分析。
步骤1:针对动态获取的体应变序列εv,以及当前时刻获取的体应变值εv(t) ,构建以时间t为索引终点,l为动态集合S的索引长度,具体如下式:
步骤3:临时体应变拐点动态存储在集合P中,如果当前集合P不为空,则根据当前时刻获取的体应变值εv(t) 来对临时体应变拐点集合中的值进行失效判别,并定义临时体应变拐点失效判别集合T,如下式所示,其中n为动态插入临时体应变拐点后集合的长度。
步骤4:设定失效次数容忍阈值r,实现临时体应变拐点集合P与失效判别集合T的合并,得出最终的体应变拐点判断集合Q。
步骤5:从集合中选出体应变拐点的值。
最终得到的V即是体应变拐点。
1.3.3 岩石失稳破坏实时预测
完成体应变拐点计算后,便可实现加载速度、破坏时间等失稳破坏关键参数的计算,具体计算方式如下:
(1)加载速度计算。通常在进行实验的时候,加载系统的加载速度是提前设定好的,本研究为了更加接近实际岩石失稳破坏的情况,用到的全部数据都将依靠有限的条件来计算获得。一旦达到体应变拐点,将根据体应变拐点对应的轴应变计算总位移量,并结合对应加载时长确定加载速度。
式中,v为加载速度,mm/s;H为岩石试样高度,mm;εy为体应变拐点εv对应的轴向应变;t为体应变拐点对应的加载时长,s。
(2)峰值强度估算。岩石的体应变拐点被认为是预测预警信息的转折点,可以根据体应变拐点对岩石的峰值强度进行估算。峰值强度是岩石失稳破坏最直观的参数,当到达峰值强度后,岩石即将发生失稳破坏。在通过经验公式初步预测岩石的峰值强度之后,随着实验的进行、应变数据的采集,可以根据拐点体应变实时更新峰值点轴向应变与峰值强度。
式中,εy为体应变拐点对应的轴向应变;εymax为估算的峰值点轴向应变;σcmax为估算的峰值强度,MPa;E为弹性模量,GPa;k为扩容起始应力与宏观抗压强度的比值,通常在60%～80%之间[12]。不同岩石的特征应力值[13]见表1。
表1 不同岩石扩容点起始应力汇总Table 1 Summary of initial stress at different rock expansion points
(3)破坏时间估算。岩石到达体应变拐点,估算出峰值强度之后,就可以根据岩石试样的尺寸对总体加载时间进行估算,也即岩石试样破坏时间。
式中,T为估算的破坏时间,s;H为岩石试样的高度,mm。
(4)破坏能量估算。根据体应变拐点实时估算出岩石的峰值强度之后,再结合试样的体积就可以实现对岩石破坏应变能量的估算。根据体积和估算的峰值点轴向应变与峰值强度计算破坏能量。
式中,U为估算的破坏能量,J;V1为岩石试样体积,m3。
(5)破坏模式预测。试样的变形在散斑图像上表现为像素的移动,所以可以通过监测试样表面散斑像素移动的方式来预测试样的破坏模式。在实验过程中,试样所处光照环境稳定,光源噪声干扰很少,因此非常适合用光流法来检测试样表面的位移。为了提高光流法的检测效果,在试样上绘制散斑来加强光流信息的捕捉。本研究直接采用基于梯度的Farneback 光流法[14]计算试样表面的变形情况,通过试样上的散斑点捕捉到光流信息来计算位移。然后,再通过Sobel 算子[15]进一步计算得到应变场,即可反映出试样发生变形局部化的位置,据此可以预测试样的破坏模式,如图3所示。
图3 散斑预测结果与岩石试样实际破裂情况Fig.3 Speckle prediction results and actual fracture of rock samples
1.4 “云”——云端集成
云端集成界面如图4所示,主要分为按钮操作区域(图4 中①)和多元异构数据实时显示区域。其中,数据显示区域包括初步估算(图4 中②)、应变数据显示(图4 中③)、声发射数据显示(图4 中④)和散斑处理结果显示(图4 中⑤)。
图4 软件系统云端集成界面Fig.4 Software system cloud integration interface
实际操作上,在准备工作完成之后,开始进行系统设定准备。点击【设置】按钮,将弹出参数设置页面,在该页面中需要输入的项包括:岩石的岩性、里氏硬度、波速、岩石的规格、平整度、实验编号以及本机IP。当岩石的基础参数输入完成后,需点击保存按钮对数据进行保存,否则会影响后续设备数据采集。
当参数输入完成后,即可点击【开始】按钮,各监测设备将开始采集数据,届时只需持续观察系统界面的各种信息即可。
1.5 云边端协同通信模块
为了对监测数据进行实时处理,数据的实时传输是必须要保证的。本研究打通了“云”、“边“、“端”之间的协同通信,保证了系统预测预警的实时性。从“端”出发,首先实现数据的实时获取,再依次将数据传送到“边”中进行处理,最终将结果在“云”中进行展示。系统运行数据流如图5所示。图5 中,从下往上依次为“端”、“边”、“云”组成部分,从数据处理的角度来看,依次为“数据获取”、“数据处理”、“数据展示”。首先,动态应变仪和声发射采集仪将实时监测到的应变和声发射数据通过HTTP 数据传输协议发送到数据处理模块;EOS 90D 相机采集到的散斑数据,则通过EOS Utility 工具传输到数据处理模块。其次,在数据处理模块中,3种数据分别按照对应的算法进行处理。最后,通过WebSocket 数据传输协议将应变和声发射数据发送到数据展示模块;散斑图像数据则由数据展示模块通过C#.NET-FileSystemWatcher监测文件处理情况直接获取。
图5 系统运行数据流示意Fig.5 System operation data flow diagram
2.1 实验准备
选取红砂岩试样进行单轴压缩实验,试样的尺寸为150 mm×150 mm×300 mm。实验前,在试样表面绘制散斑图案,安装应变片、声发射探头(具体位置如图6所示),调整相机位置准备拍摄散斑图像,对试样的里氏硬度、波速进行测量(如表2所示)。
表2 试样的里氏硬度和波速Table 2 LEEB hardness and wave velocity of samples
图6 岩石试样及传感器布置Fig.6 Rock sample and sensor layout
2.2 实验结果
常规力学实验的结果分析,通常以应力—应变曲线中不同应力水平作为切入点,本研究从预测预警的角度出发,以时间作为切入点,分析加载过程中的实验数据。选择加载过程中7个标志性的时间点,分析对应时刻的实验数据,如图7所示。
图7 岩石试样的应力—应变曲线Fig.7 Stress-strain curve of rock sample
限于篇幅,选取1 块试样,对其整个加载过程中实时监测情况进行分析。本次加载时长共701 s,试样在加载到670 s 时破坏。加载过程系统信息总览如图8所示。
图8 软件系统测试信息总览Fig.8 Overview of software system test information
实验开始之前(图8 中A点),在输入了里氏硬度与波速之后,系统自动估算的峰值强度为13.9 MPa,弹性模量为3.37 GPa。数据显示区域没有实时数据,散斑区域展示的是没有应变情况的原始图像。
加载到199 s 时(图8 中B点),到达弹性阶段起点。从图中可以看出,应变数据正在小幅波动,声发射数据并无明显事件,散斑图片中无法看出破坏趋势。因为还未到达体应变拐点,所以目前关于峰值强度、破坏时间等的预测均没有参考意义。
继续加载到529 s 时(图8 中C点),软件系统计算出了稳定体应变拐点,应变数据趋向于规律化,声发射数据开始反映试样中发生的微破裂,散斑图片可以大致看出变形局部化趋势。根据体应变拐点,系统实时估算出峰值强度为15.84 MPa、破坏时间为656.25 s、加载速度为0.086 mm/min、储能为0.132 kJ。从散斑应变场可以大致估测出岩石将沿着倾斜剪切面发生破裂。此时系统界面如图9所示。
图9 体应变拐点时刻的测试结果Fig.9 Test results at the inflection point of volumetric strain
当加载时长来到578 s 时(图8 中D点),从散斑应变场能够比较清楚地看出岩石的破坏模式。此时本系统的所有预测预警内容已经计算完毕,等待加载到岩石失稳破坏为止。
当加载到预测的破坏时间658 s 附近时(图10中E点),试样仍然没有失稳破坏,但从应变的数据来看,应力—体应变曲线即将发生回转,预示着试样即将失稳;从散斑应变场能够看出,试样表面已经有了可以观察到的裂纹。
当加载到670 s 时(图8 中F点),试样发生失稳破坏,导致应变数据波动,出现了新的疑似体应变拐点,所以图中以拐点体应变为基础的预测信息也随之发生波动。总体上,可以看出散斑应变场对破坏模式的预测较为准确,通过应变数据预测的失稳破坏时间误差也较小。
当加载到701 s 时(图8 中G点),声发射数据振铃数和能量陡增,滞后于岩石失稳破坏的时间。
从该试样的监测结果来看,本系统在破坏时间、破坏模式方面都实现了较为准确的预测。在实验结束后,通过对实验数据的进一步分析,试样的实际数据为:峰值强度为15.83 MPa,总破坏能量为0.351 7 kJ,加载速度为0.18 mm/min;预测结果为:峰值强度15.84 MPa,破坏能量0.132 kJ,加载速度为0.106 mm/min。
在岩石损伤失稳破坏预测预警研究中,以声发射振铃计数率及累计能率作为前兆特征来进行岩石失稳预警已得到众多学者的肯定[16]。本研究将预警结果与声发射振铃计数率及累计声发射能量释放率的特征进行对比,以说明本系统对岩石失稳破坏预测预警的效果。
3.1 预测结果与声发射振铃计数率前兆对比
声发射振铃数能够有效反映材料内部微破裂。在岩体稳定性分析中,振铃数的陡增、骤降等情况,常被作为岩石破坏前的前兆特征[17]。
从图10 可以看出,在529 s 时系统预测试样将在656 s 时发生失稳破坏,而试样实际在670 s 时发生破坏。在529 s 时,振铃数并无陡增、骤降等情况出现,无法据此进行试样失稳破坏的预警。而在试样失稳破坏后,振铃数才出现陡增的情况,因此本系统的预测预警要提前于声发射振铃数峰值的出现。
图10 岩石破坏的声发射振铃数前兆Fig.10 Acoustic emission count precursor of rock failure
3.2 预测结果与声发射能量释放率前兆对比
岩石内部的变形局部化伴随着能量的转移,声发射能量释放率的阶跃变化或平静期被认为是为岩石失稳破坏的重要前兆特征[18]。
从图11 可以看出,在529 s 时系统预测试样将在656 s 时发生失稳破坏,而试样实际在670 s 时破坏。在529 s 时和试样失稳破坏前后,声发射能率并没有发生剧烈变化,而是在390 s 左右有急剧上升,如果把声发射能量作为前兆则容易做出错误的预警,如此也进一步表明了本软件系统预测预警的优越性。
图11 岩石破坏的声发射能量前兆Fig.11 Acoustic emission energy rate precursor of rock failure
以岩石单轴加载失稳破坏动态预测预警为目标,搭建了一种岩石失稳破坏过程多元异构监测数据分析软件系统,并提出了一种岩石失稳破坏的预测预警方法,得出主要结论如下:
(1)通过Lab VIEW 二次开发的方式实时获取实验过程中应变片、声发射和散斑的测试数据,采用HTTP、WebSocket 等数据传输协议实时传输数据,实现了系统的“端”、“边”、“云”架构搭建,打破了此前测试数据孤岛的困扰,并通过单轴压缩实验,对系统的有效性进行了验证。
(2)与声发射前兆信息相比,本研究提出的岩石破坏预测预警方法,能够先于传统上的基于声发射振铃数和能量释放率的前兆特征,预测方法更为可靠,更具实际意义。
(3)由于岩石力学参数的离散性,岩石失稳破坏预测的精度依赖于数据采集的准确性,对于更为复杂的受力状态,乃至于工程中岩体损伤破坏的预测,仍有待于深入的研究。
猜你喜欢 拐点峰值岩石 “四单”联动打造适龄儿童队前教育峰值体验少先队活动(2022年9期)2022-11-23结合模拟退火和多分配策略的密度峰值聚类算法成都信息工程大学学报(2022年4期)2022-11-18320排CT低剂量容积体部灌注成像强化峰值时间对孤立性周围肺病变诊断价值中国临床医学影像杂志(2022年6期)2022-07-26第五章 岩石小专家小学科学(2021年7期)2021-08-18第五章 岩石小专家小学科学(学生版)(2021年7期)2021-07-28真假月球岩石小福尔摩斯(2021年2期)2021-02-09水产养殖拐点已至！当代水产(2020年4期)2020-06-16中国充电桩行业：拐点已至，何去何从？汽车与新动力(2019年5期)2019-11-07新能源将成车市新拐点?汽车观察(2019年2期)2019-03-15《廉洁拐点》红岩春秋(2017年6期)2017-07-03