CC BY
0ПРИБОРОСТРОЕНИЕ, МЕТРОЛОГИЯ ^
И ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫЕ ВЕСТНИК ТОГУ. 2024. №4(75)
ПРИБОРЫ II СИСТЕМЫ
УДК 622.831
DOI https://doi.org/10.38161/1996-3440-2024-4-7-18
А. В. Константинов, И. Ю. Рассказов, В. И. Римлянд, А. П. Грунин
СОВЕРШЕНСТВОВАНИЕ ПРОГРАММНО-МЕТОДИЧЕСКИХ СРЕДСТВ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ, ЗАРЕГИСТРИРОВАННЫХ АКУСТИЧЕСКОЙ СИСТЕМОЙ КОНТРОЛЯ ГОРНОГО ДАВЛЕНИЯ «PROGNOZ-ADS»
Константинов А. В. - научный сотрудник лаборатории геомеханики ИГД ДВО РАН, магистр ТОГУ, г. Хабаровск, e-mail: [email protected]; Рассказов И. Ю. - член-корреспондент, д-р техн. наук, директор, ХФИЦ ДВО РАН, г. Хабаровск, e-mail: [email protected]; Римлянд В. И. - д-р техн. наук, профессор Высшей школы физико-математических наук, ТОГУ, г. Хабаровск, e-mail: [email protected]; Грунин А. П. - канд. техн. наук, старший научный сотрудник лаборатории геофизики ИГД ДВО РАН, г. Хабаровск, e-mail: [email protected].
Статья посвящена совершенствованию программного обеспечения, используемого для анализа и обработки данных многоканальной акустической системы контроля горного давления «Prognoz-ADS», предназначенной для регистрации сейсмоакустических сигналов и применяемой для геомониторинга массива горных пород. При сейсмоакустическом мониторинге одной из ключевых проблем является регистрация техногенных шумов, приводящая к снижению точность прогноза опасных геодинамических явлений. Такие сигналы имеют различные спектральные и амплитудные характеристики, что затрудняет их отделение от полезных акустических импульсов, вызванных естественными процессами разрушения массива горных пород. Для решения данной проблемы на основе признаков повторяемости сигналов, инициированных буровыми работами, и алгоритма кластеризации DBSCAN был разработан ряд алгоритмов классификации сейсмоакустиче-ских данных по типу источника. Разработанные алгоритмы позволяют с высокой эффективностью и точностью в реальном режиме времени определять тип источника сигналов и событий акустической эмиссии, зарегистрированной системой геоакустического мониторинга.
Ключевые слова: акустическая эмиссия, горный удар, импульс, техногенные шумы, алгоритм, кластерный анализ.
© Константинов А. В., Рассказов И. Ю., Римлянд В. И., Грунин А. П., 2024
ВЕСШИК ТОГУ. 2024. № 4 (75) РиМЛЯнд в. И., Грунин А. П.
Введение
В связи с разработкой всё более глубоких горных выработок особую актуальность приобретает мониторинг состояния горных пород и возможность предсказания горных ударов [1, 2]. Напряжения, возникающие в земной коре, известные как горное давление, формируются под воздействием гравитационных сил, геологических процессов и внешних нагрузок на массив. При резком преобразовании накопленной в массиве потенциальной энергии в кинетическую может происходить горный удар — разрушительный процесс, сопровождающийся выбросом горной массы в пространство выработки [3]. Такие события способны причинять значительный ущерб инженерным сооружениям и представляют опасность для безопасности работников. Предвестниками горного удара являются: «стреляние» горных пород (бергшляг), микроудары - разрушения горных пород в пределах небольшого объема геологического пространства, смещение пластов породы. Раннее прогнозирование геодинамических явлений играет ключевую роль в предотвращении аварий и снижении материальных потерь предприятий. Метод акустической эмиссии (АЭ) был предложен для контроля устойчивости скальных массивов в конце 1930-х годов и в последние годы получил значительное развитие для не-разрушающего контроля устойчивости горных пород в шахтах и карьерах [4, 5]. Данный метод можно рассматривать как геоакустический мониторинг [6, 7]. В настоящее время метод АЭ применяется не только в горнодобывающей промышленности, но и для мониторинга состояния плотин, мостов, фундаментов и т. д.
Акустическая эмиссия (АЭ) возникает в результате высоких напряжений и деформаций, приводящих к образованию трещин и разрушению массива. Регистрация сигналов АЭ и их анализ позволяют определить местоположение и характер источников излучения, а также оценить параметры потока данных как количественно, так и качественно. При этом амплитуда и структура сигналов АЭ зависят от особенностей разрушения горного массива. При приближении во времени к моменту существенных деформаций горной породы, приводящих к обрушениям выработки, горному удару и т.п., увеличиваются размеры трещин, растет их число и изменяется тип деформации [8]. Поэтому представляет интерес выявление общих закономерностей между проявлениями горного давления и характеристиками регистрируемых импульсов акустической эмиссии (ИАЭ) [9]. К данным характеристикам относятся: количество импульсов, распределение по амплитуде, спектральный состав, энергетические параметры [10]. Решение данной проблемы осложняется рядом обстоятельств: зависимостью параметров ИАЭ от физических и геологических свойств горных пород, которые являются их источником и через которые они распространяются; наличием технологических шумов от работающего оборудования; типа и расположения приёмников ИАЭ; характера и объема горных выработок.
На ряде удароопасных месторождений России установлена многоканальная геоакустическая система «Prognoz-ADS» [11]. Основная часть системы - сеть цифровых приемных преобразователей, устанавливаемых под землей в горных выработках. «Prognoz-ADS» позволяет осуществлять регистрацию ИАЭ и их последующую обработку и анализ, что позволяет на ранней стадии выявлять и контролировать формирующиеся очаги горных ударов. Система регистрирует импульсы сейсмоакустической активности в частотном диапазоне 0,2-12 кГц [12].
СОВЕРШЕНСТВОВАНИЕ ПРОГРАММНО-МЕТОДИЧЕСКИХ СРЕДСТВ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ, ЗАРЕГИСТРИРОВАННЫХ АКУСТИЧЕСКОЙ СИСТЕМОЙ КОНТРОЛЯ ГОРНОГО ДАВЛЕНИЯ «PROGNOZ-ADS»
Данная система и её аналоги регистрируют большой поток импульсов акустической эмиссии. Значительная часть которых генерируется в процессе выполнения различных технологических операций. Основные источники таких сигналов: буровые и взрывные работы, вентиляция, транспорт, насосное оборудование и. т. д. Объём данных сигналов может значительно превышать количество полезных импульсов сейсмоакустической активности. Соответственно на первоначальном этапе для получения достоверной информации о геомеханическом состоянии породного массива возникает задача разделения сигналов естественной сейсмоаку-стической активности и техногенной деятельности. Несмотря на совокупность существующих методов, применяемых для решения данной задачи, требуется дальнейшее совершенствование средств по определению типа источников сейсмоаку-стического излучения, и в особенности сигналов естественных деформационных процессов. Для успешного выделения сигналов естественной АЭ необходима разработка алгоритмов, которые опираются на характерные признаки и закономерности их распределения [13, 14]. Однако большая часть шумов на подземных объектах связана с деятельностью бурового оборудования и взрывными работами. Главной задачей в данном случае становится идентификация этих двух типов техногенных сигналов.
На текущий момент идентификация технологических шумов, регистрируемых системой «Pшgnoz-ADS», преимущественно осуществляется вручную операторами. Для повышения эффективности процесса ведётся разработка новых программных решений, автоматизирующих классификацию источников сигналов. В отличие от существующих аналитических средств, таких как «GeoAcoustics-ADS» [15], использующих табличный подход, новые инструменты ориентированы на графическую обработку данных, что значительно упрощает их анализ и интерпретацию.
Программный комплекс фильтрации сигналов акустической эмиссии системы «Prognoz-ADS»
Исследования показали, что значительное число техногенных сигналов, фиксируемых системой «Pшgnoz-ADS», связано с буровыми работами. Для таких сигналов характерны определённый диапазон амплитуд и регулярные временные интервалы между соседними импульсами [16]. Эти особенности позволяют эффективно применять методы кластерного анализа [17] для группировки сигналов по их источникам, разделяя их на природные и техногенные.
Для решения этой задачи создан программный комплекс «GeoFiltratюn» [18], обеспечивающий подключение к базе данных системы «Prognoz-ADS» и предоставляющий графический интерфейс (рис. 1) для визуализации и анализа данных. Сигналы классифицируются по типу источников и отображаются в виде отдельных наборов на графике. Программа также предоставляет функции масштабирования, настройки осей и добавления графических элементов, что упрощает обработку данных.
«GeoFiltratюn» включает инструменты для ручной идентификации источников, позволяя операторам просматривать параметры сигналов в графической области, выделять их и присваивать соответствующий тип. Кроме того, программа
ВЕСТНИК ТОГУ. 2024. № 4 (75)
ВЕСШИК ТОГУ. 2024. № 4 (75) РиМЛЯнд в. И., Грунин А. П.
поддерживает каскадную типизацию, позволяющую задавать правила для автоматической классификации связанных сигналов и событий.
Рис. 1. Пользовательский интерфейс программы «GeoFiltration
Дополнительно в программе реализован режим определения обрезанных сигналов - инструмент, предназначенный для выявления в базе данных некорректно записанных сигналов, которые в реальности могут являться частью целого сигнала или частями нескольких сигналов. Данный алгоритм основан на соотношении длительности импульсов и энергетического параметра MARSE.
Режимы идентификации типа источника импульсов в программе «GeoFiltration»
Для кластеризации регистрируемых акустических сигналов был использован алгоритм DBSCAN [19, 20]. Его ключевыми параметрами являются радиус окрестности £ и минимальное количество точек Пр . Радиус £ определяет максимальное расстояние, на котором объекты могут считаться соседними, а Пр - задаёт минимальное число точек, необходимое для образования
плотного региона, то есть кластера.
Алгоритм DBSCAN классифицирует точки данных на три категории. Первая из них — это точки ядра (Core Points). Точка р считается точкой ядра, если
СОВЕРШЕНСТВОВАНИЕ ПРОГРАММНО-МЕТОДИЧЕСКИХ СРЕДСТВ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ, ЗАРЕГИСТРИРОВАННЫХ АКУСТИЧЕСКОЙ СИСТЕМОЙ КОНТРОЛЯ ГОРНОГО ДАВЛЕНИЯ «PROGNOZ-ADS»
ВЕСТНИК ТОГУ. 2024. № 4 (75)
в её окрестности радиуса £ находится не менее Пр точек, включая саму точку p , что описывается следующим выражением:
КСР)| > np
Окрестность точки N (p) описывается выражением
NB{Р) = {q е D | d(p,q) <s},
где D - множество всех точек в наборе данных,
q - произвольная точка из D ,
d (p, q) - функция расстояния между точками, в большинстве случаев в
ее качестве выступает евклидова метрика.
Второй тип точек в алгоритме DBSCAN — это граничные точки (Border Points). Такие точки сами по себе не удовлетворяют условиям точки ядра, но находятся в окрестности другой точки ядра. Третий тип включает шумовые точки (Noise Points), которые не относятся ни к ядру, ни к границе кластера.
Работа алгоритма DBSCAN проходит в несколько этапов, представленных на рис. 2:
1. Для каждой точки в наборе данных определяется количество точек в её окрестности радиуса ^ .
2. Выполняется проверка принадлежности точки к кластеру:
- если точка является точкой ядра, она становится основой нового кластера;
- все точки из её £ -окрестности добавляются в этот кластер;
- для каждой из добавленных точек, которая также является точкой ядра, в кластер включаются точки из её £ -окрестности.
3. Рост кластера продолжается до тех пор, пока возможно добавление новых точек ядра.
4. После завершения формирования текущего кластера алгоритм переходит к следующей точке.
В результате выполнения DBSCAN формируются кластеры точек с высокой плотностью, а также выделяются шумовые точки, которые не принадлежат ни одному кластеру.
На рис. 2 показано минимальное количество точек, равное 4. Точка A и другие красные точки классифицируются как ядра, поскольку в их е-окрестно-сти содержится не менее четырёх точек (включая саму точку). Все эти точки взаимно достижимы, поэтому они объединяются в один кластер. Точки B и C не являются ядрами, так как в их окрестности недостаточно точек, но они достижимы из точки A (через другие ядерные точки), благодаря чему они также включаются в кластер. Точка N, напротив, классифицируется как шумовая, поскольку она не удовлетворяет условиям ядерной точки и не связана с кластером через достижимые точки
ВЕСТНИК ТОГУ. 2024. № 4 (75) Римлянд В. И., Грунин А. П.
Рис. 2. Иллюстрация выполнения алгоритма DBSCAN
Для идентификации импульсов акустической эмиссии (ИАЭ), характеризующихся концентрацией параметров амплитуды и временных интервалов между соседними сигналами, зарегистрированными одним геофоном, были разработаны два режима классификации на основе алгоритма DBSCAN. Стандартный режим предполагает одиночное применение алгоритма DBSCAN на выбранном временном интервале с настройкой таких его параметров, как целевой тип источника, радиус окрестности, минимальное количество точек в кластере и масштабный коэффициент для параметра времени. Продвинутый режим позволяет создавать и сохранять заранее предустановленные пресеты (группы фильтров), а затем применять их к выбранным сигналам. Каждый из этих режимов (или пресетов) настраивается индивидуально для заданного временного интервала и конкретного объекта мониторинга. Конфигурации включают набор фильтров с параметрами DBSCAN, что позволяет выполнять множественную кластеризацию с использованием различных логических условий.
Несмотря на то, что выделение сигналов от буровых работ с применением режимов на основе алгоритма DBSCAN является довольно эффективным, у такого подходов есть несколько ограничений:
- низкая скорость классификации импульсов, не позволяющая при изменении параметров алгоритма осуществлять обработку данных в реальном времени;
- избыточные расчёты, связанные с определением импульсов на границах кластеров и созданием множества кластерных групп;
- неравномерное распределение кластеризуемых импульсов по параметрам алгоритма;
- значительное число параметров кластеризации, снижающие эффективность работы пользователей.
Алгоритмы на основе DBSCAN реализованы в многопоточном режиме, но это не обеспечивает достаточной производительности, а процесс настройки параметров остаётся трудоёмким. Классическая реализация алгоритма DBSCAN
СОВЕРШЕНСТВОВАНИЕ ПРОГРАММНО-МЕТОДИЧЕСКИХ СРЕДСТВ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ, ЗАРЕГИСТРИРОВАННЫХ АКУСТИЧЕСКОЙ СИСТЕМОЙ КОНТРОЛЯ ГОРНОГО ДАВЛЕНИЯ «PROGNOZ-ADS»
ВЕСТНИК ТОГУ. 2024. № 4 (75)
требует определения граничных объектов, что для нашей задачи оказалось избыточным и приводит к увеличению процессорного времени. Для фильтрации техногенных помех пользователю достаточно бинарной кластеризации, разделяющей данные на целевые и нецелевые типы источников импульсов.
Ещё одна сложность - узкий диапазон значений параметров алгоритма ББ8САК, что связано с более тонкой настройкой классификации импульсов целевого типа. Хотя ББ8САК обладает гибкостью, что ценно для исследовательских задач, для производственных задач требуется быстрая оценка результатов с минимизацией количества настраиваемых параметров.
Для устранения указанных ограничений разработан ещё один классификационный алгоритм, также основанный на плотности распределения. В нём реализованы оптимизации, обеспечивающие обработку и анализ полученных результатов в реальном времени. Упрощённая схема работы нового алгоритма представлена на рис. 3.
Рис. 3. Упрощённая схема алгоритма фильтрации импульсов по плотности в программе «GeoFiltratюn»
На начальном этапе происходит загрузка данных об импульсах из базы данных и их группировка по датчикам. Затем рассчитывается интервал времени между ближайшими сигналами, так как этот параметр отсутствует в базе
ВЕСШИК ТОГУ. 2024. № 4 (75) РиМЛЯнд в. И., Грунин А. П.
данных. Этот расчёт выполняется каждый раз при изменении пользователем временного диапазона просматриваемых данных.
На следующем этапе проводится предобработка импульсов для получения информации о ближайших сигналах. Результаты расчётов расстояний и их проекции на координатные плоскости сохраняются в файл в виде бинарных данных. Процедура расчёта расстояний между ближайшими импульсами — самая ресурсоёмкая операция, однако её нужно выполнять только один раз для загруженной выборки, если данные не изменялись. При добавлении новых импульсов в базу данных пересчитываются только параметры для загружаемых периодов времени. Например, для базы данных объёмом около 4,5 млн импульсов расчёт занял всего около 2 часов на компьютере средней конфигурации.
Загрузка данных о ближайших импульсах осуществляется один раз при обновлении отображаемых данных и занимает всего несколько секунд, даже при большом объёме выборки. На заключительном этапе пользователь настраивает параметры с помощью ползунков, изображённых на рисунке 4. Типы импульсов на графике обновляются мгновенно при изменении параметров.
^^ Адаптивная окрестность
Количество соседей • 10 Плотность
Ф 662
Плотность
Импульсы без типа
Рассчитать
Целевой тип Буровой
© Адаптивная окрестность
Количество соседей • 10
Полуось по X £-окрестности
500
Полуось по У £-окрестности Ф 500
Рис. 4. Параметры алгоритма фильтрации импульсов по плотности в программе «ОеоРШгайоп»
При применении данного алгоритма пользователю также доступны следующие функции:
- пересчёт параметров ближайших сигналов;
- изменение целевого типа источника импульсов;
- типизация импульсов без категории, которая не затрагивает уже классифицированные импульсы;
- настройка адаптивной окрестности, позволяющая регулировать один параметр, определяющий разницу между максимальным и минимальным расстоянием для ближайших сигналов.
СОВЕРШЕНСТВОВАНИЕ ПРОГРАММНО-МЕТОДИЧЕСКИХ СРЕДСТВ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ, ЗАРЕГИСТРИРОВАННЫХ АКУСТИЧЕСКОЙ СИСТЕМОЙ КОНТРОЛЯ ГОРНОГО ДАВЛЕНИЯ «PROGNOZ-АБ8»
ВЕСТНИК ТОГУ. 2024. № 4 (75)
Пример фильтрации с использованием алгоритма на основе плотности показан на рис. 5.
В • Без типа 37753 • АЭ 168 • Взрыв 294 О • Буровой 48729
. ...... ■ ■■ 1000000
25.01 2021 00:00 08.02.2021 00:00 22.02.2021 00:00 08.03.2021 00:00 22.03.2021 00:00 05.04.2021 00:00 19.04.2021 00:00
Рис. 5. Определения буровых импульсов в программе «GeoFiltratюn» с применением алгоритма «Плотность»
Заключение
На основе признаков повторяемости сигналов разработаны алгоритмы кластеризации для классификации импульсов акустической эмиссии, излученных в процессе активного ведения буровых работ. Выполнена разработка нового программного обеспечения «GeoFйtratюn», предоставляющего графические средства просмотра сейсмоакустических данных системы «Prognoz-ADS» и позволяющее осуществлять классификацию сигналов акустической эмиссии как ручным методом, так и различными конфигурациями протестированных алгоритмов кластеризации.
Представленное программное решение интегрировано в процесс обработки данных, регистрируемых системой «Prognoz-ADS». Его внедрение позволяет значительно повысить эффективность выделения сигналов и сейсмо-акустических событий, связанных с буровыми работами. Это ускоряет оценку текущего состояния горного массива и способствует более точному прогнозированию динамических проявлений горного давления.
Расширенные возможности по классификации и систематизации сейсмо-акустических сигналов в разработанном программном средстве позволяют формировать размеченные наборы данных с различной природой происхождения. Эти наборы данных могут стать основой для создания математических моделей, основанных на методах машинного обучения. Такие модели спо-
ВЕСШИК ТОГУ. 2024. № 4 (75) РиМЛЯнд в. И., Грунин А. П.
собны более эффективно анализировать и распознавать акустические импульсы, что значительно оптимизирует процесс идентификации техногенных шумов и других регистрируемых сигналов.
Библиографические ссылки
1. He M. Rock dynamics in deep mining / M. He, Q. Wang // International Journal of Mining Science and Technology. - 2023. - Vol. 33, no. 9. - P. 1065— 1082. - DOI 10.1016/j.ijmst.2023.07.006.
2. Тезисы докладов Всероссийской научно-технической конференции с участием иностранных специалистов «Прогноз и предупреждение удароопас-ности при ведении горных работ», 27-30 сентября 2022 г. — Апатиты: Издательство ФИЦ КНЦ РАН, 2022. - 57 с. - DOI 10.37614/978.5.91137.468.6.
3. Петухов, И. М. Механика горных ударов и выбросов / И.М. Петухов, А.М. Линьков. - Москва : Недра, 1983. - 280 с.
4. Stress Redistribution in a Longwall Yield Pillar — a Comparison between Active Seismic Tomography and Theory / E. C. Westman, J. M. Wempen, D. J. Coons [et al.] // Mining, Metallurgy & Exploration. - 2022. - Vol. 39. - P. 10171026. - DOI 10.1007/s42461-022-00579-z.
5. Использование поверхностных волн для мониторинга состояния пород вокруг горных выработок и сооружений / М. В. Курленя, В. В. Сказка, А. В. Азаров [и др.] // Физико-технические проблемы разработки полезных ископаемых. - 2022. - № 6. - С. 3-14. - DOI 10.15372/FTPRPI20220601.
6. Microseismic monitoring, analysis and early warning of rockburst / T. Ma, C. Tang, F. Liu, S. Zhang, Z. Feng // Geomatics, Natural Hazards and Risk. - 2021.
- Vol. 12. - P. 2956-2983. - DOI 10.1080/19475705.2021.1968961.
7. Еременко, А. А. Мониторинг геодинамических явлений микросейсмическим методом при освоении удароопасных месторождений / А. А. Еременко, С. Н. Мулев, В. А. Штирц // Физико-технические проблемы разработки полезных ископаемых. - 2022. - № 1. - С. 12-22. - DOI 10.15372/FTPRPI20220102.
8. Microseismicity-based method for the dynamic estimation of the potential rockburst scale during tunnel excavation / G. F. Liu, Q. Jiang, G. L. Feng [et al.] // Bulletin of Engineering Geology and the Environment. - 2021. - Vol. 80. - P. 36053628. - DOI 10.1007/s10064-021 -02173-x.
9. Implications for rock instability precursors and principal stress direction from rock acoustic experiments / L. Dong, Y. Chen, D. Sun, Y. Zhang // International Journal of Mining Science and Technology. - 2021. - Vol. 31, no. 5. - P. 789-798.
- DOI 10.1016/j.ijmst.2021.06.006.
10.Machine Learning Based Identification of Microseismic Signals Using Characteristic Parameters / K. Peng, Z. Tang, L. Dong, D. Sun // Sensors. - 2021. -no. 21. - P. 6967. - DOI 10.3390/s21216967.
11. Патент на промышленный образец № 129484 Российская Федерация. Автоматизированная система контроля горного давления "Prognoz-ADS" : № 2021500068 : заявл. 02.03.2021 : опубл. 25.01.2022 / И. Ю. Рассказов, Г. А. Калинов, П. А. Аникин, Д. С. Мигунов ; заявитель Федеральное государственное
СОВЕРШЕНСТВОВАНИЕ ПРОГРАММНО-МЕТОДИЧЕСКИХ СРЕДСТВ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ, ЗАРЕГИСТРИРОВАННЫХ АКУСТИЧЕСКОЙ СИСТЕМОЙ КОНТРОЛЯ ГОРНОГО ДАВЛЕНИЯ «PROGNOZ-ADS»
бюджетное учреждение науки Хабаровский Федеральный исследовательский центр Дальневосточного отделения Российской академии наук.
12. Акустический измерительно-вычислительный комплекс для геомеханического мониторинга массива пород при ведении горных работ / Г. А. Калинов, И. Ю. Рассказов, А. Ю. Искра [и др.] // Сборник трудов XVI сессии Российского акустического общества, Москва, 14-18 ноября 2005 года. Том 1. -Москва : ГЕОС, 2005. - С. 351-354.
13. Yang, Y. Using unsupervised machine learning for clustering seismic noise: A case study of a dense seismic array at the Weifang segment of the Tanlu Fault / Y. Yang, F. Niu // Chinese Journal of Geophysics. - 2022. - Vol. 65, no. 7. - P. 25732594. - DOI 10.6038/cjg2022P0946.
14. Калинов Г.А., Мигунов Д.С, Римлянд В.И. Оценка влияния шумов на фазовый способ определения момента прихода акустических импульсов Вестник Тихоокеанского государственного университета. 2009. №1 (12). С. 275282.
15. Свидетельство о государственной регистрации программы для ЭВМ № 2011617751 Российская Федерация. "GeoAcoustics M" - Программа обработки данных геомеханического мониторинга в сейсмоакустическом диапазоне частот, версия v.1.1 : № 2011615912 : заявл. 05.08.2011 / И. Ю. Рассказов, А. А. Иванников, А. Ю. Искра [и др.] ; заявитель Институт горного дела ДВО РАН.
16. Identifying different classes of seismic noise signals using unsupervised learning / C. W. Johnson, Y. Ben-Zion, H. Meng, F. Vernon // Geophysical Research Letters. - 2020. - Vol. 47, no. 15. - DOI 10.1029/2020GL088353.
17. Jain, A. Data clustering: A review / A. Jain, M. Murty, P. Flynn // ACM Computing Surveys. - 1999. - Vol. 31, no. 3. - P. 264-323.
18. Свидетельство о государственной регистрации программы для ЭВМ № 2023667159 Российская Федерация. GeoFiltration : № 2023665959 : заявл. 28.07.2023 : опубл. 10.08.2023 / А. В. Константинов, А. П. Грунин, А. В. Сидляр ; заявитель Федеральное государственное бюджетное учреждение науки Хабаровский федеральный исследовательский центр Дальневосточного отделения Российской академии наук.
19. DBSCAN revisited, revisited: Why and how you should (still) use DBSCAN / E. Schubert, J. Sander, M. Ester [et al.] // ACM Transactions on Database Systems. - 2017. - Vol. 42, no. 3. - P. 1-21.
20. Zhang, W. An improved DBSCAN algorithm for hazard recognition of obstacles in unmanned scenes / W. Zhang // Soft Computing. - 2023. - Vol. 27. - P. 18585-18604. - DOI 10.1007/s00500-023-09319-x.
ВЕСТНИК ТОГУ. 2024. № 4 (75)
BECTHHKTory. 2024. № 4 (75) p„A B. H., rpyHHH A. n.
Title: Improvement of Software and Methodological Tools for Analyzing and Processing Data Recorded by the "PROGNOZ-ADS" System of Acoustic Rock Pressure Monitoring
Authors' affiliation:
Konstantinov A. V. - Mining Institute of Far Eastern Branch of RAS, Khabarovsk, Russian Federation
Rasskazov I. Yu. - Khabarovsk Federal Research Center of the Far Eastern Branch RAS, Khabarovsk, Russian Federation
Rimlyand V. I. - Pacific National University, Khabarovsk, Russian Federation Grunin A. P. - Mining Institute of Far Eastern Branch of RAS, Khabarovsk, Russian Federation
Abstract: The article is devoted to the improvement of the software used for analysis and processing data of the multichannel acoustic rock pressure monitoring system "Prognoz-ADS", which is used for geomonitoring of rock massifs based on the registration of seismoacoustic signals. In seismic-acoustic monitoring, one of the key challenges is the registration of anthropogenic noise, which reduces the accuracy of predicting hazardous geodynamic phenomena. Such signals have diverse spectral and amplitude characteristics, making it difficult to distinguish them from useful acoustic impulses caused by natural rock mass destruction processes. To address this issue, a series of algorithms for classifying seismic-acoustic data by source type was developed. These algorithms are based on the recurrence patterns of signals induced by drilling activities and the DBSCAN clustering algorithm. The developed algorithms enable highly efficient and accurate real-time identification of the signal source type and acoustic emission events recorded by the geoacoustic monitoring system.
Keywords: acoustic emission, rock burst, impulse, man-made noise, algorithm, cluster analysis.
