本研究利用希尔伯特-黄变换（HHT）研究了不同煤岩破裂模式下的声发射波形特征，提取了声发射波形的瞬态时-频参数。希尔伯特三维能谱清楚地显示了声发射波形能量在时-频域中的变化模式，其中能量的三维分布是间歇性的，而不是连续的。在声发射波形的不同阶段，瞬时能量一般存在显著差异并具有明显的瞬时能量峰值点。因为瞬时能量主要由波形的频率和振幅决定。煤岩破裂的声发射波形信息与释放的能量有关，主要由瞬时能量和持续时间决定。希尔伯特三维能谱中峰值更为集中，主峰更加明显，主频显著占优，更清晰地显示了声发射波形的动态变化特征。

图1 煤岩水力压裂声发射波形的三维能量谱特征

从时间-频率-瞬时能量角度分析了煤岩水力压裂和单轴压缩声发射信号的主频带和衰减比特征。虽然煤岩试件单轴压缩和水力压裂的声发射波形幅值近似，但水力压裂波形的持续时间比单轴压缩的持续时间明显要小，因此水力压裂波形所携带的能量也较小。煤岩破裂持续时间越长，瞬时能量和总能量越高。不同煤岩水力压裂波形的衰减比比单轴压缩波形的衰减比大，其中泥岩试件的衰减比差异表现最为明显。

图2 煤岩水力压裂和单轴压缩声发射特征参数对比

MLP实际上就是一个拥有多层神经网络的多层感知机，由于其隐含层是全连接层，可以进行空间转换，因此MLP神经网络具有高度的并行处理能力和非线性全局作用，具有良好的容错性和联想记忆功能，可实现非线性分类。本研究构建了4层MLP神经网络模型，建立了2000组不同煤岩破裂特征参数的训练数据集和验证数据集，然后对MLP模型进行迭代训练及优化，迭代结束后输出最小损失函数值，并输出识别结果。结果显示，该模型对不同煤岩破裂模式下的声发射信号的识别准确率达到96%，验证了该模型的高精度和有效性。

图3 基于MLP神经网络的煤岩水力压裂声发射信号识别流程

李全贵副教授研究团队认为，随着深度学习技术的不断发展，可以预见将更多深度学习方法应用于微震/声发射信号的分类和识别。卷积神经网络（CNN）和循环神经网络（RNN）等模型可以更好地捕捉信号的时空特征。开发高分辨率成像技术，开展多尺度建模研究，将自动化监测系统与实时决策支持系统相结合，以快速响应和调整水力压裂过程。这将有助于提高资源利用效率和降低潜在风险。

李全贵，重庆大学副教授，博士生导师，煤矿灾害动力学与控制全国重点实验室煤矿瓦斯防治团队成员，International Journal of Coal Science &Technology编委，主要从事煤矿瓦斯灾害防治、煤层气开发领域的科学研究工作，兼任重庆市科学传播专家团专家、《中国矿业大学学报》中青年编委、《煤炭科学技术》《煤田地质与勘探》青年编委等。

主持国家自然科学基金、国家重点研发计划子课题等纵向5项，参与国家科技重大专项、重点研发等项目12项，发表论文60余篇，制定国家标准2项、行业标准2项，授权发明专利17项，登记软件著作权5项，参编著作5部，获中国煤炭工业协会、中国职业安全健康协会、中国岩石力学与工程学会等科技奖励12项。