Study on the features of coal rock failure potential signal based on multiscale multifractal analysis method
-
摘要: 煤岩变形破坏诱发的表面电位信号包含损伤演化的关键信息，在煤岩动力灾害监测领域得到广泛研究，但大多是在单一时间维度对电位时序信号的波动特征进行研究，对时序信号的非线性、多尺度特征变化规律缺乏深入研究。针对该问题，搭建了煤岩破坏电位监测系统，同步测试了原煤和辉长岩2种试样的电位时序信号，并通过多尺度多重分形（MMA）法，深入研究了多尺度下的电位信号非线性特征，得到了电位时序信号的奇异性指数、奇异维数、局部赫斯特指数等参数，并采用L2范数对赫斯特曲面予以量化。实验结果表明：原煤和辉长岩的总体电位信号都呈现出多尺度多重分形特征，且裂纹萌生前后的电位多重分形图谱呈现一定差异性；相较于辉长岩，煤样在加载前后阶段不同位置处电位信号的奇异性指数差异Δα正负趋势呈现不同特征，表明了煤样具有更强的非线性演化特征；多尺度下局部赫斯特指数的L2范数更好地体现出试样不同通道电位信号间的长程相关性，并能够量化试样电位时序信号的非线性演化特征，进而实现煤岩失稳破坏预测。Abstract: The surface potential signals induced by the deformation and failure of coal and rock contain key information on damage evolution. It has been widely studied in the field of coal and rock dynamic disaster monitoring. However, most of these studies focus on the fluctuation features of potential time series signals in a single time dimension. There is a lack of in-depth research on the nonlinear and multiscale feature changes of the time series signals. To solve this problem, a monitoring system for the potential of coal and rock failure is built, and the potential time series signals of raw coal and gabbro samples are synchronously tested. Through the multiscale multifractal analysis (MMA) method, the nonlinear features of potential signals at multiple scales are studied in depth. The singularity index, singularity dimension, local Hurst index and other parameters of the potential time series signals are obtained. The Hurst surface is quantified by the L2 norm. The experimental results show that the overall potential signals of raw coal and gabbro show multiscale multifractal features, and the potential multifractal maps before and after crack initiation show some differences. Compared with gabbro, the positive and negative trends of the singularity index difference Δα of the potential signals of the coal samples at different positions in the pre-loading and post-loading phases show different features. It indicates a stronger non-linear evolution of the coal samples. The L2 norm of the local Hurst index at multiple scales better reflects the long-range correlation between different channel potential signals of the sample. It can quantify the nonlinear evolution features of the sample time series signals, thereby achieving the prediction of coal rock instability and failure.
-
0. 引言
随着煤炭资源逐步进入深部开采阶段，煤与瓦斯突出等动力灾害日趋严峻及复杂，给煤矿安全高效开采带来严重的威胁与挑战[1-3]。通过地球物理学方法对煤岩动力灾害进行监测预警是一种行之有效的方法[4-5]，被越来越多地应用于煤与瓦斯突出的监测与防治工作中[6-7]。前人的理论研究和现场实践表明，采动过程中监测到的各种地球物理信息是揭示煤岩损伤演化特征规律的关键[8-11]。电位信号作为地球物理信息的一种，最初起源于地震[12]，随后众多学者研究表明在不同煤岩材料破坏过程中都产生了电位信号[13-15]，且与煤岩损伤演化具有高度相关性，在煤岩失稳破坏前呈现明显前兆信息[16]。因此，电位法逐步被应用于煤岩动力灾害监测预警领域，取得了突出的成果[17-18]。
煤岩电位信号本身包含了损伤演化的关键信息，其时序特征规律得到广泛研究。李忠辉[19]对表面电位信号的R/S规律进行了分析，证明表面电位时间序列赫斯特指数大于0.5，表面电位呈逐渐升高的趋势。刘杰等[20]应用多重分形理论分析表面电位时间序列，得出其存在多重分形特征，在较大尺度内满足标度不变性；不同尺寸的试样，表面电位信号多重分形谱呈右钩状。钮月[21]研究了含瓦斯煤损伤破坏电位响应规律，发现电位信号时间序列具有多重分形特征与临界慢化特征，多重分形参量及方差可作为监测含瓦斯煤失稳破坏的时序前兆信息。现有研究多基于盒维数法计算分析电位时序信号的多重分形特征[22-23]，只在单一时间维度对电位时序信号的波动特征进行研究，对其非线性、多尺度特征变化规律缺乏深入研究。
多重分形趋势波动分析(Multifractal Detrended Fluctuation Analysis，MFDFA)法 [24-25]及其改进方法−多尺度多重分形(Multiscale Multifractal Analysis，MMA)法 [26]已被应用到生命科学与医学领域，取得了较好效果[27-28]。本文应用MMA法对原煤和辉长岩的多个通道电位信号时间序列进行研究。由于观察到同一通道时序电位信号在裂纹闭合阶段、微裂隙发展阶段的信号波动与非稳定破裂及之后阶段具有显著不同，而不同通道的各阶段信号波动却具有一定相似性，所以将时间序列以裂隙萌生阶段为界分为前后2期，研究分析前后时期与总体时间序列在不同尺度上的长程相关性及不同通道间时序电位信号的相关性，探索不同通道时间序列的多尺度非线性演化规律，从而全面地把握其时序特征；同时，根据已知材料非线性演化规律预估未知信号的演化特征，从而实现预测煤岩失稳破坏的目的。
1. 多尺度多重分形法
定义一个长度为N的时间序列xi，计算累计和：
$$ {y}_{i}=\sum _{i=1}^{N}\left( { {x}_{i}-\frac{1}{N}\sum _{i=1}^{N}{x}_{i} } \right) $$ (1) 以一个整数s作为划分尺度对时间序列进行划分，分段数为
$$ {N}_{s}=\frac{N}{s} $$ (2) 对分段后每一段内的累计和yj（j为每一段内的数据序号）进行拟合，并用实际值yj减去对应的拟合值yj(k)（k为拟合多项式最高阶数），即去趋势处理，得
$$ \begin{array}{c}{y}_{j,n}^{s}={y}_{j,n}-{y}_{j,n}^{\left(k\right)} \end{array} $$ (3) 式中n为各段序号。
计算s尺度下第n段去趋势处理后数据的总体均方差：
$$F(s,n)=\frac{1}{s}\sum _{j=1}^{s}{\left({y}_{j,n}^{s}\right)}^{2} $$ (4) 通过总体均方差计算每段数据q阶的平均波动：
$$ {F}_{q} (s)={\left\{\frac{1}{{N}_{s}}\sum _{n=1}^{{N}_{s}}{\left[F(s,n)\right]}^{\tfrac{q}{2}}\right\}}^{\tfrac{1}{q}} $$ (5) 当s和q确定时，式(5)可表示为
$$ \begin{array}{c}{F}_{q}\left(s\right)～{s}^{H\left(q\right)} \end{array} $$ (6) 式中H(q)为广义赫斯特指数。
对式(6)取对数，可作出多条不同$q $值对应的拟合线，拟合线斜率即为该阶数下的赫斯特指数H(q)。将H(q)转换为质量指数，再求导转换为奇异性指数α和奇异维数Dq，得到与盒维数法结果相同的多重分形谱，此即MFDFA法。
MMA法在MFDFA法的基础上，将拟合分析细化到各个尺度s，能够考察到各个尺度对时间序列赫斯特指数的影响，改善了MFDFA法只能分析单个尺度的缺陷，得到的结果h($q $，s)即为局部赫斯特指数。由于局部赫斯特指数是与s和$q $相关的量，所以可作出曲面来表征其与s和$q $的对应关系，此即赫斯特曲面。
2. 单轴加载实验
2.1 试样
实验选择原煤和辉长岩2种试样，均为50 mm×50 mm×100 mm的普通长方体标准试样，采用细砂纸打磨，使其平整度误差低于0.02 mm，其物理力学特性见表1。将2种试样用于单轴压缩实验，同步测试其损伤破坏过程中的电位信号响应。
表 1 原煤与辉长岩物理力学特性Table 1. Physical and mechanical properties of row coal and gabbro试样 密度/ (g·cm−3) 弹性模量/GPa 峰值强度/MPa 原煤 1.19 2.00 14.55 辉长岩 2.92 14.84 75.22 2.2 实验系统
单轴压缩实验系统如图1所示。加载系统采用Y4306型3 000 kN压力实验机，该系统由压力机主机、加载控制箱、计算机和PowerTestV3.3控制程序组成，可开展单轴加载实验。表面电位信号采集系统由COBWEB−DAU型便携式多通道电位信号监测仪、伺服控制器及前端放大器等组成，最多可支持16个通道的电位信号实时采集和记录，各个通道的最高采样频率可达100 kHz。前端放大器共包含50倍、100倍、200倍及500倍4个数据放大档位，可根据实验要求进行设定。为更好地记录电位信号细节信息，每个通道前端放大器放大倍数统一设为150，采样频率均设为195 Hz。
2.3 实验步骤
选用大小为15 mm×15 mm的电极片，用石墨胶将电极粘贴在煤样上，静置一段时间，使其达到表面电位平衡。加载前，先对表面电位测试系统进行调试，确保实验前表面电位平稳。试样与压头用绝缘纸隔离，防止因压头带电对电位信号采集产生干扰。为保证不同试样的初始应力相同，单轴加载前为试样施加1 kN预应力。上述步骤全程在电磁辐射屏蔽室内进行，待完成准备工作后，开始进行单轴加载，直至试样破坏。不同试样电位信号均选用1号和2号通道作为采集通道。
3. 实验结果分析
3.1 电位时序信号响应
对试样进行压缩破坏实验，得到煤岩破裂表面电位时序信号，如图2所示。可发现不同试样前后期的信号波动特性显著不同。
原煤作为一种多孔介质材料，相比于辉长岩，在裂纹闭合阶段的信号波动更为剧烈，表现出强烈的非线性特征。当试样进入裂纹扩展阶段后，二者的电位信号波动变得更为明显，并且伴随着小破裂的发生，出现了局部应力下降。辉长岩的电位信号总体趋势逐渐增大，而原煤电位信号由于非线性特征更强，时序信号类似于随机游走，很难发现二者之间有哪些本质区别及各自特征，这制约了对不同材料电位时序信号的深入理解，需要应用多重分形理论进行解释。而由于原煤和辉长岩时序信号长度不同，为确保方法的普适性，针对不同试样进行计算时，各参数的选取随时序信号长度等比例扩大或缩小。
3.2 MFDFA法计算结果
使用MFDFA法对各个时期的时间序列进行计算，得到原煤和辉长岩的多重分形谱，如图3和图4所示。
图3和图4中所有通道的总体时间序列都表现出右钩状的多重分形谱曲线样式，这是典型的煤岩电位信号时间序列特征[20]，其奇异性指数α的起始值都在1.0左右，奇异维数Dq的峰值都在1.0左右。但相比于原煤，辉长岩的α值跨度较小，并且各通道前期时间序列的多重分形谱曲线普遍比较陡峭，后期则变得平缓。原煤不同通道的多重分形谱表现各不相同，通道1各时期多重分形谱曲线变化趋势与辉长岩表现相似，但通道2却与之相反，前期的曲线更为平缓，后期却反而陡峭。
辉长岩不同通道各时期的多重分形谱曲线具有相似的变化趋势，而原煤不同通道结果各不相同，表明多重分形谱虽然能够在一定程度上表征原煤和辉长岩的非线性演化特征差异，但是难以定量描述其差异并指出差异是如何引起的，需要MMA法来予以解释。
3.3 MMA法计算结果
使用MMA法对各个时间序列进行计算，得到赫斯特曲面，如图5−图8所示。可看出各时期电位信号的赫斯特曲面都有一部分相似于总体赫斯特曲面，但不同试样及不同通道的具体表现有所不同。
![]()
图 5 原煤通道1前后期及总体赫斯特曲面Figure 5. Hurst surface of early, late and overall stage of raw coal's channel 1![]()
图 6 原煤通道2前后期及总体赫斯特曲面Figure 6. Hurst surface of early, late and overall stage of raw coal's channel 2![]()
图 7 辉长岩通道1前后期及总体赫斯特曲面Figure 7. Hurst surface of early, late and overall stage of gabbro's channel 1![]()
图 8 辉长岩通道2前后期及总体赫斯特曲面Figure 8. Hurst surface of early, late and overall stage of gabbro's channel 2在赫斯特曲面上，原煤不同通道的后期时序信号显现出强烈的一致性，其相比于前期信号更相近于总体，并且曲面变化趋势都是总体平缓，但在q接近0附近和全尺度上缓慢增加，直至取得峰值，呈“山脊”状。而不同通道的前期时序信号赫斯特曲面则呈现出有规律的差异：通道1前期与总体的不同在于，当q取较大正值和大尺度时，其赫斯特曲面取得峰值；而通道2则是在q取较小负值和大尺度时，赫斯特曲面取得峰值。阶数 $ q $ 和尺度s能够体现出大小信号在各种时间尺度下的分布规律，因此能够具体说明是哪部分的大小信号最终导致了赫斯特曲面的不同，结果相比于多重分形谱更为明晰。
辉长岩2个通道均是前期与总体的赫斯特曲面更加相似，但曲面起伏趋势有所不同。通道1赫斯特曲面表现为总体平缓，在全体 $ q $ 阶和大尺度时缓慢增大并取得多个峰值；通道2总体也较为平缓，但在q取较小负值和大尺度时陡然增大并取得峰值。而2个通道后期赫斯特曲面却表现出相似性，都在较小−$ q $ 阶和中等尺度时增大并达到峰值。
4. 讨论
从图（2）可看出，辉长岩2个通道的电位信号均具有总体增大趋势，而原煤不同通道的电位信号变化趋势各不相同，表明原煤具有更强的非均质性和损伤局部化特征，使得其不同通道的时序信号具有更强的非线性演化特征。这种非线性特征在多重分形谱上体现为不同时期的奇异性指数差异Δα大小及正负性不同。而原煤和辉长岩不同时期的多重分形曲线变化趋势也的确表现出明显差异，表明其时序信号的非线性演化特征在裂纹萌生前后获得了发展。
Δα能够表征大小信号出现的频率[20]，由于试样都具有一定的局部损伤演化特征，对于同一试样，不同通道所采集的电位信号前后期与总体时间序列的Δα变化趋势理应具有差异，但对于具有更强均质性的材料及更强线性演化特征的时序信号来说，不同通道的Δα大小及正负性变化应更加一致，这一点在辉长岩上得到了体现。相较于原煤，辉长岩不同通道前后期与总体时序信号的Δα变化趋势一致，其大小较为接近，均是前期为正，后期为负，表明辉长岩具有更强的均质性，使得不同通道采集到的电位时序信号具有更相似的非线性演化特征。而原煤不同通道各时期则呈现不同的变化趋势，通道1的Δα前期为正，后期为负；通道2则是前后期均为负，不仅如此，其Δα也普遍比辉长岩大，表明原煤具有更强的局部损伤演化特征，使得不同通道采集到的电位信号具有更强的非线性演化特征。然而对于原煤电位信号，尽管能够以Δα变化趋势来表征其比辉长岩具有更强的非线性特征，但这种解释过于模糊，既不能说明其非线性特征的强烈程度，也不能提取出不同试样非线性演化特征的特性，但这些问题通过赫斯特曲面得到了解决。
原煤不同通道信号各时期的赫斯特曲面均为“山脊”状，并均是后期赫斯特曲面更接近于总体赫斯特曲面。曲面上的局部赫斯特指数具有表征时间序列长程相关性的性质[19]，而原煤不同通道的时序信号经MMA法得到的局部赫斯特指数变化大致相似，表明该方法能够归纳出原煤在受载破坏时不同通道时序信号非线性演化特征的一致特性，这能够将不同通道的时序电位信号联系起来，从而更好地对煤岩电位信号非线性响应特征进行精细化识别和分析。辉长岩不同通道各时期的时序信号在多重分形谱中就已显现出一致的趋势，其在赫斯特曲面上仍然保留着这一特点，再次印证了辉长岩时序信号比原煤更为线性的演化特征。
为了量化不同通道各时期赫斯特曲面的变化趋势，定义曲面L2范数：
$$d=\sqrt{\sum _{r=1}^{m}{\left[{h}_r\left(q,s\right)\right]}^{2}} $$ (7) 式中m为曲面上局部赫斯特指数的数量；hr（q，s）为第r个局部赫斯特指数。
不同通道各时期L2范数见表2，d1为前期L2范数，d2为后期L2范数，d0为总体L2范数。可看出原煤和辉长岩不同通道各时期L2范数比值各自具有独特的变化趋势。原煤各通道均是前期较大，为108.02%，110.49%，后期较小，为102.14%，93.91%；辉长岩则是前期较小，为92.69%，96.44%，后期较大，为108.82%，110.04%。这表明由于岩性不同导致压裂破坏时的电位信号非线性演化特征不同，从而引起的试样L2范数比值不同与试样种类具有对应关系。因此，可通过L2范数比值关系对时序信号进行分类，识别是何种材料产生的电位信号。而对于已知材料，则可通过这种比值关系，监测时序信号L2范数比值的变化，从而对失稳破坏进行预警。
表 2 不同通道各时期L2范数Table 2. L2 norms of different periods in different channels通道 d1 d2 d0 L2范数比值/% d1/d0 d2/d0 原煤通道1 16.16 15.28 14.96 108.02 102.14 原煤通道2 16.32 13.87 14.77 110.49 93.91 辉长岩通道1 15.35 18.02 16.56 92.69 108.82 辉长岩通道2 15.46 17.80 16.03 96.44 110.04 对于矿井安全生产，可先通过实验测得矿井煤岩壁材料压裂破坏时序电位信号前后期与总体的局部赫斯特指数的L2范数比值，然后布置电极监测煤岩壁电位信号。采集不少于16 000个电位信号[26]，并根据采样频率计算数据采集需要的时间t1。取0~t1内的电位数据作为基准数据，使用MMA法计算其L2范数d1。随着时间推移继续采集电位数据至t2（t2=2t1）时刻，计算0~t2内电位信号的L2范数d2和d0，并将d1、d2与d0比较，若d1/d0和d2/d0的增减趋势相似于实验材料时序信号前期的d1/d2，则可判断煤岩壁正在缓慢失稳。持续监测其电位信号，将实时时刻定为t2，t2的中值时刻定为t1，持续计算d1/d0和d2/d0，当比值接近于实验材料时发出预警，即可监测预警煤岩动力灾害的发生。若是初次计算的d2/d1趋势与实验材料的表现相反，则说明实际现场数据量不足，将初始的t2置为t1，重复选择t2进行监测即可。这为凭借时序信号非线性演化特征监测预警煤岩动力灾害提供了新的视角和方法，具有积极意义。
5. 结论
1） 原煤和辉长岩各通道时序信号都具有多重分形特征，裂隙萌生期前后的时序信号也各自具有多重分形特征，不同试样各时期信号的多重分形特征与总体信号具有典型差异。辉长岩不同通道信号的奇异性指数差异Δα具有更相似的变化趋势，而原煤的Δα变化趋势不同，表明辉长岩时序信号具有更强的线性演化特征。
2） 赫斯特曲面能够展现出试样在多尺度下不同通道电位时序信号的非线性演化特征，这种非线性演化特征能够以局部赫斯特指数的L2范数比值来量化，而比值大小与煤岩种类具有对应性。因此，通过局部赫斯特指数的L2范数能够对煤岩电位信号进行分类；而对于已知材料的时序信号，可凭借部分信号预估其破坏时L2范数大小，从而实现对煤岩失稳破坏的预警。
-
![]()
图 5 原煤通道1前后期及总体赫斯特曲面
Figure 5. Hurst surface of early, late and overall stage of raw coal's channel 1
![]()
图 6 原煤通道2前后期及总体赫斯特曲面
Figure 6. Hurst surface of early, late and overall stage of raw coal's channel 2
![]()
图 7 辉长岩通道1前后期及总体赫斯特曲面
Figure 7. Hurst surface of early, late and overall stage of gabbro's channel 1
![]()
图 8 辉长岩通道2前后期及总体赫斯特曲面
Figure 8. Hurst surface of early, late and overall stage of gabbro's channel 2
表 1 原煤与辉长岩物理力学特性
Table 1 Physical and mechanical properties of row coal and gabbro
试样 密度/ (g·cm−3) 弹性模量/GPa 峰值强度/MPa 原煤 1.19 2.00 14.55 辉长岩 2.92 14.84 75.22 
下载: 导出CSV
表 2 不同通道各时期L2范数
Table 2 L2 norms of different periods in different channels
通道 d1 d2 d0 L2范数比值/% d1/d0 d2/d0 原煤通道1 16.16 15.28 14.96 108.02 102.14 原煤通道2 16.32 13.87 14.77 110.49 93.91 辉长岩通道1 15.35 18.02 16.56 92.69 108.82 辉长岩通道2 15.46 17.80 16.03 96.44 110.04
下载: 导出CSV
-
[1] 谢和平,王金华,王国法,等. 煤炭革命新理念与煤炭科技发展构想[J]. 煤炭学报,2018,43(5):1187-1197. XIE Heping,WANG Jinhua,WANG Guofa,et al. New ideas of coal revolution and layout of coal science and technology development[J]. Journal of China Coal Society,2018,43(5):1187-1197.
[2] WANG Chaojie,YANG Shengqiang,LI Xiaowei,et al. The correlation between dynamic phenomena of boreholes for outburst prediction and outburst risks during coal roadways driving[J]. Fuel,2018,231:307-316. DOI: 10.1016/j.fuel.2018.05.109
[3] 齐庆新,潘一山,舒龙勇,等. 煤矿深部开采煤岩动力灾害多尺度分源防控理论与技术架构[J]. 煤炭学报,2018,43(7):1801-1810. QI Qingxin,PAN Yishan,SHU Longyong,et al. Theory and technical framework of prevention and control with different sources in multi-scales for coal and rock dynamic disasters in deep mining of coal mines[J]. Journal of China Coal Society,2018,43(7):1801-1810.
[4] 谭云亮,郭伟耀,辛恒奇,等. 煤矿深部开采冲击地压监测解危关键技术研究[J]. 煤炭学报,2019,44(1):160-172. TAN Yunliang,GUO Weiyao,XIN Hengqi,et al. Key technology of rock burst monitoring and control in deep coal mining[J]. Journal of China Coal Society,2019,44(1):160-172.
[5] 李楠,王恩元,GE Maochen. 微震监测技术及其在煤矿的应用现状与展望[J]. 煤炭学报,2017,42(增刊1):83-96. LI Nan,WANG Enyuan,GE Maochen. Microseismic monitoring technique and its applications at coal mines:present status and future prospects[J]. Journal of China Coal Society,2017,42(S1):83-96.
[6] 王恩元,李忠辉,钮月,等. 深部煤层采动破坏电位响应特征与分布规律[J]. 煤田地质与勘探,2021,49(1):241-248. WANG Enyuan,LI Zhonghui,NIU Yue,et al. Characteristics and distribution laws of electric potential response to mining failure of deep coal seam[J]. Coal Geology & Exploration,2021,49(1):241-248.
[7] 殷山. 煤岩受载破坏过程磁场效应规律实验研究[D]. 北京: 北京科技大学, 2022. YIN Shan. Experimental study on the law of magnetic field effect in the process of coal and rock failure under load[D]. Beijing: University of Science and Technology Beijing, 2022.
[8] 陈丁. 矿井全空间巷道孔中瞬变电磁波场特征数值模拟研究[D]. 北京: 中国矿业大学（北京）, 2016. CHEN Ding. Study on wave field characteristics of drillhole transient electromagnetic in mine roadway whole space using numerical simulation[D]. Beijing: China University of Mining & Technology-Beijing, 2016.
[9] 王昕. 基于电磁波技术的煤岩识别方法研究[D]. 徐州: 中国矿业大学, 2017. WANG Xin. Study of coal rock identification method based on electromagnetic wave technology[D]. Xuzhou: China University of Mining and Technology, 2017.
[10] 杨志良,赵毅鑫,杨东辉,等. 单轴压缩条件下砂岩的声热效应特征研究[J]. 矿业科学学报,2019,4(3):230-239. YANG Zhiliang,ZHAO Yixin,YANG Donghui,et al. Study on the characteristics of the acoustic and the thermal effects of sandstone under uniaxial compression condition[J]. Journal of Mining Science and Technology,2019,4(3):230-239.
[11] 孙海. 承载煤岩损伤演化的红外辐射响应机制及量化表征[D]. 徐州: 中国矿业大学, 2019. SUN Hai. Infrared radiation response mechanism and quantitative characterization during damage evolution of loading coal and rock[D]. Xuzhou: China University of Mining and Technology, 2019.
[12] MIZUTANI H,ISHIDO T,YOKOKURA T,et al. Electrokinetic phenomena associated with earthquakes[J]. Geophysical Research Letters,1976,3(7):365-368. DOI: 10.1029/GL003i007p00365
[13] 赵扬锋,刘力强,潘一山,等. 岩石变形破裂微震、电荷感应、自电位和声发射实验研究[J]. 岩石力学与工程学报,2017,36(1):107-123. ZHAO Yangfeng,LIU Liqiang,PAN Yishan,et al. Experiment study on microseismic,charge induction,self-potential and acoustic emission during fracture process of rocks[J]. Chinese Journal of Rock Mechanics and Engineering,2017,36(1):107-123.
[14] ARCHER J,DOBBS M,AYDIN A,et al. Measurement and correlation of acoustic emissions and pressure stimulated voltages in rock using an electric potential sensor[J]. International Journal of Rock Mechanics and Mining Sciences,2016,8(9):26-33.
[15] 郭伟红. 温变条件下岩石自然电位及激电特征研究[D]. 徐州: 中国矿业大学, 2021. GUO Weihong. Study on spontaneous potential and induced polarization characteristics of rock under temperature change[D]. Xuzhou: China University of Mining and Technology, 2021.
[16] 殷山,李忠辉,钮月,等. 煤岩受载损伤演化电位特征实验研究[J]. 煤炭学报,2017,42(增刊1):97-103. YIN Shan,LI Zhonghui,NIU Yue,et al. Experimental study on the characteristics of potential for coal rock evolution under loading[J]. Journal of China Coal Society,2017,42(S1):97-103.
[17] 吴小兵. 煤岩动力灾害的电势监测技术研究[J]. 山西焦煤科技,2018,42(增刊1):19-21,28. WU Xiaobing. Research on energy of position monitoring technology for coal and surrounding rock dynamic disaster[J]. Shanxi Coking Coal Science & Technology,2018,42(S1):19-21,28.
[18] 孔艳慧,李忠辉,邱黎明,等. 突水过程煤岩表面电位变化规律研究[J]. 工矿自动化,2017,43(1):38-42. KONG Yanhui,LI Zhonghui,QIU Liming,et al. Research on variation rule of surface potential of coal rock during water-inrush process[J]. Industry and Mine Automation,2017,43(1):38-42.
[19] 李忠辉. 受载煤体变形破裂表面电位效应及其机理的研究[J]. 中国矿业大学学报,2010,39(1):153-154. LI Zhonghui. Study on surface potential effect and its mechanism of coal during deformatoin and fracture under load[J]. Journal of China University of Mining & Technology,2010,39(1):153-154.
[20] 刘杰,王恩元,李忠辉,等. 煤样破裂表面电位多重分形特征[J]. 煤炭学报,2013,38(9):1616-1620. LIU Jie,WANG Enyuan,LI Zhonghui,et al. Multi-fractal characteristics of surface potential of coal during the fracture[J]. Journal of China Coal Society,2013,38(9):1616-1620.
[21] 钮月. 含瓦斯煤损伤破坏电位响应时空演化规律研究[D]. 徐州: 中国矿业大学, 2020. NIU Yue. Study on temporal and spatial evolution law of electric potential response of damage and failure of gas-bearing coal[D]. Xuzhou: China University of Mining and Technology, 2020.
[22] 牛双建,靖洪文,杨大方,等. 单轴压缩下破裂岩样强度及变形特征[J]. 采矿与安全工程学报,2015,32(1):112-118,125. NIU Shuangjian,JING Hongwen,YANG Dafang,et al. Experimental study on strength characteristics and deformation behavior of the cracked rock samples under uniaxial compression[J]. Journal of Mining & Safety Engineering,2015,32(1):112-118,125.
[23] 李楠,李保林,陈栋,等. 冲击破坏过程微震波形多重分形及其时变响应特征[J]. 中国矿业大学学报,2017,46(5):1007-1013. LI Nan,LI Baolin,CHEN Dong,et al. Multi-fractaland time-varying response characteristics of microseismic waves during the rockburst process[J]. Journal of China University of Mining & Technology,2017,46(5):1007-1013.
[24] KANTELHARDT J W,ZSCHIEGNER S A,KOSCIELNY-BUNDE E,et al. Multifractal detrended fluctuation analysis of nonstationary time series[J]. Physica A:Statistical Mechanics and its Applications,2002,316(1-4):87-114. DOI: 10.1016/S0378-4371(02)01383-3
[25] IHLEN E A F. Introduction to multifractal detrended fluctuation analysis in Matlab[J]. Frontiers in Physiology,2012,3(141):1-18.
[26] KOKOSIŃSKA D, ŻEBROWSKI J J, BUCHNER T, et al. Asymmetric multiscale multifractal analysis （AMMA） of heart rate variability[J]. Physiological Measurement, 2021, 42（8）. DOI: 10.1088/1361-6579/ac184c.
[27] 张艳丽. 癫痫脑电的分形分析及自动检测方法研究[D]. 青岛: 山东大学（青岛）, 2016. ZHANG Yanli. Research on fractal analysis of epileptic EEG and automatic seizure detection methods[D]. Qingdao: Shandong University, Qingdao, 2016.
[28] ANDO M, NOBUKAWA S, KIKUCHI M, et al. Identification of electroencephalogram signals in Alzheimer's disease by multifractal and multiscale entropy analysis[J]. Frontiers in Neuroscience, 2021, 15. DOI: 10.3389/fnins.2021.667614.
-
期刊类型引用(1)
1. 阴宇航，李林，魏识广，周景钢，温智峰，钟建军，赵毅，胡妍. 南亚热带常绿阔叶林物种多样性与谱系多样性的多重分形分析. 科学通报. 2024(12): 1652-1662 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 130
- HTML全文浏览量: 33
- PDF下载量: 15
- 被引次数: 2
