Resumen

Las señales microsísmicas en el campo minero de carbón son muy complejas debido a su entorno especial con una gran cantidad de señales de vibración de explosiones, y cómo identificar de manera efectiva las señales microsísmicas sigue siendo un gran problema. Los métodos S transform (ST) y Manifold Learning (ML) son introducidos para extraer las características de las señales microsísmicas, y se establece un Modelo de Mezcla Gaussiana basado en el algoritmo de optimización de Colonia de Abejas mejorado (IBC-GMM) para identificar con precisión las señales microsísmicas. En primer lugar, las características tiempo-frecuencia de las señales microsísmicas en minas de carbón son extraídas mediante análisis ST. Se encuentra que existen diferencias tiempo-frecuencia evidentes entre las señales de fracturamiento de roca y las señales de vibración de explosiones. Las señales de vibración de explosiones tienen una duración corta, alta frecuencia y un espectro de frecuencia complejo, y sus frecuencias dominantes son principalmente superiores a

• Materias:Modelo de rigidez Desempeño estructural Fallas estructurales Estructuras de membrana
• Subjects:Stiffness model Structural performance Structural failures Membrane structures
• Palabras claves:Señales microsísmicas; Campo minero de carbón; Transformada S; Aprendizaje de variedades; Modelo de Mezcla Gaussiana; IBC-GMM
• Keywords:Microseismic signals; Coal minefield; S transform; Manifold Learning; Gaussian Mixture Model; IBC-GMM