《Journal of Rock Mechanics and Geotechnical Engineering》：A deep learning based infrared precursor recognition of coal-rock composite failure via automatic segmentation of thermal abnormal regions
编辑推荐：
专业术语翻译（摘要部分）
煤岩组合体（coal-rock composite，CRC）试件在加载条件下的红外前兆精确识别对于揭示其失稳机制具有重要意义。然而，CRC红外序列中的热异常通常具有信号模糊和空间不连续的特征，给基于红外分析的可靠提取带来了显著挑战。为
专业术语翻译（摘要部分）
煤岩组合体（coal-rock composite，CRC）试件在加载条件下的红外前兆精确识别对于揭示其失稳机制具有重要意义。然而，CRC红外序列中的热异常通常具有信号模糊和空间不连续的特征，给基于红外分析的可靠提取带来了显著挑战。为解决这一问题，本研究提出了一种双路径红外分析方法，用于CRC单轴压缩过程中的关键前兆识别。第一条路径利用数字图像处理（digital image processing，DIP）技术抑制环境干扰并分离损伤红外矩阵（infrared matrix of damage，IMD），由此导出损伤红外能量响应DIER(q)，用于量化与损伤相关的热响应强度。另一条路径引入集成金字塔池化模块（pyramid pooling module，PPM）的增强型U-Net，实现热异常区域的稳定逐帧提取，并由此构建热异常面积比TAR(q)，用于异常演化的空间表征。为增强前兆相关特征表示，研究构建了融合热学、结构及时间信息的五通道输入。力学与声发射（acoustic emission，AE）分析表明，CRC破坏以低频活动和拉剪混合破坏为主导。所提出的网络实现了93.61%的精确率（Precision）、85.95%的召回率（Recall）、89.62%的F1分数（F1-score）以及81.19%的交并比（Intersection over Union，IoU），消融实验证实了PPM配置的架构稳健性。通过将DIER(q)与TAR(q)在相关特征空间中利用孤立森林（isolation forest，iForest）算法进行耦合，检测到的最早红外前兆出现在宏观临界状态前25.20秒。该集成工作流为煤岩失稳的早期预警提供了一种精确且智能的方法。
论文解读
一、研究背景与问题
煤炭仍是中国能源结构与工业供应链的基础，为大规模发电和能源密集型产业提供关键支撑。随着浅部资源逐步枯竭，煤炭开采日益向深部环境转移，深部开采面临复杂地应力条件和显著的多场耦合效应，工程复杂度与地质灾害风险相应升高。深部开采中煤爆、煤与瓦斯突出、顶板垮落、突水及巷道围岩大变形等重大灾害频发，这些灾害本质上与煤系地层中的应力重分布和渐进损伤演化密切相关。煤与岩在地下常以层状或胶结组合体形式赋存，其破坏不仅受各组分自身性质控制，还受界面力学相互作用及煤岩组合体（coal-rock composite，CRC）耦合响应的显著影响。因此，研究CRC的力学行为与破坏演化对于阐明灾害机理和建立可靠的早期预警方案至关重要。
为缓解深部开采风险，学界已探索多种监测与预测方法，包括应力与变形监测、微震监测（MS）、声发射（AE）、电磁辐射（EMR）、气体相关指标及多源融合预警策略。其中，红外热成像（IRT）技术因其非接触、全场、实时观测表面热辐射模式的能力而日益受到关注。IRT对热弹性效应、摩擦生热、气体解吸相关吸放热以及裂纹起裂与扩展过程中的局部能量耗散均具有敏感性，尤其适用于光照不足、视野受限且接触式传感难以大规模部署的地下环境。
然而，IRT在深部采矿工程中的应用价值关键取决于对温度异常区域和裂纹相关热模式的精确稳定识别。CRC破坏过程中，应力重分布、材料非均质性和界面效应显著调制热场的时空演化，红外序列中捕获的异常热区不仅是表面温度波动，更是内部微损伤累积和即将发生的宏观破坏的基本表征。然而，热像图的人工判读本质上劳动密集且主观性强，在红外图像呈现低热对比度、非平稳背景漂移或复杂加热-冷却异常时往往不可靠。现有面向可见光裂纹检测或通用计算机视觉任务的分割框架在处理CRC复杂红外特征时可能表现出稳健性下降、边界描绘不稳定和迁移性受限等问题。目前，针对这种高噪声、高动态红外场景的专用分割策略仍然匮乏，亟需改进现有算法以有效捕获细微热-结构特征并可靠描绘异常区域。
二、研究内容与主要技术方法
研究人员针对上述问题，提出了一种集成金字塔池化模块（PPM）的增强型U-Net，用于CRC试件单轴压缩过程中异常区域的识别。研究采用了以下关键方法：
（1）双路径红外分析框架：第一条路径基于数字图像处理（DIP），通过背景校正和混合去噪（自适应中值滤波AMF结合三维块匹配滤波BM3D）获得去噪红外温度矩阵（DITM），再经Otsu阈值分割提取损伤红外矩阵（IMD），进而构建损伤红外能量响应DIER(q)；第二条路径基于深度学习分割网络，实现异常热区域的逐帧稳定提取并构建热异常面积比TAR(q)。
（2）五通道输入构建：将DITM、温度增量矩阵（TIM）、煤岩掩膜（CRM）、区域归一化温度增量矩阵（RN-TIM）和时间变化特征（TVF）融合为统一输入张量，为模型提供空间热分布、相对温度增量、煤岩结构分区、区域归一化响应和时间演化等互补信息。
（3）增强型U-Net架构：在标准U-Net的编码器-解码器结构基础上，于瓶颈层嵌入PPM，通过1×1、2×2、3×3和6×6四种尺度的自适应平均池化分支聚合多尺度上下文信息，增强对弱、散、不连续异常热区域的感知能力。
（4）孤立森林（iForest）异常识别：将DIER(q)与TAR(q)在相关特征空间中利用iForest算法进行耦合，实现时间序列上的异常识别，确定红外前兆的出现时间。
样本来源方面，煤与砂岩采自中国山西省河东煤田（埋深1200 m），目标煤层厚度约6 m，倾角5°至20°。CRC试件按煤岩体积比1:1制备，标准尺寸为70 mm × 70 mm × 140 mm，接触界面倾斜15°以模拟井下常见倾斜结构条件。模型训练使用1300张标注的五通道样本，按8:1:1划分为训练集、验证集和测试集，随机种子固定为42。实验在隧道工程国家重点实验室进行，加载系统采用2000 kN电液伺服控制单轴/三轴压缩试验机，红外监测系统采用FLIR X6901sc热像仪（热灵敏度0.01 °C，采集频率5帧/秒，图像尺寸484 × 512像素），AE监测系统采用Nano-30传感器（频率响应范围100-1000 kHz）和Micro-II Express数字AE采集系统（采样率40 MSPS，阈值45 dB）。
三、研究结果
（一）CRC试件制备与基本力学特性
煤和砂岩的基本力学试验（单轴压缩试验UCT和巴西圆盘试验BDT）结果表明，煤的抗压强度为20.15 MPa、抗拉强度为0.91 MPa、弹性模量为2.44 GPa；砂岩的抗压强度为38.16 MPa、抗拉强度为1.66 MPa、弹性模量为6.19 GPa。扫描电子显微镜（SEM）观察显示，煤基质中含有大量随机分布的矿物颗粒，并存在从边缘萌生并向内部扩展的可见微裂纹；砂岩表面相对光滑，无明显暴露的矿物颗粒，微裂纹数量显著较少。
（二）背景噪声去除与去噪方法比较
研究人员对多种去噪策略进行了对比分析，包括高斯滤波、小波变换、自适应中值滤波（AMF）、三维块匹配滤波（BM3D）及混合方法。结果表明，高斯滤波对椒盐噪声抑制不足；小波变换会削弱局部结构细节并降低CRC界面对比度；AMF虽有改善但仍残留大量脉冲和高斯类噪声；BM3D在低温区域存在过度平滑问题。相比之下，AMF结合BM3D的混合方法取得了最优性能，既保留了低温形态细节，又增强了高温异常特征并维持了较清晰的热区域边界。
（三）DITM的应力相关热演化特征
DITM揭示了CRC损伤的阶段性热演化特征：在较低应力水平下，热场近乎均匀，煤区因强度较低和较早的能量耗散而呈现略高于岩区的温度；随加载持续，煤区两侧开始出现高温异常区并逐渐向中心区域扩展；当应力接近84.68%σmax时，煤区右上部出现显著热异常并向下发展，表明局部裂纹汇聚和摩擦耗散加剧；最终阶段，热异常沿CRC试件左右两侧集中，表明损伤局部化主要发生在这些区域。
（四）DIER的构建与物理意义
基于IMD构建的DIER(q)曲线在大部分加载过程中保持近似稳定，仅在应力接近后期加载阶段和最终失稳时表现出明显波动。这表明DIER并非随施加应力线性变化，而是对从相对稳定变形向局部损伤加速转变的过程更为敏感。DIER(q)代表试件表面热异常像素上的积分红外能量类响应，其增加虽不等同于CRC内部耗散的总机械能，但裂纹起裂、裂纹相互作用、局部滑移和摩擦耗散可提高局部表面温度并扩大热异常区域，从而增加累计红外辐射响应。因此，DIER(q)的演化可视为裂纹扩展过程中损伤相关能量耗散和热局部化的间接表面指标。
（五）增强型U-Net的分割性能
在标注测试集上，增强型U-Net取得了93.61%的精确率（Precision）、85.95%的召回率（Recall）、89.62%的F1分数（F1-score）和81.19%的交并比（IoU）。与对比模型相比，增强型U-Net的精确率、IoU和F1分数均为最优，召回率略低于标准U-Net（89.67%）。训练时间为1326.23秒，每帧训练时间0.91×10-2秒，在精度与效率之间取得了良好平衡。消融实验证实了PPM配置的架构稳健性。
（六）TAR的演化特征
基于分割掩膜计算的TAR(q)在大部分加载过程中接近零，仅在试件进入裂纹非稳定扩展阶段时显著上升。这表明在相对稳定变形阶段异常区域的空间占比有限，而一旦损伤局部化变得显著，异常区域占比迅速增加。TAR曲线的增长特征与DIER的演化趋势相互印证，共同反映了CRC失稳前热异常的时空演化规律。
四、讨论与结论
研究通过将DIP路径导出的DIER(q)与深度学习分割路径导出的TAR(q)在相关特征空间中利用孤立森林（iForest）算法进行耦合，实现了红外前兆的时间序列异常识别。在宏观临界状态前25.20秒即检测到最早的红外前兆，为煤岩失稳的早期预警提供了定量时间窗口。该集成工作流将数字图像处理、深度学习语义分割和基于iForest的时间异常识别有机结合，为煤岩组合体失稳的红外前兆识别和早期预警提供了一种精确且智能的方法，对深部煤矿动力灾害的监测预警具有重要的工程应用价值。
