煤炭学报杂志投稿格式参考范文：矿山微震智能处理基础模型构建及应用

　　0 引言

　　微震监测技术通过实时监测地下岩体微小震动信号，掌握岩体变形和破裂情况，及时评估岩体稳定性，从而为防治相关动力灾害提供预警信息。该技术具有灵敏性高、探测范围广、信息采集量大和自动化前景广阔等优势，目前已广泛应用于矿山煤岩动力灾害监测预警领域。矿山微震信号在复杂地质和强工况干扰下，呈现强噪声、高维和强非线性等特点，增加了实时智能处理的难度。噪声主要来自机械振动、设备运行和采掘活动，影响信号清晰度;高维特征源于多因素相互作用，数据维度常超千维，增加了分析难度;非线性体现在岩体应力−应变关系和裂隙演化中，信号传播路径复杂，局部裂隙扩展可能引发灾害链效应。传统方法难以有效解决上述问题，因此亟需开展矿山微震数据智能处理方法的系统研究。

　　矿山微震数据智能处理是实现微震震源自动精准定位与震源机制反演的前提，主要包括微震事件检测、P 波到时拾取、S 波到时拾取和初动极性判别等任务，已成为国内外学者的研究热点。传统的微震数据智能处理方法包括长短时窗平均比值法、改进的能量比法、下坡比较法、改进的科潘法以及阿凯克信息准则法。近年来，深度学习依靠强大的特征提取能力和非线性建模能力，已成为微震智能处理领域研究热点。尚雪义等设计了基于深度长短期记忆网络的微震 P 波到时拾取方法;焦明若等引入注意力机制，构建了融合门控循环单元的 P 波到时拾取方法。李薇薇等提出了基于 UNet++ 网络的 P 波到时拾取方法，缓解了噪比低微震信号拾取准确率不高的问题。

　　ZHU 等提出了基于深度神经网络的 P 波到时拾取模型 PhaseNet，实现了高精度的 P 波和 S 波到时自动拾取。胡静云等构建了识别性能优异的判决函数，建立了矿山微震波形特征自动模式识别算法，将有效信号的识别准确率提高到 90.8%。LI 等提出了基础深度学习模型，显著提升了地震检测、相位拾取、震级估计等任务的性能。MOUSAVI 等提出采用基于深度注意力机制的深度学习微震智能处理模型，实现了微震事件检测与到时拾取。ZHAO 等提出了基于深度学习的 P 波初动极性分类方法，该方法可应用于微震震源机制反演。PU 等使用深度学习在无需先验信息的情况下，有效实现声发射源定位。陈结等采用物理与数据融合驱动的方法，实现了冲击地压智能预警预测。尽管基于深度学习的矿山微震智能处理技术已取得一定进展，但矿山微震信号在时域和频域上表现出高度复杂的动态特性。在时域上，信号呈现出复杂的时间变化模式;而在频域中，则蕴含着多尺度的细节和能量分布信息。微震事件的特征通常具有强烈的局部性和非线性，这使得传统的特征提取方法难以全面有效地捕捉微震信号的深层次时空特征。因此，矿山微震信号的智能处理任务仍面临以下挑战。

　　矿山微震多任务协同处理难。矿山微震监测涉及多个相互关联的任务 (如事件检测、到时拾取、初动极性判识等)，这些任务需要共享信息并协同优化。然而，传统方法往往针对单一任务进行优化，无法在同一框架下有效处理多个任务，导致信息孤岛效应和跨任务协同不足，影响整体性能。

　　矿山微震时序信号复杂性。矿山微震信号在时域和频域上表现出高度复杂性，包含强烈的噪声和多尺度特征。当前的微震特征提取方法难以适应信号的多变性和高维性，无法充分捕捉到震源位置、裂缝扩展等局部与全局信息，且对长程依赖建模的能力有限。

　　海量矿山微震数据实时处理能力不足。随着其数据量的增加，微震数据的实时处理需求愈加迫切。现有方法在处理大规模、实时数据流时，通常存在计算延迟和响应速度不足的问题，难以满足矿山安全监测和灾害预警系统对高效、快速反应的要求。

　　近年来，随着深度学习领域中 Transformer 架构的兴起，人工智能基础大模型如 GPT、SoRa 等在自然语言处理、视频内容生成、图像识别等多个领域取得了突破性进展，推动了各行各业对于大规模预训练模型的广泛关注与研究。基础模型作为一种通用模型架构，凭借其跨任务、跨领域的适应性，不仅解决了单一任务的挑战，还能够在复杂、多变的实际应用场景中展现出高效的处理能力。基础模型的优势在于其强大的数据学习与迁移能力，能够在多任务间共享知识并优化处理效率，推动了跨任务、跨领域的协同优化。尽管基础模型已在多个领域广泛应用，但在矿山微震监测领域，其应用仍处于初步阶段，亟需进一步研究与探索。

　　为此，笔者结合大数据与深度学习相关理论，建立了包含 30 余万条微震波形的多维度数据集，构建了基于 Transformer 架构的矿山微震智能处理基础模型，该模型包括提取局部特征的多尺度卷积模块、可动态融合微震多源特征的自适应聚合模块、捕捉长程依赖关系的微震时序建模模块以及多任务解码器，可同时实现矿山微震事件检测、P 波到时拾取、S 波到时拾取以及初动极性判别等任务的智能处理。在此基础之上，以甘肃矿区某冲击地压工作面为背景，开展矿山微震基础模型工程应用研究，实现了矿山微震事件检测 — 到时拾取 — 初动极性判别 — 震源定位 — 震源机制求解全流程智能化处理，提高了矿山动力灾害监测预警的智能化水平。

　　1 矿山微震基础模型构建

　　1.1 模型总体架构

　　本数据集的构建结合了大型公开微震数据和自主标注的矿山微震数据。为了提高模型的泛化能力和鲁棒性，研究采用了随机高斯噪声、时间漂移、振幅缩放等数据增强策略，扩展了数据集的多样性。在数据预处理阶段，通过归一化和异常值处理方法，构建了包含 30 余万条高质量微震波形的数据集，为深度学习模型的训练与验证提供了可靠的支持。整个模型的核心是 Transformer 架构，主要由微震特征提取模块和解码器模块组成。特征提取模块包括微震多尺度卷积、特征自适应融合和时序建模等子模块，用于实现矿山微震数据的多尺度深度特征提取。解码器模块则根据不同任务进行设计，本文提出了 2 种针对矿震数据处理的解码器，使得基础模型能够同时输出微震事件检测、P 波到时拾取、S 波到时拾取和初动极性判别等多种结果。

　　基于该模型的输出结果，可实现微震震源定位、震源机制反演、能级估计等任务的自动计算。

　　1.2 特征提取模块设计

　　1.2.1 多尺度卷积子模块

　　针对矿山微震信号频率成分复杂、时域表现多样的特征，本文设计了矿山微震多尺度卷积子模块，以增强模型对微震信号特征的提取能力。由于矿山微震信号的高频成分反映裂缝扩展动态变化等局部细节特征，而低频成分则表征震源能量分布及岩体响应的全局特性，单一尺度的卷积网络难以全面捕捉这些特征。因此，采用多尺度卷积模块通过并行深度可分离卷积，实现多尺度特征的融合。针对采样频率 50 Hz 的普通地震分别设计了尺寸为 3、5、7 的卷积核，而针对采样频率 500 Hz 的微震则分别采用了 5、15、25 的卷积核，以构建短时 (10~50 ms)、中时及长时 (60~140 ms) 多层次感受野，既能兼顾局部高频细节，又可捕捉全局低频特征。

　　1.2.2 微震特征自适应融合子模块

　　矿山微震信号常表现出局部特征，例如，波形传播过程中不同频率成分和震源位置可能导致信号在特定时间或空间内有独特变化，这些特征与微震事件检测、到时拾取、初动极性判别等任务密切相关。为捕捉矿山微震信号的时间变化特性，本文提出了微震特征自适应融合子模块。该模块通过结合局部平均池化和最大池化，提取信号的背景信息与显著特征并加权融合。最大池化保留细粒度细节并抑制低频成分，而平均池化则保留背景信息并保持频率分布。因此，自适应聚合模块通过融合 2 种池化方式，有效保留背景信息并增强细节特征，降低时间维度并增加特征深度。

　　1.2.3 微震时序建模子模块

　　矿山微震信号具有显著的时序特性，传统卷积神经网络和递归神经网络在处理长序列时分别面临感受野有限和梯度消失的问题。因此，本文提出了基于特征聚合多头注意力机制的微震时序建模子模块。该模块通过稀疏结构和降采样策略，能够高效地建模和提取微震时序信号中的长程依赖特征。

　　1.3 解码器模块

　　矿山微震事件检测和到时拾取需要输出每个采样点对应的概率，而初动极性判别需要输出 2 种类别 的概率。为此，设计了 2 种类型的解码器结构。

　　第 1 种解码器结构用于事件检测和到时拾取，由多个连续的上采样阶段组成。每个阶段包括线性插值和卷积操作，以恢复与主干和主体相对应的多个下采样特征图尺寸。随后，利用卷积模块和 sigmoid 函数整合输出，将高层特征信息映射为与每个时间点的微震信号存在性、P 波到时拾取、S 波到时拾取相关的 3 个概率序列。

　　第 2 种解码器结构专为分类任务设计，用于初动极性判别。它采用全局平均池化来聚合特征并降低计算复杂度，使解码器能够适应时间维度上不同尺寸的输入特征图。接着，通过线性变换和 Softmax 函数输出 1 个二维向量。分别代表着初动极性正或负的概率。

　　2 模型验证

　　2.1 数据集构建

　　为了满足矿山微震基础模型训练的需求，本文利用公开的地震数据集 DiTing 和自主标注的矿山微震数据。构建了 30 余万条微震数据集，该数据集包含微震事件、P 波到时、S 波到时、初动极性等标注信息，其中，DiTing 数据集中具有完整标签的数据约 28 万条，震级范围包括 0~7.7 级，震中距范围为 0~330 km。波形数据的长度为 180 s，采样率为 50 Hz。其信噪比分布主要集中在 0~20 dB，数据集中的噪声相对较强。

　　此外，本文收集了约 2 万条 SOS 微震系统监测的矿山微震数据 (采样频率 500 Hz)，通过人工标注的方式为每条标注波形数据标注了 P 波到达时间、微震事件和初动极性信息，在矿山环境中，P 波与 S 波在记录中往往会出现重叠现象，难以标注 S 波到时信息，其中仅约 15% 的波形数据具有可标注的 S 波到时信息。其信噪比分布主要集中在−10~30 dB。

　　2.2 数据增强

　　为了提高模型在实际矿山环境中的微震信号识别精度和可靠性，本文通过引入高斯噪声、时间漂移、振幅缩放、随机间隙及归一化等方法实现矿山微震数据增强。

　　通过引入符合随机分布特性的高斯噪声，能够更真实地模拟矿山环境中的背景干扰，使模型在训练过程中学习从复杂噪声中提取有效微震特征的能力。

　　其次，考虑到微震信号在传播过程中因震源深度、传播路径或地质构造差异而产生时间偏移，本文采用了时间漂移处理方法。

　　最后，引入振幅缩放和随机间隙处理增强信号，为消除不同台站或设备采集的震动波幅值差异，同时确保模型输入的一致性，对增强后的信号进行归一化处理。

　　2.3 评价指标

　　本文所选的评价指标包括分类任务中的查准率、召回率和 F1 值，以及回归任务中的平均绝对误差。

　　2.4 模型训练

　　模型训练过程中，本文采用高斯分布对线性层和卷积层进行参数初始化，并使用 Adam 优化器进行参数更新。为了保证模型的优化能力，学习率在动态调整，以帮助模型跳出局部最优解。随机偏移率设置为 20%，高斯噪声率设置为 40%，通过引入适量的随机性增强了模型的泛化能力。此外，神经元丢弃率设置为 40%，以减少过拟合风险，并在权重衰减范围控制参数正则化，并为 S 波损失项设置更大权重。训练过程中加入早停机制，当验证集损失连续 30 个训练周期未出现下降时，自动终止训练以防止过拟合。训练在 2 张 NVIDIA RTX 4090 GPU 上完成，基于 PyTorch 框架实现，最终训练得到的模型参数量为 90 万的基础模型。模型平均每轮训练耗时约 30 min，总训练时间约 40 h;推理速度为每秒处理约 300 段微震波形，具备良好的实时性与部署潜力。

　　2.5 试验结果

　　为全面评估模型性能，本文在 P 波到时拾取、S 波到时拾取、事件检测和初动极性判别等多个任务上开展了系统性试验。试验选取了 PhaseNet、EQTransformer，DitingMotion 等当前表现最优的模型作为对比基线。为确保公平性，所有模型均在相同的训练集和测试集上进行训练与评估，并统一使用 Adam 优化器、相同的初始学习率、批量大小等超参数设置。如对方模型在原文中有明确推荐参数，则优先采用其原始配置。

　　在 P 波拾取任务中，本文模型以 96.56% 的查准率、94.23% 的 F1 值、92.01% 的召回率以及 0.02 秒的 MAE 显著优于对比模型，展现了更高的精度和稳定性。在 S 波拾取任务中，本文模型相较于 PhaseNet 和 EQTransformer 也实现了小幅性能提升。在事件检测任务中，模型表现优异，查准率为 95.40%，召回率为 95.96%，F1 值达到 95.68%，展现了较高的准确性和平衡性。初动极性判别任务中，本文模型的 F1 值达到 94.34%，不仅超越了传统方法的性能表现，还与当前广泛应用的 DitingMotion 系统持平，体现了其优异的分类能力。

　　在微震监测领域，S 波到时的精确拾取一直是一项极具挑战性的任务。与天然地震相比，矿山微震事件与监测台站的距离更近，导致 P 波与 S 波的到时差显著减小，2 种波形在记录中往往会出现明显的重叠现象。这种波形重叠不仅增加了信号辨识的难度，还可能导致 S 波到时的误判或漏检。模型能够精准捕捉 P 波和 S 波的到时信息，成功识别出微震事件并完成初动极性判别。

　　在较低信噪比下，本文模型依然能准确拾取 P 波到时并检测出微震事件。P 波拾取残差主要集中在−25~25 ms，而 S 波拾取残差的分布范围相对更宽，大致在−50~50 ms。在不同信噪比区间内，本文模型均能准确拾取 P 波和 S 波的到时，体现出模型的高精度与鲁棒性。

　　总体而言，F1 值随残差容忍度的增加而显著提升，在 P 波和 S 波拾取任务中，得益于特征聚合多头注意力机制对长程依赖的高效建模能力，以及多尺度卷积结构对不同采样率信号的时频对齐和特征融合能力。本文模型在不同残差容忍度下的表现均优于 PhaseNet 和 EQTransformer。在 P 波拾取任务中，当到时拾取残差为 0.5 s 时，本文模型的 F1 值达到 97.98%;在 S 波拾取任务中，相同容忍度下 F1 值达到 82.88%，均处于较高水平。尽管 S 波拾取的 F1 值略低于 P 波拾取，但本文模型在该任务中仍显著优于其他对比模型。

　　在初动极性判别中，本文模型实现了 94.34% 的 F1 值，模型能正确识别初动极性为正的比例为 93.38%，能正确识别初动极性为负的比例为 92.63%，为后续震源机制反演提供了可靠的波形初至及振幅拾取数据。

　　综上，矿山微震基础模型通过多任务框架实现了底层特征的共享与损失函数的联合优化，这种跨任务的信息共享机制不仅使模型在各个任务中的表现显著优于传统单任务模型，还大幅提升了训练效率。此外，在复杂的矿山微震信号场景中，模型展现了强大的鲁棒性和泛化性。无论是低信噪比条件还是震源复杂性较高的场景，模型均能保持稳定且高效的性能，为矿山微震监测提供了可靠的技术支持。

　　3 工程验证

　　为进一步评估矿山微震基础模型性能，本节选取甘肃某冲击地压矿井的 150404 工作面进行工程应用测试。该工作面位于矿井的 1504 采区，全区可采 5 煤层，煤厚 35.98~57.69 m，平均煤厚 41.78 m。1504 采区布置了上、中、下 3 个分层，采用综放开采，其中 150404 工作面为上分层的最后一个工作面，采高 3.3 m，放煤高度 8.8 m。工作面由东向西从向斜东翼逐渐穿过向斜轴部，局部进入向斜西翼。受向斜构造影响煤层呈波状起伏，底板高低不平，煤层整体局势为西高东低，北高南低，其中自 150401 工作面回采接续到 150404 工作面，煤层倾角由 30° 逐渐减小至 15° 左右。1504 采区南翼为 2502 采区大范围采空区，采区间留设不规则三角煤柱群，宽度为 20~166 m 不等。

　　该工作面地质开采条件极为复杂，因此矿井布置了 24 通道的 SOS 微震监测系统用于冲击危险监测，从而对工作面开采过程中的煤岩破裂事件实时收集。选取工作面推采初期的微震事件进行工程验证 (2024−11−30—2024−12−30)，该阶段共收集到 230 个微震事件，包括 1485 条可用波形数据，将人工标注的微震事件、P 波到时、S 波到时以及初动极性等信息作为真值，特别说明，其中只有 198 条可以人工标注 S 波到时。

　　模型评估结果表明，P 波到时拾取的查准率达到 95.37%，F1 值为 93.94%，召回率为 92.55%。而在 S 波到时拾取方面，查准率为 65.76%，F1 为 63.33%，召回率为 61.07%。事件检测任务的评估结果较为突出，查准率为 95.26%，F1 值为 95.71%，召回率为 96.16%。对于初动极性检测任务，模型的查准率为 93.75%，F1 值为 94.24%，召回率为 94.73%。综上，模型在矿山微震事件检测、P 波到时拾取以及初动极性判识任务中都达到较高性能，一定程度上可实现矿山微震 S 波到时拾取，可为矿山微震数据实时智能处理提供技术支撑。

　　3.1 基础模型在自动定位中的应用

　　基于所构建的矿山微震智能处理基础模型，本节开展了矿山微震自动定位应用研究，采用 Powell 算法自动定位，其核心思想是通过不断调整震源位置的候选解，最小化理论到时与观测到时之间的残差，从而实现对震源位置的精确估计。

　　自动定位结果显示，人工标注 P 波到时的 SOS 人工定位结果主要集中在工作面采空区后方遗留煤柱区域以及采空区材料巷道 0~80 m 范围内，与本文定位结果范围相同。将自动定位结果与 SOS 人工定位结果相叠加，二者结果在平面定位图上保持十分接近的分布特征。综上，本文震源定位与人工定位相比水平误差平均为 24.42 m，平均空间误差为 26.87 m，达到了较高的定位精度。

　　3.2 基础模型在震源机制求解中的应用

　　混合矩张量反演方法结合了相对、绝对矩张量反演的优点，可减少噪声数据对波形有效振幅的影响，同时通过校正场地效应较小格林函数计算误差，从而提供矩张量反演结果的准确性。因此在自动标定波形 P 波到时与自动定位后，采用混合矩张量反演方法进行震源机制计算。

　　由获取微震事件矩张量初始解后，将所有震源联合进行迭代更新，当震源群中的理论振幅与观测振幅间的误差小于阈值时停止迭代，完成反演。

　　本文选取一组微震事件进行矩张量反演，通过多次迭代能够有效降低波形理论振幅和观测振幅间误差，其在完成 20 次迭代后逐渐收敛，较好的保证了复杂地质开采环境下的矩张量反演结果的准确性。根据矩张量反演结果，本文采用 Hudson 图对 230 个微震事件的震源机制进行统计分类。Hudson 图中−ISO 和 + ISO 均表示震源的纯体积变化，分别对应于内爆和外爆破坏;−CLVD 和 + CLVD 分别反映震源的纯压缩和纯拉伸破坏机制;原点 (DC) 表示震源的纯剪切破坏机制。

　　由图可知，震源沙滩球集中分布在中心区域，震源破坏模式以剪切破坏为主，表明 150404 工作面作为 1504 采区和 2502 采区间孤岛煤体，始终受到两侧大范围采空区的影响，尤其一侧为 1504 采区已回采的 3 个工作面，因倾角较大往往会形成对 150404 工作面的错动−夹持作用，后续随着 150404 工作面的继续回采，这种夹持作用可能会愈加强烈。

　　综上，采用基础模型计算出的震源机制解能较好地运用现场，可对复杂工况环境下的煤岩破坏过程和形成机制进行较为合理的解释，展现了基础模型在震源机制求解过程中的可靠性，以及计算结果应用于煤矿环境的可行性。后续将继续深入研究以提高迭代计算速率和降低反演误差，围绕高精度震源机制解析开展采动应力场小尺度反演、煤岩体裂隙网络扩展成像等方面的基础研究，一方面可作为解析冲击地压力学灾变机制的重要研究手段，另一方面也为冲击地压预警研究提供重要支撑。

　　4 结论

　　结合大数据与深度学习相关方法，构建了 Transformer 架构的矿山微震智能处理基础模型，该模型主要包括微震多尺度卷积、特征自适应融合、时序建模以及解码器等模块，实现了矿山微震事件检测、P 波到时拾取、S 波到时拾取以及初动判别等任务智能处理。

　　以矿山微震数据作为基础模型测试对象，测试结果表明事件检测准确率达到 95.4%，96.6% 的 P 波到时误差在 50 ms 以内，65.5% 的 S 波到时误差也在 50 ms 以内，初动极性判别的准确率达到 93.38%，可满足矿山微震数据智能实时处理需求。

　　在甘肃某冲击地压工作面开展了基础模型应用研究，提出了基于基础模型的矿山微震自动定位与自动震源机制反演方法。试验结果表明，以所构建的微震基础模型为基础，可实现矿山微震事件检测 — 到时拾取 — 初动极性判别 — 震源定位 — 震源机制求解全流程智能化处理。

　　微震数据智能处理是煤矿智能化建设的核心，而人工智能技术则是实现矿山动力灾害智能化监测预警的关键技术支撑。本文借鉴基础模型在其他领域的成功经验，初步尝试构建了矿山微震基础模型，提升了矿山动力灾害监测预警的智能化水平。试验结果表明，该模型在微震事件检测、到时拾取及初动极性判别等任务中均表现出较高的精度与鲁棒性。然而，该基础模型在灾害预测、采动裂隙成像等领域的应用潜力仍有待进一步挖掘，未来需针对矿山复杂地质条件与多源异构数据特点，深入开展模型优化与迁移研究。

曹安业;李茂涛;杨　旭;杨　耀;李　森;刘耀琪;王常彬,新疆大学地质与矿业工程学院;中国矿业大学矿业工程学院;中国矿业大学计算机科学与技术学院;中国矿业大学煤炭精细勘探与智能开发全国重点实验室,202506