0 引言

　　微震監測技術通過實時監測地下巖體微小震動信號，掌握巖體變形和破裂情況，及時評估巖體穩定性，從而為防治相關動力災害提供預警信息。該技術具有靈敏性高、探測范圍廣、信息采集量大和自動化前景廣闊等優勢，目前已廣泛應用于礦山煤巖動力災害監測預警領域。礦山微震信號在復雜地質和強工況干擾下，呈現強噪聲、高維和強非線性等特點，增加了實時智能處理的難度。噪聲主要來自機械振動、設備運行和采掘活動，影響信號清晰度;高維特征源于多因素相互作用，數據維度常超千維，增加了分析難度;非線性體現在巖體應力−應變關系和裂隙演化中，信號傳播路徑復雜，局部裂隙擴展可能引發災害鏈效應。傳統方法難以有效解決上述問題，因此亟需開展礦山微震數據智能處理方法的系統研究。

　　礦山微震數據智能處理是實現微震震源自動精準定位與震源機制反演的前提，主要包括微震事件檢測、P 波到時拾取、S 波到時拾取和初動極性判別等任務，已成為國內外學者的研究熱點。傳統的微震數據智能處理方法包括長短時窗平均比值法、改進的能量比法、下坡比較法、改進的科潘法以及阿凱克信息準則法。近年來，深度學習依靠強大的特征提取能力和非線性建模能力，已成為微震智能處理領域研究熱點。尚雪義等設計了基于深度長短期記憶網絡的微震 P 波到時拾取方法;焦明若等引入注意力機制，構建了融合門控循環單元的 P 波到時拾取方法。李薇薇等提出了基于 UNet++ 網絡的 P 波到時拾取方法，緩解了噪比低微震信號拾取準確率不高的問題。

　　ZHU 等提出了基于深度神經網絡的 P 波到時拾取模型 PhaseNet，實現了高精度的 P 波和 S 波到時自動拾取。胡靜云等構建了識別性能優異的判決函數，建立了礦山微震波形特征自動模式識別算法，將有效信號的識別準確率提高到 90.8%。LI 等提出了基礎深度學習模型，顯著提升了地震檢測、相位拾取、震級估計等任務的性能。MOUSAVI 等提出采用基于深度注意力機制的深度學習微震智能處理模型，實現了微震事件檢測與到時拾取。ZHAO 等提出了基于深度學習的 P 波初動極性分類方法，該方法可應用于微震震源機制反演。PU 等使用深度學習在無需先驗信息的情況下，有效實現聲發射源定位。陳結等采用物理與數據融合驅動的方法，實現了沖擊地壓智能預警預測。盡管基于深度學習的礦山微震智能處理技術已取得一定進展，但礦山微震信號在時域和頻域上表現出高度復雜的動態特性。在時域上，信號呈現出復雜的時間變化模式;而在頻域中，則蘊含著多尺度的細節和能量分布信息。微震事件的特征通常具有強烈的局部性和非線性，這使得傳統的特征提取方法難以全面有效地捕捉微震信號的深層次時空特征。因此，礦山微震信號的智能處理任務仍面臨以下挑戰。

　　礦山微震多任務協同處理難。礦山微震監測涉及多個相互關聯的任務 (如事件檢測、到時拾取、初動極性判識等)，這些任務需要共享信息并協同優化。然而，傳統方法往往針對單一任務進行優化，無法在同一框架下有效處理多個任務，導致信息孤島效應和跨任務協同不足，影響整體性能。

　　礦山微震時序信號復雜性。礦山微震信號在時域和頻域上表現出高度復雜性，包含強烈的噪聲和多尺度特征。當前的微震特征提取方法難以適應信號的多變性和高維性，無法充分捕捉到震源位置、裂縫擴展等局部與全局信息，且對長程依賴建模的能力有限。

　　海量礦山微震數據實時處理能力不足。隨著其數據量的增加，微震數據的實時處理需求愈加迫切。現有方法在處理大規模、實時數據流時，通常存在計算延遲和響應速度不足的問題，難以滿足礦山安全監測和災害預警系統對高效、快速反應的要求。

　　近年來，隨著深度學習領域中 Transformer 架構的興起，人工智能基礎大模型如 GPT、SoRa 等在自然語言處理、視頻內容生成、圖像識別等多個領域取得了突破性進展，推動了各行各業對于大規模預訓練模型的廣泛關注與研究。基礎模型作為一種通用模型架構，憑借其跨任務、跨領域的適應性，不僅解決了單一任務的挑戰，還能夠在復雜、多變的實際應用場景中展現出高效的處理能力。基礎模型的優勢在于其強大的數據學習與遷移能力，能夠在多任務間共享知識并優化處理效率，推動了跨任務、跨領域的協同優化。盡管基礎模型已在多個領域廣泛應用，但在礦山微震監測領域，其應用仍處于初步階段，亟需進一步研究與探索。

　　為此，筆者結合大數據與深度學習相關理論，建立了包含 30 余萬條微震波形的多維度數據集，構建了基于 Transformer 架構的礦山微震智能處理基礎模型，該模型包括提取局部特征的多尺度卷積模塊、可動態融合微震多源特征的自適應聚合模塊、捕捉長程依賴關系的微震時序建模模塊以及多任務解碼器，可同時實現礦山微震事件檢測、P 波到時拾取、S 波到時拾取以及初動極性判別等任務的智能處理。在此基礎之上，以甘肅礦區某沖擊地壓工作面為背景，開展礦山微震基礎模型工程應用研究，實現了礦山微震事件檢測 — 到時拾取 — 初動極性判別 — 震源定位 — 震源機制求解全流程智能化處理，提高了礦山動力災害監測預警的智能化水平。

　　1 礦山微震基礎模型構建

　　1.1 模型總體架構

　　本數據集的構建結合了大型公開微震數據和自主標注的礦山微震數據。為了提高模型的泛化能力和魯棒性，研究采用了隨機高斯噪聲、時間漂移、振幅縮放等數據增強策略，擴展了數據集的多樣性。在數據預處理階段，通過歸一化和異常值處理方法，構建了包含 30 余萬條高質量微震波形的數據集，為深度學習模型的訓練與驗證提供了可靠的支持。整個模型的核心是 Transformer 架構，主要由微震特征提取模塊和解碼器模塊組成。特征提取模塊包括微震多尺度卷積、特征自適應融合和時序建模等子模塊，用于實現礦山微震數據的多尺度深度特征提取。解碼器模塊則根據不同任務進行設計，本文提出了 2 種針對礦震數據處理的解碼器，使得基礎模型能夠同時輸出微震事件檢測、P 波到時拾取、S 波到時拾取和初動極性判別等多種結果。

　　基于該模型的輸出結果，可實現微震震源定位、震源機制反演、能級估計等任務的自動計算。

　　1.2 特征提取模塊設計

　　1.2.1 多尺度卷積子模塊

　　針對礦山微震信號頻率成分復雜、時域表現多樣的特征，本文設計了礦山微震多尺度卷積子模塊，以增強模型對微震信號特征的提取能力。由于礦山微震信號的高頻成分反映裂縫擴展動態變化等局部細節特征，而低頻成分則表征震源能量分布及巖體響應的全局特性，單一尺度的卷積網絡難以全面捕捉這些特征。因此，采用多尺度卷積模塊通過并行深度可分離卷積，實現多尺度特征的融合。針對采樣頻率 50 Hz 的普通地震分別設計了尺寸為 3、5、7 的卷積核，而針對采樣頻率 500 Hz 的微震則分別采用了 5、15、25 的卷積核，以構建短時 (10~50 ms)、中時及長時 (60~140 ms) 多層次感受野，既能兼顧局部高頻細節，又可捕捉全局低頻特征。

　　1.2.2 微震特征自適應融合子模塊

　　礦山微震信號常表現出局部特征，例如，波形傳播過程中不同頻率成分和震源位置可能導致信號在特定時間或空間內有獨特變化，這些特征與微震事件檢測、到時拾取、初動極性判別等任務密切相關。為捕捉礦山微震信號的時間變化特性，本文提出了微震特征自適應融合子模塊。該模塊通過結合局部平均池化和最大池化，提取信號的背景信息與顯著特征并加權融合。最大池化保留細粒度細節并抑制低頻成分，而平均池化則保留背景信息并保持頻率分布。因此，自適應聚合模塊通過融合 2 種池化方式，有效保留背景信息并增強細節特征，降低時間維度并增加特征深度。

　　1.2.3 微震時序建模子模塊

　　礦山微震信號具有顯著的時序特性，傳統卷積神經網絡和遞歸神經網絡在處理長序列時分別面臨感受野有限和梯度消失的問題。因此，本文提出了基于特征聚合多頭注意力機制的微震時序建模子模塊。該模塊通過稀疏結構和降采樣策略，能夠高效地建模和提取微震時序信號中的長程依賴特征。

　　1.3 解碼器模塊

　　礦山微震事件檢測和到時拾取需要輸出每個采樣點對應的概率，而初動極性判別需要輸出 2 種類別 的概率。為此，設計了 2 種類型的解碼器結構。

　　第 1 種解碼器結構用于事件檢測和到時拾取，由多個連續的上采樣階段組成。每個階段包括線性插值和卷積操作，以恢復與主干和主體相對應的多個下采樣特征圖尺寸。隨后，利用卷積模塊和 sigmoid 函數整合輸出，將高層特征信息映射為與每個時間點的微震信號存在性、P 波到時拾取、S 波到時拾取相關的 3 個概率序列。

　　第 2 種解碼器結構專為分類任務設計，用于初動極性判別。它采用全局平均池化來聚合特征并降低計算復雜度，使解碼器能夠適應時間維度上不同尺寸的輸入特征圖。接著，通過線性變換和 Softmax 函數輸出 1 個二維向量。分別代表著初動極性正或負的概率。

　　2 模型驗證

　　2.1 數據集構建

　　為了滿足礦山微震基礎模型訓練的需求，本文利用公開的地震數據集 DiTing 和自主標注的礦山微震數據。構建了 30 余萬條微震數據集，該數據集包含微震事件、P 波到時、S 波到時、初動極性等標注信息，其中，DiTing 數據集中具有完整標簽的數據約 28 萬條，震級范圍包括 0~7.7 級，震中距范圍為 0~330 km。波形數據的長度為 180 s，采樣率為 50 Hz。其信噪比分布主要集中在 0~20 dB，數據集中的噪聲相對較強。

　　此外，本文收集了約 2 萬條 SOS 微震系統監測的礦山微震數據 (采樣頻率 500 Hz)，通過人工標注的方式為每條標注波形數據標注了 P 波到達時間、微震事件和初動極性信息，在礦山環境中，P 波與 S 波在記錄中往往會出現重疊現象，難以標注 S 波到時信息，其中僅約 15% 的波形數據具有可標注的 S 波到時信息。其信噪比分布主要集中在−10~30 dB。

　　2.2 數據增強

　　為了提高模型在實際礦山環境中的微震信號識別精度和可靠性，本文通過引入高斯噪聲、時間漂移、振幅縮放、隨機間隙及歸一化等方法實現礦山微震數據增強。

　　通過引入符合隨機分布特性的高斯噪聲，能夠更真實地模擬礦山環境中的背景干擾，使模型在訓練過程中學習從復雜噪聲中提取有效微震特征的能力。

　　其次，考慮到微震信號在傳播過程中因震源深度、傳播路徑或地質構造差異而產生時間偏移，本文采用了時間漂移處理方法。

　　最后，引入振幅縮放和隨機間隙處理增強信號，為消除不同臺站或設備采集的震動波幅值差異，同時確保模型輸入的一致性，對增強后的信號進行歸一化處理。

　　2.3 評價指標

　　本文所選的評價指標包括分類任務中的查準率、召回率和 F1 值，以及回歸任務中的平均絕對誤差。

　　2.4 模型訓練

　　模型訓練過程中，本文采用高斯分布對線性層和卷積層進行參數初始化，并使用 Adam 優化器進行參數更新。為了保證模型的優化能力，學習率在動態調整，以幫助模型跳出局部最優解。隨機偏移率設置為 20%，高斯噪聲率設置為 40%，通過引入適量的隨機性增強了模型的泛化能力。此外，神經元丟棄率設置為 40%，以減少過擬合風險，并在權重衰減范圍控制參數正則化，并為 S 波損失項設置更大權重。訓練過程中加入早停機制，當驗證集損失連續 30 個訓練周期未出現下降時，自動終止訓練以防止過擬合。訓練在 2 張 NVIDIA RTX 4090 GPU 上完成，基于 PyTorch 框架實現，最終訓練得到的模型參數量為 90 萬的基礎模型。模型平均每輪訓練耗時約 30 min，總訓練時間約 40 h;推理速度為每秒處理約 300 段微震波形，具備良好的實時性與部署潛力。

　　2.5 試驗結果

　　為全面評估模型性能，本文在 P 波到時拾取、S 波到時拾取、事件檢測和初動極性判別等多個任務上開展了系統性試驗。試驗選取了 PhaseNet、EQTransformer，DitingMotion 等當前表現最優的模型作為對比基線。為確保公平性，所有模型均在相同的訓練集和測試集上進行訓練與評估，并統一使用 Adam 優化器、相同的初始學習率、批量大小等超參數設置。如對方模型在原文中有明確推薦參數，則優先采用其原始配置。

　　在 P 波拾取任務中，本文模型以 96.56% 的查準率、94.23% 的 F1 值、92.01% 的召回率以及 0.02 秒的 MAE 顯著優于對比模型，展現了更高的精度和穩定性。在 S 波拾取任務中，本文模型相較于 PhaseNet 和 EQTransformer 也實現了小幅性能提升。在事件檢測任務中，模型表現優異，查準率為 95.40%，召回率為 95.96%，F1 值達到 95.68%，展現了較高的準確性和平衡性。初動極性判別任務中，本文模型的 F1 值達到 94.34%，不僅超越了傳統方法的性能表現，還與當前廣泛應用的 DitingMotion 系統持平，體現了其優異的分類能力。

　　在微震監測領域，S 波到時的精確拾取一直是一項極具挑戰性的任務。與天然地震相比，礦山微震事件與監測臺站的距離更近，導致 P 波與 S 波的到時差顯著減小，2 種波形在記錄中往往會出現明顯的重疊現象。這種波形重疊不僅增加了信號辨識的難度，還可能導致 S 波到時的誤判或漏檢。模型能夠精準捕捉 P 波和 S 波的到時信息，成功識別出微震事件并完成初動極性判別。

　　在較低信噪比下，本文模型依然能準確拾取 P 波到時并檢測出微震事件。P 波拾取殘差主要集中在−25~25 ms，而 S 波拾取殘差的分布范圍相對更寬，大致在−50~50 ms。在不同信噪比區間內，本文模型均能準確拾取 P 波和 S 波的到時，體現出模型的高精度與魯棒性。

　　總體而言，F1 值隨殘差容忍度的增加而顯著提升，在 P 波和 S 波拾取任務中，得益于特征聚合多頭注意力機制對長程依賴的高效建模能力，以及多尺度卷積結構對不同采樣率信號的時頻對齊和特征融合能力。本文模型在不同殘差容忍度下的表現均優于 PhaseNet 和 EQTransformer。在 P 波拾取任務中，當到時拾取殘差為 0.5 s 時，本文模型的 F1 值達到 97.98%;在 S 波拾取任務中，相同容忍度下 F1 值達到 82.88%，均處于較高水平。盡管 S 波拾取的 F1 值略低于 P 波拾取，但本文模型在該任務中仍顯著優于其他對比模型。

　　在初動極性判別中，本文模型實現了 94.34% 的 F1 值，模型能正確識別初動極性為正的比例為 93.38%，能正確識別初動極性為負的比例為 92.63%，為后續震源機制反演提供了可靠的波形初至及振幅拾取數據。

　　綜上，礦山微震基礎模型通過多任務框架實現了底層特征的共享與損失函數的聯合優化，這種跨任務的信息共享機制不僅使模型在各個任務中的表現顯著優于傳統單任務模型，還大幅提升了訓練效率。此外，在復雜的礦山微震信號場景中，模型展現了強大的魯棒性和泛化性。無論是低信噪比條件還是震源復雜性較高的場景，模型均能保持穩定且高效的性能，為礦山微震監測提供了可靠的技術支持。

　　3 工程驗證

　　為進一步評估礦山微震基礎模型性能，本節選取甘肅某沖擊地壓礦井的 150404 工作面進行工程應用測試。該工作面位于礦井的 1504 采區，全區可采 5 煤層，煤厚 35.98~57.69 m，平均煤厚 41.78 m。1504 采區布置了上、中、下 3 個分層，采用綜放開采，其中 150404 工作面為上分層的最后一個工作面，采高 3.3 m，放煤高度 8.8 m。工作面由東向西從向斜東翼逐漸穿過向斜軸部，局部進入向斜西翼。受向斜構造影響煤層呈波狀起伏，底板高低不平，煤層整體局勢為西高東低，北高南低，其中自 150401 工作面回采接續到 150404 工作面，煤層傾角由 30° 逐漸減小至 15° 左右。1504 采區南翼為 2502 采區大范圍采空區，采區間留設不規則三角煤柱群，寬度為 20~166 m 不等。

　　該工作面地質開采條件極為復雜，因此礦井布置了 24 通道的 SOS 微震監測系統用于沖擊危險監測，從而對工作面開采過程中的煤巖破裂事件實時收集。選取工作面推采初期的微震事件進行工程驗證 (2024−11−30—2024−12−30)，該階段共收集到 230 個微震事件，包括 1485 條可用波形數據，將人工標注的微震事件、P 波到時、S 波到時以及初動極性等信息作為真值，特別說明，其中只有 198 條可以人工標注 S 波到時。

　　模型評估結果表明，P 波到時拾取的查準率達到 95.37%，F1 值為 93.94%，召回率為 92.55%。而在 S 波到時拾取方面，查準率為 65.76%，F1 為 63.33%，召回率為 61.07%。事件檢測任務的評估結果較為突出，查準率為 95.26%，F1 值為 95.71%，召回率為 96.16%。對于初動極性檢測任務，模型的查準率為 93.75%，F1 值為 94.24%，召回率為 94.73%。綜上，模型在礦山微震事件檢測、P 波到時拾取以及初動極性判識任務中都達到較高性能，一定程度上可實現礦山微震 S 波到時拾取，可為礦山微震數據實時智能處理提供技術支撐。

　　3.1 基礎模型在自動定位中的應用

　　基于所構建的礦山微震智能處理基礎模型，本節開展了礦山微震自動定位應用研究，采用 Powell 算法自動定位，其核心思想是通過不斷調整震源位置的候選解，最小化理論到時與觀測到時之間的殘差，從而實現對震源位置的精確估計。

　　自動定位結果顯示，人工標注 P 波到時的 SOS 人工定位結果主要集中在工作面采空區后方遺留煤柱區域以及采空區材料巷道 0~80 m 范圍內，與本文定位結果范圍相同。將自動定位結果與 SOS 人工定位結果相疊加，二者結果在平面定位圖上保持十分接近的分布特征。綜上，本文震源定位與人工定位相比水平誤差平均為 24.42 m，平均空間誤差為 26.87 m，達到了較高的定位精度。

　　3.2 基礎模型在震源機制求解中的應用

　　混合矩張量反演方法結合了相對、絕對矩張量反演的優點，可減少噪聲數據對波形有效振幅的影響，同時通過校正場地效應較小格林函數計算誤差，從而提供矩張量反演結果的準確性。因此在自動標定波形 P 波到時與自動定位后，采用混合矩張量反演方法進行震源機制計算。

　　由獲取微震事件矩張量初始解后，將所有震源聯合進行迭代更新，當震源群中的理論振幅與觀測振幅間的誤差小于閾值時停止迭代，完成反演。

　　本文選取一組微震事件進行矩張量反演，通過多次迭代能夠有效降低波形理論振幅和觀測振幅間誤差，其在完成 20 次迭代后逐漸收斂，較好的保證了復雜地質開采環境下的矩張量反演結果的準確性。根據矩張量反演結果，本文采用 Hudson 圖對 230 個微震事件的震源機制進行統計分類。Hudson 圖中−ISO 和 + ISO 均表示震源的純體積變化，分別對應于內爆和外爆破壞;−CLVD 和 + CLVD 分別反映震源的純壓縮和純拉伸破壞機制;原點 (DC) 表示震源的純剪切破壞機制。

　　由圖可知，震源沙灘球集中分布在中心區域，震源破壞模式以剪切破壞為主，表明 150404 工作面作為 1504 采區和 2502 采區間孤島煤體，始終受到兩側大范圍采空區的影響，尤其一側為 1504 采區已回采的 3 個工作面，因傾角較大往往會形成對 150404 工作面的錯動−夾持作用，后續隨著 150404 工作面的繼續回采，這種夾持作用可能會愈加強烈。

　　綜上，采用基礎模型計算出的震源機制解能較好地運用現場，可對復雜工況環境下的煤巖破壞過程和形成機制進行較為合理的解釋，展現了基礎模型在震源機制求解過程中的可靠性，以及計算結果應用于煤礦環境的可行性。后續將繼續深入研究以提高迭代計算速率和降低反演誤差，圍繞高精度震源機制解析開展采動應力場小尺度反演、煤巖體裂隙網絡擴展成像等方面的基礎研究，一方面可作為解析沖擊地壓力學災變機制的重要研究手段，另一方面也為沖擊地壓預警研究提供重要支撐。

　　4 結論

　　結合大數據與深度學習相關方法，構建了 Transformer 架構的礦山微震智能處理基礎模型，該模型主要包括微震多尺度卷積、特征自適應融合、時序建模以及解碼器等模塊，實現了礦山微震事件檢測、P 波到時拾取、S 波到時拾取以及初動判別等任務智能處理。

　　以礦山微震數據作為基礎模型測試對象，測試結果表明事件檢測準確率達到 95.4%，96.6% 的 P 波到時誤差在 50 ms 以內，65.5% 的 S 波到時誤差也在 50 ms 以內，初動極性判別的準確率達到 93.38%，可滿足礦山微震數據智能實時處理需求。

　　在甘肅某沖擊地壓工作面開展了基礎模型應用研究，提出了基于基礎模型的礦山微震自動定位與自動震源機制反演方法。試驗結果表明，以所構建的微震基礎模型為基礎，可實現礦山微震事件檢測 — 到時拾取 — 初動極性判別 — 震源定位 — 震源機制求解全流程智能化處理。

　　微震數據智能處理是煤礦智能化建設的核心，而人工智能技術則是實現礦山動力災害智能化監測預警的關鍵技術支撐。本文借鑒基礎模型在其他領域的成功經驗，初步嘗試構建了礦山微震基礎模型，提升了礦山動力災害監測預警的智能化水平。試驗結果表明，該模型在微震事件檢測、到時拾取及初動極性判別等任務中均表現出較高的精度與魯棒性。然而，該基礎模型在災害預測、采動裂隙成像等領域的應用潛力仍有待進一步挖掘，未來需針對礦山復雜地質條件與多源異構數據特點，深入開展模型優化與遷移研究。

曹安業;李茂濤;楊　旭;楊　耀;李　森;劉耀琪;王常彬,新疆大學地質與礦業工程學院;中國礦業大學礦業工程學院;中國礦業大學計算機科學與技術學院;中國礦業大學煤炭精細勘探與智能開發全國重點實驗室,202506