基于多任务深度学习的微震信号处理与岩爆灾害识别方法研究

《Journal of Rock Mechanics and Geotechnical Engineering》：Microseismic signal processing and rockburst disaster identification: A multi-task deep learning and machine learning approach

本文针对深部隧道工程中岩爆灾害预警的时效性难题，创新性地提出了"微震听诊器"概念——一种集成了卷积注意力机制(CBAM)与视觉几何群网络(VGG)的多任务深度学习模型。该模型通过端到端架构同步实现震源分区分类(准确率98%)、微震能量估计(误差0.13)和矩震级计算(误差0.05)，将单事件处理时间从传统方法的0.71秒大幅缩减至0.036秒。在四川大峡谷隧道的实际应用中，该模型成功预警多次岩爆事件，为深地工程灾害防控提供了智能化解决方案。

　　

随着隧道工程向深部延伸，岩爆灾害已成为威胁施工安全的"地质癌症"。当岩石内部发生破裂时会产生微震信号，传统监测方法需要经历信号识别、去噪、拾取、定位等多步骤流程，不仅耗时长达0.71秒/事件，且依赖人工干预，难以满足实时预警需求。针对这一技术瓶颈，成都理工大学马春驰团队在《Journal of Rock Mechanics and Geotechnical Engineering》发表研究，开创性地将医疗听诊器理念引入地质工程领域，研制出能同时完成三项核心任务的"微震听诊器"模型。

关键技术方法主要包括：基于双排传感器阵列的空间分区监测技术，将监测区域划分为8个独立空间单元；结合卷积块注意力模块(CBAM)与视觉几何群(VGG)网络的多任务深度学习架构；以及针对23,200个微震事件（139,200条波形）构建的训练数据集，这些数据来源于鄂汉高速大峡谷隧道和巴陕高速米仓山隧道的实际监测。

研究结果显示，该模型通过12个卷积模块组成的共享参数主干网络，配合三个分别配备CBAM注意力机制的分支网络，实现了端到端的微震信号解析。在震源分区分类任务中，模型准确率达到98%，精确率和召回率均保持在0.97以上。对于微震能量估计，模型预测值与实测值的平均误差为0.13，确定系数R²达到0.93；矩震级估计的平均误差更降至0.05，R²为0.94。特别值得注意的是，当信号信噪比(SNR)高于5dB时，模型能保持稳定的预测精度。

在抗干扰性能测试中，研究人员通过合成噪声实验验证了模型的鲁棒性。当信噪比低于-5dB时，能量预测误差会显著增大，但实际工程中多数微震事件的信噪比都高于这一阈值。与传统算法处理（0.71秒/事件）和半自动化处理（0.49秒/事件）相比，该模型将处理效率提升了近20倍，仅需0.036秒即可完成单个事件的全面分析。

在四川大峡谷隧道（最大埋深1944米）的实际应用中，研究人员对一次典型岩爆过程中的43个微震事件进行了回溯分析。通过模型输出的震源参数演化曲线，清晰揭示了岩爆孕育的三个阶段：应力调整阶段（1月7-9日）、突变阶段（1月9日00:30-12:00）和成灾阶段（1月9日12:00后）。与传统方法相比，模型不仅将预警时间从数分钟缩短至秒级，更准确识别出微震事件从能量释放型向变形驱动型的转变过程。

通过EMS（微震能量-矩震级空间分布）分析方法，研究人员发现模型输出的log₁₀E-log₁₀M₀参数空间分布与传统方法高度一致。在岩爆启动阶段，微震事件主要集中在Ⅰ、Ⅱ区（应力调整事件）；突变阶段则转移至Ⅲ、Ⅳ区（变形驱动事件）；成灾阶段出现爆破型微震事件。这一发现为岩爆机理研究提供了新的观测视角。

该研究的创新之处在于将复杂的微震信号处理流程整合为统一的多任务学习框架，通过注意力机制实现了对不同任务特征的差异化聚焦：震源分类关注波形初至点序列，能量估计聚焦最大振幅区域，矩震级计算则侧重持续振动时段。这种"分而治之"的策略既保证了各任务的专项优化，又通过参数共享提升了整体效率。

研究结论表明，微震听诊器模型不仅显著提升了信号处理效率，更重要的是建立了从原始波形到灾害识别参数的直接映射关系。在实际应用的5次典型岩爆预警案例中，模型均成功提前10-30分钟发出预警，为人员撤离和防护措施实施赢得了宝贵时间。这种将深度学习与地质力学深度融合的研究范式，为深部工程地质灾害防控提供了新的技术路径，也为智能岩土工程的发展奠定了重要基础。