《Journal of Rock Mechanics and Geotechnical Engineering》:Prediction of rockburst occurrence time: Implications from microseismic monitoring and deep learning
编辑推荐:
为解决深埋隧道施工中岩爆发生时间难以准确预测的难题,研究人员开展了岩爆时间预测研究。他们利用微震监测收集振动波形,构建了融合CNN(卷积神经网络)和BiLSTM(双向长短期记忆网络)的预测模型。该模型通过交叉注意力机制动态融合时空特征,预测岩爆发生概率并推算时间。工程验证显示模型预测精度高(R2=0.95),误差低于3小时,最小误差仅0.3小时,为岩爆短期预警提供了有效新方法。
随着人类工程活动不断向地球深部进军,深埋隧道的安全建设面临着前所未有的挑战。在高压地应力、复杂地质条件和施工扰动的联合作用下,岩体内部积聚的应变能会突然猛烈释放,导致岩石破裂并喷射而出,这种现象被称为岩爆。它犹如深藏地下的“不定时炸弹”,曾造成多起严重事故,例如1994年南非卡勒顿维尔金矿区一次岩爆触发了2.1级局部地震,2009年中国锦屏二级水电站排水洞的强岩爆导致7人死亡、1人受伤并损坏了隧道掘进机,2018年中国龙云煤矿的岩爆事故更是夺去了21条生命。因此,如何科学、准确地预测岩爆,尤其是预测其发生的具体时间,已成为当前国内外研究的热点与核心难题。现有的预测方法在强度、位置和类型方面取得了显著进展,但由于岩爆发展过程受多因素综合影响,其发生时间的预测因其高度复杂性和不确定性,仍是短期预测领域的瓶颈。针对这一挑战,一项最新研究在《Journal of Rock Mechanics and Geotechnical Engineering》上发表,提出了一种创新的解决方案。
为了攻克岩爆时间预测难题,研究人员巧妙地利用了周期性钻爆法施工与微震监测的关联性。他们在中国西部某深埋隧道钻爆法施工段开展了为期125天的连续微震监测,收集了约50万条振动波形作为原始数据。研究核心是构建一个融合了卷积神经网络和双向长短时记忆网络的深度学习模型。该模型从两个维度提取特征:一是将振动波形通过短时傅里叶变换转换为时频图像,利用CNN提取其图像特征;二是提取波形的最大振幅构成时间序列,利用BiLSTM挖掘其时间规律。二者通过一个交叉注意力机制进行动态融合,最终利用Sigmoid函数输出岩爆发生概率,并依据概率增长率外推岩爆发生时间。模型训练采用了网格搜索优化超参数,并使用了均方根误差、平均绝对误差和决定系数R2等指标进行评估。
研究结果
4.1. 工程概况
研究基于中国西部某深埋隧道项目,隧道最大埋深达1687.85米,穿越高应力硬脆岩体。评估显示无岩爆段长约17.625公里,而中、强岩爆段总长超过15公里,施工安全风险极高。钻爆法施工过程中出现了拱顶、拱角、工作面等多种位置的岩爆破坏场景。
4.2. 数据来源与处理
研究在隧道钻爆法施工段布置了微震传感器阵列,在50-80米范围内以30米间距布置传感器组,采用20kHz采样频率进行不间断触发式采集。收集的振动波形根据形态被分为电流信号、爆破信号、未知信号、机械振动和岩体微破裂波形等五种基本类型。为避免传感器距离差异带来的振幅偏差,对所有通道数据进行了归一化处理。
4.3. 模型参数选择与性能
通过系统的参数调优,确定了模型最优结构:CNN卷积核尺寸5×5,BiLSTM隐藏单元数64、堆叠层数1,注意力头数8。最优训练超参数包括学习率10-3、批大小64、Dropout率0.3等。网格搜索优化后的模型在训练集上达到了较高的预测精度。
5.1. 预测性能对比
将提出的CNN-BiLSTM模型与CNN-LSTM、BiLSTM和LSTM模型进行对比测试。结果显示,CNN-BiLSTM模型的预测概率值与真实值吻合度最高,误差小且集中,决定系数R2达到0.95。而CNN-LSTM、BiLSTM和LSTM模型的R2值分别为0.92、0.86和0.79。统计分析表明,CNN-BiLSTM模型的预测精度提升具有统计学显著性。
5.2. 预测时效性评估
通过两个实际岩爆案例验证了模型的时间外推预警能力。案例一是2024年10月4日的岩爆,模型在岩爆发生前14小时(10月3日19:00)外推得出岩爆将在12±3.4小时后发生,预警时间充足。案例二是2024年11月28日的岩爆,模型在岩爆前9小时(11月28日03:00)外推得出岩爆将在7.6±2.8小时后发生,最小预测误差达到0.3小时。这两个案例证明模型能在保证预测误差小于3小时的前提下,成功提前数小时预警。
5.3. 岩爆前兆特征分析
通过分析模型特征权重,揭示了岩爆前兆特征。在非岩爆阶段,时间序列特征权重占主导(约60%),模型主要关注大振幅事件的时间间隔和趋势。当检测到振幅超过0.97V的微震信号,且在10个时间序列内出现至少5次微震信号时,波形特征权重急剧上升至80%左右,模型将注意力转向识别微破裂波形特征,岩爆发生概率随之快速升高并超过60%,从而触发时间外推预警机制。这一特征可作为现场实施岩爆防控措施的关键判据。
结论与意义
本研究聚焦于钻爆法施工中岩爆发生时间的预测难题,成功建立了一种基于CNN-BiLSTM融合深度学习的预测模型。该模型能够有效融合振动波形的时空特征,实现岩爆概率和发生时间的高精度预测。主要结论包括:首先,CNN-BiLSTM模型在岩爆概率预测上表现优异,预测值与实际值高度一致(R2= 0.95)。其次,模型具备良好的时间外推预警能力,在确保误差小于3小时的前提下,可提前9-14小时预警,最小误差达0.3小时。最后,通过分析模型特征权重的变化,发现了关键的岩爆前兆特征,即当振幅超过0.97V的微震信号在短时间内频繁出现时,预示着岩爆风险急剧升高。
这项研究的重要意义在于,它绕过了解析单个微破裂事件的复杂难题,直接从原始监测波形中挖掘岩爆孕育的时空规律,为深埋隧道钻爆法施工中的岩爆短期实时预警提供了一种直接、有效的新方法。它将先进的深度学习技术与工程现场监测深度融合,不仅显著提升了预测精度,其揭示的前兆特征也为现场施工人员提供了清晰、可操作的风险管控依据,对保障深部地下工程建设安全、防止重大事故发生具有重要的理论价值与工程实践意义。