《Journal of Rock Mechanics and Geotechnical Engineering》：Automatic P-wave Arrival Picking for Microseismic Signals of Mines Using a Hybrid Neural Network with Constrained Attention and CNN-BiLSTM
编辑推荐：
微震（MS）监测是矿山地压控制、突水预警及边坡稳定性管理的关键技术，已纳入国家标准和行业规范。精确识别微震信号中的P波到时是分析岩体破坏机制和实现灾害早期预警的重要前提。然而，传统P波拾取方法如短时窗平均/长时窗平均（STA/LTA）法和赤池信息准则（AIC）
微震（MS）监测是矿山地压控制、突水预警及边坡稳定性管理的关键技术，已纳入国家标准和行业规范。精确识别微震信号中的P波到时是分析岩体破坏机制和实现灾害早期预警的重要前提。然而，传统P波拾取方法如短时窗平均/长时窗平均（STA/LTA）法和赤池信息准则（AIC）在低信噪比（SNR）的复杂矿山环境中面临挑战，而现有深度学习方法往往忽视了地震学先验约束。本研究提出了一种混合模型——双通道地震学先验约束注意力卷积神经网络-双向长短期记忆网络（Dual-channel Seismology-prior Constrained Attention Convolutional Neural Network–Bidirectional Long Short-Term Memory, Dual-ch Sp-CA-CNN-BiLSTM），用于P波到时的自动拾取。该模型采用双通道输入结构：一个通道从原始微震波形数据中提取时空特征，另一个通道引入STA/LTA衍生的触发信息作为地震学先验知识。STA/LTA约束的注意力机制有效融合这些特征，增强模型对预期P波到达时间附近区域的准确表征能力。该模型利用来自下甸金矿的5705组微震波形进行验证，平均绝对误差（MAE）仅为1.76 ms。相比CNN-BiLSTM模型提升了23.83%，相比传统STA/LTA方法提升了近十倍。Dual-ch Sp-CA-CNN-BiLSTM模型在艰苦采矿条件下准确识别P波到时方面表现出稳健性能，为实时监测和动态地质灾害早期预警提供了可靠基础。
微震（MS)监测作为一种地球物理技术，通过捕获岩体破裂产生的弹性波信号，实现对工程岩体内部损伤演化的实时监测、破裂区域的精确定位以及早期预警能力。该技术已广泛应用于石油开发、深部金属/非金属矿山、水电站建设及深埋隧洞工程等领域的安全监测与风险管理。微震事件定位的准确性对于岩体破坏分析的可靠性及空间灾害预警系统的有效性至关重要，而定位精度直接受P波和S波到时拾取精度的影响。在工程岩体微震监测中，复杂监测环境常导致信噪比较低，提高低信噪比条件下的P波到时拾取精度是微震监测成功应用的重要技术难题。
传统P波拾取方法主要依赖基于信号特征的理论驱动方法。AIC方法通过最小化信息损失确定起算时刻，但计算复杂度高、复杂噪声条件下精度下降且对非平稳信号适应性差。STA/LTA法因实现简单被广泛应用于微震监测系统，但在低信噪比矿山环境中易受噪声干扰，导致误检和漏检频繁发生。时频能量耗散特征法等虽具有较强抗噪性，但计算复杂度高且依赖经验参数标定。近年来，深度学习技术的发展催生了基于深度学习的到时拾取方法，CNN能自动提取信号局部特征，LSTM有效捕捉时序依赖性，但现有深度学习方法大多依赖纯数据驱动特征提取，缺乏与地震学先验知识的融合，制约了物理检测算法与深度学习互补优势的充分发挥。
为克服上述挑战，注意力机制（AM）网络近年来成为提升深度学习模型性能的有力范式，通过为不同时刻或特征表示动态分配差异权重，显著提高模型判别重要特征的能力。在地震学领域，注意力机制已被应用于地震事件检测和震相拾取任务。本研究在此基础上提出地震学先验约束的注意力机制模型，将地震学约束融入注意力机制，旨在显著提升微震P波到时拾取性能，并为低信噪比条件下的微震震相识别提供创新解决方案。
本研究提出了一种基于混合神经网络架构的微震P波到时自动拾取创新方法。该模型整合地震学先验约束注意力（Sp-CA）机制和双通道卷积神经网络-双向长短期记忆网络（CNN-BiLSTM）框架，具有新颖的双通道输入设计。第一通道采用CNN-BiLSTM网络从去噪信号中提取时空特征，第二通道引入STA/LTA触发位置先验作为物理约束。该架构不仅克服了传统深度学习模型的可解释性局限，还显著增强了其在噪声现场条件下的适应性和可靠性。
所提出的Dual-ch Sp-CA-CNN-BiLSTM混合模型由四个主要组件构成：输入层、特征提取层、条件注意力层和输出层。输入层采用双通道架构，第一通道处理滤波后的微震波形信号，第二通道引入STA/LTA触发点位置编码，并采用Z-score标准化进行数据预处理。特征提取层中，双通道输入通过两个独立的卷积-池化-BiLSTM分支进行特征提取，卷积层使用多尺度核捕获局部短期特征（STF），BiLSTM单元建模长期特征（LTF），输出经拼接融合波形与触发位置信息。条件注意力层集成Sp-CA机制，在标准自注意力框架基础上引入由可训练参数λ加权的位置掩码矩阵，引导注意力权重聚焦于P波到达时刻等关键波形片段，增强模型在局部时间窗内优先处理重要区域的能力，同时保持全局依赖建模。输出层在条件注意力层生成的特征基础上，进一步整合BiLSTM和Sp-CA以逐步增强全局与局部特征的联合表征，后经全连接层和回归输出层产生最终的P波到时预测。
模型核心组件包括：CNN通过卷积核扫描输入数据局部感受野，经非线性激活提取特征，最大池化层选取局部邻域最大dropout和步长调节抑制过拟合；LSTM通过输入门、遗忘门和输出门三种门控机制调节信息流，解决传统RNN的梯度消失问题，实现跨时间步的动态特征整合；BiLSTM通过前后双向两个独立LSTM层处理输入序列，捕获因果和上下文信息，增强对微震信号复杂传播模式的分析能力；Sp-CA机制则明确将触发点位置信息嵌入注意力计算作为位置引导先验约束，通过带宽约束注意力掩码限制注意力分布集中于触发点邻域，迫使模型关注与P波到时密切相关的区域。
数据预处理与模型训练方面，研究采用固定6000点时间窗提取波形片段，应用级联滤波策略抑制噪声，STA/LTA触发点检测剔除无效信号，经数据集划分和Z-score标准化后形成高质量训练集。针对微震波形样本有限问题，引入时移和随机扰动增强策略，将数据集从原始1930个事件扩展至5705个样本。数据集按7:1.5:1.5比例划分为训练集、验证集和测试集。
模型使用Adam优化器，以MAE为损失函数和主要评估指标，批量大小256，最大训练轮数250。采用动态学习率调整策略和早停机制防止过拟合。对比实验包括Sp-CA-CNN-BiLSTM、Attention-CNN-BiLSTM、CNN-BiLSTM和传统STA/LTA算法。对Sp-CA模块关键超参数注意力半径δ进行敏感性分析，确定40/20为默认设置。模型含1,522,179个参数，CPU上前向传播延迟约2.3766 ms/道次，训练总耗时约1.162小时。
误差分布分析表明，三种单通道深度学习模型的大多数误差集中于±18采样点内，Sp-CA-CNN-BiLSTM误差分布最集中。双通道模型相比单通道Sp-CA-CNN-BiLSTM和STA/LTA，误差分布更紧密，高斯峰值达55%，±108采样点外的极端误差不再出现，传统STA/LTA方法误差最大且存在整体延迟。
信噪比敏感性分析显示，高信噪比条件下各模型均保持较高精度，低信噪比条件下差异显著。CNN-BiLSTM在低信噪比区域仅66.39%样本误差在±20采样点内，Attention-CNN-BiLSTM提升至67.65%，Sp-CA提升至76.89%。双通道模型在高信噪比区域误差集中率达99.21%，低信噪比区域达84.67%，显著优于其他方法，传统STA/LTA方法仅23.75%。
综合精度比较显示，6 ms误差范围内各方法精度从高到低为：Dual-ch Sp-CA-CNN-BiLSTM（97.78%）、Sp-CA-CNN-BiLSTM（96.84%）、Attention-CNN-BiLSTM（95.21%）、CNN-BiLSTM（94.51%）、STA/LTA（44.22%）。双通道模型±18采样点内样本占85.76%，误差呈对称集中分布。定量指标方面，Dual-ch Sp-CA-CNN-BiLSTM的MAE为10.58采样点，RMSE为15.73，MAPE为0.85%，较Sp-CA-CNN-BiLSTM分别降低8.5%、5.9%和7.6%，较STA/LTA方法约低一个数量级。
工程应用部分，研究选取下甸金矿-700 m水平550-551勘探线之间试验采场No. 55003的监测数据进行验证。该矿采用分段崩落法和上向水平分层充填法组合开采，试验采场尺寸为38 m×7 m×8 m。监测分为采矿前（2015年12月11日至2016年1月6日）、采矿中（2016年1月7日至1月23日）和采矿后（2016年1月24日至2月29日）三个阶段。各阶段低信噪比波形占主导，86.67%的波形信噪比低于12.5 dB，47.97%低于0 dB。
采矿前阶段微震活动能量较低，主要集中于550-552勘探线之间，研究人员员提出的模型显示事件分布更为集中，与实际现场扰动区域一致。采矿中阶段，随采场推进围岩应力扰动增加，微震事件频次和能量显著上升，高能事件集中于采场工作面及穿脉交叉口附近，Site 1和Site 2位置对应顶板冒落和片帮破坏区域，微震事件密集分布与实际破坏位置吻合。选取的四个典型事件经重新拾取P波到时并定位后，震中位置较原结果分别偏移5.48 m、19.95 m、33.28 m和51.63 m，波形分析显示后三个事件信噪比较低，重新定位位置更接近实际失稳区域。采矿后阶段，微震事件数量和能量显著降低，空间分布更为分散，归因于及时充填释放了采动应力、稳定了岩体。
讨论与结论部分，研究人员总结了该研究的主要创新点和应用价值。提出的Dual-ch Sp-CA-CNN-BiLSTM模型集成了地震学先验信息、注意力机制和多尺度时序特征提取，显著提升了低信噪比条件下的P波到时拾取精度。模型的双通道架构实现了波形特征与地震学先验特征的并行处理，通过CNN的局部特征提取能力、BiLSTM的时序建模能力和Sp-CA的自适应注意力引导相结合，有效强化了P波到达附近的关键波形片段。基于5705组下甸金矿微震波形的对比实验表明，该模型在精度和稳健性方面均优于传统方法和现有主流方法，平均绝对误差达10.58个采样点。在实际工程应用中，基于重新拾取P波到时的微震事件重定位结果与实际破坏区域空间一致，四个典型低信噪比事件分别实现了5.48 m至51.63 m的定位改善，证实了模型提升P波到时准确性和增强震源定位可靠性的有效性。该模型在微震监测、岩爆预警和深部地下灾害预测方面展现出巨大应用潜力，为矿山安全监测提供了重要的技术支撑。
