基于混合信号处理与深度学习框架的北大山地下实验室TBM隧道施工中低能微震事件识别

《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》：Low-energy microseismic event identification during TBM tunnelling at Beishan URL with a hybrid signal-processing and deep-learning framework

　　

摘要

准确识别TBM隧道掘进期间的低能微震事件对于围岩稳定性评估和早期预警至关重要，但强烈的背景噪声和严重的类别不平衡阻碍了其识别。本研究提出了一种集成交互模态分解（EMD）用于多尺度分解、ResNet18用于特征提取、双向长短期记忆网络（BiLSTM）用于时间建模的识别框架。该框架利用北山地下实验室TBM掘进的进洞隧道监测数据进行评估。2025年5月30日，从M6监测段共采集了3183个触发的波形，包括65个微震波形和3118个噪声波形，正负样本比约为1:48。在波形层面，该方法在5×10折交叉验证中达到了0.957±0.077的召回率和0.867±0.027的PR-AUC。在独立的跨日期和跨断面测试中，召回率分别为0.914和0.920。岩体破坏案例研究表明，通过将人工标注与自动识别相结合，可以组装出连续的微震事件时间序列。岩体破坏前约四天，事件频率急剧增加，事件逐渐向最终的破坏位置聚集。在此期间b值保持相对较低，并在破坏当天达到局部最低值。当与频率增加和空间聚集综合考虑时，该最低值可视为同时性的支撑证据。该方法为TBM隧道掘进期间围岩稳定性智能早期预警提供了一条可行途径。

引言

地下工程正向着更深的深度和越来越复杂的地质条件发展。在TBM隧道掘进过程中，围岩中加剧的应力重分布显著提高了岩爆、坍塌和块体掉落等灾害的风险1, 2, 3。这些灾害通常起源于围岩体内部微裂纹的渐进扩展。其隐蔽性和突发性对施工安全早期预警构成了严峻挑战4, 5。研究表明，尽管岩爆和重力驱动的坍塌在破坏模式上有所不同，但两者都表现出明显的微裂纹前兆过程；监测所捕捉到的微震信号演化是这两类灾害预警的共同物理基础6, 7。微震监测记录了岩石破裂过程中释放的弹性波，能够确定事件的时空位置和能量特征，从而揭示围岩中的损伤演化和潜在不稳定区域。它已被广泛应用于隧道、矿山和地下实验室的安全监测8, 9, 10, 11, 12, 13, 14, 15, 16。然而，岩石破裂产生的微震信号通常能量低、持续时间短、振幅弱。在TBM隧道掘进期间，它们不可避免地受到多种噪声源的污染（包括刀盘破岩、钻孔、机械振动和电磁干扰），这极大地限制了微震数据自动处理的效率17, 18。北山地下实验室（北山URL）的TBM掘进进洞隧道位于约560米深的花岗岩地层中；现场监测表明，围岩破裂以低能微震事件为主，断裂信号和机械噪声在时域和频域上都高度重叠，使得自动识别尤其具有挑战性19。

对于微震信号识别，早期研究主要依赖手工特征工程，结合时频域震源参数与逻辑回归、概率密度模型或浅层神经网络来区分微震信号和爆破信号20, 21, 22；然而，此类特征构建依赖经验，对噪声条件的变化较为敏感。经验模态分解（EMD）23及其改进变体——集成EMD24，已被引入用于信号预处理以抑制非平稳噪声干扰。一个代表性例子是Zhang等人提出的集成EMD–SVD–ELM识别框架25，但其仍然受到浅层模型表示能力的限制。卷积神经网络（CNN）随后成为微震信号识别的主流方法，通过直接从原始波形中学习来绕过手工特征工程26。值得注意的是，Li J等人27采用深度残差网络28来增强特征提取深度，后续工作进一步将基于CNN的方法扩展到迁移学习和新型架构29, 30, 31, 32, 33, 34，共同确立了深度学习相对于手工特征方法的优势。为了解决CNN在捕捉时间演化方面的能力有限问题，进一步开发了基于LSTM的混合架构，包括CNN–LSTM35、ResNet–LSTM–Attention36和基于BiLSTM的模型37, 38，将识别推进到联合时空建模。最近，Song等人30提出的CNN–Transformer融合网络在保持分类准确率的同时进一步减小了模型规模，Yin等人39和Ma等人40进一步将智能微震处理扩展到TBM开挖环境下的多通道分类和多任务自动化流水线。更广泛地说，岩石力学和岩石工程中人工智能的进步推动了智能感知、灾害评估和早期预警41, 42。

尽管取得了这些进展，对于实际的TBM隧道掘进应用仍然存在三个局限性。首先，现有方法主要在类别分布相对平衡的数据集上进行验证，很少考虑TBM隧道掘进早期阶段正样本极度稀缺的情况。在实际中，正负样本比可能低至1:48，以总体准确率为主要指标的方法在这种严重不平衡情况下容易出现漏检43, 44, 45, 46, 47。对于工程早期预警而言，漏检往往是不可接受的。其次，很少有研究充分测试其方法在低能量、低信噪比（SNR）微震信号上的性能。花岗岩地层在中度应力条件下（如北山URL所展示的）表现出以频繁低能事件为特征的破裂模式。此类事件比采矿活动引起的强地震事件更难识别11, 48。第三，大多数现有方法通过端到端模型直接处理原始波形，这在常规SNR和样本条件下表现良好。然而，低能微震信号的信息成分跨越多个频段，并与噪声严重交织在一起，使得单尺度特征提取难以同时解决频段分离和时间建模问题49, 50。

本文提出了一种EMD–ResNet18–BiLSTM框架，用于低能岩石微震事件的智能识别，以北山URL的TBM掘进进洞隧道作为工程案例。首先应用EMD获得每个波形的自适应多尺度表示。然后将归一化的原始波形与IMF2和IMF3结合形成三通道输入，在保留完整波形形态的同时，在不同特征尺度上提供互补信息并限制冗余表示。ResNet18随后从每个频段中提取深层局部特征，BiLSTM捕捉双向时间依赖性，形成从信号分解到分类的分层策略。采用召回率和PR-AUC作为主要评价指标，以应对工程早期正样本极度稀缺的问题，并通过5×10折交叉验证评估统计鲁棒性。所提方法的工程适用性通过北山URL的M6监测段2025年6月3日的岩体破坏进行了验证，其中人工标注和自动识别结果相结合以组装连续的微震事件时间序列。事件频率的时间变化和Gutenberg–Richter参数与事件的空间分布一起评估，以刻画岩体破坏前围岩不稳定性演化。

章节片段

工程背景

北山地下实验室（北山URL）是中国高水平放射性废物地质处置研究的关键工程设施。螺旋进洞隧道由TBM在约560米深的花岗岩地层中掘进。根据Zhao等人51在新昌岩体中进行的液压裂隙原位应力测量，在约560米深度测得的最大水平主应力????为19–20 MPa，而最小

框架概述

北山URL的低能微震事件受到宽带TBM噪声的污染，这些噪声延伸至其主导频段，且其判别特征涉及局部波形模式和时间上下文，单尺度端到端模型无法同时捕捉。因此，所提出的框架结合了三个互补组件：用于自适应频段分离的EMD、用于深层局部特征提取的ResNet18以及用于双向时间

消融研究

设计了三个消融基线以验证每个框架组件的独立贡献。M1（1D-CNN + 原始信号）使用单通道原始信号输入和五层一维卷积网络，不包含EMD预处理、残差连接或BiLSTM时间建模，作为最简化的端到端基线。M2（EMD + 1D-CNN + BiLSTM，无ResNet）引入了EMD三通道输入和BiLSTM时间建模，但保留浅层CNN作为特征提取器。M3

案例背景

2025年6月3日，在北山URL的M6监测段，里程K6+073–K6+076附近发生了一处局部延迟性岩体破坏，主要影响隧道断面约8–10点钟方向扇区，观测到的破坏深度约为0.4米（图13）。该事件代表了典型的延迟破坏过程。TBM掘进通过该区域后，持续的开挖扰动引起渐进式应力调整和微裂纹积累，直至局部

讨论

M6岩体破坏与构造控制的渐进式不稳定性更为一致，而非由应变能突然释放驱动的剧烈破坏。北山URL在560米深度处的最大水平主应力约为19–20 MPa，表明处于中度应力环境。M6记录到的两处岩体破坏均发生在已映射的断层影响区内。微震事件在6月3日破坏前逐渐在K6+073–K6+076附近聚集，同时

结论

本文提出了一种混合信号处理与深度学习框架，集成了基于EMD的多尺度分解、ResNet18特征提取和BiLSTM时间建模，用于北山URL的TBM隧道掘进期间低能微震事件识别。该框架通过重复交叉验证、消融实验、正样本数量分析、独立的跨日期和跨断面测试以及岩体破坏工程案例进行了评估。主要

CRediT作者贡献声明

Yixiao Yuan：写作–审阅与编辑，写作–初稿撰写，方法论，调查研究，形式化分析，概念化。Zaobao Liu：写作–审阅与编辑，监督指导，方法论，资金获取，概念化。Wen Chen：调查研究，数据整理。Biao Wang：数据整理。Ju Wang：项目管理，资金获取。Hongsu Ma：资源，项目管理。Baoquan Zhu：数据整理。

利益冲突声明

作者声明，他们不存在已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究部分由中国国家自然科学基金（项目编号：52278333）和中国核工业集团（CAEA）通过地质处置URL发展计划资助。作者感谢北山URL提供本研究使用的现场监测数据。

Yixiao Yuan|Zaobao Liu|Wen Chen|Biao Wang|Ju Wang|Hongsu Ma|Baoquan Zhu
东北大学智能深部金属矿山及装备国家重点实验室，中国沈阳，110819