李文旭，陳祖煜，，唐春安，蘇 巖，唐烈先，胡 晶，陶 磊

（1.西安理工大學(xué) 省部共建西北旱區(qū)生態(tài)水利國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710048；2.中國(guó)水利水電科學(xué)研究院，北京 100048；3.大連理工大學(xué) 土木工程學(xué)院，遼寧 大連 116024；4.陜西省引漢濟(jì)渭工程建設(shè)有限公司，陜西 西安 710010；5.遼寧科技大學(xué) 礦業(yè)學(xué)院，遼寧 鞍山 114051）

1 研究背景

巖爆通常具有瞬時(shí)性、猛烈性，在發(fā)生巖爆時(shí)，大量的巖塊和碎石以高速彈射出圍巖，嚴(yán)重威脅施工人員及設(shè)備的安全。因此，深埋隧道圍巖的巖爆災(zāi)害監(jiān)測(cè)預(yù)警成為亟待解決的重大課題[1]。

現(xiàn)階段，通過微震監(jiān)測(cè)來預(yù)測(cè)巖爆的手段現(xiàn)已趨于成熟，在礦山、隧洞、地下廠房等工程領(lǐng)域得到了廣泛的應(yīng)用[2-3]。然而在施工過程中，微震監(jiān)測(cè)系統(tǒng)需要實(shí)時(shí)采集數(shù)據(jù)，工程師每天需要處理數(shù)萬條波形，而采集的數(shù)據(jù)中90%為噪聲、機(jī)械振動(dòng)等無效信號(hào)，對(duì)巖爆預(yù)測(cè)并無幫助，例如在引漢濟(jì)渭工程中自樁號(hào)K33+870～K47+150之間，微震監(jiān)測(cè)團(tuán)隊(duì)總共檢測(cè)到478 874條地震波信息，其中只有61 796條為微震信息，研究人員再從6萬余條微震信息中通過經(jīng)驗(yàn)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)以及綜合分析中分析實(shí)際產(chǎn)生巖爆的事件，顯然從47萬余條地震波中，把與微震無關(guān)的信息剔除，其工作量十分巨大，監(jiān)測(cè)的效果在很大程度上取決于研究人員相關(guān)的技術(shù)水平。如何在大量的信號(hào)中快速、準(zhǔn)確識(shí)別出巖石微破裂產(chǎn)生的微震/巖爆信號(hào)是提高巖爆預(yù)測(cè)效率的關(guān)鍵問題之一。Malovichk等[4]利用微震事件的輻射模式、能量分布以及不同波形的相關(guān)性等特征，采用最大似然法對(duì)礦山的正常事件和微震事件進(jìn)行了分類；Ma等[5]對(duì)震源參數(shù)和波形參數(shù)進(jìn)行特征提取，建立了基于貝葉斯判別法的波形識(shí)別模型，在識(shí)別爆破和微震事件中可以達(dá)到97.1%的準(zhǔn)確率，并且在Yongshaba礦山中得到了很好的應(yīng)用；Dong等[6]提取了地震記錄起始時(shí)間、地震力矩、總輻射能量和靜態(tài)應(yīng)力降等參數(shù)的概率密度函數(shù)，研究了Fisher分類器、樸素貝葉斯分類器和logistic回歸在地震事件和爆炸事件識(shí)別中的適用性和性能；陸菜平等[7]基于傅里葉變換對(duì)微震信號(hào)的主頻段和幅頻特性進(jìn)行分析，為微震信號(hào)分析提供了一個(gè)新的角度。然而，目前很難通過簡(jiǎn)單的信號(hào)處理剔除數(shù)據(jù)中的無效數(shù)據(jù)，需要工程師憑借經(jīng)驗(yàn)進(jìn)行篩選，具有一定的主觀性。

采用人工智能對(duì)大數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，可以解決這一局限，提高微震識(shí)別的效率和可靠性。朱權(quán)潔等[8]基于小波分形理論，采用SVM算法對(duì)礦山爆破振動(dòng)、巖石破裂及電磁干擾信號(hào)進(jìn)行訓(xùn)練，用150組信號(hào)進(jìn)行測(cè)試，最終達(dá)到94%的準(zhǔn)確率，證明SVM算法可以較好的識(shí)別3類信號(hào)；姜鵬等[9]基于時(shí)頻分析對(duì)微震和爆破的頻率特征進(jìn)行量化研究，建立了BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)100組爆破和微震信號(hào)進(jìn)行分類處理，模型達(dá)到98%的準(zhǔn)確率，識(shí)別精度高，可為現(xiàn)場(chǎng)微震事件的識(shí)別提供參考；Giudicepietro等[10]將天然地震參數(shù)化獲得頻譜特征，將其輸入多層感知器（MLP）中，在區(qū)分局部地震與區(qū)域地震和局部地震與遠(yuǎn)震地震時(shí)，可以得到97%以上的準(zhǔn)確率，證明神經(jīng)網(wǎng)絡(luò)算法可以有效的用于地震數(shù)據(jù)分析；Lin等[11]構(gòu)建了一種將深度卷積神經(jīng)網(wǎng)絡(luò)和空間金字塔池化相結(jié)合的模型，通過自動(dòng)更新網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)端到端的訓(xùn)練和測(cè)試，實(shí)現(xiàn)了多道微震波形的聯(lián)合識(shí)別和分類；Perol等[12]利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)天然地震進(jìn)行波形監(jiān)測(cè)，就單個(gè)波形進(jìn)行定位研究，該神經(jīng)網(wǎng)絡(luò)方法在計(jì)算時(shí)間上優(yōu)于其他檢測(cè)方法，極大地縮短了地震定位需要的時(shí)間；Zhang等[13]建立了基于卷積神經(jīng)網(wǎng)絡(luò)的微震檢測(cè)模型（CNN-MDN），在測(cè)試集中得到97.8%的高準(zhǔn)確率，但模型收斂速度緩慢且模型對(duì)于未曾訓(xùn)練過的事件，識(shí)別準(zhǔn)確率僅達(dá)到89%，泛化性較差。

目前，波形分類主要針對(duì)地震波形開展，與微震存在差異，此外模型中所用的訓(xùn)練和測(cè)試數(shù)據(jù)量較少。前人針對(duì)微震波形分類存在收斂速度慢、準(zhǔn)確率差等缺點(diǎn)，本文針對(duì)巖石微破裂信號(hào)的智能識(shí)別開展研究。相比時(shí)程曲線，波形的頻譜可以更好地反應(yīng)介質(zhì)的動(dòng)力學(xué)特性，不同類型波形的頻譜差異性更為明顯，因而本文將快速傅里葉變換（FFT）引入微震波形的識(shí)別，采用卷積神經(jīng)網(wǎng)絡(luò)方法，將時(shí)程曲線、頻譜、相位特征作為輸入，進(jìn)行微震波形的自動(dòng)識(shí)別，在此基礎(chǔ)上，引入投票機(jī)制，實(shí)現(xiàn)對(duì)事件類型的判別。

2 工程背景及數(shù)據(jù)

2.1 工程背景本文依托于引漢濟(jì)渭工程秦嶺輸水隧洞的微震監(jiān)測(cè)。隧洞全長(zhǎng)81.779 km，最大埋深2012 m。隧洞位于秦嶺西部山區(qū)，其地貌總體受構(gòu)造控制，經(jīng)長(zhǎng)期水流侵蝕、切割，形成了較為復(fù)雜的地貌單元[14]。秦嶺隧洞沿線主要巖性特征見表1。本文分析的數(shù)據(jù)在樁號(hào)K41+810～K45+730之間，巖石類型主要為閃長(zhǎng)巖，其巖體完整，巖質(zhì)堅(jiān)硬。

表1 秦嶺隧洞沿線主要巖性特征表

輸水隧洞左右洞壁各布置3個(gè)傳感器，傳感器實(shí)時(shí)地采集監(jiān)測(cè)范圍內(nèi)的各種頻率的震動(dòng)，當(dāng)有一個(gè)傳感器接收到超出設(shè)定閾值的信號(hào)時(shí)，截取所有傳感器在此信號(hào)接收時(shí)刻前100 ms至后300 ms的數(shù)據(jù)，并形成相應(yīng)的波形文件，每個(gè)波形事件由6個(gè)波形信號(hào)組成。傳感器位置隨著隧洞的掘進(jìn)而向前移動(dòng)，從而達(dá)到實(shí)時(shí)監(jiān)測(cè)和采集的目的。傳感器接收的原始波形如圖1所示，其中事件時(shí)間為年-月-日_時(shí)-分-秒毫秒，縱坐標(biāo)表示振幅的大小。

圖1 原始波形

2.2 數(shù)據(jù)集本文選取2018年6月的5104個(gè)事件（共30 624條波形）作為訓(xùn)練集和驗(yàn)證集，再從2019年4月到2021年4月中隨機(jī)選取兩月數(shù)據(jù)作為模型測(cè)試需要的測(cè)試集，以便測(cè)試模型的泛用性。圖2給出數(shù)據(jù)采集及數(shù)據(jù)標(biāo)簽生成過程，噪聲等無效事件標(biāo)記為0，微震事件標(biāo)記為1。每一事件均包含6條波形，如波形最大幅值小于0.1 V時(shí)，無論波形形狀如何，均標(biāo)記為無效信號(hào)；反之則根據(jù)波形形狀，標(biāo)記為微震事件或無效事件。對(duì)于波形識(shí)別，以每條波形作為一次輸入，隨機(jī)將90%的數(shù)據(jù)作為訓(xùn)練集，10%的數(shù)據(jù)作為驗(yàn)證集，圖3為訓(xùn)練集和驗(yàn)證集的數(shù)據(jù)分布。

圖2 數(shù)據(jù)集來源

圖3 訓(xùn)練集和驗(yàn)證集數(shù)據(jù)樣本

3 信號(hào)的時(shí)頻分析

3.1 快速傅里葉變換（FFT）微震信號(hào)是一個(gè)數(shù)字信號(hào)，將其進(jìn)行離散傅立葉變換（DFT）便可得到頻譜，形式如下：

式中：N為數(shù)字信號(hào)序列長(zhǎng)度；k=0，1，…，N-1；x（n）為第n次采集信號(hào)所獲得的數(shù)據(jù)；稱為旋轉(zhuǎn)因子。

根據(jù)旋轉(zhuǎn)因子的周期性、對(duì)稱性和可約性，可以將有序長(zhǎng)度的DFT分解成短序列進(jìn)行計(jì)算，從而得到一種快速進(jìn)行傅里葉變換的算法，即快速傅里葉變換（FFT）。

3.2 噪聲、微震信號(hào)的時(shí)頻特征在實(shí)際工程中，工程師主要通過信號(hào)持續(xù)時(shí)間、波形幅值以及明顯的振動(dòng)衰減等特征進(jìn)行微震、巖爆事件的識(shí)別，可能會(huì)存在部分波形難以判斷的情況。為了更充分挖掘數(shù)據(jù)的隱藏特征，本文對(duì)波形信號(hào)進(jìn)行快速傅里葉變換，將頻域特征引入信號(hào)的識(shí)別和分類。

微震監(jiān)測(cè)系統(tǒng)的采樣頻率為10 kHz。圖4給出了不同幅值及持續(xù)時(shí)間的微震波形的FFT結(jié)果。圖4（a）振幅較低、振動(dòng)持續(xù)時(shí)間較短，該事件能量主要集中在0～250 Hz，主要頻率位于60～70 Hz；隨振動(dòng)持續(xù)時(shí)間及振幅的增加，頻譜的寬度相應(yīng)增加，各頻率振幅也逐漸增高（圖4（b）、圖4（c））。而對(duì)于強(qiáng)巖爆波形（圖4（d）），由于超出傳感器量程，頻帶變窄，幅值顯著增大?？傮w來說，波形圖中微震波形電壓幅值基本高于0.1 V，平均幅值在1 V以上，其大小與微震源產(chǎn)生彈性波大小有關(guān)，可以明顯分辨出P波和S波；頻率主要集中在0～250 Hz，隨著信號(hào)持續(xù)時(shí)間和幅值增加，頻域中振幅的峰值隨之向高頻移動(dòng)，頻帶變寬。

圖4 微震波形頻譜分析

圖5給出幾種常見無效數(shù)據(jù)的FFT結(jié)果。圖5（a）為典型的噪聲信號(hào)，其電壓幅值較小，基本位于0.1 V以下，波形雜亂，斷續(xù)震蕩，其主要由500 Hz、1200 Hz等高頻信號(hào)復(fù)合而來；圖5（b）為信號(hào)監(jiān)測(cè)過程中混入的電磁干擾，其類似于沖擊信號(hào)，達(dá)到峰值后迅速衰減；圖5（c）為機(jī)械噪聲，特點(diǎn)為沿著時(shí)間軸反復(fù)震動(dòng)，成條帶狀，從頻譜圖可以發(fā)現(xiàn)它是由幾種高頻的簡(jiǎn)諧振動(dòng)信號(hào)組成；圖5（d）為典型的無效信號(hào)，時(shí)程曲線成條帶狀，振幅小并無明顯波動(dòng)，且在頻域上沒有規(guī)律性。

圖5 無效信號(hào)頻譜分析

分析表明：微震和無效信號(hào)在時(shí)域和頻域上都有獨(dú)特的特征，但單從時(shí)域或頻域上來很難將2類波形完全區(qū)分開，因而有必要綜合考慮信號(hào)的時(shí)頻特征來進(jìn)行微震信號(hào)的識(shí)別和分類。

4 卷積神經(jīng)網(wǎng)絡(luò)模型

4.1 卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）[15-16]是一種包含卷積計(jì)算且結(jié)構(gòu)具有一定深度的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，能夠利用輸入數(shù)據(jù)的空間結(jié)構(gòu)提取特征，在圖像和語音識(shí)別方面取得了重要的突破。卷積神經(jīng)網(wǎng)絡(luò)通過卷積核和對(duì)輸入特征進(jìn)行運(yùn)算，采用池化層對(duì)得到的特征進(jìn)行子采樣，最后經(jīng)過全連接層將提取的數(shù)據(jù)特征集成并映射到所需要的輸出類別中。CNN需要設(shè)置的超參數(shù)較少，更容易調(diào)試到較高性能，微震波形的識(shí)別與語音識(shí)別類似，因而本文采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行微震波形識(shí)別。

4.2 技術(shù)路線本文提出了基于信號(hào)時(shí)頻特征的CNN微震信號(hào)識(shí)別方法。對(duì)于微震事件的識(shí)別，先從原始數(shù)據(jù)中選取波形，對(duì)其進(jìn)行預(yù)處理操作；再將預(yù)處理后的數(shù)據(jù)帶入傅里葉變換，把波形信號(hào)的時(shí)頻域特征同時(shí)作為模型的輸入，以此來訓(xùn)練模型參數(shù)，得到微震波形和無效波形的分類結(jié)果。最后根據(jù)分類結(jié)果進(jìn)行投票，當(dāng)模型判斷一次事件的6條波形中有3條以上為微震波形時(shí)，認(rèn)為本次事件為微震事件，否則為無效事件，得到事件識(shí)別結(jié)果（圖6）。模型采用一維卷積神經(jīng)網(wǎng)絡(luò)，通過多層堆疊，提高多通道信號(hào)的特征抽象能力，將卷積神經(jīng)網(wǎng)絡(luò)提取的特征輸出給全連接層，最后輸出波形的類別。根據(jù)波形識(shí)別的結(jié)果，引入投票機(jī)制，判斷事件的類別。為了充分的驗(yàn)證模型對(duì)微震事件識(shí)別的準(zhǔn)確性，將得到的事件波形劃分為訓(xùn)練波形數(shù)據(jù)集和測(cè)試波形數(shù)據(jù)集。首先使用訓(xùn)練數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，然后使用測(cè)試集分別對(duì)模型進(jìn)行測(cè)試，驗(yàn)證模型的有效性[17]。

圖6 模型識(shí)別流程圖

4.3 模型構(gòu)建模型分為輸入、特征提取和輸出模塊，以波形數(shù)據(jù)、頻率和相位作為輸入，采用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)特征進(jìn)行提取和識(shí)別，對(duì)每個(gè)輸入采取不同的特征提取模塊，最后通過全連接層將所有特征組合進(jìn)行識(shí)別。模型包含24個(gè)卷積層、9個(gè)池化層、5個(gè)全連接層和1個(gè)平鋪層，其中卷積核大小為3，步長(zhǎng)為1，卷積核的個(gè)數(shù)和全連接層的大小如圖7所示。

圖7 CNN模型結(jié)構(gòu)

模型的損失函數(shù)采用交叉熵函數(shù)。交叉熵是真實(shí)數(shù)據(jù)分布所包含的信息熵H（X）[18-19]。在分類問題中使用交叉熵能更準(zhǔn)確地衡量分類錯(cuò)誤的誤差，在反向傳播中取得更好的梯度從而更快更好地進(jìn)行模型參數(shù)的更新。為了提高模型的收斂性，模型訓(xùn)練時(shí)宜在前期采用較大的學(xué)習(xí)率，在后期采用很小的學(xué)習(xí)率，因而采用Adam算法，可以自動(dòng)根據(jù)梯度的指數(shù)移動(dòng)均值自動(dòng)調(diào)整學(xué)習(xí)率。為了盡可能挖掘模型潛力并減少不必要的迭代次數(shù)，采用回調(diào)函數(shù)，當(dāng)本輪驗(yàn)證集損失值大于3輪訓(xùn)練前的損失值，則將學(xué)習(xí)率降低50%，如5輪訓(xùn)練后，驗(yàn)證集損失值仍未下降，則停止訓(xùn)練。

5 模型訓(xùn)練與測(cè)試

5.1 模型訓(xùn)練結(jié)果在實(shí)驗(yàn)中，訓(xùn)練世代上限設(shè)置為20，當(dāng)世代達(dá)到第9輪時(shí)，模型損失值相較于第7輪沒有下降，模型訓(xùn)練完成。整體訓(xùn)練過程如圖8所示。對(duì)于波形識(shí)別，在第1輪世代中，模型的準(zhǔn)確率已經(jīng)達(dá)到86%之上，隨著世代的增加，模型訓(xùn)練集、驗(yàn)證集損失和準(zhǔn)確率均趨于穩(wěn)定，訓(xùn)練集的準(zhǔn)確率達(dá)到97.17%，驗(yàn)證集的準(zhǔn)確率達(dá)到93.23%。

圖8 模型訓(xùn)練結(jié)果

針對(duì)微震事件的識(shí)別，將2019年4月的無效事件和2020年3月的微震事件進(jìn)行混合，共2449個(gè)無效事件，14 694條無效波形；1321個(gè)微震事件，7926條波形。按照上述原則進(jìn)行標(biāo)簽。將總共22 620條波形，和它們對(duì)應(yīng)的經(jīng)過傅里葉變換后的頻率和相位作為測(cè)試集輸入模型，得到如圖9所示的分類結(jié)果圖。

圖9 分類結(jié)果圖

根據(jù)圖9可以看到，對(duì)于無效事件，模型將86次事件識(shí)別為微震事件，2363次事件識(shí)別為無效事件，無效事件識(shí)別準(zhǔn)確率為96.49%。對(duì)于微震數(shù)據(jù)，從圖9右可以看到模型將1260次事件識(shí)別為微震事件，識(shí)別事件準(zhǔn)確率為95.38%。可見面對(duì)大量的微震和無效信號(hào)，模型可以準(zhǔn)確識(shí)別微震和無效事件。

5.2 模型測(cè)試與分析從無效和微震事件中各隨機(jī)選出100次事件進(jìn)行分析，通過不同的輸入和不同的模型對(duì)比，將每個(gè)模型調(diào)試參數(shù)至準(zhǔn)確率最高作為測(cè)試結(jié)果（表2）?？梢钥闯鲆圆ㄐ螢閱我惠斎?，模型對(duì)微震事件的識(shí)別率僅為86%，單純采用頻率和相位數(shù)據(jù)，并無法明顯提高模型的準(zhǔn)確率。在輸入信號(hào)的時(shí)頻數(shù)據(jù)后，模型準(zhǔn)確率明顯提高，這表明模型能夠?qū)斎氲臄?shù)據(jù)進(jìn)行很好的擬合，為現(xiàn)場(chǎng)微震事件的識(shí)別提供參考，同時(shí)模型對(duì)于隨機(jī)事件的準(zhǔn)確識(shí)別可以證明模型具有很好的普適性。

表2 不同輸入對(duì)比分析

在同時(shí)輸入波形、頻率和相位數(shù)據(jù)后，模型對(duì)100次微震事件，即600條波形信號(hào)進(jìn)行識(shí)別，僅有兩條波形識(shí)別錯(cuò)誤，波形識(shí)別成功率99.7%，事件識(shí)別成功率為100%。為探究模型對(duì)兩條波形識(shí)別錯(cuò)誤的原因，對(duì)這兩次事件進(jìn)行研究，表3為兩次事件的實(shí)際預(yù)測(cè)結(jié)果，圖10、圖11為兩條波形信號(hào)的波形圖和頻譜圖。

表3 部分波形識(shí)別結(jié)果

圖10 事件2020-03-04_19-53-10112通道1的波形和頻譜圖

圖11 事件2020-03-04_23-55-14714通道1的波形和頻譜圖

對(duì)于事件2020-03-04_19-53-10112通道1和事件2020-03-04_23-55-147141通道1來講，在時(shí)域上振幅明顯，符合微震信號(hào)的波形特征，但在0.4 s內(nèi)一直伴隨著較大的機(jī)械噪聲，導(dǎo)致兩條信號(hào)在頻域上顯示噪聲的波形特征，因此模型識(shí)別錯(cuò)誤?？傮w來說，在這100次微震事件中模型表現(xiàn)優(yōu)秀。對(duì)于100次無效事件，有96次預(yù)測(cè)成功，模型微震和無效事件總體識(shí)別成功率有98%。

表4給出本文模型和其他文獻(xiàn)[8，13，20]的對(duì)比結(jié)果。本文所用數(shù)據(jù)量顯著大于同類研究，模型準(zhǔn)確率與同類研究相當(dāng)，模型具有較好的概化能力。

表4 不同方法對(duì)比分析

6 結(jié)論與討論

本文以快速傅立葉變換為手段分析了在隧洞掘進(jìn)過程中微震信號(hào)的時(shí)頻特性，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了微震事件的快速識(shí)別。最終得到如下結(jié)論：

（1）在微震波形識(shí)別中，同時(shí)考慮波形信號(hào)的時(shí)頻特征，利用微震和無效信號(hào)在時(shí)域和頻域上各自的不同，將波形數(shù)據(jù)、頻率以及相位同時(shí)作為模型的輸入，可以有效的識(shí)別微震和無效波形，對(duì)于模型準(zhǔn)確率的提升具有至關(guān)重要的作用。

（2）建立了包含2449個(gè)無效事件，1321個(gè)微震事件的樣本庫。提出了基于信號(hào)時(shí)頻特征的微震波形識(shí)別模型，在經(jīng)過9次世代后模型迅速收斂，且在測(cè)試中，對(duì)大量波形事件識(shí)別，模型有著96.1%準(zhǔn)確率。證明它在運(yùn)用人工智能解決波形分類問題上有著廣泛的適用性。

（3）在結(jié)果分析中，對(duì)200次事件進(jìn)行識(shí)別，通過對(duì)比發(fā)現(xiàn)，模型在輸入數(shù)據(jù)時(shí)考慮同時(shí)輸入時(shí)頻特征可以有效提高信號(hào)的辨識(shí)度，且在波形信號(hào)識(shí)別方面相比于其他方法具有足夠高的準(zhǔn)確率，能夠在數(shù)據(jù)量成倍增加的情況下依舊有著高的精準(zhǔn)度。

（4）模型對(duì)于微震和無效事件識(shí)別的高準(zhǔn)確率，可以減少工程師在巖爆預(yù)測(cè)中所面臨的數(shù)據(jù)量大和模型訓(xùn)練擬合慢的負(fù)擔(dān)，同時(shí)將微震事件單獨(dú)分類出來也有利于對(duì)巖爆預(yù)測(cè)準(zhǔn)確率的提高。波形識(shí)別模型的高準(zhǔn)確率預(yù)示著通過人工智能處理巖爆問題有著極大的可行性。

（5）利用機(jī)器學(xué)習(xí)算法對(duì)微震信號(hào)進(jìn)行了學(xué)習(xí)，對(duì)于不同工程，其共性是微震和噪聲信號(hào)在時(shí)頻域上有明顯的差異，故而本文提出的模型可以適用于引漢濟(jì)渭輸水隧洞之外的工程。需要指出的是，本文僅對(duì)大量的波形中識(shí)別出微震波形進(jìn)行了初步研究，雖然模型整體表現(xiàn)出良好的性能，但卷積神經(jīng)網(wǎng)絡(luò)屬于有監(jiān)督的學(xué)習(xí)算法，模型的準(zhǔn)確率依賴于數(shù)據(jù)標(biāo)簽的質(zhì)量，因此對(duì)于微震波形的準(zhǔn)確識(shí)別需要更深入的研究。