李昊 高林生 劉麟 邵坤

摘 要：水力壓裂在煤礦中被廣泛應(yīng)用，通常用微震檢測壓裂效果。為了準(zhǔn)確識別微震的微弱波形，為后續(xù)定位、反演等波形處理奠定基礎(chǔ)，采用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)與圖像相結(jié)合的方法，對比分析時域卷積神經(jīng)網(wǎng)絡(luò)模型、小波卷積神經(jīng)網(wǎng)絡(luò)模型、赤池信息量準(zhǔn)則、長短時窗法4種方法識別煤層鉆孔水力壓裂的微弱微震數(shù)據(jù)的效果。結(jié)果表明：時域和小波卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和測試準(zhǔn)確率均達(dá)到99%以上，損失函數(shù)均在0.02以下；在對一個小時連續(xù)微震數(shù)據(jù)的檢測中，時域模型、小波模型微震事件識別精確率分別達(dá)到100%，84%，召回率分別達(dá)到68%，57%，優(yōu)于赤池信息量準(zhǔn)則、長短時窗法的微震事件識別精確率66%，40%，召回率42%，25%；對比煤礦水力壓裂微弱真實(shí)事件識別結(jié)果，時域和小波卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)于赤池信息量準(zhǔn)則和長短時窗法方法，時域模型優(yōu)于小波模型。上述結(jié)果證明深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型有較強(qiáng)微弱波形識別能力和泛化能力，是一種更優(yōu)的煤礦水力壓裂微震檢測方法。

關(guān)鍵詞：煤礦；水力壓裂；微震事件；深度學(xué)習(xí)

中圖分類號：TD 713

文獻(xiàn)標(biāo)志碼：A

文章編號：1672-9315（2023）04-0686-11

DOI：10.13800/j.cnki.xakjdxxb.2023.0405

Application of deep learning in microseismic detection

of? hydraulic fracturing in coal mine

LI Hao1，2，GAO Linsheng3，LIU Lin2，SHAO Kun2

（1.College of Energy Science and Engineering，Xian University of Science and Technology，Xian 710054，China；

2.School of Mine Safety，North China Institute of Science and Technology，Langfang 065201，China；

3.School of Safety Engineering，

North China Institute of Science and Technology，

Langfang 065201，China

）Abstract：Hydraulic fracturing is widely used in coal mines，and microseismic is usually used to detect the fracturing effect.In order to accurately identify weak microseismic waveform and lay a foundation for subsequent positioning，inversion and other waveform processing，the method of combining deep learning CNN（convolutional neural network）with image is adopted to analyze the effect of the time domain CNN model，the wavelet CNN model，AIC and STA/LTA in identifying weak microseismic data of? hydraulic fracturing in coal seam drilling.The results show that the training and testing accuracy of the time-domain and wavelet convolution neural network models are above 99%，and the loss function is below 0.02.In the detection of one hour continuous microseismic data，the identification accuracy of time domain model and wavelet model for microseismic events reaches 100% and 84% respectively.The recall rate reaches 68% and 57% respectively，which is higher than AIC and STA/LTA in identifying microseismic events with accuracy of 66% and 40%，and the recall rate is 42% and 25%.In the recognition of weak real events in coal mines，time domain CNN and wavelet CNN model

are superior to AIC and STA/LTA methods，and time domain models

to wavelet models.The? results indicate that the deep learning CNN model has a stronger weak waveform recognition ability and generalization ability than AIC and STA/LTA，a better microseismic detection method.

Key words：coal mine；hydraulic fracturing；microseismic events；deep learning

0 引 言

水力壓裂是指通過鉆孔注入高壓流體，鉆孔壁產(chǎn)生破裂并擴(kuò)展，進(jìn)而達(dá)到強(qiáng)度弱化、增透、應(yīng)力轉(zhuǎn)移等工程要求［1］。通過這種方法能夠使煤巖體產(chǎn)生水壓裂縫，從而達(dá)到使煤巖體強(qiáng)度弱化和增透的目的，進(jìn)而提高瓦斯抽采效率［2］。水力壓裂過程中會造成巖石破裂，巖石破裂過程中會向外輻射微震能量。通過微震監(jiān)測獲取微震數(shù)據(jù)，并對其進(jìn)行定位、震源機(jī)制反演等處理能夠獲得巖石破裂的情況。進(jìn)而根據(jù)巖石破裂情況調(diào)整水力壓裂的壓裂液、加砂量等工藝，獲得更好的水力壓裂效果。水力壓裂過程中會產(chǎn)生大量的微弱微震信號［3］，極大增加了識別微震波形的工作量。同時，煤礦井下監(jiān)測過程中還會出現(xiàn)大量干擾信號，對微震波形的準(zhǔn)確識別造成不同程度的干擾［4］。此外，與頁巖、砂巖等致密脆性巖石相比，煤作為非均質(zhì)較強(qiáng)的特殊軟巖，微震信號識別難度更大。

在早期的探索中，人們提出了不同的微震波形自動識別方法，例如長短窗法（STA/LTA）［5］、赤池信息準(zhǔn)則（Akaike Information Criteria，AIC）［6］。之后也有人聯(lián)合使用幾種方法進(jìn)行微震波形自動識別或者改進(jìn)原方法［7-8］。這些波形識別方法都是利用一個或幾個統(tǒng)計(jì)特征進(jìn)行的［9］，特征的閾值需要人為設(shè)定，很難找到一個完美的閾值進(jìn)而同時提高召回率和準(zhǔn)確率［10］。另外，這2種方法對于信噪比較高的波形能夠達(dá)到較好的識別效果，但是對于低信噪比波形識別效果較差［11］。朱權(quán)潔等利用分形技術(shù)識別微震波形，但主要針對爆破、巖石破裂等信號，對于煤礦井下水力壓裂微震波形識別效果不得而知［12］。為了在盡量減少誤識別的前提下增加對微震波形的檢測能力，很多學(xué)者嘗試使用模板識別的方法。這種方法大幅度的增加了檢測到的微震數(shù)目，但是該方法極大的依賴于已有微震模板，對于因種種原因沒有模板的微震，盡管信號很強(qiáng)，也會被該方法漏識別［13］。

進(jìn)入90年代，SVM等機(jī)器學(xué)習(xí)方法被應(yīng)用到微震領(lǐng)域，然而隨著神經(jīng)網(wǎng)絡(luò)層數(shù)增加，易出現(xiàn)梯度擴(kuò)散、過擬合等問題。近幾十年來，計(jì)算機(jī)技術(shù)迅猛發(fā)展，使得機(jī)器學(xué)習(xí)被應(yīng)用到實(shí)際中［14］。日益成熟的機(jī)器學(xué)習(xí)算法和強(qiáng)大的計(jì)算能力，提供了將過去積累的大量數(shù)據(jù)利用起來的可能。譚文侃、湯志立等對機(jī)器學(xué)習(xí)算法進(jìn)行了改進(jìn)［15-16］。大多數(shù)研究通過選取多個特征，并利用機(jī)器學(xué)習(xí)方法進(jìn)行波形識別，在微震波形識別方面取得了一定的成就［17-18］。但方法未深入到深度學(xué)習(xí)領(lǐng)域中。

近年來，深度學(xué)習(xí)和人工智能技術(shù)快速發(fā)展，在地震學(xué)領(lǐng)域獲得一系列成功應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中一種常用的計(jì)算方法，最先應(yīng)用于信號處理識別方向［19］。其權(quán)值共享的特點(diǎn)使得本身擁有更深網(wǎng)絡(luò)層數(shù)，提取特征的能力大大提高［20］。在使用大量標(biāo)簽數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)之后，訓(xùn)練好的模型通常在一些與訓(xùn)練數(shù)據(jù)相似的測試數(shù)據(jù)集或者研究區(qū)域具有可媲美甚至超過傳統(tǒng)方法的效果［21-22］。不過，深度學(xué)習(xí)方法實(shí)用化的關(guān)鍵在于模型能否達(dá)到比較高的泛化能力，即是否能在訓(xùn)練樣本以外的數(shù)據(jù)上也取得不錯的效果。得益于海量的數(shù)據(jù)集，經(jīng)過預(yù)處理后輸入深度學(xué)習(xí)模型，一部分深度學(xué)習(xí)算法模型取得了較高的泛化能力［23-24］。近年來，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)被引入至地震、油氣、巖爆等方面的微震波形識別［25-27］。深度學(xué)習(xí)方法在上述方面已經(jīng)展現(xiàn)出了優(yōu)于傳統(tǒng)方法的波形識別能力，煤礦井下水力壓裂方面卻鮮見研究。

文中對山西某礦水力壓裂微震監(jiān)測數(shù)據(jù)進(jìn)行加噪和平移預(yù)處理，作為深度學(xué)習(xí)CNN模型的訓(xùn)練和測試數(shù)據(jù)，搭建適用時域圖像和小波圖像CNN模型。對比分析2種深度學(xué)習(xí)模型與傳統(tǒng)的STA/LTA和AIC微震識別方法識別水力壓裂微弱微震事件的優(yōu)劣，從而為煤礦井下水力壓裂的弱微震事件識別提供一種新的方法。

1 微震波形CNN模型

1.1 CNN模型工作原理

CNN模型是深度學(xué)習(xí)中一種常用計(jì)算方法，能自動從圖像中提取抽象特征，把握波形整體信息，從而實(shí)現(xiàn)對數(shù)據(jù)進(jìn)行分類。煤礦水力壓裂微震數(shù)據(jù)包含大量微弱微震信號，這個特點(diǎn)使得深度學(xué)習(xí)模型適用于該數(shù)據(jù)微震波形識別。訓(xùn)練開始前需要對深度學(xué)習(xí)模型的初始化權(quán)值矩陣Wl進(jìn)行設(shè)定：批次值（batch-size）為128、最大迭代次數(shù)為57，初始學(xué)習(xí)率η為0.000 5。若測試精確率連續(xù)3次未提升，學(xué)習(xí)率η降低為原來的一半。訓(xùn)練過程主要包括波形向前傳播與誤差反向傳播。

首先是波形向前傳播。訓(xùn)練時從數(shù)據(jù)集的一個批次中取出一個數(shù)據(jù)x，將該數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)輸入層。在向前傳播經(jīng)過各個層和函數(shù)的過程中，數(shù)據(jù)會輸出不同大小的特征圖或向量。輸入層輸出為RGB三通道圖像x，卷積計(jì)算或者全連接層作用后輸出zl，批量標(biāo)準(zhǔn)化函數(shù)作用后輸出N，激活函數(shù)σ激活后輸出al。公式（1）是經(jīng)過激活函數(shù)激活后再經(jīng)過卷積作用的輸出。公式（2）是經(jīng)過批量標(biāo)準(zhǔn)化函數(shù)作用后再經(jīng)過激活函數(shù)作用后的輸出。

然后是誤差反向傳播。根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出和標(biāo)注y，使用損失函數(shù)計(jì)算損失值C。再計(jì)算損失值C對神經(jīng)網(wǎng)絡(luò)輸出層delta誤差δl，利用相鄰層之間δl遞推公式求得每一層δl。

如果l+1層是卷積層，那么l層δl誤差為

參考經(jīng)典“LeNet-5”［28］，搭建用于識別煤礦井下水力壓裂微震波形的二維CNN深度學(xué)習(xí)模型，如圖1所示。圖中上方數(shù)字從上到下分別為特征圖的長、寬、深度，下方數(shù)字從上到下分別為卷積核的深度和數(shù)量。卷積核參數(shù)是深度學(xué)習(xí)模型中至關(guān)重要的部分，卷積核的長和寬都為3×3（像素），步長都為1（像素），全部采用0填充方式。池化作用會導(dǎo)致特征圖的長和寬逐漸減小，提取足夠的信息就需要更多的特征圖，所以卷積核的深度和數(shù)量隨著模型層數(shù)的增加而逐漸提高。

模型結(jié)構(gòu)從前往后依次為：輸入層、3層卷積層和最大池化層、1層卷積層和全局平均池化層、Relu層、Softmax層。輸入層輸出RGB三通道圖像數(shù)據(jù)，大小全部降維到128×128，全局平均池化層將特征圖轉(zhuǎn)變?yōu)?56×1的列向量，之后Relu層將256×1的列向量轉(zhuǎn)變?yōu)?28×1的列向量，最后Softmax層將128×1的列向量轉(zhuǎn)換為2個0～1的數(shù)值。這2個數(shù)值代表該波形片段是微震波形和背景噪聲的預(yù)測概率，將用于識別波形片段是否為微震波形或者背景噪聲。

1.2 數(shù)據(jù)預(yù)處理

山西某煤礦6號煤層為突出煤層，用水力壓裂增透煤層，治理消除煤與瓦斯突出危害，在此基礎(chǔ)上開展瓦斯防治和抽采工作。通過微震監(jiān)測獲取水力壓裂裂縫擴(kuò)展情況，評價水力壓裂工藝效果。采集數(shù)據(jù)所用微震傳感器靈敏度為200 V/（m/s），頻帶范圍為4.5～1 500 Hz；系統(tǒng)采樣率為4 k。在鉆孔中安裝傳感器，最大程度屏蔽噪聲。深度學(xué)習(xí)模型需要大量數(shù)據(jù)樣本以避免過擬合，因此選取了4 d的水力壓裂微震監(jiān)測數(shù)據(jù)，為深度學(xué)習(xí)模型提供了大量的訓(xùn)練樣本。

訓(xùn)練數(shù)據(jù)的質(zhì)量對一個良好的深度學(xué)習(xí)模型起重要作用。從原始數(shù)據(jù)中截取5 860條含有微震波形的片段，標(biāo)注為1；排除微震波形后隨機(jī)截取8 341條背景噪聲片段，標(biāo)注為0。對挑選后的數(shù)據(jù)仍需要再次檢查，更正明顯的標(biāo)注錯誤，盡可能減少人工標(biāo)注錯誤。數(shù)據(jù)集中微震事件震級范圍主要在-3～0級（2～5.410 J），微震波形持續(xù)時間最長可達(dá)到1.2 s。為了盡可能地將不同震級微震的波形包含在波形片段內(nèi)，將深度學(xué)習(xí)模型滑動窗口長度和步長都設(shè)定為1.5 s。

為了數(shù)據(jù)集更加適應(yīng)深度學(xué)習(xí)模型，需要進(jìn)行加噪處理。首先需要計(jì)算被加噪波形能量，然后增加與該能量固定比例能量的噪聲，為了保證數(shù)據(jù)的準(zhǔn)確性，微震波形總體加噪程度偏低。為使加噪后波形數(shù)量和背景噪聲數(shù)量大致相同，對所有微震波形各自加噪自身原有微震波形能量的1/32，1/33，…，1/48，共17種不同程度噪聲；對所有背景噪聲各自加噪原有背景噪聲能量的1/14，1/15，…，1/25，共12種不同程度噪聲。原始微震波形和加噪層度1/32的波形對比如圖2（a）和圖2（b）所示。不同加噪程度的微震波形占加噪后總微震波形數(shù)量的1/18。不同加噪程度的背景噪聲占加噪后總背景噪聲數(shù)量的1/13。

微震波形加噪程度要低于背景噪聲。這是因?yàn)閿?shù)據(jù)集內(nèi)微震波形信噪比差別較大，如果以高信噪比微震波形為標(biāo)準(zhǔn)加噪，那么將其加噪至微弱波形所需能量比就比較大。然而，以這較高能量比對低信噪比微震波形進(jìn)行加噪，低信噪比微震波形就會被背景噪聲淹沒成為背景噪聲。數(shù)據(jù)加噪測試表明，信噪比最低的波形加噪程度大于等于1/31時便幾乎被背景噪聲淹沒，所以微震波形加噪最高選為1/32。背景噪聲在加噪過程中不存在被背景噪聲淹沒的情況，所以加噪程度相對偏大。

為了使微震波形盡量均勻分布于波形片段中，需要對加噪數(shù)據(jù)平移處理。分別將兩端的背景噪聲截取5種長度放到另一端，對加噪程度為1/32，1/33，1/34，1/37，1/41，1/42，1/43，1/44，1/45的微震波形分別向左和向右平移125，250，375，500，625 ms，共10類不同的平移處理。圖2（c）和圖2（d）分別是加噪程度1/32且向右和向左平移500 ms后的波形，處在波形片段中間位置的微震波形就會相應(yīng)的向兩邊移動。

對數(shù)據(jù)加噪和平移預(yù)處理后，最終得到102 546條微震波形數(shù)據(jù)和101 123條背景噪聲數(shù)據(jù)。

圖3是與圖2對應(yīng)的小波變換圖像，可以看出，加噪前后圖像在100 Hz的低頻部分幾乎沒有變化，但在100 Hz以上的高頻部分有更多分布。無論數(shù)據(jù)如何平移，微震波形總是在100 Hz左右有較為明顯的分布，且在時間上與微震波形對應(yīng)。

有些原始背景噪聲（圖4（a））與微震波形類似。從小波圖像來看（圖4（c）），這類波形在100 Hz左右的低頻部分有較為明顯的分布，這個特點(diǎn)與微震波形較為類似。然而，低頻部分的分布是近乎連續(xù)的，這類波形是工人井下作業(yè)時造成的干擾信號，屬于背景噪聲。對原始背景噪聲加噪1/25的小波圖像（圖4（d））可以看出，加噪后波形在100 Hz以下的低頻部分有了更多的分布，明顯區(qū)別于微震波形。

1.3 2種深度學(xué)習(xí)模型搭建

深度學(xué)習(xí)模型對微震波形的識別流程如圖5所示。首先，對原始數(shù)據(jù)進(jìn)行加噪、平移等預(yù)處理，生成訓(xùn)練集、測試集和待檢測集圖像。然后，從微震波形和背景噪聲中隨機(jī)選取80%，20%的數(shù)據(jù)用于深度學(xué)習(xí)模型的訓(xùn)練和測試。如果模型表現(xiàn)良好，則保存其性能。如果模型表現(xiàn)不佳，則需要對模型參數(shù)或數(shù)據(jù)集進(jìn)行調(diào)整，直至模型性能達(dá)到預(yù)期。使用性能良好的深度學(xué)習(xí)模型來檢測待檢測數(shù)據(jù)，并將輸出結(jié)果。對于每個波形片段，根據(jù)其被識別為微震波形還是背景噪聲，輸出1或0。由于通常需要4個微震波形才能定位微震事件，因此需要根據(jù)同一時間窗口內(nèi)含有微震波形通道數(shù)是否大于3為判據(jù)進(jìn)行微震事件的判斷。如果被判定為微震事件，將該事件對應(yīng)的所有通道波形存儲，并從中提取出含有微震波形的通道數(shù)據(jù)，然后將這些數(shù)據(jù)與存儲的波形進(jìn)行對比。如果不是微震事件，則該數(shù)據(jù)被丟棄。

適用時域圖像、小波圖像的CNN模型訓(xùn)練測試正確率和損失函數(shù)分別如圖6（a）和圖6（b）所示。通過2種圖像識別的訓(xùn)練、測試數(shù)據(jù)集的準(zhǔn)確率都達(dá)到了99%以上，損失函數(shù)都在0.02以下。2種方法測試集準(zhǔn)確率和損失函數(shù)在起始階段出現(xiàn)了震蕩，這是因?yàn)槌跏荚O(shè)置的部分模型初始參數(shù)值（權(quán)值矩陣、學(xué)習(xí)率等）與最優(yōu)值差別較大。但隨著訓(xùn)練的不斷進(jìn)行，模型參數(shù)逐漸向著最優(yōu)值靠近，之后明顯震蕩消失。最終保存使用的是訓(xùn)練效果最好的模型。

2 波形識別結(jié)果

2.1 事件準(zhǔn)確率和召回率

分別使用深度學(xué)習(xí)訓(xùn)練好的2個模型檢測一個小時連續(xù)水力壓裂數(shù)據(jù)，并將檢測結(jié)果與傳統(tǒng)AIC和STA/LTA微震事件檢測方法的結(jié)果作對比。在這一個小時的數(shù)據(jù)中，共確定了328個事件。以這328個事件作為對比，分析時域CNN模型、小波CNN模型、STA/LTA和AIC 4種方法微震事件識別精確率和召回率。精確率Pe和召回率Re的定義分別為

Pe=Tp/（Tp+Fp）（7）

Re=Tp/（Tp+Fn）（8）

式中 Tp為真正例，即算法識別的微震事件為真實(shí)微震事件，反之為假正例Fp；Tn為真反例，即算法識別的背景噪聲是真實(shí)背景噪聲，反之為假反例Fn。精確率高代表誤檢率低，召回率高說明算法漏檢率低，只有兩者都高時模型或者算法才擁有實(shí)用價值。對濾波前后檢測數(shù)據(jù)進(jìn)行檢測，濾波器階數(shù)為128，各種方法濾波前的檢測結(jié)果分別見表1和表2。無論濾波前后，精確率和召回率均為時域CNN模型>小波CNN模型>AIC>STA/LTA。時域CNN模型的正確率和召回率是最高的，且隨著波形信噪比的提高，各種方法的精確率、召回率都有了不同程度的提高。

微震波形與背景噪聲在幅值、頻率等方面有許多不同之處。AIC，STA/LTA方法主要是依靠單一的幅值信息（幅值大小和變化），缺少對波形總體信息的提取和分析。CNN模型將一張圖像看作是一個個像素組成的矩陣，對圖像的分析就是對矩陣的數(shù)字進(jìn)行分析，而圖像特征就隱藏在這些數(shù)字規(guī)律中。該模型通過圖像向前傳播和誤差反向傳播使模型參數(shù)逐漸向最優(yōu)值靠近，最終獲得優(yōu)于AIC，STA/LTA的波形識別能力。

時域CNN的識別微震事件召回率和精度是最高的，這是因?yàn)闀r域圖像由傳感器采集的數(shù)據(jù)直接轉(zhuǎn)換，內(nèi)部包含最豐富的原始信息。小波圖像是經(jīng)過原始數(shù)據(jù)變換之后轉(zhuǎn)換成的圖像，不可避免的會丟失部分原有信息，所以時域CNN模型優(yōu)于小波CNN模型。

水力壓裂常見的背景噪聲信號是電壓噪聲和水流噪聲，兩者都有明顯的起跳點(diǎn)，容易被傳統(tǒng)方法誤判定為微震事件，影響壓裂效果的評價。時域CNN方法能夠準(zhǔn)確識別這2種噪聲。上述2種噪聲信號在時域、頻域方面又存在明顯區(qū)別。如圖7（a）所示，電壓噪聲信號波形信號特點(diǎn)是在每個通道同一時間只有一道垂直向上的信號；如圖7（b）所示，由于裂縫貫通后的水流噪聲持續(xù)時間較長，水流噪聲波形信號在較長時間內(nèi)存在連續(xù)頻帶分布。對比2種噪聲的小波圖像，進(jìn)一步證明了上述規(guī)律。如圖7（c）所示，電壓信號在1 000 Hz內(nèi)有較為明顯的分布，且分布頻帶范圍較廣。如圖7（d）所示，水流噪聲500 Hz以內(nèi)有較為明顯的分布，且持續(xù)時間較長。

2.2 水力壓裂微震事件識別實(shí)例

選取15 s的水力壓裂微震數(shù)據(jù)，共12個通道的波形片段，分別用時域CNN模型、小波CNN模型、AIC，STA/LTA 4種方法識別微震事件。微震事件識別標(biāo)準(zhǔn)是至少4個通道含有微震波形，而各通道內(nèi)微弱微震波形的識別是關(guān)鍵。圖8（b）、圖8（c）中事件是4種方法共同識別出的事件，其中C4，C6，C7，C8和C10通道都含有明顯的微震波形，容易達(dá)到至少4個通道含有微震波形的識別標(biāo)準(zhǔn)。圖8（a）是時域CNN方法識別出，但其他3種方法未識別出的事件，其中C6，C8和C10通道存在微弱微震波形，識別難度較大，只有時域CNN方法識別出C6，C8，C10通道的微弱波形，加上較為明顯易于識別的C7波形，從而達(dá)到至少4個通道的微震事件識別標(biāo)準(zhǔn)。由此看出，在微弱波形識別方面，時域CNN方法要優(yōu)于小波CNN方法，AIC，STA/LTA。

圖9是2種深度學(xué)習(xí)模型分別與STA/LTA，AIC聯(lián)合識別在一個小時連續(xù)數(shù)據(jù)中識別出真實(shí)微震事件的對比。時域CNN模型、STA/LTA，AIC在一個小時連續(xù)數(shù)據(jù)中，聯(lián)合識別出257個真實(shí)微震事件。其中，3種方法共同識別出真實(shí)微震事件占比約為50%，時域CNN模型單獨(dú)識別的真實(shí)微震事件占比約為36%，時域CNN模型未識而被其他2種方法識別的真實(shí)微震事件占比約為14%。小波CNN模型、STA/LTA，AIC在一個小時連續(xù)數(shù)據(jù)中，聯(lián)合識別出229個真實(shí)微震事件。其中，3種方法共同識別出真實(shí)微震事件占比約為52%，小波CNN模型單獨(dú)識別的真實(shí)微震事件占比約為28%，小波CNN模型未識別而被其他2種方法識別的真實(shí)微震事件占比約為20%。

時域CNN模型或者小波CNN模型與STA/LTA和AIC共同識別出的真實(shí)事件大多是較為明顯的真實(shí)微震事件。2種CNN模型識別出但STA/LTA，AIC未識別出的事件大多為真實(shí)微弱微震事件。在微弱真實(shí)事件識別方面，CNN深度學(xué)習(xí)模型擁有優(yōu)于傳統(tǒng)方法的識別效果，且時域CNN模型優(yōu)于小波CNN模型。

3 結(jié) 論

1）將水力壓裂數(shù)據(jù)進(jìn)行加噪和平移預(yù)處理后，分別轉(zhuǎn)換為時域圖像、小波圖像。然后分別輸入CNN模型進(jìn)行訓(xùn)練，2種CNN模型訓(xùn)練、測試的準(zhǔn)確率都達(dá)到99%以上，損失函數(shù)都在0.02以下，為微震事件識別提供了一種更優(yōu)的方法。

2）在識別中發(fā)現(xiàn)，水力壓裂常見的背景噪聲有電壓噪聲和水流噪聲。電壓噪聲波形雖然持續(xù)時間較短，但有明顯的起跳點(diǎn)；水流噪聲波形持續(xù)時間較長，但起跳點(diǎn)不明顯。STA/LTA，AIC，小波CNN模型較難識別這2種噪聲，時域CNN模型能夠識別。

3）在微震事件識別精確率和召回率方面，時域CNN模型優(yōu)于小波CNN模型，優(yōu)于AIC，優(yōu)于STA/LTA。能夠提取抽象特征的CNN深度學(xué)習(xí)模型擁有優(yōu)于傳統(tǒng)方法的識別效果。小波變換會使圖像不同程度的丟失掉部分信息，所以時域CNN模型具有更好的微震事件識別效果。研究內(nèi)容為煤礦井下微弱波形識別提供一定參考價值。

參考文獻(xiàn)（References）：

［1］ 鄧廣哲，劉文靜，李剛，等.低滲煤層水力割縫鉆孔抽采影響半徑［J］.西安科技大學(xué)學(xué)報(bào)，2022，42（4）：619-628.DENG Guangzhe，LIU Wenjing，LI Gang，et al.Inluence radius of hydraulic slotted hole drainage in low permeability coal seam［J］.Journal of Xian University of Science and Technology，2022，42（4）：619-628.

［2］XU D，DENG G Z，LIU Hua，et al.Mechanism and application of energy dissipation of partition failure in fractured coal rock［J］.Journal of Mining and Safety Enigeering，2021，38（2）：404-418.

［3］鐘坤，陳衛(wèi)忠，趙武勝，等.煤礦堅(jiān)硬頂板分段水力壓裂防沖效果監(jiān)測與評價［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，53（7）：2582-2593.ZHONG Kun，CHEN Weizhong，ZHAO Wusheng，et al.Monitoring and evaluation of segmented hydraulic fracturing effect in rock burst prevention on hard roof of coal mine［J］.Journal of Central South University（Science and Technology），2022，53（7）：2582-2593.

［4］LIU Z W，WU J P，HAN W Z，et al.Methodology and application of shale-reservoir natural fracture modeling based on microseismic monitoring data［J］.

Interpretation

，2020，8（4）：167-174.

［5］ALLEN R V.Automatic earthquake recognition and ti-ming from single trace［J］.Bulletin of the Seismological Society of America，1978，68（5）：1521-1532.

［6］AKAIKE H.A new look at the statistical model identification［J］.IEEE Transactions on Automatic Control，1974，19（6）：716-723.

［7］何樹生，周宏偉，王超圣，等.北山花崗巖區(qū)微震事件的Fisher判別模型［J］.西安科技大學(xué)學(xué)報(bào)，2017，37（4）：515-521.HE Shusheng，ZHOU Hongwei，WANG Chaosheng，et al.Fisher discriminant analysis model for microseismic events of Beishan granite area［J］.Journal of Xian University of Science and Technology，2017，37（4）：515-521.

［8］朱權(quán)潔，姜福興，魏全德，等.煤層水力壓裂微震信號P波初至的自動拾取方法［J］.巖石力學(xué)與工程學(xué)報(bào)，2018，37（10）：2319-2333.ZHU? Quanjie，JIANG Fuxing，WEI Quande，et al.An automatic method determining arrival times of microseismic P-phase in hydraulic fracturing of coal seam［J］.Chinese Journal of Rock Mechanics and Engineering，2018，37（10）：2319-2333.

［9］楊旭，李永華，蘇偉，等.基于優(yōu)化參數(shù)的地震P、S波震相到時自動拾取及質(zhì)量評估［J］.地球物理學(xué)報(bào)，2019，62（11）：4290-4299.

YANG Xu，LI Yonghua，SU Wei，et al.Optimized automatic pickers and quality assessment：Application to identification of local and regional P and S wave phases［J］.Chinese Journal of Geophysics，2019，62（11）：4290-4299.

［10］吳順川，郭超，高永濤，等.巖體破裂震源定位問題探討與展望［J］.巖石力學(xué)與工程學(xué)報(bào)，2021，40（5）：874-891.WU Shunchuan，GUO Chao，GAO Yongtao，et al.Discussion and prospect of source location of rock fracture［J］.Chinese Journal of Rock Mechanics and Engineering，2021，40（5）：874-891.

［11］蔣一然，寧杰遠(yuǎn).基于支持向量機(jī)的地震體波震相自動識別及到時自動拾取［J］.地球物理學(xué)報(bào)，2019，62（1）：361-373.JIANG Yiran，NING Jieyuan.Automatic detection of seismic body-wave phases and determaination of their arrival times based on support vector machine［J］.Chinese Journal of Geophysics，2019，62（1）：361-373.

［12］朱權(quán)潔，姜福興，尹永明，等.基于小波分析特征與模式識別的礦山微震波形識別研究［J］.巖土工程學(xué)報(bào)，2012，34（11）：2036-2042.ZHU Quanjie，JIANG Fuxing，YIN Yongming，et al.Classification of mine microseismic events based on wavelet-fractal method and pattern recognition［J］.Chinese Journal of Geotechnical Engineering，2012，34（11）：2036-2042.

［13］盛敏漢，儲日升，危自根，等.四川省理縣西山村滑坡運(yùn)動變形過程中的微震研究［J］.地球物理學(xué)報(bào)，2018，61（1）：171-182.SHENG Minhan，CHU Risheng，Wei Zigen，et al.Study of miroseismicity caused by Xishancun landslide defor-mation in Li county，Sichuan province［J］.Chinese Journal of Geophysics，2018，61（1）：171-182.

［14］CANNATA A，CANNAVO F，

MOSCHELLA S，et al.Unravelling the relationship between microseisms and spatial distribution of sea wave height by statistical and machine learning approaches［J］.Remote Signal，2020，12（5）：761.

［15］譚文侃，葉義成，胡南燕，等.LOF與改進(jìn)SMOTE算法組合的強(qiáng)烈?guī)r爆預(yù)測［J］.巖石力學(xué)與工程學(xué)報(bào)，2021，40（6）：1186-1194.

TAN Wenkan，YE Yicheng，HU Nanyan，et al.Severe rock burst prediction based on the combination of LOF and improved SMOTE algorithm［J］.Chinese Journal of Rock Mechanics and Engineering，2021，40（6）：1186-1194.

［16］湯立志，徐千軍.基于9種機(jī)器學(xué)習(xí)算法的巖爆預(yù)測研究［J］.巖石力學(xué)與工程學(xué)報(bào)，2020，39（4）：773-781.TANG Lizhi，XU Qianjun.Rockburst prediction based on nine machine learning algorithms［J］.Chinese Journal of Rock Mechanics and Engineering，2020，39（4）：773-781.

［17］YIN J X，DENOLLE M，HE B.A multitask encoder-decoder to separate earthquake and ambient noise signal in seismograms［J］.Geophysical Journal International，2022，231（3）：1806-1822.

［18］BI L，XIE W，ZHAO J J.Automatic recognition and classification of multi-channel microseismic waveform based on DCNN and SVM［J］.Computers and

Geosciences，2019，123（2）：111-120.

［19］薛東杰，唐麒淳，王傲，等.煤巖微觀相態(tài)FCN智能識別與分形重構(gòu)［J］.巖石力學(xué)與工程學(xué)報(bào)，2020，39（6）：1203-1221.XUE Dongjie，TANG Qichun，WANG Ao，et al.FCN-based intelligent identification and fractal reconstruction of pore-fracture network in coal by micro CT scanning［J］.Chinese Journal of Rock Mechanics and Engineering，2020，39（6）：1203-1221.

［20］YU S W，MA J W，WANG W L.Deep learning for denoising［J］.Geophysics，2019，84（6）：333-350.

［21］MANCINI A S，PIRAS D，F(xiàn)ERREIRA A M G，et al.Accelerating bayesian microseismic event location with deep learning［J］.Solid Earth，2021，12（7）：1683-1705.

［22］王維波，徐西龍，盛立，等.卷積神經(jīng)網(wǎng)絡(luò)微地震事件檢測［J］.石油地球物理勘探，2020，55（5）：939-949.WANG Weibo，XU Xilong，SHENG Li，et al.Detection of microseismic events based on convolutional neural network［J］.Oil Geophysical Prospecting，2020，55（5）：939-949.

［23］ZHOU B W，F(xiàn)AN L P，ZHANG L，et al.Earthquake detection using convolutional neural network and its optimization［J］.Acta Seismologica Sinica，2020，42（6）：669-683.

［24］趙明，陳石，YUEN D.基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的地震波形自動分類與識別［J］.地球物理學(xué)報(bào)，2019，62（1）：374-382.ZHAO Ming，CHEN Shi，YUEN D.Waveform classication and seismic recognition by convolution neural network［J］.Chinese Journal of Geophysics，2019，62（1）：374-382.

［25］董隴軍，唐正，李夕兵，等.基于卷積神經(jīng)網(wǎng)絡(luò)與原始波形的微震與爆破事件辨識方法［J］.中南大學(xué)學(xué)報(bào)，2020，27（10）：3078-3089.DONG Longjun，TANG Zheng，LI Xibing，et al.Dicrimination of mining microseismic events and blasts using convolutional neural networks and original waveform［J］.Journal of Central South University，2020，27（10）：3078-3089.

［26］趙洪寶，劉瑞，劉一洪，等.基于深度學(xué)習(xí)方法的礦山微震信號分類識別研究［J］.礦業(yè)科學(xué)學(xué)報(bào)，2022，7（2）：166-174.ZHAO Hongbao，LIU Rui，LIU Yihong，et al.Research on classification and identification of mine microseismic signals based on deep learning method［J］.Journal of Mining Science and Technology，2022，7（2）：166-174.

［27］曹安業(yè)，楊旭，王常彬，等.基于深度遷移學(xué)習(xí)的礦山微震到時精確拾取與自動定位策略［J］.煤炭學(xué)報(bào)，2023，6（1）：1-14.CAO Anye，YANG Xu，WANG Changbin，et al.High-precision phase picking and automatic source locating method for seismicity in mines based on deep transfer learning［J］.Journal of China Coal Society，2023，6（1）：1-14.

［28］LECUN Y，BENGIO Y，HINTON G.Deep learning［J］.Nature，2015，521（7553）：436-444.

（責(zé)任編輯：劉潔）