深度学习在煤矿水力压裂微震检测中的应用

李昊 高林生 刘麟 邵坤

摘 要：水力压裂在煤矿中被广泛应用，通常用微震检测压裂效果。为了准确识别微震的微弱波形，为后续定位、反演等波形處理奠定基础，采用深度学习卷积神经网络与图像相结合的方法，对比分析时域卷积神经网络模型、小波卷积神经网络模型、赤池信息量准则、长短时窗法4种方法识别煤层钻孔水力压裂的微弱微震数据的效果。结果表明：时域和小波卷积神经网络模型训练和测试准确率均达到99%以上，损失函数均在0.02以下；在对一个小时连续微震数据的检测中，时域模型、小波模型微震事件识别精确率分别达到100%，84%，召回率分别达到68%，57%，优于赤池信息量准则、长短时窗法的微震事件识别精确率66%，40%，召回率42%，25%；对比煤矿水力压裂微弱真实事件识别结果，时域和小波卷积神经网络模型优于赤池信息量准则和长短时窗法方法，时域模型优于小波模型。上述结果证明深度学习的卷积神经网络模型有较强微弱波形识别能力和泛化能力，是一种更优的煤矿水力压裂微震检测方法。

关键词：煤矿；水力压裂；微震事件；深度学习

中图分类号：TD 713

文献标志码：A

文章编号：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

水力壓裂是指通过钻孔注入高压流体，钻孔壁产生破裂并扩展，进而达到强度弱化、增透、应力转移等工程要求［1］。通过这种方法能够使煤岩体产生水压裂缝，从而达到使煤岩体强度弱化和增透的目的，进而提高瓦斯抽采效率［2］。水力压裂过程中会造成岩石破裂，岩石破裂过程中会向外辐射微震能量。通过微震监测获取微震数据，并对其进行定位、震源机制反演等处理能够获得岩石破裂的情况。进而根据岩石破裂情况调整水力压裂的压裂液、加砂量等工艺，获得更好的水力压裂效果。水力压裂过程中会产生大量的微弱微震信号［3］，极大增加了识别微震波形的工作量。同时，煤矿井下监测过程中还会出现大量干扰信号，对微震波形的准确识别造成不同程度的干扰［4］。此外，与页岩、砂岩等致密脆性岩石相比，煤作为非均质较强的特殊软岩，微震信号识别难度更大。

在早期的探索中，人们提出了不同的微震波形自动识别方法，例如长短窗法（STA/LTA）［5］、赤池信息准则（Akaike Information Criteria，AIC）［6］。之后也有人联合使用几种方法进行微震波形自动识别或者改进原方法［7-8］。这些波形识别方法都是利用一个或几个统计特征进行的［9］，特征的阈值需要人为设定，很难找到一个完美的阈值进而同时提高召回率和准确率［10］。另外，这2种方法对于信噪比较高的波形能够达到较好的识别效果，但是对于低信噪比波形识别效果较差［11］。朱权洁等利用分形技术识别微震波形，但主要针对爆破、岩石破裂等信号，对于煤矿井下水力压裂微震波形识别效果不得而知［12］。为了在尽量减少误识别的前提下增加对微震波形的检测能力，很多学者尝试使用模板识别的方法。这种方法大幅度的增加了检测到的微震数目，但是该方法极大的依赖于已有微震模板，对于因种种原因没有模板的微震，尽管信号很强，也会被该方法漏识别［13］。

进入90年代，SVM等机器学习方法被应用到微震领域，然而随着神经网络层数增加，易出现梯度扩散、过拟合等问题。近几十年来，计算机技术迅猛发展，使得机器学习被应用到实际中［14］。日益成熟的机器学习算法和强大的计算能力，提供了将过去积累的大量数据利用起来的可能。谭文侃、汤志立等对机器学习算法进行了改进［15-16］。大多数研究通过选取多个特征，并利用机器学习方法进行波形识别，在微震波形识别方面取得了一定的成就［17-18］。但方法未深入到深度学习领域中。

近年来，深度学习和人工智能技术快速发展，在地震学领域获得一系列成功应用。卷积神经网络是深度学习中一种常用的计算方法，最先应用于信号处理识别方向［19］。其权值共享的特点使得本身拥有更深网络层数，提取特征的能力大大提高［20］。在使用大量标签数据进行监督学习之后，训练好的模型通常在一些与训练数据相似的测试数据集或者研究区域具有可媲美甚至超过传统方法的效果［21-22］。不过，深度学习方法实用化的关键在于模型能否达到比较高的泛化能力，即是否能在训练样本以外的数据上也取得不错的效果。得益于海量的数据集，经过预处理后输入深度学习模型，一部分深度学习算法模型取得了较高的泛化能力［23-24］。近年来，深度学习卷积神经网络被引入至地震、油气、岩爆等方面的微震波形识别［25-27］。深度学习方法在上述方面已经展现出了优于传统方法的波形识别能力，煤矿井下水力压裂方面却鲜见研究。

文中对山西某矿水力压裂微震监测数据进行加噪和平移预处理，作为深度学习CNN模型的训练和测试数据，搭建适用时域图像和小波图像CNN模型。对比分析2种深度学习模型与传统的STA/LTA和AIC微震识别方法识别水力压裂微弱微震事件的优劣，从而为煤矿井下水力压裂的弱微震事件识别提供一种新的方法。

1 微震波形CNN模型

1.1 CNN模型工作原理

CNN模型是深度学习中一种常用计算方法，能自动从图像中提取抽象特征，把握波形整体信息，从而实现对数据进行分类。煤矿水力压裂微震数据包含大量微弱微震信号，这个特点使得深度学习模型适用于该数据微震波形识别。训练开始前需要对深度学习模型的初始化权值矩阵Wl进行设定：批次值（batch-size）为128、最大迭代次数为57，初始学习率η为0.000 5。若测试精确率连续3次未提升，学习率η降低为原来的一半。训练过程主要包括波形向前传播与误差反向传播。

首先是波形向前传播。训练时从数据集的一个批次中取出一个数据x，将该数据输入至神经网络输入层。在向前传播经过各个层和函数的过程中，数据会输出不同大小的特征图或向量。输入层输出为RGB三通道图像x，卷积计算或者全连接层作用后输出zl，批量标准化函数作用后输出N，激活函数σ激活后输出al。公式（1）是经过激活函数激活后再经过卷积作用的输出。公式（2）是经过批量标准化函数作用后再经过激活函数作用后的输出。

然后是误差反向传播。根据神经网络的输出和标注y，使用损失函数计算损失值C。再计算损失值C对神经网络输出层delta误差δl，利用相邻层之间δl递推公式求得每一层δl。

如果l+1层是卷积层，那么l层δl误差为

参考经典“LeNet-5”［28］，搭建用于识别煤矿井下水力压裂微震波形的二维CNN深度学习模型，如图1所示。图中上方数字从上到下分别为特征图的长、宽、深度，下方数字从上到下分别为卷积核的深度和数量。卷积核参数是深度学习模型中至关重要的部分，卷积核的长和宽都为3×3（像素），步长都为1（像素），全部采用0填充方式。池化作用会导致特征图的长和宽逐渐减小，提取足够的信息就需要更多的特征图，所以卷积核的深度和数量随着模型层数的增加而逐渐提高。

模型结构从前往后依次为：输入层、3层卷积层和最大池化层、1层卷积层和全局平均池化层、Relu层、Softmax层。输入层输出RGB三通道图像数据，大小全部降维到128×128，全局平均池化层将特征图转变为256×1的列向量，之后Relu层将256×1的列向量转变为128×1的列向量，最后Softmax层将128×1的列向量转换为2个0～1的数值。这2个数值代表该波形片段是微震波形和背景噪声的预测概率，将用于识别波形片段是否为微震波形或者背景噪声。

1.2 数据预处理

山西某煤矿6号煤层为突出煤层，用水力压裂增透煤层，治理消除煤与瓦斯突出危害，在此基础上开展瓦斯防治和抽采工作。通过微震监测获取水力压裂裂缝扩展情况，评价水力压裂工艺效果。采集数据所用微震传感器灵敏度为200 V/（m/s），频带范围为4.5～1 500 Hz；系统采样率为4 k。在钻孔中安装传感器，最大程度屏蔽噪声。深度学习模型需要大量数据样本以避免过拟合，因此选取了4 d的水力压裂微震监测数据，为深度学习模型提供了大量的训练样本。

训练数据的质量对一个良好的深度学习模型起重要作用。从原始数据中截取5 860条含有微震波形的片段，标注为1；排除微震波形后随机截取8 341条背景噪声片段，标注为0。对挑选后的数据仍需要再次检查，更正明显的标注错误，尽可能减少人工标注错误。数据集中微震事件震级范围主要在-3～0级（2～5.410 J），微震波形持续时间最长可达到1.2 s。为了尽可能地将不同震级微震的波形包含在波形片段内，将深度学习模型滑动窗口长度和步长都设定为1.5 s。

为了数据集更加适应深度学习模型，需要进行加噪处理。首先需要计算被加噪波形能量，然后增加与该能量固定比例能量的噪声，为了保证数据的准确性，微震波形总体加噪程度偏低。为使加噪后波形数量和背景噪声数量大致相同，对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种不同程度噪声；对所有背景噪声各自加噪原有背景噪声能量的1/14，1/15，…，1/25，共12种不同程度噪声。原始微震波形和加噪层度1/32的波形对比如图2（a）和图2（b）所示。不同加噪程度的微震波形占加噪后总微震波形数量的1/18。不同加噪程度的背景噪声占加噪后总背景噪声数量的1/13。

微震波形加噪程度要低于背景噪聲。这是因为数据集内微震波形信噪比差别较大，如果以高信噪比微震波形为标准加噪，那么将其加噪至微弱波形所需能量比就比较大。然而，以这较高能量比对低信噪比微震波形进行加噪，低信噪比微震波形就会被背景噪声淹没成为背景噪声。数据加噪测试表明，信噪比最低的波形加噪程度大于等于1/31时便几乎被背景噪声淹没，所以微震波形加噪最高选为1/32。背景噪声在加噪过程中不存在被背景噪声淹没的情况，所以加噪程度相对偏大。

为了使微震波形尽量均匀分布于波形片段中，需要对加噪数据平移处理。分别将两端的背景噪声截取5种长度放到另一端，对加噪程度为1/32，1/33，1/34，1/37，1/41，1/42，1/43，1/44，1/45的微震波形分别向左和向右平移125，250，375，500，625 ms，共10类不同的平移处理。图2（c）和图2（d）分别是加噪程度1/32且向右和向左平移500 ms后的波形，处在波形片段中间位置的微震波形就会相应的向两边移动。

对数据加噪和平移预处理后，最终得到102 546条微震波形数据和101 123条背景噪声数据。

图3是与图2对应的小波变换图像，可以看出，加噪前后图像在100 Hz的低频部分几乎没有变化，但在100 Hz以上的高频部分有更多分布。无论数据如何平移，微震波形总是在100 Hz左右有较为明显的分布，且在时间上与微震波形对应。

有些原始背景噪声（图4（a））与微震波形类似。从小波图像来看（图4（c）），这类波形在100 Hz左右的低频部分有较为明显的分布，这个特点与微震波形较为类似。然而，低频部分的分布是近乎连续的，这类波形是工人井下作业时造成的干扰信号，属于背景噪声。对原始背景噪声加噪1/25的小波图像（图4（d））可以看出，加噪后波形在100 Hz以下的低频部分有了更多的分布，明显区别于微震波形。

1.3 2种深度学习模型搭建

深度学习模型对微震波形的识别流程如图5所示。首先，对原始数据进行加噪、平移等预处理，生成训练集、测试集和待检测集图像。然后，从微震波形和背景噪声中随机选取80%，20%的数据用于深度学习模型的训练和测试。如果模型表现良好，则保存其性能。如果模型表现不佳，则需要对模型参数或数据集进行调整，直至模型性能达到预期。使用性能良好的深度学习模型来检测待检测数据，并将输出结果。对于每个波形片段，根据其被识别为微震波形还是背景噪声，输出1或0。由于通常需要4个微震波形才能定位微震事件，因此需要根据同一时间窗口内含有微震波形通道数是否大于3为判据进行微震事件的判断。如果被判定为微震事件，将该事件对应的所有通道波形存储，并从中提取出含有微震波形的通道数据，然后将这些数据与存储的波形进行对比。如果不是微震事件，则该数据被丢弃。

适用时域图像、小波图像的CNN模型训练测试正确率和损失函数分别如图6（a）和图6（b）所示。通过2种图像识别的训练、测试数据集的准确率都达到了99%以上，损失函数都在0.02以下。2种方法测试集准确率和损失函数在起始阶段出现了震荡，这是因为初始设置的部分模型初始参数值（权值矩阵、学习率等）与最优值差别较大。但随着训练的不断进行，模型参数逐渐向着最优值靠近，之后明显震荡消失。最终保存使用的是训练效果最好的模型。

2 波形识别结果

2.1 事件准确率和召回率

分别使用深度学习训练好的2个模型检测一个小时连续水力压裂数据，并将检测结果与传统AIC和STA/LTA微震事件检测方法的结果作对比。在这一个小时的数据中，共确定了328个事件。以这328个事件作为对比，分析时域CNN模型、小波CNN模型、STA/LTA和AIC 4种方法微震事件识别精确率和召回率。精确率Pe和召回率Re的定义分别为

Pe=Tp/（Tp+Fp）（7）

Re=Tp/（Tp+Fn）（8）

式中 Tp为真正例，即算法识别的微震事件为真实微震事件，反之为假正例Fp；Tn为真反例，即算法识别的背景噪声是真实背景噪声，反之为假反例Fn。精确率高代表误检率低，召回率高说明算法漏检率低，只有两者都高时模型或者算法才拥有实用价值。对滤波前后检测数据进行检测，滤波器阶数为128，各种方法滤波前的检测结果分别见表1和表2。无论滤波前后，精确率和召回率均为时域CNN模型>小波CNN模型>AIC>STA/LTA。时域CNN模型的正确率和召回率是最高的，且随着波形信噪比的提高，各种方法的精确率、召回率都有了不同程度的提高。

微震波形与背景噪声在幅值、频率等方面有许多不同之处。AIC，STA/LTA方法主要是依靠单一的幅值信息（幅值大小和变化），缺少对波形总体信息的提取和分析。CNN模型将一张图像看作是一个个像素组成的矩阵，对图像的分析就是对矩阵的数字进行分析，而图像特征就隐藏在这些数字规律中。该模型通过图像向前传播和误差反向传播使模型参数逐渐向最优值靠近，最终获得优于AIC，STA/LTA的波形识别能力。

时域CNN的识别微震事件召回率和精度是最高的，這是因为时域图像由传感器采集的数据直接转换，内部包含最丰富的原始信息。小波图像是经过原始数据变换之后转换成的图像，不可避免的会丢失部分原有信息，所以时域CNN模型优于小波CNN模型。

水力压裂常见的背景噪声信号是电压噪声和水流噪声，两者都有明显的起跳点，容易被传统方法误判定为微震事件，影响压裂效果的评价。时域CNN方法能够准确识别这2种噪声。上述2种噪声信号在时域、频域方面又存在明显区别。如图7（a）所示，电压噪声信号波形信号特点是在每个通道同一时间只有一道垂直向上的信号；如图7（b）所示，由于裂缝贯通后的水流噪声持续时间较长，水流噪声波形信号在较长时间内存在连续频带分布。对比2种噪声的小波图像，进一步证明了上述规律。如图7（c）所示，电压信号在1 000 Hz内有较为明显的分布，且分布频带范围较广。如图7（d）所示，水流噪声500 Hz以内有较为明显的分布，且持续时间较长。

2.2 水力压裂微震事件识别实例

选取15 s的水力压裂微震数据，共12个通道的波形片段，分别用时域CNN模型、小波CNN模型、AIC，STA/LTA 4种方法识别微震事件。微震事件识别标准是至少4个通道含有微震波形，而各通道内微弱微震波形的识别是关键。图8（b）、图8（c）中事件是4种方法共同识别出的事件，其中C4，C6，C7，C8和C10通道都含有明显的微震波形，容易达到至少4个通道含有微震波形的识别标准。图8（a）是时域CNN方法识别出，但其他3种方法未识别出的事件，其中C6，C8和C10通道存在微弱微震波形，识别难度较大，只有时域CNN方法识别出C6，C8，C10通道的微弱波形，加上较为明显易于识别的C7波形，从而达到至少4个通道的微震事件识别标准。由此看出，在微弱波形识别方面，时域CNN方法要优于小波CNN方法，AIC，STA/LTA。

图9是2种深度学习模型分别与STA/LTA，AIC联合识别在一个小时连续数据中识别出真实微震事件的对比。时域CNN模型、STA/LTA，AIC在一个小时连续数据中，联合识别出257个真实微震事件。其中，3种方法共同识别出真实微震事件占比约为50%，时域CNN模型单独识别的真实微震事件占比约为36%，时域CNN模型未识而被其他2种方法识别的真实微震事件占比约为14%。小波CNN模型、STA/LTA，AIC在一个小时连续数据中，联合识别出229个真实微震事件。其中，3种方法共同识别出真实微震事件占比约为52%，小波CNN模型单独识别的真实微震事件占比约为28%，小波CNN模型未识别而被其他2种方法识别的真实微震事件占比约为20%。

时域CNN模型或者小波CNN模型与STA/LTA和AIC共同识别出的真实事件大多是较为明显的真实微震事件。2种CNN模型识别出但STA/LTA，AIC未识别出的事件大多为真实微弱微震事件。在微弱真实事件识别方面，CNN深度学习模型拥有优于传统方法的识别效果，且时域CNN模型优于小波CNN模型。

3 结 论

1）将水力压裂数据进行加噪和平移预处理后，分别转换为时域图像、小波图像。然后分别输入CNN模型进行训练，2种CNN模型训练、测试的准确率都达到99%以上，损失函数都在0.02以下，为微震事件识别提供了一种更优的方法。

2）在识别中发现，水力压裂常见的背景噪声有电压噪声和水流噪声。电压噪声波形虽然持续时间较短，但有明显的起跳点；水流噪声波形持续时间较长，但起跳点不明显。STA/LTA，AIC，小波CNN模型较难识别这2种噪声，时域CNN模型能够识别。

3）在微震事件识别精确率和召回率方面，时域CNN模型优于小波CNN模型，优于AIC，优于STA/LTA。能够提取抽象特征的CNN深度学习模型拥有优于传统方法的识别效果。小波变换会使图像不同程度的丢失掉部分信息，所以时域CNN模型具有更好的微震事件识别效果。研究内容为煤矿井下微弱波形识别提供一定参考价值。

参考文献（References）：

［1］ 邓广哲，刘文静，李刚，等.低渗煤层水力割缝钻孔抽采影响半径［J］.西安科技大学学报，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］钟坤，陈卫忠，赵武胜，等.煤矿坚硬顶板分段水力压裂防冲效果监测与评价［J］.中南大学学报（自然科学版），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］何树生，周宏伟，王超圣，等.北山花岗岩区微震事件的Fisher判别模型［J］.西安科技大学学报，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］朱权洁，姜福兴，魏全德，等.煤层水力压裂微震信号P波初至的自动拾取方法［J］.岩石力学与工程学报，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，李永华，苏伟，等.基于优化参数的地震P、S波震相到时自动拾取及质量评估［J］.地球物理学报，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］吴顺川，郭超，高永涛，等.岩体破裂震源定位问题探讨与展望［J］.岩石力学与工程学报，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］蒋一然，宁杰远.基于支持向量机的地震体波震相自动识别及到时自动拾取［J］.地球物理学报，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］朱权洁，姜福兴，尹永明，等.基于小波分析特征与模式识别的矿山微震波形识别研究［J］.岩土工程学报，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］盛敏汉，储日升，危自根，等.四川省理县西山村滑坡运动变形过程中的微震研究［J］.地球物理学报，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］谭文侃，叶义成，胡南燕，等.LOF与改进SMOTE算法组合的强烈岩爆预测［J］.岩石力学与工程学报，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］汤立志，徐千军.基于9种机器学习算法的岩爆预测研究［J］.岩石力学与工程学报，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］薛东杰，唐麒淳，王傲，等.煤岩微观相态FCN智能识别与分形重构［J］.岩石力学与工程学报，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，FERREIRA A M G，et al.Accelerating bayesian microseismic event location with deep learning［J］.Solid Earth，2021，12（7）：1683-1705.

［22］王维波，徐西龙，盛立，等.卷积神经网络微地震事件检测［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，FAN 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，陈石，YUEN D.基于深度学习卷积神经网络的地震波形自动分类与识别［J］.地球物理学报，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］董陇军，唐正，李夕兵，等.基于卷积神经网络与原始波形的微震与爆破事件辨识方法［J］.中南大学学报，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］赵洪宝，刘瑞，刘一洪，等.基于深度学习方法的矿山微震信号分类识别研究［J］.矿业科学学报，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］曹安业，杨旭，王常彬，等.基于深度迁移学习的矿山微震到时精确拾取与自动定位策略［J］.煤炭学报，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.

（责任编辑：刘洁）