人工智能技术在辽宁矿震检测中的研究进展

马 莉，焦明若，杨红艳，包秀敏

（1.辽宁省地震局，辽宁 沈阳 110034；2.沈阳地震监测中心站，辽宁 沈阳 110161）

0 引言

2017 年11 月11 日2 时26 分沈阳焦煤股份有限公司红阳三矿井下发生了一起重大顶板（冲击地压）事故，造成10 人死亡，1 人轻伤，直接经济损失1456.6 万元。辽宁省测震台网承担着辽宁省以及周边省份的天然地震以及矿震、爆破等非天然事件的监测与速报任务[1]。通过辽宁省测震台网的地震波形可以看到在2 时26分39秒辽阳台、丹东台、鞍山台、营口台等24个台站同步监测到浅源塌陷性地震，震级为M2.4，震中位于123.21°E，41.51°N 的地面附近。通过所有台站的垂直向记录可知波形初动方向均为向下，具有清晰的面波震相，由此可以判断出这次地震事件是典型的塌陷型地震。

辽宁省内矿产资源丰富，由采矿活动引发的非天然地震活动密集，尤其是沈阳、阜新、本溪、抚顺等区域近年来持续发生矿震活动[2]。矿震在非天然地震中占比最大，约为38%[3]。采矿过程中的岩爆、岩崩、瓦斯突出、矿井塌陷，包括开采过后留下的采空区发生塌陷，都能引发矿震。由于矿震震源较浅，又处于矿山这种特殊条件下，因此具有较大的破坏性。一般情况下，人们能感觉到2～4 级的天然地震，基本上不会造成人员重伤或死亡事故[4]。然而少数矿震发生后，存在着诱发煤矿井下冲击地压、瓦斯爆炸等突出灾害，甚至还会造成地表塌陷、建筑物损坏等严重的后果。抚顺采矿企业距离城区较近，一般3 级以上的矿震在城区范围内震感明显。矿震发生后，抚顺当地居民曾频繁打电话给抚顺地震局和抚顺地震台，询问是否有地震事件发生，之后是否还有余震发生，作为居民应该怎么躲藏，所在地区是否存在安全隐患等民生问题。

1 国内研究现状

近些年来，人工智能技术在地震数据处理方面（AI for seismic data processing）成为地震监测处理数据流程中的常规手段，取得了巨大的成就[5-8]。在矿山地震事件检测中利用人工智能方法取得了大量的科研成果，并出现了很多具有启发性的研究[9]。

2009 年董陇军等[10]应用Fisher 判别分析理论并结合工程实际特点，建立爆破振动对砌体结构破坏效应预测的Fisher 判别分析模型。2015 年赵国彦等[11]建立基于人工识别标准的事件数据库用来区分矿山微震信号和爆破信号的波形特征。将数据库中的微震信号和爆破信号应用Fisher 判别法，能成功实现微震事件与爆破事件的准确分离，识别正确率达到97.1%。2015 年曾建雄等[12]建立了一个基于支持向量机并具有智能学习功能的波形自动分类器模型，识别和分类微震监测系统每天采集到的大量波形数据。结果表明：分类器将微震波形做出分类处理。2017 年赵国彦等[13]提出基于经验模态分解（EMD）和形态分形维数的识别方法，来解决现有的矿山微震监测系统的信号自动识别难问题。为微震监测波形识别提供了新途径。2020年刘方斌等[14]基于BP神经网络算法，选择山东地区天然与非天然地震事件为研究对象，构建合理的网络模型，搜集大量的地震样本数据进行训练，实现对山东地区天然与非天然地震事件的识别。BP 神经网络方法具有对地震事件类型识别的可行性。2022 年简筝等[15]采用包含频域拟合和时域拟合的全波形矩张量反演方法，快速计算出矿山微震事件的矩张量参数和断层面解，并识别岩体的破裂类型。2022 年朱权洁等[16]将PSO 算法与BP 神经网络有效结合，建立了改进的爆破参数预测模型，增强了整体预测能力。为爆破设计工作的有效开展提供了一种新思路。2022 年胡静云等[17]深入研究后梳理出矿山强噪音环境下主要待识别模式类，并研究出各模式类的发生机制。研究结果对矿山监测具有实用价值，同时对矿震识别方法的研究也具有一定的借鉴意义。

2 辽宁地区研究现状

天然地震应急处置侧重“快”，即发生震害后应迅速开展应急救援和恢复重建。而非天然地震与社会经济活动密切相关，应急响应侧重“准”，可能涉及问责。随着现代科学技术的发展，微震检测技术在辽宁地区得到了大量应用[18]。2021 年中国地震台网中心郭铁龙、梁姗姗、邹立晔在全国统一编目数据中截取2017—2019 年辽宁抚顺矿震事件波形作为模板，运用微震模板匹配定位方法（M&L）检索并定位遗漏的微矿震事件，筛选得到291 条微矿震遗漏事件[19]。研究认为受矿震震源机制不同、模板事件不足等影响，运用M&L 方法识别非天然事件，需要设置更高的互相关性阈值，以保证遗漏事件识别的准确性。2021 年应急管理部国家自然灾害防治研究院学者张冰、张广伟联合辽宁省地震局焦明若、张志宏，中国石油大学（北京）研究人员舒梦珵[20]通过分析矿震的破裂机制及微震时空分布，进而为矿区灾害评估提供更多的有效信息。基于密集台阵观测的地震矩张量反演和微震检测研究，对判定矿震类型及防范矿区灾害具有重要的研究意义。2022 年辽宁省地震局焦明若与辽宁大学董方杰、罗浩等提出了一种针对于小样本的矿山微震事件检测和震相拾取的神经网络方法[21]。研究中提出了一项新的标签制作方式，并结合了深度学习做出数据增强方法[22-23]，这样可以作为一种有效的策略缓解深度学习技术在数据稀缺时导致可能失败的情况。

辽宁省地震局在辽宁区域台网监测工作的基础上，在辽宁矿震活动密集区域开展矿震活动的密集台阵监测，利用神经网络识别等最新算法分析矿震活动与天然地震活动的相关性，及震源参数差异[24]。对显著活跃的矿区开展浅层速度结构成像，为显著矿区未来地震危险性进行判定[25]。通过分析微震事件发生的震级与能量，对冲击地压的发生提供可行性评估，为辽宁地区矿区冲击地压的防治工作提供科学有效的借鉴。充分利用微震监测技术，力求很好地探明民采活动区域[26]。同时计划基于聚类方法可以进行矿山微震事件集群有效划分，对矿山微震分布特征和微震活动分析具有重要作用[27]。联合辽宁大学积极对冲击地压的发生规律进行有效探究，进而寻求监测预警的解决对策，开展了矿山微震分析软件在冲击地压监测预警中的应用（图1）[28]。

图1 辽宁矿山灾害风险监测预警体系设计图Fig.1 Design of mine disaster risk monitoring and early warning system in Liaoning region

3 研究计划

国家煤监局2018 年出台关于《防治煤矿冲击地压细则》，指出矿山必须建立区域与局部相结合的监测。那么辽宁地区的矿山微震监测工作将为矿山地震台网（井下和地面组成）和区域地震台网与矿山台网联合，共建空间立体监测台网（图2）[29]。我们通过现有资料对矿山台网和地震监测台网进行对比分析（表1），认为未来辽宁省地震局可以建立一种基于矿山监测的非天然地震监测系统，提高辽宁地区地质灾害防范和工程建设的安全性和可靠性[30-31]。辽宁地区矿山监测系统具体工作为：（1）开发一种基于矿山监测的非天然地震监测系统，包括应力传感器的研发、数据采集、数据传输和数据分析等模块；（2）在多个地质灾害易发区进行试点应用，并对系统的可靠性和实用性进行评估；（3）提供一种基于矿山监测的非天然地震监测方案，供地质灾害防范和工程建设单位参考[32]。

图2 辽宁矿区“3+1”立体监测图Fig.2 “3+1”stereoscopic monitoring map of Liaoning mine area

表1 矿山台网与地震台网参数对比表

力求通过监测系统的检测归纳与统计矿山作业环境下所有主要作业振动源，并抽取待识别模式类波形的识别特征与特征值范围，采用模式识别理论方法，建立识别准确率良好的自动识别算法，开发出具有自动微震波形识别功能的模式识别软件[33]，实时、准确地捕捉到灾害孕育与演化发生的前兆信息，实现监测预警的全自动化，提高微震监测技术的有效性与价值，对攻克今后深部矿产资源开发面临的岩体动力灾害监测与防治关键技术难题具有重要作用[34]。未来的研究方向重视综合运用多种方法和手段对矿区山体滑坡灾害进行监测、分析、预报，充分利用地震台站和互联网络等优势，建立一体化矿区滑坡综合监测预警技术体系，实现动态监测、实时跟踪预报[35]。

4 研究展望

十年来，人工智能领域众多惊人的突破背后都离不开深度学习，它是使ChatGPT、AlphaGo等得以面世的基石[36]。随着人工智能的蓬勃发展，海量矿震数据处理中都会涉及到机器识别技术。由于数据处理的目的不同，使用时没有统一的模板，解决起来并不容易[37]。各种各样的机器学习、深度学习、自然语言处理等资料，并没有与矿震数据处理紧密地联系起来，即使有联系也很笼统，没有涉及矿震数据中非常琐碎的细节问题。而只有把这些细节问题解决好，才能更好地发展AI 矿震处理[38]。ChatGPT 模型近年来非常火爆，具备非常有潜力的商业价值，是否可以和AI 矿震处理融合，产生新的体验，甚至颠覆原有的方式方法，未来矿山人工智能检测将面临非常大的挑战[38-40]。

随着人工智能技术的不断发展和完善，矿震预测、滑坡计算等涉及危害矿山开采的预警技术也会带来新的希望[41]。