基于深度学习的矿山微地震信号的计算传播和识别的研究
Dongmei Liu1,2, Junsong Zhang3, Bingrui Zhao3
1State Key Laboratory of Media Convergence and Communication, Communication University of China, Beijing, China.
PloS one
|October 22, 2025
概括
本研究介绍了一种深度学习卷积神经网络 (CNN) 模型,该模型集成了计算通信,以改进从煤层水力压裂中识别弱微地震信号. 与传统方法相比,这种新的方法显著提高了准确性和回忆率.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 煤层中的水力压裂产生了许多微弱的微地震信号,这些信号对于监测至关重要.
- 传统的算法很难准确地识别弱微地震信号,并且经常错误地分类背景噪声.
- 准确的微地震信号识别对于随后的定位和反转在采矿操作中至关重要.
研究的目的:
- 开发一种先进的方法,准确识别煤层水力压裂产生的弱微地震信号.
- 利用深度学习,特别是卷积神经网络 (CNN),结合计算通信概念.
- 克服传统算法在区分微地震事件和背景噪声方面的局限性.
主要方法:
- 利用了8,341个背景噪声和5,860个微地震信号的数据集,增加到超过10万个样本.
- 集成计算通信原则,将微地震信号视为信息载体,并分析信号传播网络特征.
- 将多域特征 (时间域,频率域,时间频率和计算通信特征) 输入到2D CNN模型中.
主要成果:
- 时间域CNN模型实现了100%的精度和68%的回忆,超过了传统方法 (AIC,STA/LTA).
- 时间频率融合CNN模型结合信号传播网络特征,达到100%的精度和72%的回忆.
- 拟议的模型在识别低信号噪声比率的弱微地震信号方面表现出卓越的能力.
结论:
- 在CNN中集成计算通信概念和多域特征,为微地震信号识别提供了卓越的方法.
- 时间域图像与计算通信技术相结合,是CNN模型在这个领域的高效输入.
- 这项研究为矿山微地震信号识别开辟了新的途径,并突出了现场计算通信的潜力.
