高精度煤矿微地震P波到达采集通过物理限制深度学习
Kai Qin1,2, Zhigang Deng1,2, Xiaohan Li1
1China Coal Research Institute, Beijing 100013, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
一个新的深度学习模型准确地识别了煤矿安全的微地震信号中的P波到达时间. 这种先进的方法改善了动态危险的预警系统,优于传统技术.
科学领域:
- 地质物理学 地质物理学
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
背景情况:
- 精确的P波到达时间识别对于智能监测和煤矿动态危险的早期预警至关重要.
- 由于复杂的地质和噪音,传统方法在准确性和稳定性方面扎,限制了它们的有效性.
研究的目的:
- 开发和验证一个新的微地震P波到达时间自动采集模型,整合物理约束和深度学习.
- 提高煤矿微地震监测系统的精度,稳定性和自动化.
主要方法:
- 设计了一个深度学习模型,结合了微地震P波到达时间选择的物理约束.
- 该模型使用高质量的手动标记数据集进行了训练和优化.
- 系统地将性能与AR选择器和STA/LTA等传统方法进行了比较.
主要成果:
- 拟议的模型在测试组中实现了高精度 (96.60%),回忆 (90.59%) 和F1得分 (93.50%).
- 平均P波到达时间采集误差显著降低至5.49ms,远低于20ms的值.
- 该模型在类似的采矿环境中显示出良好的工程可转移性,但对不同的数据采集参数显示出敏感性.
结论:
- 开发的模型提供了一个高精度,强大的解决方案,用于自动微地震P波到达时间选择.
- 这一进步支持煤矿微地震监测的自动化和智能化,这对于实时危险预防至关重要.
- 该模型对于改善采矿业务的早期预警系统和风险管理具有实际价值.


