波形卷积神经网络用于煤矿故障预测的地震数据
Guangui Zou1, Chengyang Han2, Hen-Geul Yeh3
1State Key Laboratory for Fine Exploration and Intelligent Development of Coal Resources, China University of Mining and Technology-Beijing, Beijing, 100083, China.
Scientific reports
|December 26, 2025
概括
一个新的波形-卷积神经网络 (W-CNN) 通过将离散波形变换与CNN集成来改善地震故障识别. 这种方法提高了地理危险预防和资源勘探的准确性和效率.
科学领域:
- 地质物理学 地质物理学
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 地震断层识别对于资源勘探和地缘危险预防至关重要.
- 传统方法受到主观解释和效率低下的限制.
- 现有的卷积神经网络 (CNN) 忽视了多尺度频率特征,影响了准确性.
研究的目的:
- 引入一种新的波形-卷积神经网络 (W-CNN) 以加强地震断层识别.
- 解决传统方法和标准CNN在捕获空间频率信息方面的局限性.
- 开发一个准确和高效的自动化地震故障检测系统.
主要方法:
- 离散波量变换 (DWT) 与CNN的架构融合,创造了一个空间频率学习范式.
- 在 W-CNN 架构中嵌入 Haar 波段过器库,并与交叉尺度的残余连接.
- 开发W-CNN变体 (W-CNN R1,R2,R3) 用于性能评估.
主要成果:
- 在煤矿数据集上,W-CNN R3实现了90.0%的准确性和90.3%的F1分数,高达12.3%的表现优于主流CNN.
- 该模型显示,复杂微故障的检测率为93.8%,超级回忆率为95.5%.
- W-CNN显示参数减少了21%,融合速度更快,抑制噪音,并加速了3D处理.
结论:
- 拟议的W-CNN框架为地震断层识别提供了一个有效的空间频率学习范式.
- 这种方法显著提高了对地质不连续性的准确性,效率和预测能力,特别是小规模的地质不连续性.
- W-CNN为智能地质解释和矿山安全监测提供了一个可扩展的解决方案.
