На глубине более километра под землей каждое микроразрушение горной породы подобно слабому «шепоту» Земли, несущему предвестники информации о нестабильности массива и горных ударах. Однако из-за наложения грохота горнопроходческой техники, вибраций от взрывных работ и электромагнитных помех извлечение этих ключевых сигналов сродни «поиску иголки в стоге сена». Для решения сложной задачи точного распознавания при мониторинге горных ударов в шахтах, ряд последних передовых исследований в мире, использующих методы глубокого обучения, позволил революционно повысить чувствительность и точность «сенсорных нервов» интеллектуальных шахт, открыв совершенно новый путь для точного предупреждения динамических явлений в горном деле.

Глубокое обучение «забрасывает сеть»: коллективный прорыв в интеллектуальном распознавании микросейсмических сигналов

В последние годы, по мере продвижения горных работ на большие глубины, горный удар (Rockburst) стал «убийцей номер один», угрожающим жизни подземного персонала и безопасности производства. Технология микросейсмического мониторинга является основным средством регистрации динамики разрушения горных пород, однако генерируемые ею огромные массивы данных переполнены многочисленными сигналами от взрывов, работающих механизмов и шумами. Формы сигналов нестабильны, а слабые события часто тонут в сложном фоновом шуме подземных выработок.

Традиционные алгоритмы машинного обучения зависят от ручного конструирования признаков и демонстрируют недостаточную точность классификации нестационарных микросейсмических сигналов. В последнее время несколько исследовательских групп сосредоточили внимание на глубоком обучении, стремясь решить эту международную проблему в корне. В области обнаружения микросейсмических событий в шахтах и определения времени вступления волн модель PhaseNet, основанная на глубокой сверточной нейронной сети, достигла точности определения времени вступления P- и S-волн более 0,9 на синтетических данных, доказав свою способность локализовать события малой магнитуды в условиях сильного шума. Модель CNN-CapsNet с динамическим ядерным вниманием, предложенная командой Ван Кайкая из Университета Кертина (Австралия), обеспечила высокоточную классификацию одноканальных и многоканальных микросейсмических сигналов. Ее многоканальная модель достигла точности 90,08% при фоновом шуме и индекса однородности >0,96, что доказывает способность модели эффективно воспринимать пространственно-временные характеристики эволюции микросейсмических событий; работа опубликована в журнале первого квартиля «International Journal of Rock Mechanics and Mining Sciences» (2026). Ученые из Восточно-Китайского технологического университета и других организаций предложили модель PTFST-Former (Physics-constrained Time-Frequency Synergistic Transformer), которая улавливает локальные изменения и долгосрочные зависимости во временных рядах микросейсмических данных, использует физические априорные ограничения для эффективного предотвращения переобучения в условиях малой выборки и значительно повышает точность распознавания сигналов разрушения горных пород.

В области мониторинга безопасности цементационных работ Zhang Y и другие предложили гибридную модель глубокого обучения с интегрированным модулем внимания, способную точно распознавать микросейсмические сигналы, вызванные цементацией под высоким давлением в глубоких слоях породы, что обеспечивает интеллектуальную поддержку данных для оценки в реальном времени радиуса распространения цементного раствора и предотвращения инженерных рисков. Кроме того, для микросейсмического мониторинга процесса формирования водопроводящих трещин команда Тан Чжи из Ляонинского технического университета опубликовала в журнале «International Journal of Rock Mechanics and Mining Sciences» исследование, предлагающее модель глубокого обучения, сочетающую многоголовое вероятностное разреженное самовнимание и причинную дилатационную свертку, которая эффективно фиксирует пространственно-временные закономерности развития водопроводящих трещин. Точность распознавания на наборе данных мониторинга водопроводящих трещинных зон была повышена до 96,0% и 93,8% соответственно, что обеспечило ключевую техническую поддержку для предотвращения опасности прорыва воды из кровли в неглубоко залегающих угольных пластах (Applied Sciences, 2026).

Триллионы вычислений оттачивают «зоркий глаз»: двойная проверка эффективности и точности распознавания

По сравнению с традиционными моделями, новые глубокие сверточные нейронные сети (CNN) не только способны автоматически извлекать высокоуровневые скрытые признаки сигналов во временной и частотной областях путем обучения миллионов или даже сотен миллионов параметров, но и осуществили смену парадигмы от «конструирования признаков» к «сквозному» обучению.

В исследовании, опубликованном Пэн Фуюем и его коллегами из Хунаньского университета науки и технологий в журнале «Applied Sciences», предлагается метод автоматического распознавания микросейсмических волновых сигналов в горных выработках на основе архитектуры сверточной нейронной сети VGG16. Команда, объединив методы частотно-временного анализа и сегментации изображений, преобразовала исходные одномерные микросейсмические волновые сигналы в двумерные спектрограммы с цветовым усилением, содержащие частотно-временную информацию, и использовала мощные возможности VGG16 по извлечению многоуровневых сверточных признаков для улавливания ритмичности сигналов и ключевых различий в характеристиках. После 5000 итераций обучения точность распознавания модели может достигать 87%~90%, а при тестировании на 1800 наборах реальных данных 6 классов с вольфрамового рудника Сяндун максимальная точность распознавания достигла 94,9%, что доказывает способность метода к обобщению в различных шахтных условиях (Applied Sciences, 2026). Особенно в сложных условиях малой и несбалансированной выборки, модель физически информированной сверточно-внимательной нейронной сети и модель распознавания микросейсмических сигналов на малой выборке с использованием трансферного обучения, предложенные командой академика Сун Чжэньци из Шаньдунского технологического университета, продемонстрировали чрезвычайно высокую робастность. Многие ученые активно работают над решением проблемы «островов данных» с помощью аугментации данных и физических априорных ограничений. В то же время, в практических инженерных приложениях скорость обработки данных моделями на основе глубокого обучения приближается к секундному уровню, что значительно превосходит эффективность ручного распознавания и делает возможным предупреждение о стихийных бедствиях в реальном времени.

От «видимости» к «различимости»: раскрытие потенциала применения во многих областях безопасности горных работ

Высококачественная технология автоматического распознавания микросейсмических сигналов — это не просто теоретическая итерация алгоритмов, а ключевая базовая технология, поддерживающая концепции «цифровой шахты, интеллектуального производства».

1. Динамическая оптимизация проектирования проходческих и очистных забоев

Благодаря интеллектуальному распознаванию микросейсмических событий с различными частотными диапазонами и энергетическими характеристиками, технический персонал шахт может точно определять режим активизации разломов и тенденции миграции горного давления. Например, применение модели классификации распределения напряжений и активизации разломов в глубоких угольных пластах в реальном времени позволяет количественно оценить степень нарушения геологических структур горными работами и тем самым определить целенаправленные меры по разгрузке напряжений. Практическое применение на лаве 6306 угольной шахты Дунтань доказало, что интеллектуальная классификация позволяет количественно отслеживать взаимосвязь между горными работами и геологическими структурами, предоставляя действенный инженерный инструмент для мониторинга напряжений и предупреждения.

2. Системы предупреждения горных ударов и динамических явлений

В зонах глубоких горных работ точный анализ больших микросейсмических данных служит «дозорным», пробуждающим системы предотвращения ударов. Новый метод, основанный на прогнозировании микросейсмического вибрационного поля и раннем предупреждении горных ударов, показал отличную долгосрочную предупредительную способность на данных длительного мониторинга лавы 40302 одной из угольных шахт провинции Шэньси. Кроме того, комплексная система предупреждения, объединяющая CNN-LSTM и метод обнаружения точек изменения CUSUM, при применении на свинцово-цинковом руднике Танцзы в Циньлине позволила снизить RMSE примерно на 30%~56% и повысить R² примерно на 20%~58% по сравнению с单一的 моделью LSTM, обеспечивая эффективный сигнал предупреждения о нестабильности массива за неделю и одновременно предоставляя новый способ количественной оценки процесса снятия напряжений после взрыва.

3. Мониторинг оседания поверхности и разработки под «тремя объектами»

Высокоточное распознавание также может быть распространено на разработку под поверхностными зданиями и водными объектами («три объекта»). Дальнейшие исследования Пэн Фуя из Хунаньского университета науки и технологий показывают, что модель на основе CNN отлично справляется с распознаванием ключевых микросейсмических событий, вызванных оседанием выработанного пространства. При будущем планировании интеллектуальных шахтных систем эта технология позволит реализовать высокоэффективный замкнутый цикл «добыча — данные — предупреждение — обратная связь», способствуя переходу безопасности горных работ от традиционной «пассивной защиты» к «активному предварительному контролю».