Page 12 - 2024年第55卷第7期

虽然目前基于卷积神经网络方法预测岩爆的准确率仍需提高，本文的模型初步实现了对岩爆发生时
间范围的预测。随着模型参数的丰富以及训练数据的增加，模型有望实现对岩爆时间、空间、强度的准确
预测。此外，基于卷积神经网络方法，能对微震监测波形快速分析，更方便提取微震能量、震级、震源位
置等特征参数，将其作为输入，结合岩爆预测模型，可以实现由微震监测到岩爆预测全过程的智能化。

图 １１ ２０１７年 ９月 ４日—２０２１年 ４月 １９日模型预测与现场记录对比

５．２ 模型特性分析 为了分析模型的特性，采用人工构造的输入样本研究微震特征参数、微震事件与
岩爆掌子面相对位置等参数对岩爆可能性的影响。
选取 ２０２０年 １０月 ２８日 １６时 １７分至 ２９日 １６时 １７分的数据作为初始样本，该天共采集到 ２８０次
微震事件，是数据库中单日微震事件最多的一天。令当前时刻为 ２０２０年 １１月 ７日 １６时 １７分，预测
时间段为 ２０２０年 １１月 ７日 １６时 １７分—２０２０年 １１月 ９日 １６时 １７分。基于该数据进行如下处理形成
基础样本：（１）将每次微震事件能量调整为 ２８０次微震事件的平均能量（１０３７８．１Ｊ）；（２）将每次微震
事件的坐标改为该时刻的掌子面坐标；（ ３）求出各个事件对应的时间差 ｄｔ。该基础样本对应的预测时
间段的岩爆风险值 Ｐ为 ０．５６。
基于基础样本，通过调整时间差、微震事件能量、微震事件及掌子面相对位置等参数，对比岩爆
风险变化，各工况数据生成方法见表 ４。

表 ４ 预设工况数据生成
工况 样本数 数据生成方式
１ １７ 以基础样本为模板，减小各个微震事件与当前时刻的时间差（变化范围为 ０．５～８ｄ），每个样本时间差依次减少 ０．５ｄ
－ ４
４
２ １７ 以基础样本为模板，将各个微震事件的事件乘以能量缩放系数（变化范围为 １０ ～１０）
１３ 以基础样本为模板，增加或减小微震事件 ｘ向坐标值（变化范围为－ ７５～１８０ｍ），每个样本 ｘ坐标值相差 １５ｍ
３
１７ 以基础样本为模板，减小掌子面 ｘ向坐标值（变化范围为 ５～８０ｍ），每个样本 ｘ坐标相差 ５ｍ
４ ２ 以初始样本为模板，保持时间差不变，１）将微震事件按能量从小到大排列；２）将微震事件能量从大到小排列

基于以上构建的样本，采用模型对各个工况进行预测分析：
（ １）时间差的影响。时间差反映了历史记录的微震与当前时刻的时间间隔，理论上，微震事件与
当前时间越近，对未来岩爆的影响越大。图 １２给出工况 １各个样本的预测结果，随着时间差的增大，
模型预测值逐渐减小，岩爆风险越低，这一结果与认知相吻合。
（ ２）微震事件能量大小的影响。在实际工程中，通常前期微震事件越多、能量越高，表明岩体的
微破裂越活跃，未来发生岩爆的风险越高。图 １３给出不同微震能量对应的岩爆预测结果，随着微震
能量的升高，岩爆风险逐渐升高，模型的特性与经验相符。
（ ３）微震事件和掌子面相对位置的影响。微震事件的分布范围表示了微破裂活跃的区域，当掌子
面施工至该区域时，常伴随着岩爆的发生。图 １３给出不同微震事件和掌子面相对位置下模型预测结
果，当掌子面位置不变，微震事件坐标的增加或减小均会导致其与掌子面相对距离的增加，岩爆风险
均有所降低（图 １４（ａ））；而微震事件位置不变，掌子面与微震事件距离越远，岩爆风险越小（图 １４（ｂ）），

４
— ７ ６ —