Page 15 - 2024年第55卷第7期

［１１］ 谭震，郭新蕾，李甲振，等．基于多尺度卷积神经网络的管道泄漏检测模型 研 究 ［Ｊ］．水 利 学 报，２０２３，
５４（２）：２２０ － ２３１．
［１２］ ＤＯＮＧＬＪ，ＴＡＮＧＺ，ＬＩＸＢ，ｅｔａｌ．Ｄｉｓｃｒｉｍｉｎａｔｉｏｎｏｆｍｉｎｉｎｇｍｉｃｒｏｓｅｉｓｍｉｃｅｖｅｎｔｓａｎｄｂｌａｓｔｓｕｓｉｎｇｃｏｎｖｏｌｕｔｉｏｎａｌ
ｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｏｒｉｇｉｎａｌｗａｖｅｆｏｒｍ ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙ，２０２０，２７（１０）：３０７８ － ３０８９．
［１３］ ＪＯＨＮＳＯＮＳＷ，ＣＨＡＭＢＥＲＳＤＪＡ，ＢＯＬＴＺＭ Ｓ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎｏｆａｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｓｅｉｓｍｉｃ
ｐｈａｓｅｐｉｃｋｉｎｇｏｆｍｉｎｉｎｇ － ｉｎｄｕｃｅｄｓｅｉｓｍｉｃｉｔｙ ［Ｊ］．ＧｅｏｐｈｙｓｉｃａｌＪｏｕｒｎａｌｎｔｅｒｎａｔｉｏｎａｌ，２０２１，２２４（１）：２３０ － ２４０．
［１４］ ＺＨＡＯＨ，ＣＨＥＮ Ｂ．Ｄａｔａ － ｄｒｉｖｅｎｍｏｄｅｌｆｏｒｒｏｃｋｂｕｒｓｔｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＭａｔｈｅｍａｔｉｃａｌＰｒｏｂｌｅｍｓｉｎＥｎｇｉｎｅｅｒｉｎｇ，
２０２０，２０２０：５７３５４９６．
［１５］ 汤志立，徐千军．基于 ９种机器学习算法的岩爆预测研究［Ｊ］．岩石力学与工程学报，２０２０，３９（４）：７７３ － ７８１．
［１６］ 杨小彬，裴艳宇，程虹铭，等．基于 ＳＯＦＭ神经网络模型的岩爆烈度等级预测方法［Ｊ］．岩石力学与工程
学报，２０２１，４０（Ｓ１）：２７０８ － ２７１５．
［１７］ 张昱，张明魁．基于 ＧＤ － ＤＮＮ模型的岩爆烈度等级预测方法与应用［Ｊ］．科学技术与工程，２０２３，２３（２７）：
１１８３５ － １１８４０．
［１８］ ＣＡＩＷ，ＤＯＵＬ，ＺＨＡＮＧＭ，ｅｔａｌ．Ａｆｕｚｚｙｃｏｍｐｒｅｈｅｎｓｉｖｅｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｏｌｏｇｙｆｏｒｒｏｃｋｂｕｒｓｔｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇ
ｍｉｃｒｏｓｅｉｓｍｉｃｍｏｎｉｔｏｒｉｎｇ［Ｊ］．Ｔｕｎｎｅｌｌｉｎｇ＆ ＵｎｄｅｒｇｒｏｕｎｄＳｐａｃｅＴｅｃｈｎｏｌｏｇｙ，２０１８，８０（１０）：２３２ － ２４５．
［１９］ 胡磊，冯夏庭，毕鑫，等．基于微震信息和深度卷积神经网络的隧洞岩爆预警方法：中国，２０１９１０５６００７６．
２［Ｐ］．２０１９ － １０ － ０１．
［２０］ 马佳骥，马春驰，曾俊，等．基于 ＬＳＴＭ 多变种模型的岩爆微震参数预测研究［Ｊ］．地下空间与工程学报，
２０２２，１８（５）：１４８１ － １４９４．
［２１］ 张航．基于深度学习的隧道微震信号处理及岩爆智能预警研究［Ｄ］．成都：成都理工大学，２０２０．
［２２］ ＭＡＫ，ＳＵＮＸ，ＺＨＡＮＧＺ，ｅｔａｌ．Ｉｎｔｅｌｌｉｇｅｎｔｌｏｃａｔｉｏｎｏｆｍｉｃｒｏｓｅｉｓｍｉｃｅｖｅｎｔｓｂａｓｅｄｏｎａｆｕｌｌｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌ
ｎｅｔｗｏｒｋ （ＦＣＮＮ）［Ｊ］．ＲｏｃｋＭｅｃｈａｎｉｃｓａｎｄＲｏｃｋＥｎｇｉｎｅｅｒｉｎｇ，２０２２，５５（８）：４８０１ － ４８１７．
［２３］ ＭＡＫ，ＳＨＥＮＱ，ＳＵＮＸ，ｅｔａｌ．Ｒｏｃｋｂｕｒｓｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｕｓｉｎｇｍａｃｈｉｎｅｌｅａｒｎｉｎｇｂａｓｅｄｏｎｍｉｃｒｏｓｅｉｓｍｉｃｐａ
ｒａｍｅｔｅｒｓｏｆＱｉｎｌｉｎｇｗａｔｅｒｃｏｎｖｅｙａｎｃｅｔｕｎｎｅｌ ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙ，２０２３，３０（１）：２８９ － ３０５．
［２４］ 刘福生．基于微震监测的岩爆风险判别及预测预报［Ｄ］．西安：西安理工大学，２０２０．
［２５］ ＦＲＡＮＣＯＩＳＣ，张亮．Ｐｙｔｈｏｎ深度学习［Ｍ］．北京：人民邮电出版社，２０１８．
［２６］ 张平．图解深度学习与神经网络：从张量到 ＴｅｎｓｏｒＦｌｏｗ实现［Ｍ］．北京：电子工业出版社，２０１８．

Ａｒｅａｌ － ｔｉｍｅｒｏｃｋｂｕｒｓｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒＱｉｎｌｉｎｇＴｕｎｎｅｌｂａｓｅｄｏｎｔｈｅ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｏｆｍｉｃｒｏｓｅｉｓｍｉｃｍｏｎｉｔｏｒｉｎｇ

２
１，２
１
ＨＵＪｉｎｇ，ＬＩＵＳｈｅｎ，ＣＨＥＮＺｕｙｕ
（１．ＣｈｉｎａＩｎｓｔｉｔｕｔｅｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒｏｐｏｗｅｒＲｅｓｅａｒｃｈ，Ｂｅｉｊｉｎｇ １０００４８，Ｃｈｉｎａ；
２．ＩｎｓｔｉｔｕｔｅｏｆＧｅｏｔｅｃｈｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ ３１００５８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｒｏｃｋｂｕｒｓｔｉｓｏｎｅｏｆｔｈｅｍａｉｎｄｉｓａｓｔｅｒｓｉｎｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｄｅｅｐｅａｒｔｈｅｎｇｉｎｅｅｒｉｎｇ，ａｎｄｍｉｃｒｏｓｅｉｓｍｉｃ
ｍｏｎｉｔｏｒｉｎｇｉｓｔｈｅｍａｉｎｍｅｔｈｏｄｏｆｓｈｏｒｔ － ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｆｏｒｒｏｃｋｂｕｒｓｔ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｓｈｏｒｔ －
ｔｅｒｍｐｒｅｄｉｃｔｉｏｎｏｆｒｏｃｋｂｕｒｓｔｍａｉｎｌｙｄｅｐｅｎｄｓｏｎｅｘｐｅｒｉｅｎｃｅ ，ａｄａｔａｂａｓｅｗａｓｅｓｔａｂｌｉｓｈｅｄｃｏｎｓｉｓｔｉｎｇｏｆｔｈｅｍｉｃｒｏｓｅｉｓ
ｍｉｃｍｏｎｉｔｏｒｉｎｇａｎｄｔｈｅｒｏｃｋｂｕｒｓｔｒｅｃｏｒｄｅｖｅｎｔｓａｔＱｉｎｌｉｎｇＴｕｎｎｅｌｏｆｔｈｅｗａｔｅｒｄｉｖｅｒｓｉｏｎｐｒｏｊｅｃｔｆｒｏｍＨａｎｊｉａｎｇＲｉｖｅｒ
ｔｏＷｅｉｈｅＲｉｖｅｒ．Ｂａｓｅｄｏｎａｌｌｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｄｕｒｉｎｇａｐｅｒｉｏｄ，ｅ．ｇ．，ｅｎｅｒｇｙ，ｐｏｓｉｔｉｏｎ，ａｎｄｍａｇｎｉｔｕｄｅｏｆ
ｔｈｅｍｉｃｒｏｓｅｉｓｍｉｃｅｖｅｎｔ ，ａｒｅａｌ － ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｒｏｃｋｂｕｒｓｔｗａｓｅｓｔａｂｌｉｓｈｅｄｕｓｉｎｇｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌ
ｎｅｔｗｏｒｋ．Ｂｅｓｉｄｅｓ，ｔｈｅｉｎｆｌｕｅｎｃｅｏｆｗｏｒｋｓｕｒｆａｃｅｐｏｓｉｔｉｏｎｏｎｒｏｃｋｂｕｒｓｔｗａｓａｌｓｏｃｏｎｓｉｄｅｒｅｄ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｔｒａｉｎ
ｉｎｇ ，ｖａｌｉｄａｔｉｏｎａｎｄｔｅｓｔｒｅｓｕｌｔｓ，ｔｈｅｍｏｄｅｌｓｔｒｕｃｔｕｒｅ，ｓｅｌｅｃｔｉｏｎｏｆｌｏｏｋｂａｃｋｔｉｍｅ，ｐｒｅｄｉｃｔｉｏｎｔｉｍｅａｎｄｔｒａｉｎｉｎｇｅｐ
ｏｃｈｗｅｒｅｏｐｔｉｍｉｚｅｄ．Ｔｈｅｍｏｄｅｌｃｏｕｌｄｒｅａｓｏｎａｂｌｙｄｅｓｃｒｉｂｅｔｈｅｉｎｆｌｕｅｎｃｅｏｆｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｆｅａｔｕｒｅｏｆｍｉｃｒｏｓｅｉｓｍｉｃ
ａｎｄｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｐｒｏｇｒｅｓｓｏｎｔｈｅｒｏｃｋｂｕｒｓｔｐｒｏｂａｂｉｌｉｔｙ．Ｂａｓｅｄｏｎｔｈｅｔｅｓｔｒｅｓｕｌｔｓ ，ｔｈｅｍｏｄｅｌｃａｎｐｒｅｄｉｃｔｔｈｅ
ｐｒｏｂａｂｉｌｉｔｙｏｆｒｏｃｋｂｕｒｓｔｉｎｔｈｅｎｅｘｔ４８ｈｏｕｒｓｃｏｎｔｉｎｕｏｕｓｌｙ．Ｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｐｒｅｄｉｃｔｉｏｎｉｓｍｏｒｅｔｈａｎ８０％，ｗｈｉｃｈ
ｐｒｏｖｉｄｅｓａｎｅｆｆｅｃｔｉｖｅｔｅｃｈｎｉｃａｌｗａｙｆｏｒｒｅａｌ － ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｏｆｒｏｃｋｂｕｒｓｔ．
Ｋｅｙｗｏｒｄｓ：ｍｉｃｒｏｓｅｉｓｍｉｃｍｏｎｉｔｏｒｉｎｇ；ｒｏｃｋｂｕｒｓｔ；ｐｒｅｄｉｃｔｉｏｎ；ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒ

（责任编辑：李 娜）

— ７ ６ ７ —