Page 7 - 2024年第55卷第7期

次岩爆事件的时间、事件等级、爆坑尺寸等详细信息。该样本库的规模远大于同类研究 ［６，２１］ ，有望为
岩爆预测智能化提供系统的解决方案。此外，在 ＴＢＭ施工过程中，实时记录了整个隧道的施工过程，
可以提取微震发生时刻对应的掌子面位置。
３．２ 输入数据 模型以 Δ ｔ为时间步长，动态、连续提取一定时间段内（回溯时间 Δ ｔ）的所有微震事
ｂ
件的特征参数，实时预测后续一段时间（预测时间 Δ ｔ）是否有岩爆发生（图 ２）。模型输入数据 Ｉ可以
ｐ
表示为：
Ｉ ＝ ｛ｄｔ，Ｅ，Ｍ，ｘ，ｙ，ｚ，Ｘ，Ｙ，Ｚ｝ （１）
式中：ｄｔ为微震时刻与当前时间的时间差；Ｅ为震源能量；Ｍ为震级；ｘ，ｙ，ｚ为震源位置；Ｘ，Ｙ，Ｚ
为微震发生时的掌子面坐标。
模型将回溯时间内记录的所有独立微震事件的时间、能量、震级、坐标等信息均作为输入，充分考
虑微震事件的数量、能量密度等因素对岩爆风险的影响，避免采用均值、最大值无法充分反映数据分布
特征的问题。由于微震事件的随机性，不同回溯时间段内的微震事件数量差异很大，如果采用填充 ０或强
制截断的方式使输入数据维度统一，将对微震事件数据输入造成较大影响，因而模型直接采用维度变化的
数据作为输入。此外，模型引入微震事件发生时对应的掌子面坐标，以此考虑开挖扰动对岩爆形成的影响。
３．３ 网络选择 卷积神经网络对输入数据的维度无特定要求 ［２５］ ，其在数据特征提取方面具有巨大的
优势 ［２６］ 。可以适应微震事件数量不断变化的特点。本文卷积神经网络共包含 ４个卷积层，１个最大池化
层，采用全局平均池化层统一卷积层的输出维度，进而和全链接层连接，实现岩爆风险的预测（图 ２）。

图 ２ 基于卷积神经网络的岩爆预测模型

— ７ ５ ９ —