Page 8 - 2024年第55卷第7期

３．４ 输出数据 秦岭隧洞现场的岩爆事件十分频繁且以强烈等级的事件为主。统计各个预测时间段内
的岩爆最大等级发现：存在极强岩爆的样本占 ２１．５３％，最大岩爆等级为强烈的样本占 ３９．０８％，最大
岩爆等级为中等的样本仅占 ９．９８％，无最大岩爆等级为轻微的样本，未发生岩爆的样本占 ２９．４１％。采
用现有数据直接预测岩爆等级会面临数据标签不均衡的问题，因而本文将岩爆发生时间及风险作为模
型预测的重点。将岩爆风险值作为模型输出，当样本的预测时间段内存在岩爆事件，发生岩爆的风险
值为 １；当样本的预测时间段内无岩爆事件，发生岩爆的风险值为 ０。模型实质为二分类问题，输出
数据的格式为：
Ｏ ＝ ［Ｏ，Ｏ］ （２）
１ ２
式中 Ｏ为发生岩爆的风险值，０ ≤Ｏ≤１，Ｏ ＝ １ － Ｏ。根据岩爆记录台账，如果预测时间段内有岩爆事
２ ２ １ ２
件发生，则目标输出值为（ ０，１）；如无岩爆发生，则目标输出值为（１，０）。在实际预测中，模型输出
结果可反映预测时间段内岩爆发生可能性的高低，并且可以近似反映岩爆的等级。
３．５ 训练样本 模型训练样本为 ２０１７年 ９月 ３日—２０２０年 １１月 ２３日所有微震监测、ＴＢＭ施工数据
以及岩爆记录台账，见表 ３。回溯时间取为 ９ｄ，由于现场存在隧道施工停工、微震监测系统调试等特
殊情况，如回溯时间内未包含任何微震记录信息，则将该样本舍弃，避免停工等因素干扰模型训练、
预测结果，数据经分割后，包含 ２４９２６个 ｎ × ９的矩阵数据，ｎ 为回溯时间段内微震事件数量最大
ｍａｘ ｍａｘ
值，在训练样本中，ｎ 为 １３１８，对应的回溯时间段为 ２０２０年 ８月 １日 ８时至 １０日 ８时。延迟时间
ｍａｘ
定为 ０ｈ，Δ ｔ为 １ｈ，预测时间段取为 ２ｄ，减小岩爆随机性对模型的影响。
为了避免不均匀标签对训练结果的影响，根据是否有岩爆将数据分为 ２类，样本中 ７２９１个未发生
岩爆，１７６３５个发生岩爆，训练过程中，从未发生岩爆的样本中随机抽取 ８０％ 的数据，并抽取相同数
量的发生岩爆样本，将两者混合后随机打乱生成训练集。验证集的生成方法与之类似，抽取数据的百
分比为 ２０％。
为了测试模型的有效性，将 ２０２０年 １１月 ２４日—２０２１年 ４月 １９日的微震事件数据以及岩爆事件
数据作为测试集，数据分割后，包含 １４２４组未发生岩爆和 １７９３组发生岩爆样本数据，两者数量较为
接近，可以较好地检验模型预测效果。

表 ３ 训练样本统计信息
数据集分类 样本数量 岩爆发生样本 岩爆未发生样本 回溯时间?ｄ 预测时间?ｄ Δ ｔ?ｈ

训练集 １９９４１ １４１０８ ５８３３ ９ ２ １
验证集 ４９８５ ３５２７ １４５８ ９ ２ １
测试集 ３２１７ １７９３ １４２４ ９ ２ １

４ 模型参数分析

４．１ 网络结构的影响 为了使模型具有较好的泛化能力，防止模型出现过拟合现象，图 ３对比了不同
卷积和全链接层网络结构对预测结果的影响。随着卷积层数的增加，模型在训练集、验证集、测试集
的准确率开始均逐渐增加（图 ３（ａ）），当卷积层数超过 ４时，准确率停止增加，在 ８０％～８５％ 的范围
内波动。卷积核数量的增加对准确率的影响更为显著（图 ３（ｂ）），随着卷积核数量的增加，模型准确
率快速升高，然后在各个数据集的准确率维持在 ８０％ 左右；当卷积核数量超过 １２８时，随着卷积核数
量的增加，训练集、验证集的准确率快速增加，而测试集的准确率却逐渐下降，此时模型出现过拟合
现象；全链接层数的增加将导致模型准确率的降低（图 ３（ｃ）），而全链接节点数量对模型结果的影响
不明显（图 ３（ｄ））。综合以上结果，模型最终选定 ４个卷积层，前 ２层采用 ２５６个卷积核，后 ２层采用
１２８个卷积核，全局平均池化后，模型采用 １个全链接层，节点数量为 ６４个。

０
— ７ ６ —