学术研究报告：基于机器学习的地声事件分类模型（GSEC）研究

作者与发表信息

本研究由Jian Wang（贵州大学资源与环境工程学院）、Yujun Zuo（贵州大学矿业学院，通讯作者）、Longjun Dong和Xianhang Yan（中南大学资源与安全工程学院）合作完成，发表于International Journal of Rock Mechanics and Mining Sciences期刊，2025年4月27日在线发表，文章编号106144。

学术背景

研究领域：本研究属于矿山安全与微地震监测（microseismic monitoring）领域，结合机器学习（machine learning）技术解决地声事件（geoacoustic events）的分类问题。

研究动机：矿山开采中的微地震事件（如岩爆、爆破、钻探活动及噪声）的快速准确识别对灾害预警至关重要。传统方法依赖人工特征提取（如频谱分析、Fisher判别法），但存在效率低、泛化能力差等问题，且现有深度学习模型多基于图像识别，易因分辨率不足导致时空信息丢失。

研究目标：提出一种新型综合地声事件分类模型（GSEC, Geoacoustic Event Classification），通过直接分析原始波形特征，结合深度神经网络，实现高精度、高效率的多类别地声事件自动分类。

研究流程与方法

1. 数据采集与预处理

• 数据来源：采用多频地声智能监测系统（multi-frequency geoacoustic intelligent sensing system）采集2022年11月至12月的矿山地声数据，共12,105个样本，包括爆破事件（3,896例）、微地震事件（5,445例）、钻探事件（2,079例）和噪声事件（685例）。
  
• 数据划分：70%训练集（含20%验证集）、30%测试集。
  
• 不平衡数据修正：采用KMeansSMOTE（过采样）和OneSidedSelection（欠采样）技术平衡类别分布。
  

2. 特征提取与标准化

• 时域特征：短时能量（short-term energy）、波形长度（waveform length）、峰值计数等。
  
• 频域特征：通过短时傅里叶变换（STFT, Short-Time Fourier Transform）提取频谱均值、标准差，以及梅尔频率倒谱系数（MFCCs）。
  
• 标准化处理：对所有特征进行Z-score标准化，消除量纲差异。
  

3. 模型开发与对比

构建GSEC模型（基于RetNet架构），并与五种主流深度学习模型对比：
1. CNN（卷积神经网络）：双卷积层（64和128通道）+全连接层。
2. LSTM（长短期记忆网络）：128隐藏单元，捕捉时序依赖。
3. ResNet（残差网络）：通过残差连接解决梯度消失。
4. DenseNet（密集连接网络）：层间密集连接增强特征复用。
5. Transformer（自注意力机制）：多头注意力处理全局特征。

GSEC模型创新点：
- 旋转位置编码（XPos）：改进传统Transformer的位置编码，增强序列位置敏感性。
- 多尺度保留机制（Multi-Scale Retention）：通过衰减因子γ调节长程依赖权重。
- 高效训练架构：结合残差连接与层归一化，提升并行计算效率。

4. 模型评估

• 评价指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数、ROC曲线（AUC值）。
  
• 交叉验证：采用K折交叉验证确保结果稳健性。
  

主要研究结果

1. 分类性能对比

• GSEC模型：综合性能最佳，准确率91.08%（其他模型：CNN 88.6%、LSTM 87.67%、ResNet 79.93%、DenseNet 72.63%、Transformer 54.54%）。
  
• AUC值：GSEC在爆破、微地震、钻探事件中接近1.0，噪声事件为0.97。
  
• 训练效率：GSEC训练耗时最短（1,132.41秒），ResNet最长（34,049.55秒）。
  

2. 特征分析有效性

• STFT谱图：揭示爆破事件能量集中于低频（<2000 Hz），微地震事件高频成分稀缺（图3-6）。
  
• 时域特征：波形长度与峰值计数可有效区分爆破与钻探事件。
  

3. 模型泛化能力

GSEC在混合事件（如爆破与微地震共存场景）中表现优于基线模型，克服传统方法对单一事件类型的局限性。

结论与价值

科学价值：
1. 提出首个直接处理原始地声波形的深度学习框架GSEC，避免图像转换的信息损失。
2. 通过多尺度保留机制和旋转位置编码，解决了长序列建模中的梯度消失与位置敏感性问题。

应用价值：
- 为矿山安全监测提供自动化、高精度的地声事件分类工具，可集成至实时预警系统。
- 模型开源代码与数据集（需申请获取）促进后续研究。

局限性：噪声事件分类精度较低（P-R曲线AUC=0.86），因井下机械运输等复合噪声未被充分建模。

研究亮点

1. 方法创新：首次将RetNet架构引入地声信号分析，实现“不可能三角”（高性能、低延迟、高吞吐）的突破。
   
2. 技术整合：融合STFT时频分析与深度学习，提供端到端的分类解决方案。
   
3. 工程意义：针对矿山复杂环境优化模型，推动AI在岩土工程中的落地应用。
   

其他价值：研究得到中国国家自然科学基金（52374118）和贵州省科技支撑项目资助，数据由中南大学硬岩灾害防控团队提供。