基于深度学习的光纤微震信号分类识别的研究

微震监测技术可实时、精确给出岩体破裂或失稳的空间位置,已成为煤与瓦斯突出、隧道岩爆等灾害预警的重要手段之一。针对地下工程中环境复杂,信号微弱难以有效辨别的问题,提出了一种将卷积神经网络与Transformer结合(T_CNN)的微震信号识别方法。利用光纤加速度传感器采集西部某隧道工程中的6种信号,将信号经过带通滤波降噪和傅里叶变换后输入模型进行训练和验证。利用模型中的卷积神经网络进行特征提取,基于Transformer对重点信息进行聚焦,通过多层感知机得出最终多分类结果。结果表明,基于T_CNN模型分类准确率达到98.09%,且收敛速度更快。相较于目前先进的残差神经网络来说,其准确率提高了6.2%,精确率、召回率、F1分数分别提高了0.036、0.023和0.033,证实了该算法在实际工程应用中的优越性。此外,将光纤微震信号经过特征变换后输入到模型中,光纤微震信号的能量也能得到较为准确的估算,进一步验证了该模型具有良好的应用前景。