馬金剛 豐光亮 吝曼卿 馬奇 陳靖文 馮磊 盧祥龍

摘要：深部隧道巖爆是地下工程建設(shè)中的安全隱患，準(zhǔn)確預(yù)警巖爆能夠保障工程人員的生命財產(chǎn)安全。機器學(xué)習(xí)等智能技術(shù)的出現(xiàn)為巖爆預(yù)警帶來了新的思路和方法，提高了預(yù)警的準(zhǔn)確性、及時性和智能化水平。對機器學(xué)習(xí)在深部隧道巖爆微震監(jiān)測預(yù)警中的應(yīng)用現(xiàn)狀開展了系統(tǒng)研究。首先，對巖爆微震監(jiān)測評估預(yù)警中的機器學(xué)習(xí)算法進(jìn)行總結(jié)，分析了現(xiàn)有各類機器學(xué)習(xí)算法的特征優(yōu)勢，然后，對微震監(jiān)測巖爆預(yù)警指標(biāo)體系進(jìn)行了歸納，進(jìn)一步，分析了基于不同機器學(xué)習(xí)的巖爆微震監(jiān)測預(yù)警應(yīng)用效果。結(jié)果表明神經(jīng)網(wǎng)絡(luò)（NN）是巖爆預(yù)警算法中的熱門方法，微震事件數(shù)（N）、微震能量（E）、視體積（V）及其變體是使用頻次最高的巖爆預(yù)警指標(biāo)，大部分巖爆預(yù)警指標(biāo)個數(shù)主要在3～7個之間。巖爆等級是巖爆預(yù)警的研究熱點，大部分機器學(xué)習(xí)方法的預(yù)警準(zhǔn)確率基本能達(dá)到80%及以上，表明機器學(xué)習(xí)方法具有較好的應(yīng)用效果與發(fā)展前景。最后，對發(fā)展方向進(jìn)行了展望，更先進(jìn)的機器學(xué)習(xí)算法、預(yù)警指標(biāo)體系的有效性與全面性、樣本的豐富性、巖爆發(fā)生時間預(yù)警、數(shù)據(jù)處理能力等需要進(jìn)一步深入研究。

關(guān)鍵詞：機器學(xué)習(xí)；深部隧道；巖爆；微震監(jiān)測；預(yù)警

中圖分類號：U231 文獻(xiàn)標(biāo)志碼：A

本文引用格式：馬金剛，豐光亮，吝曼卿，等. 機器學(xué)習(xí)在隧道巖爆微震監(jiān)測預(yù)警中的應(yīng)用[J]. 華東交通大學(xué)學(xué)報，2023，40（5）：10-18.

Application Status of Machine Learning in Microseismic Monitoring and Early Warning of Rockburst

Ma Jingang1，2，F(xiàn)eng Guangliang1，2，Lin Manqing2，Ma Qi1，Chen Jingwen2，F(xiàn)eng Lei2，Lu Xianglong2

（1. The State Key Laboratory of Geomechanics and Geotechnical Engineering， Institute of Rock and Soil Mechanics， Chinese Academy of Sciences， Wuhan 430071， China; 2. School of Resources and Safety Engineering， Wuhan Institute of Technology， Wuhan 430070， China; 3. University of Chinese Academy of Sciences， Beijing 100049， China）

Abstract：Rockburst in deep tunnels is a hazard during the underground engineering construction. Accurate early warning of rockburst can protect the lives and properties of engineering personnel. The intelligent technologies such as machine learning（ML） have brought new ideas and methods for rockburst early warning， which has improved the accuracy， timeliness and intelligence for early warning of rockburst. A systematic study on the current application of ML in microseismic（MS） monitoring and early warning of rockbursts in deep tunnels was carried out. Firstly， ML algorithms in the MS monitoring， evaluation and early warning of rockbursts were summarized. The characteristic advantages of the various types of ML algorithms were analyzed. Then， the indicator system for MS monitoring and early warning of rockburst was discussed. The applications of MS monitoring and early warning of rockburst based on different ML methods and their effects were analyzed. The results show that neural network （NN） is one of the most popular algorithms for rockburst warning， the MS event（N）， MS energy（E）， MS apparent volume（V） and its variants are the most frequently used MS parameters， and most of the rockburst warning parameters are between 3～7 in number. Rockburst intensity is the research hotspot of rockburst warning， and the warning accuracy based on most ML methods can reach 80%， which indicates that the ML method has good application effects and development prospects. Finally， prospects were made for the development direction of ML in MS monitoring and early warning for the rockburst in deep tunnels， i.e. advanced ML algorithms， the accuracy and comprehensiveness of the early warning indicator system， the richness of the sample， the time warning of the rockburst occurrence， and the capability of data processing to be further investigated in depth.

Key words： machine learning; deep tunnel; rockburst; microseismic monitoring; early warning

Citation format：MA J G，F(xiàn)ENG G L，LIN M Q，et al. Application status of machine learning in microseismic monitoring and early warning of rockburst[J]. Journal of East China Jiaotong University，2023，40（5）：10-18.

隨著數(shù)字新技術(shù)的發(fā)展，以機器學(xué)習(xí)、大數(shù)據(jù)、云計算、區(qū)塊鏈等技術(shù)為主要特征的數(shù)字經(jīng)濟正在改變?nèi)藗兊纳a(chǎn)和生活方式，數(shù)字經(jīng)濟的飛速發(fā)展對我國交通領(lǐng)域的建設(shè)與運行提供了新的解決方案[1]。為落實《交通強國建設(shè)綱要》《數(shù)字中國建設(shè)整體布局規(guī)劃》和《數(shù)字交通“十四五”發(fā)展規(guī)劃》等要求，交通運輸行業(yè)積極推進(jìn)公路建設(shè)等各方面進(jìn)行數(shù)字化轉(zhuǎn)型。我國是世界上隧道及地下工程規(guī)模最大、數(shù)量最多、地質(zhì)條件和結(jié)構(gòu)形式最復(fù)雜、修建技術(shù)發(fā)展速度最快的國家，各領(lǐng)域的隧道總數(shù)與總長度均呈現(xiàn)快速增長的趨勢。然而在高地應(yīng)力、復(fù)雜地質(zhì)條件等影響下，深埋隧道/隧洞施工存在較高的工程安全風(fēng)險，特別是開挖引發(fā)的巖爆災(zāi)害[2-3]。巖爆是在開挖或其他外界擾動下，地下工程巖體中聚積的彈性變形勢能突然釋放，導(dǎo)致圍巖爆裂、彈射的動力現(xiàn)象。巖爆因其突發(fā)性、猛烈性等特點，已造成重大的人員傷亡與經(jīng)濟損失，嚴(yán)重危害施工安全。

為了降低巖爆地質(zhì)災(zāi)害風(fēng)險，國家持續(xù)對巖爆研究給予了大力支持，國內(nèi)外也召開了多次巖爆相關(guān)的學(xué)術(shù)研討會，如，2010年中國科協(xié)舉辦的“新觀點、新學(xué)說”巖爆學(xué)術(shù)沙龍，以及先后在南非、美國、加拿大、波蘭、澳大利亞及中國舉行的“國際巖爆與微震活動性學(xué)術(shù)研討會”等。這些項目及研討會的開展，極大地促進(jìn)了巖爆相關(guān)理論及科學(xué)問題的深入研究，推動了深地科學(xué)的發(fā)展。

近年來，微震監(jiān)測技術(shù)作為一種實時捕獲巖石微裂紋形成過程中釋放的彈性波技術(shù)，在深部隧道/隧洞巖爆監(jiān)測預(yù)警中得到了廣泛應(yīng)用[4-8]。與傳統(tǒng)巖爆監(jiān)測方法相比，微震監(jiān)測具有實時性、區(qū)域性等優(yōu)勢。對國內(nèi)巖爆微震監(jiān)測領(lǐng)域的研究熱點和趨勢進(jìn)行統(tǒng)計，利用VOSviewer軟件研究主題網(wǎng)絡(luò)可視化分析功能，以“微震監(jiān)測”“巖爆”“預(yù)測”為關(guān)鍵詞，基于CNKI平臺相關(guān)文獻(xiàn)研究主題熱點進(jìn)行可視化分析，結(jié)果如圖1所示。圖中不同顏色代表著該主題出現(xiàn)的先后時間，圖標(biāo)大小則表示該主題出現(xiàn)頻次的高低，圖標(biāo)之間連線的長短和粗細(xì)表示相關(guān)主題之間關(guān)聯(lián)性的強弱?？梢钥闯?，研究主題主要圍繞在巖爆、微震監(jiān)測、巖爆預(yù)測和巖石力學(xué)等，近年來逐步出現(xiàn)機器學(xué)習(xí)、深度學(xué)習(xí)等主題。

機器學(xué)習(xí)通過對大量數(shù)據(jù)的學(xué)習(xí)發(fā)現(xiàn)其隱含的規(guī)律和特征信息，進(jìn)一步理解事物本質(zhì)，并自動做出預(yù)測或決策。機器學(xué)習(xí)等智能方法以智能方式可靠地執(zhí)行任務(wù)并減少人工工作量，能夠幫助提高深部工程巖爆預(yù)警結(jié)果的可靠性。隨著機器學(xué)習(xí)、大數(shù)據(jù)等技術(shù)的發(fā)展，學(xué)者們將其廣泛引入地下工程巖爆微震監(jiān)測預(yù)警中。本文對機器學(xué)習(xí)在深部隧道巖爆微震監(jiān)測預(yù)警中的應(yīng)用開展研究，揭示了巖爆微震監(jiān)測評估預(yù)警中機器學(xué)習(xí)的算法特征，分析了微震監(jiān)測巖爆微震監(jiān)測預(yù)警指標(biāo)體系，總結(jié)了基于機器學(xué)習(xí)的巖爆微震監(jiān)測預(yù)警應(yīng)用效果，并對機器學(xué)習(xí)在深部隧道巖爆微震監(jiān)測預(yù)警中應(yīng)用方向與存在的問題進(jìn)行了展望，以期促進(jìn)巖爆監(jiān)測預(yù)警技術(shù)和學(xué)科交叉發(fā)展。

1 巖爆微震監(jiān)測評估預(yù)警中的機器學(xué)習(xí)算法特征

機器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析和算法復(fù)雜度理論等多門學(xué)科。機器學(xué)習(xí)根據(jù)學(xué)習(xí)系統(tǒng)的“反饋”性質(zhì)可以分為3大類：有監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)以及強化學(xué)習(xí)。巖爆預(yù)警相關(guān)機器學(xué)習(xí)算法中，大部分巖爆預(yù)測預(yù)警方法為有監(jiān)督學(xué)習(xí)方法。有監(jiān)督學(xué)習(xí)方法主要包括神經(jīng)網(wǎng)絡(luò)（NN）[9-12]、支持向量機（SVM）[13-15]、貝葉斯網(wǎng)絡(luò)（BN）[16-18]、決策樹（DT）[19-20]、隨機森林（RF）[21-22]、深度神經(jīng)網(wǎng)絡(luò)（DNN）[23-24]等。此外，部分學(xué)者通過性能改進(jìn)方法遺傳優(yōu)化算法（GAO）對巖爆預(yù)測模型進(jìn)行改進(jìn)[25-28]。無監(jiān)督學(xué)習(xí)方法主要為聚類算法[29-31]，此算法中巖爆案例的巖爆等級無需預(yù)先確定，而是根據(jù)聚類規(guī)則進(jìn)行劃分。目前強化學(xué)習(xí)相關(guān)算法在巖爆評估與預(yù)警中應(yīng)用較少。

機器學(xué)習(xí)具有很強的學(xué)習(xí)和分析能力，并且對于非線性模型具有很好的處理能力。目前，已在多個領(lǐng)域被證明能有效解決分類問題。本文的巖爆數(shù)據(jù)庫主要來源于我國錦屏二級水電站隧洞巖爆案例，還有米倉山特長隧道、引漢濟渭、西北某導(dǎo)流隧洞、秦嶺輸水隧洞等工程。隨著大量微震監(jiān)測數(shù)據(jù)及巖爆案例的積累，眾多機器學(xué)習(xí)算法被用于巖爆微震監(jiān)測預(yù)警研究中，部分成果如表1所示。

近幾年，利用微震技術(shù)和機器學(xué)習(xí)的巖爆評估預(yù)警研究正處于快速發(fā)展的階段。由表1可知，巖爆微震監(jiān)測預(yù)警機器學(xué)習(xí)算法種類極多，主要包括：人工神經(jīng)網(wǎng)絡(luò)（ANN）、概率神經(jīng)網(wǎng)絡(luò)（PNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、RF、自適應(yīng)提升（AdaBoost）、梯度提升決策樹（GBDT）、極端梯度提升（XGBoost）、輕梯度提升機（LightGBM）、BN、NN、邏輯回歸（LR）、樸素貝葉斯（NB）、高斯過程（GP）、多層感知器神經(jīng)網(wǎng)絡(luò)（MLPNN）、DT、樹（T）、SVM等。NN是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模型，它能夠自動學(xué)習(xí)非線性關(guān)系，處理大規(guī)模數(shù)據(jù)并從中自動學(xué)習(xí)特征，實現(xiàn)端到端的學(xué)習(xí)，并具有較強的泛化能力，其結(jié)構(gòu)圖如圖2所示。圖2中，各指標(biāo)含義如下：ΣN，累計微震事件數(shù)，unit；ΣE，累積微震能量，J；ΣV，累積視體積，m3；N，微震事件數(shù)，unit；E： 微震能量，J；V，視體積，m3；T，孕育時間，day；n，微震事件率，unit/day；e，微震能量率；v，視體積率；EI，能量指數(shù)；M0，地震矩，N·m； R0，震源半徑，m；A，視應(yīng)力，Pa；Δσd，動態(tài)應(yīng)力降，Pa；Δσ，應(yīng)力降，Pa；Dm，最大位移；b，不同震級與頻度之間的比例關(guān)系。

以NN為代表的各類神經(jīng)網(wǎng)絡(luò)是巖爆微震監(jiān)測預(yù)警中使用較為廣泛的機器學(xué)習(xí)算法，如，馮夏庭等[32]根據(jù)錦屏二級水電站深部隧洞巖爆案例及微震實時監(jiān)測信息，提出了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的巖爆風(fēng)險評估方法。該模型具有并連結(jié)構(gòu)、容錯性、非線性映射等特征，通過在不斷的學(xué)習(xí)過程中，根據(jù)正確結(jié)果不停地校正該網(wǎng)絡(luò)結(jié)構(gòu)，以到達(dá)最優(yōu)的情況。Feng等[33]提出了一種基于實時微震監(jiān)測信息和優(yōu)化概率神經(jīng)網(wǎng)絡(luò)模型的巖爆預(yù)警模型。該模型由平均影響值算法（MIVA）、改進(jìn)的螢火蟲算法（MFA）和概率神經(jīng)網(wǎng)絡(luò)（PNN）組成。其中MIVA用于減少來自PNN的輸入層中多個微震參數(shù)中冗余信息的干擾。MFA用于優(yōu)化PNN中的參數(shù)平滑因子，并減少由人工確定引起的誤差。張航[34]建立了基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（CCN）的多目標(biāo)巖爆微震指標(biāo)時間序列預(yù)測模型，提出了微震指標(biāo)時間序列預(yù)測方法，并根據(jù)微震參數(shù)隨時間變化情況進(jìn)行巖爆預(yù)警。

在選擇機器學(xué)習(xí)算法時，一般會根據(jù)研究目的、數(shù)據(jù)特點、計算能力和評估指標(biāo)等因素來選擇單一機器學(xué)習(xí)算法或多元機器學(xué)習(xí)算法。單一機器學(xué)習(xí)算法能充分凸顯某個特定算法在其研究對象上的效果，如Li等[35]構(gòu)建了巖爆動態(tài)預(yù)警的單一BN模型，該模型能夠通過自我驗證、6折交叉驗證、ROC曲線分析以及利用新的歷史數(shù)據(jù)進(jìn)行實時預(yù)警分析。Zhao等[36]采用單一DT算法建立巖爆預(yù)警模型，DT模型是一種可解釋的機器學(xué)習(xí)算法，能夠基于數(shù)據(jù)揭示模型復(fù)雜且不確定的機制決策樹。部分研究選擇多元機器學(xué)習(xí)算法建立多種巖爆預(yù)測模型，然后通過評估指標(biāo)來選擇最優(yōu)模型作為巖爆預(yù)警模型。如Ma等[37]利用MLP、SVM、RF、AdaBoost、GBDT和XGBoost 6種機器學(xué)習(xí)算法構(gòu)建巖爆預(yù)測模型，采用多種評價指標(biāo)對模型性能進(jìn)行綜合評價，以尋找出最優(yōu)巖爆預(yù)測模型。另一種是通過集成分類器將多種機器學(xué)習(xí)算法進(jìn)行融合，以期提高預(yù)測預(yù)警的準(zhǔn)確性和魯棒性。如Liang等[38]采用5種不同組合規(guī)則的集合分類器來估計短期巖爆風(fēng)險，這些集成分類器采用LR、NB、GP、MLPNN、SVM和DT作為基學(xué)習(xí)器，其基本流程如圖3所示。

每種機器學(xué)習(xí)算法都有其特定的優(yōu)勢，在實際應(yīng)用中，一般根據(jù)問題的性質(zhì)、數(shù)據(jù)的特點以及算法的復(fù)雜度等因素來選擇合適的機器學(xué)習(xí)算法。Liu等[39]提出了一種基于遺傳算法（GA）優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型的潛在巖爆規(guī)模風(fēng)險評估方法。該方法能夠結(jié)合GA的搜索能力和ANN的學(xué)習(xí)能力，動態(tài)的評估巖爆風(fēng)險，估計結(jié)果和提出的估計模型可以不斷更新。Yin等[40]基于T算法提出了一種巖爆預(yù)測算法。通過靈活運用t-SNE算法、K-means算法、Canopy算法等一系列數(shù)據(jù)挖掘算法與提出的算法進(jìn)行結(jié)合，增加預(yù)測性能，同時面對數(shù)據(jù)不均衡問題，仍可以提高少數(shù)類的識別能力。部分機器學(xué)習(xí)算法的特征優(yōu)勢如表2所示。

2 巖爆微震監(jiān)測預(yù)警指標(biāo)體系

在進(jìn)行巖爆預(yù)警研究中，預(yù)警指標(biāo)的選擇對于預(yù)警效果具有至關(guān)重要的作用。目前，大量微震監(jiān)測參數(shù)被用于巖爆預(yù)警，部分結(jié)果如表1所示。作為預(yù)警指標(biāo)的微震參數(shù)主要有N、E、V、A、M0、R0、Δσ、T、EI、b、Dm及這些參數(shù)的變體。圖4為機器學(xué)習(xí)相關(guān)的巖爆微震監(jiān)測預(yù)警指標(biāo)使用頻次雷達(dá)圖，可見，使用頻次較高的巖爆微震指標(biāo)為N、E和V。文獻(xiàn)[5，32-33]研究總結(jié)發(fā)現(xiàn)，N、E和V這3個頻次較高的巖爆微震指標(biāo)是最基本、能可靠確定、相互獨立且能揭示巖爆孕育過程微破裂活動特征的主要微震參數(shù)。因此，以這3個參數(shù)為基礎(chǔ)，同時考慮時間因素，他們構(gòu)建了logN、logE、logV、n、loge、logv 6參量巖爆預(yù)警指標(biāo)體系。之后，類似指標(biāo)體系也被廣泛用于其他機器學(xué)習(xí)模型[39，41，42]。

大部分巖爆預(yù)警指標(biāo)體系中指標(biāo)的個數(shù)一般為3～7個，綜合發(fā)揮多種指標(biāo)的優(yōu)勢，能避免單一指標(biāo)的局限性和片面性。如，Liu等[39]提出了一種基于微震活動的巖爆規(guī)模評估方法，該方法使用了3個微震參數(shù)（N、E和V）。Zhao等[36]選擇N、E、V、T共4個微震參數(shù)構(gòu)建了決策樹預(yù)警模型。Li等[35]選擇了M0、E、R0、A、Δσ 5個微震參數(shù)作為BN的輸入?yún)?shù)進(jìn)行巖爆預(yù)警。Yin等[40]選擇了E、M0、V、A、Δσ 共5個震源參數(shù)。Feng等[6]選擇了N、V、E、n、loge、logv共6個微震指標(biāo)進(jìn)行巖爆等級預(yù)測。Ma等[37]根據(jù)前一天的微震信息可以很大程度上反映當(dāng)日巖爆的發(fā)生情況和巖爆等級狀況[5]，選取巖爆發(fā)生前一天的ΣN、ΣE、ΣA、ΣV、b、M0、Dm這7個微震參數(shù)作為巖爆評價指標(biāo)。

3 基于機器學(xué)習(xí)的巖爆微震監(jiān)測預(yù)警效果分析

以上所列各機器學(xué)習(xí)方法相關(guān)巖爆預(yù)警驗證案例的數(shù)量基本均在70個以上，最多可以超過600個。在樣本數(shù)據(jù)庫中，測試樣本的巖爆微震監(jiān)測預(yù)警準(zhǔn)確率均基本達(dá)到了80%以上，表明機器學(xué)習(xí)方法具有較好的應(yīng)用效果與發(fā)展前景。利用機器學(xué)習(xí)進(jìn)行巖爆等級預(yù)警的研究較多，是目前巖爆微震監(jiān)測預(yù)警的研究熱點。不同機器學(xué)習(xí)方法巖爆預(yù)警效果對比圖如圖5所示。

巖爆微震監(jiān)測預(yù)警結(jié)果一般包括巖爆等級、巖爆位置、是否發(fā)生巖爆、巖爆破壞特征、巖爆發(fā)生概率等其中的一種或多種，基于不同機器學(xué)習(xí)方法給出的巖爆微震監(jiān)測預(yù)警結(jié)果有所差異。巖爆等級是描述巖爆強烈程度與破壞規(guī)模的指標(biāo)，依據(jù)巖爆現(xiàn)象和圍巖破壞特征，巖爆等級一般可劃分為4級，即輕微巖爆、中等巖爆、強烈?guī)r爆和極強巖爆。Feng等[33]以93個不同等級巖爆為例， 利用所提出的巖爆預(yù)警方法MIVA-MFA-PNN進(jìn)行了巖爆等級預(yù)警。結(jié)果表明，測試樣本和學(xué)習(xí)樣本的巖爆等級預(yù)測正確率分別為100%和86.75%，比傳統(tǒng)PNN模型表現(xiàn)更好。Liang等[42]將91個巖爆樣本用于巖爆等級預(yù)警，其中RF和GBDT方法產(chǎn)生了最佳的預(yù)測結(jié)果。RF在所有情況下獲得了80%的最高平均準(zhǔn)確度，而GBDT在中等和強烈風(fēng)險情況下獲得了最高值，準(zhǔn)確度為91.67%。關(guān)于在給定條件下是否會發(fā)生巖爆的預(yù)警，Li等[35]選取114個事件的前兆特征值用于BN學(xué)習(xí)并建立巖爆風(fēng)險預(yù)警模型，模型驗證準(zhǔn)確率為95.61%，進(jìn)一步對模型進(jìn)行了應(yīng)用，在某段期間共發(fā)生巖爆12次，10次成功提前給出預(yù)警，準(zhǔn)確率為85.71%。在巖爆破壞特征預(yù)警方面，Liu等[39]選取采集的74個巖爆實例作為典型巖爆樣本，59個案例被用于訓(xùn)練ANN模型，15個案例作為測試數(shù)據(jù)集用于深入探究微震活動性與巖爆規(guī)模之間的關(guān)系，結(jié)果表明約83.9%的巖爆規(guī)?？梢员豢煽抗烙?。

對于預(yù)警模型和方法的性能，主要通過準(zhǔn)確率（正確預(yù)測的數(shù)量與總數(shù)的比率）來評價。該方法存在一定的局限性，不同巖爆微震監(jiān)測預(yù)警結(jié)果之間并不能進(jìn)行有效的比較。Liang等[38]提出了基于集成分類器進(jìn)行巖爆預(yù)警，將91個巖爆樣本用于驗證所提出的集合分類器的可行性。使用精確率（預(yù)測正確的正例數(shù)量占預(yù)測為正例數(shù)量的比例）、召回率（正確的正例數(shù)量占實際為正例數(shù)量的比例）和F1指標(biāo)（精確率和召回率的調(diào)和平均數(shù)）的準(zhǔn)確度和宏觀平均值來比較和評估每個集成分類器的綜合性能，最優(yōu)集成分類器最高準(zhǔn)確率和精確率、召回率和F1指標(biāo)值的宏觀平均值，分別為 86.67%、89.01%、86.61% 和 87.79%。Ma等[37]將289 d微震監(jiān)測數(shù)據(jù)和巖爆事件用于訓(xùn)練6個巖爆預(yù)測模型，使用精確度、宏觀F1和微觀F1用來評估模型的預(yù)測性能。得到Adaboost算法是最優(yōu)的巖爆預(yù)測模型，其精確度、宏觀F1和微觀F1分別為93.8%、93.7%和93.8%。

4 結(jié)束語

巖爆微震監(jiān)測預(yù)警相關(guān)機器學(xué)習(xí)算法種類眾多，其中，NN常常被用來解決巖爆微震監(jiān)測預(yù)警問題。由于巖爆孕育過程的復(fù)雜性，目前巖爆微震監(jiān)測預(yù)警指標(biāo)以多指標(biāo)體系為主，一般包含3個及以上預(yù)警指標(biāo)。微震參數(shù)中的N、E和V及其變體的使用頻次遠(yuǎn)高于其他微震參數(shù)，研究也表明N、E和V這3個微震參數(shù)具有較好的巖爆預(yù)警能力。目前各機器學(xué)習(xí)方法的巖爆微震監(jiān)測預(yù)警準(zhǔn)確率均能達(dá)到80%以上，表明機器學(xué)習(xí)方法具有較好的應(yīng)用效果與發(fā)展前景。在未來的研究中可以著重于以下幾個方面。

1） 隧道巖爆微震預(yù)警涉及到復(fù)雜的地質(zhì)結(jié)構(gòu)和動力學(xué)過程，同一個機器學(xué)習(xí)算法在應(yīng)對不同復(fù)雜地質(zhì)環(huán)境時可能表現(xiàn)不佳。因此，在選擇機器學(xué)習(xí)算法時，要考慮算法的適應(yīng)性、數(shù)據(jù)量和質(zhì)量以及工程環(huán)境等。在未來的研究中需要開發(fā)更高效、更精確的機器學(xué)習(xí)算法，能夠更早地、更準(zhǔn)確地預(yù)警巖爆事件，從而提高隧道工程的安全性。

2） 在眾多的微震參數(shù)中，不同的指標(biāo)反映著巖體狀態(tài)的不同方面。如何確保所選的指標(biāo)能夠全面表征巖爆孕育過程所有關(guān)鍵信息，是一個需要深入研究的問題。同時，在建立巖爆預(yù)警指標(biāo)體系時，應(yīng)當(dāng)綜合考慮指標(biāo)獲取成本、技術(shù)難度和預(yù)警效果，不能盲目追求指標(biāo)的數(shù)量。

3） 目前，對于大規(guī)模巖爆，其案例數(shù)量是稀缺的，這使得數(shù)據(jù)樣本有限且分布不均，致使建立穩(wěn)健的預(yù)測模型變得困難。應(yīng)加強巖爆發(fā)生時間機理研究，突破巖爆發(fā)生時間的準(zhǔn)確預(yù)警。未來巖爆預(yù)警系統(tǒng)同時應(yīng)注重實時數(shù)據(jù)處理和快速響應(yīng)能力，使巖爆預(yù)警系統(tǒng)能夠更早地發(fā)現(xiàn)巖體異常信號，并及時預(yù)警，為安全疏散和防范措施的實施提供更多的時間。

參考文獻(xiàn)：

[1] 張競濤. 數(shù)字孿生技術(shù)在智能交通應(yīng)用中的態(tài)勢與建議[J]. 信息通信技術(shù)與政策，2020（3）：24-28.

ZHANG J T. The trend and suggestions of application of digital twin in intelligent transportation[J]. Information and?Communications Technology and Policy，2020（3）：24-28.

[2] 馮夏庭，肖亞勛，豐光亮，等. 巖爆孕育過程研究[J]. 巖石力學(xué)與工程學(xué)報，2019，38（4）：649-673.

FENG X T，XIAO Y X，F(xiàn)ENG G L，et al. Study on the development process of rockbursts[J]. Chinese Journal of Rock Mechanics and Engineering，2019，38（4）：649-673.

[3] 涂杰. 隧道施工巖爆的預(yù)防與技術(shù)措施綜述[J]. 市政技術(shù)，2020，38（1）：131-132.

TU J. Summary of rock burst prevention and technical measures in tunnel construction[J]. Municipal Engineering?Technology，2020，38（1）：131-132.

[4] 陳炳瑞，馮夏庭，曾雄輝，等. 深埋隧洞TBM掘進(jìn)微震實時監(jiān)測與特征分析[J]. 巖石力學(xué)與工程學(xué)報，2011，30（2）：275-283.

CHEN B R，F(xiàn)ENG X T，ZENG X H，et al. Real-time microseismic monitoring and its characteristic analysis during tbm tunneling in deep-buried tunnel[J]. Chinese Journal of Rock Mechanics and Engineering，2011，30（2）：275-283.

[5] FENG G L，F(xiàn)ENG X T，CEHN B R. A microseismic method for dynamic warning of rockburst development processes in tunnels[J]. Rock Mechanics & Rock Engineering，2015，48（5）：2061-2076.

[6] FENG G L，F(xiàn)ENG X T，XIAO Y X. Characteristic microseismicity during the development process of intermittent rockburst in a deep railway tunnel[J]. International Journal?of Rock Mechanics and Mining Sciences，2019，124（13）：1365-1609.

[7] 李名川，李邵軍，肖亞勛，等. 深部地下實驗室擴挖巖爆監(jiān)測與動態(tài)防控技術(shù)研究[J]. 工程地質(zhì)學(xué)報，2022，30（3）：751-759.

LI M C，LI S J，XIAO Y X，et al. Rockburst monitoring and dynamic prevention of enlarging excavation in deep underground laboratory[J]. Journal of Engineering Geology，2022，30（3）：751-759.

[8] FENG G L，MA J G，CHEN B R，et al. Microseismic energy and intensity criterion of rockburst in deep TBM tunnels： A case study of the Neelum-Jhelum hydropower project[J]. Journal of Central South University，2023，30（5）：1695-1709.

[9] FENG X T，WANG L N. Rockburst prediction based on neural networks[J]. Transactions of Nonferrous Metals Society of China，1994，4（1）：7-14.

[10] 劉國峰，杜程浩，豐光亮，等. 基于大樣本不完整數(shù)據(jù)的巖爆致因特征及預(yù)測模型[J]. 地球科學(xué)，2023，48（5）：1755-1768.

LIU G F，DU C H，F(xiàn)ENG G L，et al. Causative characteristics and prediction model of rockburst based on large and incomplete data set[J]. Earth Science，2023，48（5）：1755-1768.

[11] 陳海軍，酈能惠，聶德新，等. 巖爆預(yù)測的人工神經(jīng)網(wǎng)絡(luò)模型[J]. 巖土工程學(xué)報，2002，24（2）：229-232.

CHEN H J，LI N H，NIE D X，et al. A model for prediction of rockburst by artificial neural network[J]. Chinese Journal of Geotechnical Engineering，2002，24（2）：229-232.

[12] 楊小彬，裴艷宇，程虹銘，等. 基于SOFM神經(jīng)網(wǎng)絡(luò)模型的巖爆烈度等級預(yù)測方法[J]. 巖石力學(xué)與工程學(xué)報，2021，40（S1）：2708-2715.

YANG X B，PEI Y Y，CHENG H M，et al. Prediction method of rockburst intensity grade based on SOFM neural network model[J]. Chinese Journal of Rock Mechanics and Engineering，2021，40（S1）：2708-2715.

[13] 趙洪波. 巖爆分類的支持向量機方法[J]. 巖土力學(xué)，2005，26（4）：642-644.

ZHAO H B. Classification of rockburst using supportvector machine[J]. Rock and Soil Mechanics，2005，26（4）：642-644.

[14] 楊玲，魏靜. 基于支持向量機和增強學(xué)習(xí)算法的巖爆烈度等級預(yù)測[J]. 地球科學(xué)，2023，48（5）：2011-2023.

YANG L，WEI J. Prediction of rockburst intensity grade based on SVM and adaptive boosting algorithm[J]. Earth?Science，2023，48（5）：2011-2023.

[15] 李寧，王李管，賈明濤. 基于粗糙集理論和支持向量機的巖爆預(yù)測[J]. 中南大學(xué)學(xué)報（自然科學(xué)版），2017，48（5）：1268-1275.

LI N，WANG L G，JIA M T. Rockburst prediction based on rough set theory and support vector machine [J]. Journal of Central South University（Science and Technology），2017，48（5）：1268-1275.

[16] 宮鳳強，李夕兵，張偉. 基于Bayes判別分析方法的地下工程巖爆發(fā)生及烈度分級預(yù)測[J]. 巖土力學(xué)，2010，31（S1）：370-377.

GONG F Q，LI X B，ZHANG W. Rockburst prediction of underground engineering based on Bayes discriminant analysis method[J]. Rock and Soil Mechanics，2010，31（S1）：370-377.

[17] LI N，F(xiàn)ENG X D，JIMENEZ R. Predicting rock burst hazard with incomplete data using Bayesian networks[J]. Tunnelling and Underground Space Technology，2017，61：61-70.

[18] 劉劍，周宗紅，劉軍，等. 基于主成分分析和改進(jìn)Bayes判別的巖爆等級預(yù)測[J]. 采礦與巖層控制工程學(xué)報，2022，4（5）：16-26.

LIU J，ZHOU Z H，LIU J，et al. Prediction of rockburst grade based on principal component analysis and improved Bayesian discriminant analysis[J]. Journal of Mining and?Strata Control Engineering，2022，4（5）：16-26.

[19] PU Y Y，APEL D B，LINGGA B. Rockburst prediction in kimberlite using decision tree with incomplete data[J].?Journal of Sustainable Mining，2018，17（3）：158-165.

[20] GHASEMI E，GHOLIZADEH H，ADOKO A C. Evaluation ofrockburst occurrence and intensity in underground structures usingdecision tree approach[J]. Engineering with Computers，2020，36（1）：213-225.

[21] DONG L J，LI X B，PENG K. Prediction of rockburst classification using random forest[J]. Transactions of Nonferrous Metals Society of China，2013，23（2）：472-477.

[22] 劉慧敏，徐方遠(yuǎn)，劉寶舉，等. 基于CNN-LSTM的巖爆危險等級時序預(yù)測方法[J]. 中南大學(xué)學(xué)報（自然科學(xué)版），2021，52（3）：659-670.

LIU H M，XU F Y，LIU B J，et al. Time-series prediction method for risk level of rockburst disaster based on CNN-LSTM[J]. Journal of Central South University（Science and Technology），2021，52（3）：659-670.

[23] 田睿，孟海東，陳世江，等. 基于深度神經(jīng)網(wǎng)絡(luò)的巖爆烈度分級預(yù)測[J]. 煤炭學(xué)報，2020，45（S1）：191-201.

TIAN R，MENG H D，CHEN S J，et al. Prediction of intensity classification of rockburst based on deep neural network[J]. Journal of China Coal Society，2020，45（S1）：191-201.

[24] ZHOU J，LI X B，SHI X Z. Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vectormachines[J]. Safety Science，2012，50（4）：629-644.

[25] 邱道宏，李術(shù)才，張樂文，等. 基于模型可靠性檢查的QGA-SVM巖爆傾向性分類研究[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報，2015，23（5）：981-991.

QIU D H，LI S C，ZHANG L W，et al. Research on QGA-SVM rockburst orientation classification based on model reliability examination[J]. Journal of Basic Science and?Engineering，2015，23（5）：981-991.

[26] JIANG K，LU J，XIA K L. A novel algorithm for imbalance data classification based on genetic algorithm improved SMOTE[J]. Arabian Journal for Science and Engineering，2016，41（8）：3255-3266.

[27] LI T Z，LI Y X，YANG X L. Rock burst prediction based on genetic algorithms and extreme learning machine[J]. Journal of Central South University，2017，24（9）：2105-2113.

[28] 劉志祥，鄭斌，劉進(jìn)，等. 金屬礦深部開采巖爆危險預(yù)測的GA-ELM模型研究[J]. 礦冶工程，2019，39（3）：1-4.

LIU Z X，ZHENG B，LIU J，et al. Rockburst prediction with GA-ELM model for deep mining of metal mines[J]. Mining and Metallurgical Engineering，2019，39（3）：1-4.

[29] GAO W. Forecasting of rockbursts in deep underground engineering based on abstraction ant colony clustering algorithm[J]. Natural Hazards，2015，76（3）：1625-1649.

[30] PU Y Y，APEL D B，XU H. Rockburst prediction in kimberlite with unsupervised learning method and support vector classifier[J]. Tunnelling and Underground Space Technology，2019，90：12-18.

[31] FARADONBEH R S，HAGHSHENAS S S，TAHERI A，et al. Application of self-organizing map and fuzzy c-mean techniques for rockburst clustering in deep underground projects[J]. Neural Computing and Applications，2020，32（12）：8545-8559.

[32] 馮夏庭，陳炳瑞，張傳慶，等. 巖爆孕育過程的機制、預(yù)警與動態(tài)調(diào)控[M]. 北京：科學(xué)出版社，2013.

FENG X T，CHEN B R，CHEN C Q，et al. Mechanism， warning and dynamical control of rockburst evolution process[M]. Beijing：Science and Technology Press，2013.

[33] FENG G L，XIA G Q，CHEN B R，et al. A method for rockburst prediction in the deep tunnels of hydropower stations based on the monitored microseismicity and an optimized probabilistic neural network model[J]. Sustainability，2019，11（11）：3212.

[34] 張航. 基于深度學(xué)習(xí)的隧道微震信號處理及巖爆智能預(yù)警研究[D]. 成都：成都理工大學(xué)，2020.

ZHANG H. Research on microseismic signal processing of tunnel and intelligent early warning of rockburst based on deep learning[D]. Chengdu：University of Technology，2020.

[35] LI X，MAO H，LI B，et al. Dynamic early warning of rockburst using microseismic multi-parameters based on Bayesian network[J]. Engineering Science and Technology-an International Journal-Jestech，2021，24（3）：715-727.

[36] ZHAO H，CHEN B，ZHU C. Decision tree model for rockburst predi Ction based on microseismic monitoring[J]. Advances in Civil Engineering，2021：8818052.

[37] MA K，SHEN Q Q，SUN X Y. Rockburst prediction model using machine learning based on microseismic parameters of Qinling water conveyance tunnel[J]. Journal of Central?South University，2023，30（1）：289-305.

[38] LIANG W，SARI YA，ZHAO G，et al. Probability estimates of short-term rockburst risk with ensemble classifiers[J]. Rock Mechanics Rock Engineering，2021，54：1799-1814.

[39] LIU G F，JIANG Q，F(xiàn)ENG G L. Microseismicity-based method for the dynamic estimation of the potential rockburst scale during tunnel excavation[J]. Bulletin of?Engineering Geology and the Environment，2021，80：3605-3628.

[40] YIN X，LIU Q S，PAN，Y C， et al. A novel tree-based algorithm for real-time prediction of rockburst risk using field microseismic monitoring[J]. Environmental Earth Sciences，2021，80：504.

[41] JIN A，BASNET P M S，MAHTAB S. Microseismicity-based short-term rockburst prediction using non-linear support vector machine[J]. Acta Geophysica，2022，70（4）：1717-1736.

[42] LIANG W，SARI A，ZHAO G，et al. Short term rockburst risk prediction using ensemble learning methods[J]. Natural?Hazards，2020，104：1923-1946.

第一作者：馬金剛（1997—），男，碩士研究生，研究方向為安全工程。E-mail：1572323673@qq.com。

通信作者：豐光亮（1987—），男，博士，副研究員，博士生導(dǎo)師，江西省“雙千計劃”創(chuàng)新領(lǐng)軍人才，研究方向為微震/聲發(fā)射監(jiān)測、巖爆預(yù)警及控制。E-mail：glfeng@whrsm.ac.cn。

（責(zé)任編輯：吳海燕）