WSD-SVM在工作面底板破壞深度微震事件自動識別中的應用

摘 要：為解決煤礦微震事件識別中效率低、精度低、可靠性差的問題，將小波散射分解變換與支持向量機相結合，構建微震事件的WSD-SVM智能識別模型。首先，通過小波散射分解變換將微震監測數據分解成高、低頻部分，并計算得到小波散射系數，構成散射特征矩陣；然后，選擇70%的數據輸入支持向量機模型進行訓練，用得到的識別模型對其余30%的數據進行測試驗證，獲得識別結果。將山西保德煤礦某工作面微震監測時序數據作為實例，結果表明：WSD-SVM模型能夠自動識別全部6個微震事件，用時1.651 s；而傳統STA/LTA算法雖然僅用時0.731 s，但未能有效識別出其中的3個低信噪比事件，WSD-SVM模型的自動識別精度高于STA/LTA算法模型識別的精度，但需要較長的計算時長。小波散射分解變換方法的引入能夠有效實現監測數據降維，大幅提高識別精度，為微震事件的自動識別提供了新思路。關鍵詞：微震監測；小波散射分解；特征提取；支持向量機；自動識別中圖分類號：TD 163；TN 911.7

Application of WSD-SVM in micro-seismic events automatic recognition of the damage depth of working face floor

FAN Xin¹，ZHAO Xiaoguang¹，TANG Shengli¹，XIE Haijun¹，CHENG Jianyuan²，WANG Yunhong²，WANG Pan^1，2

（1.College of Geology and Environment，Xi’an University of Science and Technology，Xi’an 710054，China；2.Xi’an Research Institute（Group） Co.，Ltd.，China Coal Mine Technology and Engineering，Xi’an 710077，China）

Abstract：In order to solve the problems of low identification efficiency and accuracy of micro-seismic events and poor reliability in a coal mine，the wavelet scattering decomposition transform method and support vector machine are combined to construct a WSD-SVM auto recognition model.Firstly，the micro-seismic monitoring data are decomposed into high and low frequency parts through the wavelet scattering decomposition transform，and the wavelet scattering coefficients are calculated to achieve the scattering feature matrix;Then，70% of the input data is selected for training SVM model，and the remaining 30% is tested and verified with the trained model to obtain the recognition results.The time sequence data of a working face of Baode coal mine in Shanxi Province is taken as an example.The results indicate that the model can automatically identify all the 6 microseismic events in the genuine signals，taking 1.651 s.The results indicate that the model can automatically identify all the 6 microseismic events in the genuine signals，taking 1.651 s.When the STA/LTA method is used，only 3 events can be recognized，taking 0.731 s，while the WSD-SVM model has a higher automatic recognition accuracy than the contrast model，requiring a larger time consumption.The introduction of the wavelet scattering decomposition transform method can effectively reduce the dimension of the monitoring data and greatly improve the identification accuracy，which provides a new idea for the automatic identification of micro-seismic events.

Key words：micro-seismic monitoring；wavelet scattering decomposition；feature extraction；support vector machine；automatic recognition

0 引 言

作為中國的主體能源和重要化工原料，煤炭在國民經濟中占有重要的戰略地位^[1]。在開采過程中，瓦斯、水害等事故均與地質條件有密切關系^[2-4]，在煤礦重（特）大事故中占比約為90%^[5-6]。隨著煤炭開采向深部延伸^[7-8]，更多的復合因素地質災害將愈發頻繁。作為煤礦智能化的技術支撐，地質保障技術不僅貫穿于煤礦生產的整個生命周期^[9-10]，還在災害防治、隱蔽致災因素探查、煤炭智能開采等方面發揮著關鍵作用，是實現煤炭資源安全高效智能綠色開采的基礎和前提^[11]。但目前中國煤炭地質保障基礎理論研究薄弱，仍存在地質信息探測精度不足、動態信息監測困難、多源信息融合不夠等問題^[12]。

目前，微震監測技術作為礦井地質信息動態監測中的重要手段，被廣泛應用于工作面含水層涌水機理的研究和工作面裂隙發育高度監測預警等工程領域。微震監測技術具有監測范圍大，實時、動態、遠程、長期監測等特點，可對導水通道的“動態”破裂失穩過程和活化規律進行實時監測。在對底板破壞深度監測中，能直接對破裂點進行監測和定位，對安全高效開發深部煤炭資源具有重要意義^[13-17]。

微震監測技術要實現對底板導水通道破裂點的精確定位，就要對微震監測信號中的事件信號進行有效提取。因此，微震信號的自動分類識別成為提高自動定位精度與效率的重要因素之一。近年來，國內外研究人員針對微震信號特征提取和自動識別等問題，提出一些新的解決方法，在頁巖氣開發領域，JEFFREY等提取了微震事件的時長、頻域和統計特征，并基于主成分分析法構建了微震事件分類識別模型，識別精度達到90%以上，取得良好效果^[18]。礦山微震信號識別領域的相關研究目前處于發展階段，ZHU等利用AIC算法對微震信號的P波和S波進行識別^[19]。朱權潔等構建了微震信號的小波包能量特征和分形特征向量，利用SVM模型對爆破、機械振動和巖石破裂這3種波形進行分類^[20-21]。以上研究在一定程度上提高了信號的識別精度和效率，而在識別特征和模型的選擇以及識別精度方面受到了一定的限制，需要進一步進行優化。

與前述研究思路不同，筆者提取了煤礦微震信號波形的特征并構成特征矩陣，降低了原始信號維數，進而建立了基于小波散射分解和SVM分類的識別模型，結合神東煤炭集團公司山西保德煤礦具體實例進行應用，檢驗模型的效果。

1 WSD-SVM機分類理論

1.1 小波散射分解

小波散射分解（Wavelet Scattering Decomposition，WSD）由小波變換發展而來，它解決了小波變換隨時移變化的缺陷，是一種兼具平移不變性和局部形變穩定性的信號分析和特征提取方法^[22]。對小波變換進行取模運算得到算子|W|，與輸入信號做卷積可得到小波模變換算子，見式（1），其中φ為低通濾波器，ψ_j為高頻小波。

|W|（x）=（x*φ，|x*ψ_j|） "（1）

對輸入信號低通濾波部分可記為S_m（x）=x*φ，具有平移不變性；對非線性小波變換取模，記為U_j（x）=|x*ψ_j（x）|，表示在尺度j上的高頻信息，具有形變穩定性。故小波散射變換0階的低頻信息（散射系數）和高頻信息分別為

S₀（x）=x*φ

U₁（x）=|x*ψ_j1| "（2）

將0階高頻信息部分U₁（x）作為一階散射變換的輸入，可得

|W₁||x*ψ_j1|=（|x*ψ_j1|*φ，||x*ψ_j1|*ψ_j2|） "（3）

則一階散射系數

S₁（x）=|x*ψ_j1|*φ "（4）

可見，小波散射變換的過程可簡要描述為：在小波模算子|W|上進行散射變換迭代，卷積計算m次的小波模變換U_jx并輸出散射系數S_mx。

1.2 支持向量機原理

支持向量機（Support Vector Machine，SVM）是一種基于統計學習理論的機器學習算法^[23-24]，它主要用于解決高維、小樣本以及非線性模式識別問題。支持向量機算法是將輸入特征映射到核空間，找到一個最優分類超平面，進而轉化為求解樣本數據分類間隔最大化的問題。相比于其它機器學習算法，它具有學習速度快、泛化能力強等優勢^[25]。

以數據的二分類模型為例，如圖1所示，一類數據用☆表示，另一類用○表示，最優超平面將數據點分成了2類，同時得到最大分類間隔。為求解該問題，引入Lagrange函數。

式中 α_i＞0，得到最優分類函數為

2 WSD-SVM分類模型

小波-支持向量機屬于監督機器學習分類算法的一種，為訓練得到支持向量機模型，需要對微震監測原始時間序列數據進行小波散射分解，得到散射系數，然后由散射系數構成特征矩陣，將特征矩陣作為測試輸入數據集進行微震信號分類，WSD-SVM分類模型流程如圖2所示。

WSD-SVM分類模型具體實現過程為

1）樣本選擇及標簽化。為保證有效訓練得到分類模型，需要選擇包含清晰波形和明顯起跳點的微震信號，同時選擇相同數量的噪聲信號組成訓練數據集，并將微震事件信號標記為“1”，噪聲信號標記為“2”。

2）參數初始化及特征提取。支持向量機參數初始化，這些參數包括時不變尺度、變換次數和質量因子等。相關文獻已證明Linear核函數的良好性能，因此選擇Linear核函數。將訓練數據集和確定的時不變尺度、變換次數和質量因子作為輸入，計算得到信號的散射系數，進而構成特征矩陣。

3）交叉驗證。通過交叉驗證，可以避免模型訓練過程中的過擬合，提高模型性能。考慮到計算效率，交叉驗證次數不宜超過5次。

4）支持向量機分類。通過隨機選擇訓練數據集中70%的數據進行模型訓練，然后將其余30%的數據輸入已得到的模型進行測試，驗證模型的分類性能。

3 實例應用與分析

以山西保德煤礦某工作面為實驗場，利用高精度微震監測技術對該工作面底板破壞深度進行監測。為改善微震監測效果，需優化微震監測臺網布置方式。常規方法僅在地面或者井下單一布置臺網方式，具有空間數據采集的局限性。“井-孔”聯合臺網布置方式，如圖3所示，從根本上解決了Z坐標數據缺失的問題，但是具體如何布置監測臺網，也需要根據實際現場條件優化布置。結合保德煤礦測區的實際地形、地質條件，本次監測共設計物理測點34個，見表1，表2，其中該工作面兩側巷道各14個，兩側巷道鉆孔內各布置3個。

本次微震監測共持續92 d，共接收到微震事件7 102個，剔除信噪比低、計算誤差大的3 847事件，剩余事件中包含底板事件3 255個。表2是對3 255個微震事件按深度每隔5 m統計的微震事件個數，發生在標高 647～682 m內微震事件占全部底板微震事件的99.24%，見表3，因此底板的破壞深度為底板以下30 m，其中在標高 672～667 m內微震事件最多，這個深度區間主要在底板區域的10～15 m。

為進一步驗證文中算法的有效性和可靠性，共隨機選取72道原始數據（事件信號和噪聲信號各36道），微震事件信號波形示例如圖4所示。截取其中總時長4 s的微震信號片段作為原始時變序列數據（圖5）進行實驗。由于監測分站工作環境復雜，極易受到干擾，因此，采集到的信號數據信噪比偏低，經過軟件分析，該原始序列中共包含6個事件，其中E1和E4波形完整清晰，信號能量強，易于直接識別；而另外4個事件均受到不同程度的噪聲干擾。

通過自編程序分別從微震事件信號和噪聲信號中隨機抽取70%的信號，計算其對應的散射系數，構成散射系數特征矩陣，再將特征矩陣輸入到支持向量機模型中進行訓練；剩余30%的信號輸入到訓練好的分類模型中進行驗證，疊加各道的預測值，得到最終分類識別結果。為體現該模型的識別效果，利用傳統的時窗比法（Short Time Average/Long Time Average，STA/LTA）對該序列進行事件識別，作為實驗對照組。不同模型的識別結果，見表4，傳統的時窗比法仍然在計算速度上有一定優勢，但其依賴閾值選取的不足，使得在低信噪比信號中自動識別事件的準確率較低；而WSD-SVM模型雖然犧牲了一定的計算時間，但在低信噪比信號的事件自動識別準確率上具有優勢。

4 結 論

1）小波散射分解能夠分離出微震監測時序信號中的高頻和低頻成分，計算得到的小波散射系數能構成特征矩陣，用于支持向量機模型訓練。

2）WSD-SVM識別模型能夠有效識別低信噪比微震監測數據中的事件信號，與常規識別方法相比，識別精度有顯著提高。

3）該模型能夠對煤礦底板破壞深度中產生的微震事件進行有效識別，為增強該模型的運算效率，需要進一步降低特征矩陣維數，研究對應的核函數來改進分類模型，進而對微震事件進行高效、自動識別。

參考文獻（References）：

[1] 柳寧，趙曉光，解海軍，等.榆神府地區煤炭開采對地下水資源的影響[J].西安科技大學學報，2019，39（1）：71-78.

LIU Ning，ZHAO Xiaoguang，XIE Haijun，et al.Influence of coal mining on ground water resources in Yushenfu Area[J].Journal of Xi’an University of Science and Technology，2019，39（1）：71-78.

[2]伍永平.大傾角煤層開采“頂板-支護-底板”系統穩定性及動力學模型[J].煤炭學報，2004，29（5）：527-531.

WU Yongping.Dynamic model and stability of system “roof-support-floor” in steeply dipping seam mining[J].Journal of China Coal Society，2004，29（5）：527-531.

[3] 袁亮.高瓦斯礦區復雜地質條件安全高效開采關鍵技術[J].煤炭學報，2006，31（2）：174-178.

YUAN Liang.Key technique to high efficiency and safe mining in highly gassy mining area with complex geolo-gic condition[J].Journal of China Coal Society，2006，31（2）：174-178.

[4] 董書寧，郭小銘，劉其聲，等.華北型煤田底板灰巖含水層超前區域治理模式與選擇準則[J].煤田地質與勘探，2020，48（4）：1-10.

DONG Shuning，GUO Xiaoming，LIU Qisheng，et al.Model and selection criterion of zonal preact grouting to prevent mine water disasters of coal floor limestone aquifer in North China type coalfield[J].Coal Geology amp; Exploration，2020，48（4）：1-10.

[5]董書寧.以科技創新支撐煤炭安全高效綠色開采[N].中國煤炭報，2019-12-19（02）.

DONG Shuning.Scientific and technological innovation supports safe efficient and green coal mining[N].China Coal News，2019-12-19（02）.

[6] 虎維岳.深部煤炭開采地質安全保障技術現狀與研究方向[J].煤炭科學技術，2013，41（8）：1-5.

HU Weiyue.Study orientation and present status of geological guarantee technologies to deep mine coal mining[J].Coal Science and Technology，2013，41（8）：1-5.

[7]謝和平，錢鳴高，彭蘇萍，等.煤炭科學產能及發展戰略初探[J].中國工程科學，2011，13（6）：44-50.

XIE Heping，QIAN Minggao，PENG Suping，et al．Sustainable capacity of coal mining and its strategic plan[J]．Engineering Sciences，2011，13（6）：44-50.

[8] 何滿潮，朱國龍．“十三五”礦業工程發展戰略研究[J]．煤炭工程，2016，48（1）：1-6.

HE Manchao，ZHU Guolong.Research on development strategy of mining engineering in the Thirteenth Five-year Plan[J]．Coal Engineering，2016，48（1）：1-6.

[9] 王顯政.我國煤礦安全生產50年回顧與展望[J].煤礦安全，2020，51（10）：1-4.

WANG Xianzheng.Review and prospect of China coal mine safety production in the past fifty years[J].Safety in Coal Mines，2020，51（10）：1-4.

[10]吳基文，趙志根.我國煤礦礦井地質工作發展階段概述[J].中國煤炭地質，2010，22（11）：26-28.

WU Jiwen，ZHAO Zhigen.Development stages of coalmine mining geological works in China[J].Coal Geology of China，2010，22（11）：26-28.

[11]王雙明，段中會，馬麗，等.西部煤炭綠色開發地質保障技術研究現狀與發展趨勢[J].煤炭科學技術，2019，47（2）：1-6.

WANG Shuangming，DUAN Zhonghui，MA Li，et al．Research status and future trends of geological assurance technology for coal green development in western China[J].Coal Science and Technology，2019，47（2）：1-6.

[12]董書寧，劉再斌，程建遠，等.煤炭智能開采地質保障技術及展望[J].煤田地質與勘探，2021，49（1）：21-31.

DONG Shuning，LIU Zaibin，CHENG Jianyuan，et al.Technologies and prospect of geological guarantee for intelligent coal mining[J].Coal Geology amp; Exploration，2021，49（1）：21-31.

[13]段建華，閆文超，南漢晨，等．井-孔聯合微震技術在工作面底板破壞深度監測中的應用[J]．煤田地質與勘探，2020，48（1）：208-213，220.

DUAN Jianhua，YAN Wenchao，NAN Hanchen，et al.Application of mine-hole joint microseismic technology in monitoring the damage depth of working face floor[J].Coal Geology amp; Exploration，2020，48（1）：208-213，220.

[14]李志梁，李樹剛，林海飛，等.基于聲發射特征的覆巖采動裂隙演化規律研究[J].西安科技大學學報，2017，37（2）：159-163.

LI Zhiliang，LI Shugang，LIN Haifei，et al.Study of the dynamic evolution rules of mining fracture based on a"coustic emission technique[J].Journal of Xi’an University of Science and Technology，2017，37（2）：159-163.

[15]ZHU M，CHENG J，ZHANG Z.Quality control of microseismic P-phase arrival picks in coal mine based on machine learning[J].Computers amp; Geosciences，156，104862.Https：//doi.org/10.1016/j.cageo.2021.104862.

[16]朱夢博，王李管，劉曉明，等.基于波形參數的微震P波到時拾取值質量控制方法[J].巖土力學，2019，40（2）：767-776.

ZHU Mengbo，WANG Liguan，LIU Xiaoming，et al.Quality control method for microseismic P-wave phase pickup value based on waveform parameters[J].Rock and Soil Mechanics，2019，40（2）：767-776.

[17]ZHU M B，CHENG J Y，WANG L G.The effect of P and S-phase arrivals on the accuracy of microseismic source location[J].Journal of Applied Geophysics，2019，164：130-139.

[18]TAN J F，STEWART R R，WONG J．Classification of microseismic events via principal component analysis of trace statistics[J]．CSEG Recorder，2010（1）：34-38．

[19]ZHU M B，WANG L G，LIU X M，et al.Accurate identification of microseismic P and S-phase arrivals using the multi-step AIC algorithm[J].Journal of Applied Geophysics，2018，150：284-293.

[20]朱權潔，姜福興，于正興，等．爆破震動與巖石破裂微震信號能量分布特征研究[J]．巖石力學與工程學報，2012，31（4）：723-730．

ZHU Quanjie，JIANG Fuxing，YU Zhengxing，et al．Study on energy distribution characters about blasting vibration and rock fracture micro-seismic signal[J]．Chinese Journal of Rock Mechanics and Engineering，2012，31（4）：723-730．

[21]朱權潔，姜福興，尹永明，等．基于小波分形特征與模式識別的礦山微震波形識別研究[J]．巖土工程學報，2012，34（11）：2036-2042．

ZHU Quanjie，JIANG Fuxing，YIN Yongming，et al．Classification of mine microseismic events based on wavelet-fractal method and pattem recognition[J]．Chinese Journal of Geotechnical Engineering，2012，34（11）：2036-2042．

[22]BRUNA J，MALLAT S.Invariant scattering convolution networks[J].IEEE transactions on pattern analysis and machine intelligence，2013，35（8）：1872-1886.

[23]VAPNIK V N.The nature of statistical learning theory[M].New York：Springer-Verlag，1995.

[24]厙向陽，崔文強.改進的并行SVM回歸算法[J].西安科技大學學報，2017，37（2）：299-304.SHE Xiangyang，CUI Wenqiang．Analysis of target tracking algorithm of preferred evolutionary under constraints［J］．Journal of Xi’an University of Science and Technology，2017，37（2）：299-304．

[25]汪海燕，黎建輝，楊風雷.支持向量機理論及算法研究綜述[J].計算機應用研究，2014，31（5）：1281-1286.WANG Haiyan，LI Jianhui，YANG Fenglei．Overview of support vector machine analysis and algorithm[J].Application Research of Computers，2014，31（5）：1281-1286．

（責任編輯：劉 潔）