基于混合信号分解和自适应损失函数的多任务预测框架，用于微地震时间序列数据

《International Journal of Rock Mechanics and Mining Sciences》：Multi-task prediction framework for microseismic time series data based on hybrid signal decomposition and adaptive loss function

微地震源参数多任务预测框架创新性地融合VMD-CEEMD双重分解与自适应皮尔逊损失函数，有效解决参数耦合、数据非平稳及极端事件量化难题，在 Sanshandao 金矿实验中实现R2>0.86，极端事件识别准确率达57%-87.5%。

　　

夏文豪|李阳|宋卫东|杜翠凤|张超|张驰|向卓志|冯建新

北京科技大学资源与安全工程学院，中国北京 100083

摘要

准确预测微震（MS）源参数是深部采矿中有效预警地面压力灾害的关键前提。然而，现有方法通常受限于单任务学习范式，这些范式忽略了参数之间的相关性，并且缺乏稳健的不确定性量化机制。为了解决这些挑战，本研究提出了一个新颖的多任务预测框架，其中包含了两个关键的方法创新。首先，开发了一种结合变分模态分解（VMD）和完整集合经验模态分解（CEEMD）的双重分解策略，以解决全局应力趋势与局部随机波动之间的二元对立。其次，引入了一种新型的Spearman相关性感知自适应Pinball损失函数，用于动态加权参数耦合，从而在非平稳条件下提高模型稳定性。在实际应用中，该框架作为一种稳健的早期预警工具，通过预测区间来量化风险。利用三山道金矿的数据进行验证，该模型在能量、矩、表观应力和时间间隔方面的决定系数（R2）值超过了0.86，显著优于基线LSTM模型。在极端事件预测方面，该框架在识别前5%的高风险事件方面的准确率达到了57%-87.5%，为深部地下工程的主动灾害预防和优化决策提供了可靠的支持。

引言

随着浅层矿产资源的日益枯竭，全球采矿作业逐渐向更深的深度推进。在超过800-1000米的采矿深度，岩体工程特性在高地质应力条件下发生了显著变化，采矿引起的扰动会破坏应力平衡并引发包括岩爆、顶板坍塌和结构倒塌在内的地质灾害。1, 2, 3, 4 地面压力灾害的突发性、随机性和危险性不仅严重限制了施工效率，还对工人和设备的安全构成了严重威胁。5 微震（MS）监测技术作为一种非接触式、实时和动态的三维空间监测方法，可以连续记录岩石断裂过程中释放的弹性波信号，具有广泛的监测覆盖范围、丰富的信息内容和敏感的响应特性。6, 7 然而，传统的MS监测分析方法主要依赖于专家经验和基本统计指标，通常仅限于事件后的评估，缺乏预测能力，8 从而限制了其在实际工程应用中的预警效果。

近年来，人工智能技术的快速发展为深部采矿和MS数据的智能分析提供了新的机会。早期的研究主要采用传统的机器学习方法进行岩爆风险等级预测：Zhou等人9利用随机梯度提升模型分析岩爆预测指标；Liang等人10应用包括随机森林和梯度提升决策树在内的集成学习方法构建岩爆预测模型；Pu等人11系统比较了十种机器学习算法在岩爆预测中的性能。然而，这些方法属于静态风险评估，仅基于当前的监测数据来确定岩爆风险等级，而无法预测MS参数的时间演变，因此预警效果有限。12, 13, 14。

为了实现从“事件后分析”到“事件前预警”的转变，研究人员开始探索基于深度学习的MS时间序列预测方法。Berhich等人15利用增强注意力机制的LSTM网络预测地震的时间、震级和位置；Wang等人16提出了一种基于一维卷积神经网络的微震能量级时间序列预测方法；Song等人17首次应用时空图卷积网络同时预测MS事件的时空特性；Cui等人18构建了VMD-SE-CEEMDAN-BO-CNNGRU混合模型用于MS时间序列预测；Lan等人19引入了MEA优化的BP神经网络进行微震能量预测。这些研究标志着MS监测从静态评估向动态预测的重要转变，为地面压力灾害的预防和控制提供了更充足的时间保障。20, 21, 22。

然而，当前的MS预测研究仍存在几个关键问题：（i）现有方法主要模拟单个源参数，忽略了来自同一岩石断裂过程的各种MS源参数之间的内在相关性，这些参数在其时间演变中表现出显著的耦合特性，23 单任务学习范式无法充分利用这些协同演变模式，导致预测精度有限，信息利用不足24, 25；（ii）MS参数的固有非平稳性、强噪声干扰和多尺度特性给传统单一分解方法带来了同时处理的重大挑战；（iii）有效的地面压力灾害预警需要点预测和不确定性量化，但现有研究对预测区间估计和极端事件捕捉的关注有限，限制了其在工程决策中的实际应用价值。26

为了系统地解决这些限制，本研究提出了一个包含三个关键创新的综合框架：（i）实施多任务学习范式，利用源参数之间的物理相关性进行协同预测，从而克服单任务限制27, 28；（ii）开发了一种结合VMD-CEEMD双重分解和TCN-LSTM的混合建模策略，有效将非平稳和受噪声污染的数据分解为可预测的组分，同时捕捉MS时间序列中的局部时间模式和长期依赖性；（iii）设计了一种创新的Spearman相关性感知自适应Pinball损失函数，实现不确定性量化，并提供精确的极端事件风险评估的概率预测。通过这种综合方法，本研究旨在为深部采矿作业中的地面压力灾害预警提供一个准确、稳健且具有风险意识的工具。

部分摘录

集成预测框架

所提出的多任务预测框架如图1所示，通过一个连贯的流程系统处理MS时间序列数据。首先，原始数据经过标准化，并使用滑动窗口方法结构化为输入-输出特征对。为了处理数据的非平稳性，该框架采用VMD-CEEMD双重分解策略，将每个参数的时间序列分解为更稳定的内在模态函数（IMFs）。随后，每个

源参数介绍

微震事件是在岩石断裂过程中产生的低能量地震现象，其源参数反映了岩石失效的基本机械特性和能量释放机制。34 这些参数包括应力释放（微震能量、能量指数）、非弹性变形（地震矩、体积应变势、表观体积）和应力调整（表观应力、应力下降）。

如图3所示，存在特定的功能关系

对偏态数据分布的对数1p校正

原始MS时间序列数据表现出显著的右偏态分布（图6），其偏度系数分别为E、M?、σa和Δt的22.69、5.65、15.56和3.78。这种分布反映了MS事件的物理特性：大多数事件释放的能量相对较小，而少数高震级事件形成了长尾。45 为了减轻模型对高频、低震级样本的过度关注，应用了对数1p变换（f(x) = ln(1+x)）。这种方法有效地

窗口长度优化

为了建立模型的稳健基线，我们首先确定了最佳的输入和输出窗口长度。该分析系统地检查了输入长度（$n\in \left\{10,20,30,40,50,60\right\}$和输出长度（$m\in \left\{1,2,3,4,5\right\}$对预测性能的影响，使用R2和MQL作为关键指标。

固定分位数性能分析和局限性

在工程实践中，MS监测中的极端事件通常代表采矿或地下工程环境中最危险的地质活动。这些高能量、高应力释放事件往往预示着岩体结构的重大变化或潜在的灾害风险。传统的MS预测方法主要关注整体预测精度，而在预测低频、高风险的极端事件方面能力有限。59

结论

本研究解决了深部采矿中微震（MS）时间序列预测中的数据非平稳性、参数耦合和不确定性量化等关键挑战。通过构建一个由自适应损失机制支持的混合预测框架，该研究旨在为岩石力学中的地面压力灾害预警提供方法论和实践上的见解。该框架使用三山道金矿的MS监测数据进行了验证。

(1)

VMD的集成

CRediT作者贡献声明

夏文豪：撰写——原始草稿、可视化、软件、方法论、形式分析。李阳：撰写——审阅与编辑、监督、资金获取、概念化。宋卫东：监督、资源、概念化。杜翠凤：监督、项目管理、方法论。张超：撰写——审阅与编辑、调查、数据整理。张驰：验证、软件。向卓志：软件、形式分析。冯建新：验证、调查。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢来自国家重点研发计划（编号：2022YFC2905005、2022YFC2905003）的财政支持。作者感谢所有匿名审稿人的深刻评论和建设性建议，以及参与本研究的所有用户。