煤矿开采过程中产生的矿山微震会给矿井带来较大的损害。为了对矿山微震进行识别，并提升识别准确率，采用卷积神经网络，并引入了相似特征层来对其进行改进。由于微震数据集的样本量较小，难以满足模型的训练要求，采用迁移学习将地震数据特征迁移到微震数据中，并借此数据集对改进后的卷积神经网络进行预训练。为了进一步提升改进后卷积神经网络的特征获取能力，在现有改进的基础上又引入了长短时记忆网络和注意力机制，以获取数据的时序特征和完整的矿山微震识别模型。研究结果显示，在测试集上，研究设计矿山微震识别模型的耗时平均值为8.216 s,识别准确率最大值和最小值分别为99.87%和93.29%,皆明显优于对比矿山微震识别模型。矿山微震识别模型能够对矿山微震时破碎煤岩的纵波和横波速度进行较为准确的预测。研究设计的矿山微震识别模型性能较好，能够为当下煤矿开采过程中的微震识别提供技术支持。

内蒙古自治区地震局局长基金课题(2021ZF06)；中国地震局地震科技星火计划(XH200501)；

1 面向矿山地震灾害识别的改进SimCNN模型设计
1.1 SimCNN矿山微震识别模型设计
1.2 改进SimCNN矿山微震识别模型构建
2 改进SimCNN矿山微震识别模型的性能验证
3 结论

[1]张浩鸣,周煊超,阿那尔.基于改进SimCNN模型的矿山地震灾害识别研究[J].能源与环保,2024,46(10):27-33.