微震数据对于冲击危险性分析极为重要，但一般情况下微震事件缺少危险与否的标签，同时模型设计较少考虑微震自身特征，由此导致了模型性能不足的问题。通过对某煤矿微震事件显现特征进行跟踪标定，获得了具有危险性标签的微震数据集，针对性提出了一种基于CNN-GRU模型的微震危险性分析方法，该方法考虑了微震前兆特征，利用微震监测数据的时间、地点和能量建立特征指标；将建立的初始数据集，在时间尺度上分为训练集、验证集和测试集，并对危险和非危险样本不平衡的问题进行处理；最后利用训练集对CNN-GRU模型进行训练，将在验证集上效果最好的模型用于测试，严格规范了模型的泛化能力。该方法在对某矿山的微震监测事件的危险性分析中取得了很好的效果，证明了在选取合适分析特征的基础上，利用深度学习方法对冲击危险状态进行分析是可靠的。

中国煤炭科工集团有限公司科技创新创业资金专项重点资助项目（2020-2-ZD001）；

1 算法框架
1.1 建立分析指标
1.2 数据集
1.3 CNN-GRU联合神经网络
2 实例应用
3 讨论
3.1 不同模型之间的对比分析
3.2 微震数据分析中特征选择的重要性
3.3 深度学习方法分析微震数据可行性
4 结语

李海涛,张海宽,齐庆新.考虑微震前兆特征的CNN-GRU冲击危险性分析模型[J].煤矿安全,2023,54(07):41-49.DOI:10.13347/j.cnki.mkaq.2023.07.006.