论文标题：Lightweight and Robust Cross-Domain Microseismic Signal Classification Framework with Bi-Classifier Adversarial Learning

期刊：Engineering

DOI：https://doi.org/10.1016/j.eng.2025.10.023

微信链接：点击此处阅读微信文章

近日，四川大学山区河流保护与治理全国重点实验室戴峰教授团队在Engineering发表了题为 “Lightweight and Robust Cross-Domain Microseismic Signal Classification Framework with Bi-Classifier Adversarial Learning” 的研究论文，并被遴选为该期刊2026年1月刊封底文章。四川大学山区河流保护与治理全国重点实验室为论文第一单位，戴峰教授为通讯作者，水利水电学院2022级博士研究生宋丁然为论文第一作者。

在高地应力与强动力扰动的复合环境下，深部地下工程极易发生岩爆等动力灾害，微震监测已成为保障工程安全、实现动力灾害实时预警的核心措施。然而，现有微震监测信号自动处理技术在实际工程部署中面临三大挑战：一是深部恶劣施工环境导致计算资源匮乏，迫切需要模型实现极致轻量化；二是现场强噪声干扰导致信号信噪比极低，对算法的抗噪能力构成挑战；三是工程初期标注数据缺失及数据分布的域漂移问题，严重限制了模型的跨项目迁移能力。

针对上述挑战，戴峰教授团队创新性地提出了轻量级、强鲁棒、熵正则、无监督领域自适应框架（LRE-UDAF），为岩体破坏微震信号的端到端精准识别提供了全新范式。在模型架构设计方面，团队针对工程现场边缘计算设备算力不足的痛点，设计了专用的轻量化特征提取网络。该网络集成了改进的ShuffleNet单元（ISNU）与双注意力自适应残差收缩模块（DAARSB）。通过引入自适应通道注意力与空间注意力机制，使模型能够主动“关注”有效信号特征并抑制非平稳噪声。这种设计在大幅压缩计算量的同时，实现了对复杂施工噪声的自适应降噪。在跨域迁移学习方面，为解决新工程项目缺乏标注样本的“冷启动”难题，团队构建了基于双分类器差异度量与熵正则化的对抗学习机制。该机制通过三阶段的极大极小博弈，强制模型学习与工程场景无关的“域不变特征”，从而将源域积累的先验知识无损迁移至目标域。

研究结果显示，LRE-UDAF在计算效率与识别精度上均显著优于当前工业界主流的轻量化深度神经网络。特别是在极低信噪比（SNR < 15 dB）的恶劣工况下，该模型展现出远超同类方法的抗噪鲁棒性。跨工程项目（例如，从深埋长大隧道至大型水电站地下厂房）的验证表明，该框架在不依赖任何目标域标签数据的前提下，将跨域识别准确率从77.7%显著提升至94.3%以上，展现了极强的泛化能力与工程应用价值。

该成果突破了传统方法对高质量数据与高性能算力的依赖，为解决深部地下工程动力灾害监测预警中“大数据、小样本”及“高噪声、弱算力”的核心矛盾开辟了全新的技术路径。该研究得到了国家自然科学基金、杰出青年科学基金及新基石科学基金会“科学探索奖”等的资助。

论文信息：

Dingran Song, Feng Dai, Yi Liu, Hao Tan, Mingdong Wei. Lightweight and Robust Cross-Domain Microseismic Signal Classification Framework with Bi-Classifier Adversarial Learning. Engineering, 2026, 56(1): 267-283

开放获取：

https://doi.org/10.1016/j.eng.2025.10.023