采掘工作面中的隐伏地质构造是影响煤矿安全生产的主要因素。准确预测掘进面方地质情况,提前布局支护和防突措施,保障煤矿安全高效生产极为重要。本文分析了目前地质构造识别的局限性,重点研究了深度学习与机器学习算法。论文提出了基于卷积神经网络的槽波地质构造分类识别模型以及小断层位置边界预测模型。模型构建过程主要分为槽波数据集的建立、模型训练和识别预测三个阶段。槽波数据集的建立阶段,首先研究了采空区、冲刷带、断层及陷落柱四种地质构造的形态特征,以及其对周围煤层及围岩的影响。在COMSOL软件中构建了四种地质构造模型,小断层构建了两组不同位置间隔的模型。设置19×3相控发射-接收阵,以雷克子波为发射源,通过控制各震源位置,间接控制各震源的相位,改变总的发射角,建立了槽波回波信号数据集。充分考虑到所收集的原始数据值相差较多且数据维度较大,在模型训练之前对数据进行了标准化及特征提取等预处理操作,并对数据集进行了划分。模型训练阶段,本文提出的基于卷积神经网络的槽波地质构造分类识别模型,在经典模型LeNet-5的基础上构建。首先通过交叉验证寻找模型的最优层数和节点数,确定模型初步网络结构后,分析了批尺寸、最大迭代次数和学习率三个参数对分类准确度的影响,然后通过梯度下降法对网络参数进行优化,并结合L2参数正则化策略和Dropout技术防止模型的过拟合现象,最终确定了基于CNN的地质构造分类识别模型。小断层位置识别模型在分类识别模型上微调构成。分类预测阶段,把未参与模型训练的测试集槽波数据输入到构建好的模型中,输出该槽波信号向量所对应的构造类别,从而实现地质构造类型及位置的预测。论文最后验证分类识别模型及位置预测模型的有效性和可靠性。在400个随机槽波信号样本中,分类预测准确率为94.0%,模型损失误差为0.47。断层位置间隔在10 m～20 m之间的准确率达到91.0%,位置间隔≤5 m的准确率达到了 89.2%。然后对比了K近邻算法、支持向量机、随机森林、朴素贝叶斯四种机器学习算法和本文所构建算法模型的分类准确度和位置识别结果。结果显示,本文所构建的算法模型识别预测结果都明显优于其他四种算法。通过与传统方法在预测精度和处理复杂度上的对比进一步证明了本文算法模型的优势。由此可见,基于卷积神经网络的槽波地质构造识别模型预测精度较高,可用于槽波地质构造的识别预测。