机器学习模型能够利用声发射及断层带在实验室地震周期中的弹性特性变化，来预测实验室地震事件。要将这些模型应用于自然地震，需要检验它们在不同实验室条件和应力状态下的泛化能力。本研究表明，经过微调的卷积神经网络模型能有效地在不同实验条件之间实现迁移。我们的模型采用了来自自然语言处理的技术，包括解码器（decoder）机制，以捕捉声发射与断层应力之间的关系。通过在保持解码器权重不变的情况下微调CNN的回归头（regression head），我们成功地预测了多种实验条件下的实验室地震事件。经过微调后，在某种实验室断层结构上训练的CNN模型，可以预测另一种断层结构在不同滑移速率条件下的破裂时间和剪切应力。这些结果展示了基于实验室方法向不同条件迁移的潜力，最终可能实现对构造地震的预测与地震预报。