基于相空间重构与深度学习的冲击地压矿井时间序列b值趋势

• Published in: 煤炭学报 Vol. 48; no. 5; pp. 2022 - 2034
• Main Authors: 崔峰, 何仕凤, 来兴平, 陈建强, 孙秉成, 贾冲, 高远江
• Format: Journal Article
• Language: Chinese
• Published: 西安科技大学教育部西部矿井开采及灾害防治重点实验室,陕西西安 710054 01.05.2023; 自然资源部煤炭资源勘查与综合利用重点实验室,陕西西安 710021%西安科技大学能源学院,陕西西安 710054; 西安科技大学教育部西部矿井开采及灾害防治重点实验室,陕西西安 710054%国家能源集团新疆能源有限责任公司,新疆乌鲁木齐 830027; 西安科技大学能源学院,陕西西安 710054
• Subjects: 预警; deep learning; LSTM; rock burst; phase space reconstruction; 相空间重构; 冲击地压; 深度学习; b value; b值; pre-warning
• ISSN: 0253-9993
• DOI: 10.13225/j.cnki.jccs.2022.0618

TD324; 冲击地压是制约煤炭安全高效开采的重大灾害之一,实现冲击地压的智能化预警是保障煤矿智能安全开采的关键路径.b值作为监测冲击地压的有效指标,掌握矿井开采过程中b值演化趋势对冲击地压的及时预警具有重要意义.为此基于相空间重构(PSR)与深度学习提出了对矿井开采中时间序列b值的短期预测方法,运用相空间重构技术将卷积神经网络识别及降噪后的b值映射到高维空间,混合遗传算法(GA)优化的长短期记忆网络(LSTM)学习高维数据特征构成b值预测模型(PSR-GA-LSTM).实例结合冲击地压矿井宽沟煤矿W1123综采工作面,计算了降噪后b值的重构参数且实现了数据的重构.评价了不同模型的预测性能并对最优预测模型进行了实例分析.研究结果表明:时间序列b值经过降噪技术处理后,能增强模型对于b值趋势特征的学习能力和降低噪点对于冲击前兆信息的干扰;时间序列b值经过相空间重构及长短期记忆网络的超参数得到优化后,模型的预测精度能得到明显提升;较其他模型相比PSR-GA-LSTM的残差波动范围最小稳定在0.005以内,其误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为0.001 51、0.001 33、0.29％都低于其他模型;PSR-GA-LSTM模型经过时间序列b值训练后,所预测的b值趋势蕴含着冲击前兆信息,能预先对冲击事件的发生提供b值预警指标.该模型对于匀速推进的冲击地压矿井b值趋势发展有着较好的预测能力,所用方法可为在冲击地压时间上演化发展的预测预警研究提供借鉴与参考.