基于深度学习的LSTM-GRU复合模型矿井涌水量预测方法研究

为了解决矿井涌水预测问题,引入深度学习理论,将长短期记忆网络(LSTM)和门控循环单元(GRU)进行结合,选取矿井涌水量为研究对象,建立一种LSTM-GRU的矿井涌水预测模型。以陕西某矿的矿井涌水量为样本数据,采用7∶3的比例将数据集划分为训练集和测试集,选择模型训练效果较好的梯度下降算法确定网络模型参数和正则化参数,为了证明LSTM-GRU模型的预测精度,同时将结果分别与传统的ARIMA模型和LSTM模型预测矿井涌水所得到的预测结果进行对比。结果表明:LSTM-GRU复合模型的平均绝对百分比误差(RMSE)为70.51,均方根误差(MAE)为53.4,平均绝对误差(MAPE)为2.80%,可决系数(R^(2))为0.86,具有较高的预测精度和可靠性,预测效果优于传统的ARIMA模型和LSTM模型。

基于多方法耦合的矿井突水水源识别方法研究

为有效预防矿井突水事故发生,快速准确识别矿井突水水源是至关重要。以陕西某矿为例,选取K^(+)+Na^(+),Ca^(2+),Mg^(2+),Cl^(-),SO_(4)^(2-),HCO^(-)_(3)六种水化学成分指标作为矿井突水水源识别的样本变量。笔者采用主成分分析(PCA)结合Fisher判别分析法建立突水水源判别,利用不同的水化学特征样本中的27个数据为训练样本,对该方法进行检验和应用,并与传统的Fisher判别分析法的结果进行比较。研究结果表明:利用Fisher判别分析正确率为92.6%,而利用PCA与Fisher突水水源判别方法对样本数据进行判别,正确率达96.3%,并对10个预测样本数据进行判别,正确率100%,判别结果正确率较高,对煤矿突水水源识别具有指导意义。

深部煤层采动底板破坏带发育规律研究

煤矿深部煤层底板水害事故频发,严重影响工作面生产安全。以开滦某矿为例,利用理论计算、FLAC3D数值模拟和现场实测等多手段测试方法,研究深部煤层采动底板破坏带发育规律。采用理论计算方法分析了工作面底板破坏带的形成过程,并计算底板破坏带最大深度为35.47 m.数值模拟结果表明,工作面底板塑性区随工作面推进而扩大发育范围,最大深度35.26 m.采用井下俯斜钻孔注水实验实测了底板破坏带发育深度为33.45 m.三种方法得到的底板破坏带深度数据均可靠,为矿井深部煤层的安全开采提供技术支撑。