采场覆岩变形和来压判别的分布式光纤监测模型试验

为了研究煤矿工作面开采过程中,上覆岩层变形规律,将分布式光纤传感技术(BOTDA)应用于三维立体模型试验监测。制作了3 600 mm×2 000 mm×2 000 mm(长×宽×高)三维立体模型同时在模型内部预埋3根垂直光纤,模拟工作面的开采,工作面共开挖60次,累计推进2 400 mm,获得3根分布式光纤的180组布里渊(Brillouin)频移试验数据。提出了分布式光纤频移平均变化度的概念,采用光纤频移来表征采场上覆岩层变形垮落,判别工作面初次来压和周期来压情况;并将其测试结果和内部位移测试结果进行对比。结果表明,光纤频移平均变化度可以反映工作面上覆岩层变形、来压及其变化情况,该方法及其技术推广应用可以为上覆岩层变形信息化提供依据。

基于贝叶斯算法优化的CatBoost矿压显现预测

通过传统的监测手段获取矿压数据并采用统计学或机器学习算法对矿压进行预测已不能满足矿山智能化发展要求,需要寻求新的方法提升矿压数据监测及矿压预测的准确性和实时性。基于三维相似物理模型试验,搭建分布式光纤监测系统,沿模型走向和高度2个方向预埋分布式光纤,在模拟工作面开采过程中采集来压数据,并引入光纤布里渊频移平均变化度作为判断是否来压的指标;通过对光纤监测数据进行噪声去除、归一化及相空间重构等预处理,将一维初始监测数据转换为三维数据;使用贝叶斯算法对CatBoost算法进行迭代参数寻优,在达到最大迭代次数后将最优参数组合装载到CatBoost算法中,通过训练得到矿压显现预测模型。结果表明:贝叶斯算法比传统网格搜索法的迭代次数更少、误差更小;与随机森林(RF)、梯度提升决策树(GBDT)和极值梯度提升树(XGBoost)算法相比,CatBoost算法的预测精度更高、泛化能力更强;基于贝叶斯算法优化的CatBoost矿压显现预测模型能准确预测出测试集中的3次来压,且整体预测趋势与实测值较为吻合,平均绝对误差为0.0091,均方根误差为0.0077,决定系数为0.9339。

基于GRU和XGBoost的矿压显现规律预测

采用光纤传感器监测的光纤频移值对矿压显现规律进行表征的过程中,传感器采集的数据存在缺失现象,无法准确预测矿压显现规律。针对该问题,以千秋煤矿为工程背景,在假设光纤下半部分数据丢失的前提下,引入GRU(门控循环单元)和LSTM(长短期记忆网络)2种预测模型,对缺失的光纤频移值进行对比预测,得出GRU模型的收敛速度优于LSTM模型的收敛速度,说明基于GRU模型的缺失值处理方法较优。将原始完整的光纤频移值转换为可表征矿压显现位置的光纤平均频移变化度,引入XGBoost(极端梯度提升)模型和BP神经网络模型进行对比预测,XGBoost模型能准确预测出测试集中所有出现“尖峰”的位置,而BP神经网络模型只预测出2处“尖峰”位置,说明XGBoost模型的预测效果优于BP神经网络模型的预测效果。将预测出的光纤频移缺失值替换至缺失位置,形成“完整”光纤频移值数据,将该数据转换为光纤平均频移变化度后,采用XGBoost模型进行预测。验证结果表明:LSTM模型及GRU模型均可准确预测出光纤下半部分的数据,且GRU模型准确性较LSTM模型准确性高;使用XGBoost可准确预测出测试集中出现的周期来压;通过GRU模型预测出的缺失数据经整合至缺失位置后,使用XGBoost模型仍可进行有效的矿压预测。