基于遗传算法-深度神经网络的分布式光纤监测工作面矿压预测

煤层开采过程中的工作面矿压分析与预测,对煤矿顶板管理与安全生产具有重要意义。然而,工作面开采引起的围岩移动和变形影响着矿压预测的准确度。为了提高工作面来压位置预测的精度,以分布式光纤监测采动覆岩变形的频移数据为基础,引入门控循环神经网络(gated recurrent neural networks, GRU),建立了遗传算法(genetic algorithm, GA)-GRU-反向传播(back propagation, BP)的工作面来压位置预测模型。将光纤频移值的统计特征融合工作面推进距离等因素作为特征向量,并采用GA对GRU及BP网络的超参数寻优。实验结果表明:预测模型的决定系数为98.7%,平均绝对误差为1.224 cm,均方根误差为1.769 cm,预测的准确性高,为工作面矿压预测提供了新的方法。