基于深度学习的LSTM-GRU复合模型矿井涌水量预测方法研究
连会青
李启兴
王瑞
夏向学
张庆
黄亚坤
任正瑞
康佳
华北科技学院 河北省矿井灾害防治重点实验室,河北 三河 065201
摘要：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(R2)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.
关键词：矿井防治水矿井涌水量预测LSTM-GRU网络模型ARIMA模型LSTM模型
分类号：TD745(矿山安全与劳动保护)
资助基金：国家自然科学基金(51774136)国家自然科学基金(51974126)中央高校基本科研业务费资助项目(3142022003)中央高校基本科研业务费资助项目(3142014018)中央高校青年教师基金资助项目(3142021004)
论文发表日期：2024-09-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 166-172 )
英文信息