基于EEMD-LSTM模型网络的露天矿边坡GNSS监测数据多尺度解析
高晗1
王可可1
马可1
王勇2
张凯1
1.中煤科工集团沈阳设计研究院有限公司,辽宁 沈阳 1100152.中煤科工集团沈阳设计研究院有限公司,辽宁 沈阳 110015;中国矿业大学(北京)地球科学与测绘工程学院,北京 100083
摘要：为了提升露天矿边坡GNSS监测数据的预测精度与稳定性,解决传统方法在处理复杂非线性时序数据时存在的模态混叠、噪声干扰及长期依赖特征捕捉不足等问题,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与长短期记忆网络(Long Short-Term Memory network,LSTM)融合的EEMD-LSTM模型.通过EEMD算法对原始监测信号进行自适应分解,生成多个本征模态函数(IMFs),有效分离噪声与异常突变信息,解决传统经验模态分解(Empirical Mode Decomposition,EMD)的模态混叠问题;利用LSTM网络对分解后的IMFs进行时序特征提取与训练,结合其门控机制优化长期依赖建模能力;通过改进的数据隔离流程(多次分解与独立预测)避免信息泄露,并采用多维度误差评价指标(MAE、MAPE、RMSE)验证模型性能.试验以黑龙江某露天矿GNSS监测数据为对象,采集 6 727 组位移数据,预测未来 30 d的变形趋势.结果表明:EEMD分解有效提取了高频噪声(IMF1、IMF2)与低频趋势分量(IMF8、IMF9),显著降低异常值对预测的干扰;模型在3D位移预测中表现最优,z方向精度最高(RMSE=0.017),而y方向存在系统性偏差,需进一步优化;改进的隔离流程使2D与 3D预测误差显著降低,验证了模型抗信息泄露能力.结合治理方案验证,模型预测结果与边坡稳定性计算(安全系数提升至 1.21)高度吻合,治理后监测点位移量稳定在 50 mm以内.将EEMD-LSTM模型应用于露天矿边坡GNSS监测场景,通过信号分解与深度学习结合,实现复杂时序特征的多尺度解析,为边坡灾害预警提供了高精度动态预测工具.
关键词：EEMD-LSTM边坡监测GNSS边坡稳定性分析边坡治理滑坡
分类号：TD824(矿山开采)
资助基金：中煤科工集团沈阳设计研究院有限公司重大科技资助项目(NKJ016-2023)新疆维吾尔自治区重大科技专项资助项目(2024A01002-4)
论文发表日期：2025-09-30
在线出版日期：2025-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：8( 44-51 )
英文信息