基于GRU和XGBoost的矿压显现规律预测
柴敬1
刘义龙2
王安义2
屈世甲3
欧阳一博4
1.西安科技大学能源学院,陕西西安 710054;西安科技大学西部矿井开采及灾害防治教育部重点实验室,陕西西安 7100542.西安科技大学通信与信息工程学院,陕西西安 7100543.天地(常州)自动化股份有限公司,江苏常州2130154.西安科技大学能源学院,陕西西安 710054
摘要：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.
关键词：矿压显现规律极端梯度提升算法XGBoostGRU光纤频移值光纤平均频移变化度
分类号：TD323(矿山压力与支护)
资助基金：国家重点研发计划(2018YFC0808301)国家自然科学基金(51804244)
论文发表日期：2022-01-10
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( 91-97 )
英文信息