时间卷积长短时记忆网络煤矿平硐变形多步预测
冀汶莉1
淡新2
马晨阳3
柴敬3
吴玉意4
秋风岐4
刘文涛4
雷武林5
刘永亮6
1.西安科技大学通信与信息工程学院,陕西 西安 710054;西安科技大学能源学院,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.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 7100544.中煤能源研究院有限责任公司,陕西 西安 7100005.陇东学院能源工程学院,甘肃 庆阳 7450006.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 710054
摘要：煤矿主平硐易受到外界因素的干扰,对其变形进行监测和预测十分重要.在光纤光栅监测平硐变形工程应用的基础上,提出了集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的时间卷积网络(Temporal Convolutional Network,TCN)结合长短时记忆神经网络(Long Short-Term-Memory Network,LSTM)的EEMD-TCN-LSTM平硐变形多步预测模型.首先,通过集成经验模态分解方法将包含有噪声的监测数据分解成若干本征模态函数(Intrinsic Mode Functions,IMF)分量.然后,计算IMF分量的模糊熵并选择有效IMF分量.最后,对不同有效分量序列利用TCN网络提取长时间维度特征,利用LSTM网络捕获非线性特征,叠加各分量预测结果.在预测模型的训练过程中采用多输出策略的多步预测方法,输出为未来多个时刻的光纤监测值.在不同光纤光栅传感器的监测数据上进行试验.结果表明:通过EEMD分解结合模糊熵法处理光纤监测数据,能在保留平硐变形信息的同时,过滤掉更多的噪声.与已有方法相比,预测方法在单步预测时,其评价指标决定系数(Coefficient of Determination,R2)可达到 0.99,平方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)分别降低 3.0%～10.0%和 5.0%～20.0%,预测结果更准确.多输出策略下预测方法超前 3步预测的R2 平均为 0.95,应变计的RMSE和MAE值至少降低了 75.0%和 31.5%,位移计的RMSE和MAE值至少降低了 50.0%和 66.7%,压力计的RMSE和MAE值至少降低了 85.7%和 62.3%,误差积累最低.集成经验模态分解的TCN-LSTM平硐变形多步预测方法,能够为巷道围岩变形预测提供技术基础.
关键词：平硐变形多步预测TCN-LSTM预测模型集成经验模态分解煤矿智能化
分类号：TD325(矿山压力与支护)
资助基金：国家自然科学基金(52264007)国家自然科学基金(51804244)
论文发表日期：2025-04-30
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：15( 176-190 )
英文信息