一种基于深度学习的空间时间预测方法,用于区域采矿表面沉降的空间时间预测

科学领域:

• 地质技术工程 地质技术工程
• 采矿工程 采矿工程 采矿工程
• 人工智能的人工智能

背景情况:

• 煤炭开采造成的地表沉降对基础设施和安全构成重大风险.
• 目前用于沉降预测的深度学习 (DL) 方法通常与空间相关性和时间非线性有关.
• 准确预测表面沉降对于有效的矿业风险管理至关重要.

研究的目的:

• 开发一种新的深度学习 (DL) 方法,用于更好地预测煤矿开采造成的表面沉降.
• 解决现有的DL模型在捕捉沉降数据中的空间和时间复杂性的局限性.
• 提高表面沉降预测的准确性和可靠性.

主要方法:

• 空间数据分区使用K-means集群.
• 应用一个门循环单位 (GRU) 模型来分析非线性时间序列在隔壁中的沉降数据.
• 通过蛇优化 (SO) 提高全球模型准确度.

主要成果:

• 拟议的DL方法显著优于传统的长期短期记忆 (LSTM) 和GRU模型.
• 实现了高精度,其中99.1%的样本像素显示的绝对误差小于8毫米.
• 在捕捉沉降数据中的空间相关性和时间非线性方面表现出卓越的能力.

结论:

• 新的DL方法,结合K-means,GRU和SO,为预测煤矿表面沉降提供了更准确和可靠的方法.
• 这种技术通过更好地处理空间和时间数据特征,有效地解决了现有模型的局限性.
• 这些发现为提高安全性和减轻与采矿引起的表面沉降相关的风险提供了宝贵的工具.