基于GRU-AM的全机械化采矿工作面的异常压力事件识别和动态预测方法
Kai Qin1,2,3, Longyong Shu1,2,3, Zhidang Chen1
1China Coal Research Institute, Beijing 100013, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
带有注意力机制 (AM) 模型的新型门式循环单元 (GRU) 准确预测智能长壁采矿中的异常层压. 该框架通过提供压力变化的早期警告来提高矿山安全.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
- 地质技术工程 地质技术工程
背景情况:
- 智能长墙采矿需要准确的层压力预测,以确保安全和效率.
- 现有的机器学习模型与阶层行为的时间依赖性和周期性质作斗争.
研究的目的:
- 开发一种新的框架,用于识别和预测智能长壁采矿面的异常层压.
- 通过捕捉复杂的时间特征来提高层压力预测的准确性和可靠性.
主要方法:
- 提出了一个与注意力机制 (AM) 集成的门式循环单元 (GRU),用于层压力预测.
- GRU-AM模型的设计旨在捕捉支阻力的短期波动和长期周期性模式.
- 评估模型性能与传统的LSTM和CNN模型相比,使用RMSE,MAE,MAPE和Pearson相关系数 (R) 等指标.
主要成果:
- 在单支和多支场景中,GRU-AM模型表现出高预测准确度.
- 在1分钟的步骤长度下,达到0.9741的异常压力识别准确度,在10分钟的步骤长度下达到0.9195的准确度.
- 在各种评估指标和预测任务中表现优于LSTM和CNN模型.
结论:
- 在智能煤矿采矿中,GRU-AM框架为实时异常层压力识别和早期预警提供了有效和可扩展的解决方案.
- 该模型的稳定性,计算效率和实际可靠性通过现场应用得到证实.
- 这种方法在智能采矿环境中显著提高了安全性和生产效率.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
2.1K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.6K
