通过深度学习和多层次的时间特征集成,通过深度学习进行液压支压力预测
Qiongfang Yu1,2,3, Chengcheng Sun4, Yi Yang4
1School of Electrical Engineering and Automation, Henan Polytechnic University, Jiaozuo, Henan, 454003, China. yuqf@hpu.edu.cn.
Scientific reports
|December 27, 2025
概括
这项研究引入了一种新的LSTM-PatchTST模型,用于准确地预测煤矿中的液压支压力. 该方法显著提高了预测准确度,提高了矿山的安全性.
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
- 时间序列分析时间序列分析
背景情况:
- 准确的液压支压力预测对于煤矿安全至关重要,特别是随着采矿深度和复杂性的增加.
- 现有的方法在动态和复杂的地下条件下精确预测压力方面面临挑战.
研究的目的:
- 通过融合多维特征来开发液压支压力的先进预测方法.
- 在具有挑战性的采矿环境中提高压力预测的准确性和可靠性.
主要方法:
- 开发了一种长短时间内存补丁时间融合变压器 (LSTM-PatchTST) 模型,集成皮尔森相关性分析和高斯移动平均线过.
- LSTM网络捕捉时间动态,而PatchTST模块通过自我注意机制模拟本地和全球依赖.
- 该模型预处理时间序列数据,提取动态特征,并将它们融合为基于深度学习的预测.
主要成果:
- 拟议的LSTM-PatchTST模型与纯粹的PatchTST和变压器+LSTM模型相比表现出更高的性能.
- 观察到根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 的显著减少,改善高达58.7%.
- 该模型在应用于来自不同煤矿的数据时,显示出强大的概括能力.
结论:
- 开发的LSTM-PatchTST方法为液压支压力预测提供了强大而准确的方法.
- 这一进步有助于提高深度和复杂的煤矿开采操作的安全措施和运营效率.
- LSTM和PatchTST的融合有效地解决了预测地下环境中的动态压力变化的挑战.
