煤田地质与勘探

作者：刘慧, 刘桂芹, 宁殿艳, 樊娟, 陈卫明,

关键词：矿井涌水量预测, 变分模态分解VMD, 深度学习, 深度置信网络DBN, 时间序列,

在煤矿采掘过程中，因矿井涌(突)水造成的人员和财产损失极为严重。为预防涌(突)水灾害事故的发生，掌握涌水量的发展变化规律，开展涌水预测预报尤其是矿井涌水量的精准预计尤为重要，是矿井水害防治中一项重要的工作任务。为提高矿井涌水量的预测准确性，针对随时间无明显变化规律的涌水量序列，提出了变分模态分解(Variational Mode Decomposition，VMD)和深度置信网络(Deep Belief Network，DBN)相结合的高效时间序列预测模型。首先通过VMD模态分解技术对原始数据进行去噪，将原始矿井涌水量时间序列分解为若干个本征模态函数(Intrinsic Mode Function，IMF)分量，使各个IMF分量都具有原始时间序列在不同时间尺度下的统计学特征量，降低了原始时间序列的强震荡性和非稳定性。其次针对每个IMF分量，分别建立各自的DBN模型进行训练学习，进而建立起相应的预测网络模型。最后融合各分量预测值得到最终结果。结果显示，VMD-DBN的E_\rmMA、E_\rmMAP、E_\rmRMS和\mathop R\nolimits^2 分别为9.23、0.76%、11.55和0.97，通过与GA-BP、LSTM、VMD-LSTM、RBM、VMD-RBM和DBN模型的预测值进行对比发现，VMD-DBN模型进行矿井涌水量预测具有更高的预测精度。VMD-DBN模型对于涌水量随时间无明显变化规律、且具有较强震荡性和非平稳的工况具有相对明显的优势，丰富了矿井涌水量预测方法，为智慧矿山的安全监测提供一种新型的技术手段，具有一定的理论价值和现实意义。

来源：2023年第6期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2023年第6期