煤田地质与勘探

作者：赵誉兴, 李向文,

关键词：露天矿井, 涌水量预测, 双向循环神经网络, 全球预报系统, 地下水数值模拟系统, 深度学习,

目的在矿井实际生产过程开始前，准确预测涌水量对预防矿井潜在水害事故和保障安全生产具有重要的直接指导作用。方法为提升以大气降水为主要补给来源的露天矿井涌水量预测的准确性与稳定性，提出一种结合双向循环神经网络(bidirectional recurrent neural network，Bi-RNN)和地下水数值模拟系统(groundwater modeling system，GMS)的涌水量预测耦合模型。该模型通过对全球预报系统数据(global forecast system，GFS)提供的研究区内历史预报降水与实际降水之间差值的波动规律进行分析，利用Bi-RNN对预报降水数据进行校正，将校正后的降水数据输入GMS中以预测南北2个开采区的涌水量。同时，采用传统的大井法和补给模数大井法对开采区涌水量进行预测，并对比不同方法的预测结果。结果和结论结果表明：北部开采区耦合模型预测结果为294 m3/d，大井法预测结果为276.651~940.613 m3/d，补给模数大井法预测结果为287.241 m3/d；南部开采区耦合模型预测结果为1160 m3/d；大井法预测结果为3330.107~5090.944 m3/d，补给模数大井法预测结果为1108.575 m3/d。研究表明，所建立的耦合模型在预测露天矿井涌水量方面取得了一定成果，作为一种结合多数据源的预测方法具有一定优势。该模型为解决矿井涌水量问题提供了新的思路和技术支持，具有较高的理论价值和实际应用潜力。

来源：2024年第12期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2024年第12期