煤田地质与勘探

作者：刘譞, 姬亚东, 朱开鹏, 赵春虎, 李凯, 李超峰, 袁晨瀚, 李盼盼, 闫鹏珍,

关键词：矿井水害, 煤层顶板, 涌水量预测, 时域卷积网络, 长短期记忆网络, 支持向量机, 陕西彬长矿区,

背景矿井涌水量的准确预测对于煤矿水害防治、安全高效生产起着重要的作用。方法为构建适用于西部受巨厚砂岩含水层水害威胁矿井的涌水量预测模型，以受该种水害严重影响的陕西彬长矿区某典型矿井为研究对象，基于工作面回采进尺与涌水量数据之间的相关关系，选取其作为矿井涌水量时间序列预测的特征变量，提出基于时域卷积网络(temporal convolutional networks，TCN)的长短期记忆网络(long-short term memory，LSTM)−支持向量机(support vector machines，SVM)矿井工作面涌水量耦合预测模型，即TCN-LSTM-SVM模型。该模型首先通过TCN框架对原数据进行处理，提取回采进尺与涌水量之间的依赖关系和动态特征，随后将提取特征输出到后续的LSTM-SVM组合模型，以进一步捕捉回采进尺与涌水量之间的时序关系和特征。结果模型训练与预测结果显示：TCN-LSTM-SVM耦合模型的训练集、验证集和测试集的平均绝对误差( E_\mathrmM\mathrmA )为56.02~129.89 m3/h，平均绝对百分比误差( E_\mathrmM\mathrmA\mathrmP )为3%~7%，均方根误差( E_\mathrmR\mathrmM\mathrmS )为82.60~162.61 m3/h，决定系数( R^2 )为0.81~0.98，预测结果较BP神经网络、随机森林(RF)、Transformer等常用预测模型的准确度更高，并且避免了其中多数模型在验证集和测试集中出现的误差过大的情况。研究发现，该耦合模型既具备TCN模型的并行处理优势和多尺度特征提取能力，同时也具备LSTM-SVM组合模型优秀的预测性能和泛化能力，针对研究矿井的工作面涌水量预测与以往模型相比具有一定的优越性和适用性。结论研究成果为矿区相似地质条件的矿井涌水量预测提供了新的方法，对该矿地质条件类似的工作面涌水量预测以及防治水工作有一定的现实意义。

来源：2025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2025年第6期