煤田地质与勘探

作者：王江宏, 刘硕, 王刚, 薛悟强, 李博凡,

关键词：矿井电阻率法, 时空建模, LSTM, 深度学习, 水害监测,

背景矿井电阻率法是煤矿水害监测的核心技术，然而传统方法受限于测点稀疏与空间分辨率不足，难以捕捉复杂地质条件下的动态电阻率变化。目的和方法针对这一难题，提出一种融合时空特征的深度学习预测模型，构建了基于长短期记忆网络(LSTM)的孔间电阻率预测框架，通过皮尔森相关性分析筛选关键空间测点，实现对未知区域电阻率的高精度预测。首先通过空间相关性热力图量化测点间电性关联，确定最优邻近点数量为5个，有效降低数据冗余并提升模型泛化能力。模型架构结合LSTM门控机制捕捉电阻率时序依赖，同时融合多测点空间信息，解决了传统模型对长序列梯度消失的敏感性问题。以鄂尔多斯唐家会煤矿 61304工作面为工程背景，基于底板定向孔监测数据，对比分析LSTM与传统循环神经网络(RNN)的预测性能。结果和结论LSTM 模型在平均绝对误差(EMA=0.058 2)、均方误差(EMS=0.005 2)和决定系数(R2=0.937 7)等指标上优于 RNN，且在 10% 噪声干扰下 R2 仅下降 0.02，验证了其鲁棒性。将LSTM模型应用于注浆过程早期、中期与后期的动态监测，通过对实测稀疏数据进行预测补全，获得了高密度的时空电阻率数据集。基于此高密度数据的反演成像结果证实，该方法能有效恢复低密度监测下被忽略的地质结构连续性，并成功识别出在低密度反演结果中无法显现的弱异常区域。本方法能够有效弥补传统监测的空间分辨率不足，为复杂地质条件下的水害动态监测与精准预警提供一种技术途径。

来源：2025年第8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8期