煤田地质与勘探

作者：杜锋, 陈博, 王文强, 浦海, 杜雪明, 李国栋, 乔瑞, 李鑫磊, 徐杰, 曹煜,

关键词：综采工作面, 深度学习, Transformer模型, 时间序列, 矿压显现, 矿压预测,

背景矿压预测是顶板灾害预警和管理的重要手段，是智能化矿井安全生产的前提和基础。开采过程中综采工作面环境复杂多变，导致基于电液控制系统采集的支架压力数据分布差异较大，预测困难。方法基于Transformer的矿压预测模型，使用线性插值填补缺失的矿压值，并使用滑动窗口算法调整训练时的矿压数据结构；针对矿压数据的时序特性，构建融合时序特征的输入序列，利用多头注意力(multi-head-attention)机制动态计算权重，根据数据本身自适应地聚焦关键时间步，从而有效捕捉复杂的非线性时序依赖，显著提升特征表征与预测能力，最后使用迁移学习方法，完成对上、中、下工作面支架工作阻力预测，并搭建基于矿压大数据的智能分析及预测平台。结果和结论使用多头注意力机制代替神经网络捕捉全局矿压数据特征，比循环神经网络(recurrent neural network，RNN)和长短期记忆网络(long short-term memory，LSTM)具有更强长序列依赖能力和特征学习能力，能有效降低模型损失，更加适用于预测矿压，Transformer模型在测试集上的均方误差和平均绝对误差损失精度分别达到0.34%和2.57%。Transformer模型也具有较强的泛化能力，使用迁移学习方法微调后，能够有效降低模型损失，在迁移同工作面其他支架时具有更好的泛化效果，Transformer预测模型进一步验证在矿压预测问题的适用性和可行性。平台可视化显示系统可精准分析预测前后的来压次数、推进距离、来压判据和工作面矿压云图等关键参数，为顶板灾害预警乃至其他灾害预警提供新思路，也为矿井安全高效开采与智能化建设奠定了坚实基础。

来源：2026年第2期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2026年第2期