SBAS-InSAR与CNN-LSTM融合的石墨尾矿坝形变时空耦合分析与动态预警模型

摘要

石墨尾矿坝作为高势能堆积体，因石墨尾矿选矿工艺，使颗粒呈双峰结构分布，导致其内部受力情况及失稳机理复杂，滑坡风险高且难以预测。因此，通过短基线集干涉测量(SBAS-InSAR)技术反演石墨尾矿坝表面的时序形变特征，并结合监测数据构建卷积长短期记忆网络(CNN-LSTM)模型，以预测其形变趋势。首先，利用SBAS-InSAR技术处理2019年12月—2021年12月的60景SAR影像，获取研究区累计形变量和年均形变速率，通过对比现场GNSS同名监测点数据，并结合误差评价指标分析，验证InSAR监测精度；然后，分析降雨量与沉降量的关联特性，得出沉降量与降雨量呈周期性变化特征，揭示尾矿坝形变的内在机理；最后，构建CNN-LSTM模型，引入长短期记忆(LSTM)模型和双向循环神经网络(BiGRU)模型，通过误差指标及损失函数对训练及预测结果进行评价。结果表明：(1)尾矿坝顶部表现为沉降，坡顶点b沉降量为189.74 mm,由顶部外扩展，沉降量呈减小趋势，直至坡脚变为抬升，坡脚处点a、f抬升量分别为13.8 mm、26.8 mm;(2)SBAS-InSAR技术与全球导航卫星系统(GNSS)监测结果最大绝对误差4.67 mm,误差分布均匀，SBAS-InSAR技术对石墨尾矿形变监测满足精度要求；(3)降雨为尾矿坝形变主要影响因素，随石墨尾矿内含水量变化，形变呈周期波动特性；(4)对三种预测模型比较分析，可知CNN-LSTM模型损失函数训练集和测试集的曲线拟合度高，表明训练效果好，揭示了该模型预测石墨尾矿形变结果较优，6个特征点位预测误差指标显示，最大均方根误差小于2.06 mm,平均绝对误差小于1.60 mm,决定系数最大值0.89。因此，文章可为北方地区石墨尾矿灾害监测及预警提供技术支撑。

关键词

Sentinel-1A / SBAS-InSAR / 石墨尾矿库 / 形变智能识别 / CNN-LSTM