基于时序优化长短期记忆网络的采空区环境多参数预测

摘要

采空区煤自燃和有害气体涌出会影响矿井安全生产,采空区环境预测对隐患识别有重要意义.本文通过对采空区环境特征数据采集分析,确定了采空区绝对压力、环境温度、O₂浓度和CO浓度等环境参数的变化规律,利用皮尔逊相关系数计算环境特征参数的相关性.采用经验模态分解法（EMD）对环境特征序列进行自适应时频分解,利用核主成分分析法（KPCA）将分解后的数据映射到高维特征空间,建立了基于时序优化的长短期记忆神经网络（LSTM）采空区环境多参数预测模型,并对某煤矿五采区采空区环境参数进行预测.结果表明:采空区环境参数演化具有多尺度、非平稳的时序特性,EMD分解揭示了参数序列在不同时间尺度上的本征特征;O₂浓度波动与绝对压力变化表现出明显的相关性,CO浓度和温度序列则呈现出较强的非线性和突变特征;基于KPCA的降维处理保留了98.12%的数据信息量,显著降低了特征冗余.时序优化后的LSTM模型在预测性能上取得显著提升,相比优化前的模型,优化后模型的预测精度大幅提高,具有较高的泛化能力和鲁棒性,挖掘关联环境参数序列间的耦合关系,提高了采空区环境参数预测的精度.

关键词

煤自燃 / 大面积采空区 / 时间序列 / 特征提取 / 深度学习