基于机器学习的覆岩离层注浆充填地表移动变形动态预测——以霍尔辛赫煤业3801工作面为例

摘要

覆岩离层注浆地表移动变形精准动态预测对地表建筑变形超前预警防护具有重要意义.考虑覆岩离层注浆地表移动变形直接影响因素，以工作面生产数据、离层注浆充填数据、地表移动变形数据等多源数据作为数据源，构建了基于GA遗传算法优化的CNN卷积神经网络-LightGBM覆岩离层注浆地表移动变形预测模型（GA-CNN-LightGBM模型，GCL模型）,同时以平均绝对误差(E_MAE)、均方根误差(E_RMSE)、决定系数（R²）和残差（ε）这4个指标来检验模型的可靠性，并在霍尔辛赫煤业3801工作面地表移动变形预测中进行了成功应用.结果表明：采用霍尔辛赫煤业3801工作面前期开采过程中收集到的多源数据对GCL模型进行训练，训练后GCL模型地表倾斜预测最大残差小于0.1 mm/m,E_MAE,E_RMSE分别为0.029,0.037 mm/m,预测值与实测值偏离程度较小；R²为0.967,模型拟合程度较高，满足动态预测要求.在霍尔辛赫煤业3801工作面地表储油罐区域地表倾斜预测应用中，GCL模型地表倾斜预测最大残差为0.075 mm/m,小于0.1 mm/m,E_MAE,E_RMSE分别为0.039,0.042 mm/m,R²为0.941,预测值与实测值偏离程度和模型拟合程度均证明模型具有较好的预测性能；3801工作面开采期间及开采完成后，储油罐实际最大倾斜小于储油罐预警值，GCL模型动态预测保障了中石化加油站在不停业情况下工作面的安全开采.研究成果能够为相关工程提供理论与技术支撑.

关键词

覆岩离层注浆 / 机器学习 / GCL模型 / 地表移动变形 / 动态预测