基于CNN-LSTM的煤矿瓦斯浓度时空特征预测模型

摘要

针对煤矿瓦斯浓度受采掘活动与通风条件等因素影响所呈现的复杂时空耦合特征，以及传统模型在时空关联性与预测精度上的不足，提出一种融合卷积神经网络（CNN）与长短期记忆（LSTM）的瓦斯浓度时空预测模型。以某矿1201综采工作面为例，首先采用小波分析对多监测点时序瓦斯浓度数据进行去噪；进而利用CNN提取监测点间的空间特征，并通过LSTM学习序列的长期时间依赖性，构建预处理-空间特征提取-时间特征捕捉-预测输出一体化模型。对比实验显示，该模型均方根误差（RMSE）为0.021，平均绝对误差（MAE）为0.015，决定系数R²=0.983，预测精度较单一模型提升18.6%～30.2%。结果表明，该模型能有效抑制矿压与噪声干扰，准确揭示瓦斯浓度的时空演化规律，为井下瓦斯灾害预警提供了适应复杂工况的可靠技术手段。

关键词

煤矿瓦斯 / 瓦斯浓度 / 时空特征 / CNN-LSTM / 小波分析

基金资助

国家自然科学基金面上项目(52274150)