基于机器学习算法的露天煤矿边坡变形趋势预测研究

蓝航

doi:10.13301/j.cnki.ct.2026.02.005

煤炭技术 ›› 2026, Vol. 45 ›› Issue (2) : 24 -28. DOI: 10.13301/j.cnki.ct.2026.02.005

基于机器学习算法的露天煤矿边坡变形趋势预测研究

蓝航

作者信息 +

Author information +

文章历史 +

摘要

传统边坡稳定性分析采用静态安全系数，不能适应露天煤矿边坡动态风险管理需求，将边坡变形实时监测数据和人工智能技术结合，进行边坡实测变形曲线趋势预测分析。选取3种典型露天煤矿边坡变形（周期型、稳定型和突变型）曲线，分别采用机器学习理论中的季节自回归积分滑动平均模型（SARIMA）、支持向量回归模型（SVR）和长短期记忆模型（LSTM），对实测边坡变形数据进行了学习训练，通过不断迭代优化模型参数，3种模型测试集和预测集的拟合精度分别达到0.87,0.92和0.97，取得了良好的训练效果。采用训练好的学习模型对未来变形曲线的趋势进行了预测，结果表明：SARIMA适合处理与季节相关，具有固定周期的边坡中长期变形曲线，SVR适合处理减速或匀速蠕变等稳定型边坡变形曲线，LSTM则适合处理加速蠕变的突变型边坡变形曲线，可用于临滑预警。机器学习方法为实现露天矿边坡“监测—预测—预警—响应”的闭环管理提供了一种有效的手段。