煤炭学报

作者：刘辉, 李国强, 朱晓峻, 张鹏飞, 程桦, 王金正, 李培帅,

关键词：煤矿立井, 倾斜变形, 深度学习, 井筒预测, 神经网络,

近年来我国东部矿区发生了多起立井井筒倾斜变形及破损灾害，严重影响了矿井安全与生产。针对厚含水松散层深立井倾斜破损灾害，以鲁南某矿深立井井筒(800 m)为研究对象，开展了井筒倾斜变形监测，研究了井筒倾斜时空变化特征，分析了井筒倾斜主要影响因素；在此基础上，基于深度学习理论，综合采用循环神经网络(RNN)、长短期记忆网络(LSTM)、门控循环单元(GRU)、一维卷积神经网络(1DCNN)四种经典深度学习方法，构建了井筒倾斜变形预测模型，并将预测结果与实测值进行对比，分析了井筒变形预测模型精度，研究了井筒整体和关键区域预测效果，验证了模型可靠性，并开展了工程应用。研究表明：① 井筒倾斜主要发生在松散层，倾斜值由浅到深线性减小、并偏向采空区一侧，最大为352 mm，基岩层变形较小，最大为88 mm；开采引起厚松散层变形传播范围增大、底部含水层沿井壁渗流疏水及地下水渗流场的变化是导致井筒倾斜变形的主要原因。② 模型与实测值Spearman相关系数最大为0.978，最小为0.867，4种模型与现场实测偏移量的最大差值为0.043 m，平均绝对误差EMA 在0.003～0.009 m内，均方根误差ERMS 在0.004～0.011 m内，整体预测效果以1 DCNN模型最优，主要倾斜方向(偏向采空区一侧的东西方向)预测精度略低于变形量较小的方向(南北方向)，且均能够满足工程需要。③ 井筒整体预测曲线与实际倾斜方向一致，井口、松散层基岩交界面EMA与ERMS 平均值均为0.005 m、0.006 m，井底精度略低，其对应值为0.012、0.013 m，井筒特征区域与整体预测效果均表现良好，表明基于深度学习的井筒变形预测模型具有良好的预测能力，研究成果在井筒注浆修复治理工程中得到了有效应用，为井筒安全管理提供了技术参考和数据支撑，为类似工程提供了工程实践经验。

来源：2025年第2期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2025年第2期