煤炭学报

作者：伍冠东, 温颖远, 李虎威, 曹安业, 郭文豪, 刘洪林, 郭继森, 李增峰, 胡鹏飞,

关键词：物理指标, 深度学习, 冲击地压, 坚硬顶板, 数据驱动,

为了深入研究坚硬顶板地质条件下工作面的冲击地压预警问题，结合深度学习技术，提出了基于显式特征的物理预警指标和数据驱动的隐式特征时序预警指标融合的冲击地压时序预警方法，探究了大能量微震事件发生前多项物理预警指标的演化规律。利用遗传算法优化BP神经网络(GA-BP)算法筛选出微震活动平静度βn、小震动态参数P(b)、微震活动性指数A(b)、古登堡G-R关系经验常数b这4个适应于该坚硬顶板工作面的物理预警指标，并利用卷积神经网络结合t分布随机邻域嵌入(CNN-T-SNE)算法从微震和支架工阻数据中提取时序预警指标，采用星雀算法(Nutcracker Optimization Algorithm，NOA)、长短记忆神经网络(Long Short-Term Memory，LSTM)等深度学习算法，建立了坚硬顶板型冲击地压时序预警模型，并对模型预测性能进行了验证和实例分析。研究结果表明，采用GA-BP算法对微震信息指标进行反馈式迭代优选，基于预测F1值筛选出的物理预警指标为βn、P(b)、A(b)、b，其预测F1值为0.88、均方根误差RMSE为0.038，筛选出的物理预警指标对冲击预警的敏感性较强，在大能量事件发生前，b、P(b)、βn处于低值或快速下降状态，仅A(b)处于极大值或者接近极大值；通过CNN-T-SNE算法从微震和支架工阻数据中提取时序预警指标，T-SNE(T-Distributed Stochastic Neighbor Embedding)算法将CNN(Convolutional Neural Network)提取的特征进行降维可视化，不同的危险等级被明显区分开并有效提高了预测精度，其时序特征指标的预测F1=0.91、RMSE=0.021，微震和支架工阻指标的预测F1=0.80、RMSE=0.085，预警准确率提高了12%；采用星雀算法(Nutcracker Optimization Algorithm，NOA)对LSTM网络的学习率、批量大小、Dropout Rate 3个超参数进行寻优，其最优学习率为0.033、最优批量大小为8、最佳Dropout Rate为0.2，并通过LSTM-NOA网络对物理预警指标和时序预警指标进行训练学习，预测时长设定为1 d，其F1=0.96，与传统LSTM网络的预测方法相比，F1提高0.04，预警准确率提高了4%，且对大能量事件的敏感性更强。

来源：2026年第3期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2026年第3期