基于CNN-LSTM的采空区地表沉降预测

作     者：吴伟强 

作者单位：西南科技大学 

学位级别：硕士

导师姓名：王卫红;石磊

授予年度：2022年

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 

主      题：深度学习 地表沉降 时序预测 CNN-LSTM模型 

摘      要：矿山大面积的地下开采引起的地面沉降问题严重影响矿区安全生产以及人员安全。甘肃金昌是我国最大的镍生产基地,镍矿资源占全国镍矿总储量地62%,被誉为“中国镍都。2016年至今,不断的地下开采导致金昌龙首矿西二采区采场塌陷并持续沉降。为确保矿区生产安全及最大限度地回采剩余镍矿资源,对矿区地表沉降进行预测具有十分重要的意义。以往的研究中预测对象大多针对点的地表沉降,并且使用的传统模型均存在预测精度不高,建模困难等等问题。随着In SAR技术与人工智能技术的发展,基于In SAR长时间,短周期,大面积的地表沉降数据基础,结合深度学习强大的特征提取以及非线性拟合能力实现采区的精确地表沉降预测是未来的发展方向。本文结合以上背景,采用CNN和LSTM两种深度学习模型构成CNN-LSTM模型对金川铜镍矿区西二采区的面状地表沉降进行研究,主要内容如下:1.基于SBAS-In SAR技术获取研究区2019.3.22至2020.6.8时间段内面状的地表沉降数据。2.基于K-means算法对研究区的沉降趋势进行无监督聚类分析,将研究区按照其沉降趋势的不同分为:轻度沉降区（平均沉降速率为0.6039mm/a）,中度沉降区（平均沉降速率为1.9279mm/a）和重度沉降区（平均沉降速率为3.5605mm/a）。3.采用Matlab的深度学习框架进行模型开发与设计,构建基于CNN-LSTM的地表沉降预测模型该模型采用前29期数据预测后8期地表沉降值,主要流程种影响因子作为模型输入经卷积神经网络模块进行特征提取再由LSTM网络对地表沉降进行预测。4.通过MAE和MAPE两种评价指标对基于CNN-LSTM混合的深度网络预测模型,RNN预测模型和LSTM预测模型这三种预测方法进行比较。实验结果表明:CNN-LSTM模型,LSTM模型以及RNN模型在短期验证集中MAPE以及MAE表现为:0.0250,0.995mm;0.0384,1.764mm;0.0502,2.422mm。在中期验证集中MAPE以及MAE表现为:0.0511,2.356mm;0.0656,3.708mm;0.0688,4.515mm。在长期验证集中MAPE以及MAE表现为:0.0691,4.16mm;0.0839,6.313mm;0.1320,7.471mm。在整体验证集中MAPE以及MAE表现为:0.0461,2.29mm;0.0638,3.630mm;0.0776,4.469mm。其中CNN-LSTM模型在不同的验证集中均表现最好,为三种模型中最优秀的一种。5.分析了三种模型的绝对误差与相对误差的空间时间分布情况,得到模型相对误差与绝对误差的基本分布规律,以及造成误差分布异常的主要原因。