综采工作面多算法动态协同矿压预测研究OA

针对综采工作面矿压预测中单一算法模型易受地质条件、采煤工艺及来压演化形态变化影响,导致跨工作面泛化能力不足、现场适配稳定性差的问题,提出一种多算法动态协同矿压预测模型。以府谷-东胜煤田某综采工作面液压支架6个月的矿山压力监测数据为基础,构建了基于MongoDB的矿压数据存储、清洗与调用体系;在此基础上,将砌体梁理论计算、滑动窗口趋势观测与长短期记忆(LSTM)时序预测3种算法模型分别用于刻画周期来压的力学规律性、局部前兆突变性和长短期非线性时序依赖性,形成力学约束突变感知与时序学习协同的预测框架。区别于传统单一算法模型的静态预测模型,多算法动态协同矿压预测模型以现场实测来压事件为反馈信号,建立“预测-校验-择优-迭代”的动态更新机制,通过比较不同算法模型在来压步距、来压范围和动载系数等指标上的预测误差,自适应选择下一周期主导预测模型,实现矿压预测由固定模型向场景自适应模型的转变。现场实测结果表明,该模型对工作面来压范围、来压步距、动载系数的预测平均准确度分别可达80%,74.5%,85%,预测结果与现场实际情况吻合度良好。