基于OFDR的煤岩失稳状态智能判别模型OA

为提高深部煤矿开采过程中煤岩失稳状态的识别精度,克服传统监测技术成本高、仅能实现点式感知的局限性,提出一种融合光频域反射(OFDR)技术和一维卷积神经网络-长短期记忆网络(1DCNN-LSTM)深度学习模型的煤岩失稳智能判别方法。通过煤样单轴压缩试验获取分布式应变时序数据和宏观力学参数,经分层去噪和标准化预处理后,构建1DCNN-LSTM混合深度学习模型提取时空特征并进行分类。结果表明,1DCNN-LSTM混合深度学习模型在独立测试集上总体准确率达到95%,稳定状态召回率为0.99,失稳状态预测精确率为0.97,F1分数为0.90;1DCNN-LSTM混合模型性能优于1DCNN、LSTM、随机森林和Transformer等其他模型,训练过程稳定且泛化能力强。研究将OFDR高分辨率数据与深度学习模型结合,实现了从单点测量到全场感知的方法升级,为岩土工程稳定性监测提供了新思路。