基于LSTM的采动覆岩变形监测数据预测方法研究

发布时间：2024-06-14 05:04

　　随着我国煤矿开采深度的不断增加,冲击地压、煤与瓦斯突出等动力灾害日益加剧,这些动力灾害与深度开采过程中上覆岩变形有密切的关系。在研究煤矿开采过程中科学问题时物理模拟实验是常用的科学研究方法之一,结合深度学习所具有的强大函数拟合能力,为探索覆岩变形规律提供了可能。本课题在此背景下,利用采动覆岩变形光纤监测物理模拟实验产生的数据,引入深度学习方法,重点研究了采动覆岩变形光纤监测数据的预测方法。论文主要完成了以下工作。(1)针对采动覆岩物理模拟实验中光纤监测数据的缺失值填补问题,采用了基于LSSVM的缺失数据填补方法。完成了离散缺失值、连续缺失值以及不同缺失比例三种类型填补实验,并将LSSVM与反向传播神经网络、三次样条插值等缺失值填补方法进行对比实验分析,结果显示LSSVM插补方法优于其他两种方法。(2)使用物理模拟实验中的光纤监测数据,选取关键层监测点所获得的监测数据,建立SMOTE-FDT-LSTM的光纤监测数据预测模型,该模型利用合成少数类过采样技术对时间序列的监测值样本数据进行扩充,并对监测数据进行平稳性检验,提取差分平稳特征作为输入样本的特征属性,在此基础上进行了基于长短期记忆网...

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

图2.1物理实验模型中分布式光纤监测布设图

.2监测数据缺失值填补方法11（3）小波重构将使用阈值函数处理后小波系数进行小波重构，可得到经小波阈值去噪后的监测数据。2.2监测数据缺失值填补算法本文缺失值填补所用的数据来自于课题组所做的二维相似模型物理模拟实验，物理模拟实验是采矿专业进行科学研究的基本方法和手段。在实验过程中....

图2.2Fv11某两次开采光纤传感器采集数据趋势图

.2监测数据缺失值填补方法13的偏移。Fv12光纤监测数据也有同样的表现形式。图2.2Fv11某两次开采光纤传感器采集数据趋势图SVM是有数学证明基础的较新小样本非线性回归和分类的机器学习方法，LSSVM是SVM的扩展，在保持较高非线性拟合度的基础上降低了算法的计算复杂度[49]....

图2.3LSSVM插补算法流程图

.2监测数据缺失值填补方法15图2.3LSSVM插补算法流程图（1）对数据进行预处理。获取到的监测数据中存在着噪声数据，首先使用小波变换的方法对数据集iC中每个监测点的频率数据进行去噪，接着使用极值标准化法对其进行标准化处理。（2）在iC数据集中随机产生缺失数据。为了能够验证学习....

图2.4某两次模拟实验光纤传感器采集数据趋势图

.2监测数据缺失值填补方法17Fv12-33。其中2，23，27，33分别表示第2次，23次，27次，33次模拟工作面开采。在这四个数据集上分别利用随机函数人为构造数据缺失情况，并保留原有的对应监测数据进行插补效果验证。为了验证算法的有效性和泛化性，分别设计离散型缺失值、连续型缺....

本文编号：3994185