基于LSTM网络的矿山压力时空混合预测

余琼芳，牛冬阳

(1.河南理工大学 电气工程与自动化学院，河南 焦作 454000；2.大连理工大学 北京研究院博士后科研工作站，北京 100000)

综采工作面矿山压力的分析与预测对于液压支架安全运行和保障煤矿安全高效开采具有重要的意义[1]。在工作面矿压理论与应用研究中，矿山压力变化涉及顶板地质信息、岩层物理力学性质、围岩破碎运移等复杂动态过程，采用确定性的物理力学方法实现矿山压力的精准预测需依赖于确定的顶板结构[3]。但是在现阶段，难以精准获取采煤过程中顶板结构的动态变化[4]，因此基于确定性的顶板结构根据物理力学规律实现矿山压力的精确预测较为困难。

矿山压力往往具有较强的时序特性，不同时刻之间的矿压相互联系，并随开采过程生成庞大的关联型数据，这些时序数据为机器学习、深度学习方法的应用创造了条件。其中，采用传统神经网络、专家系统或数据分类、回归等用于矿压预测的机器学习方法得到了长足发展。文献[3]率先提出基于自适应神经网络的顶板矿压实时预报方法。文献[5]建立了人工神经网络，对时间序列上的矿压进行实时预测。文献[6]以BP神经网络为基础对周期来压进行预测。文献[7]将粒子群算法与BP网络相结合，对工作面顶板矿压预测效果做出优化。文献[8]采用专家系统对矿山压力数据进行分析和预测。文献[10]采用经验回归公式结合概率统计分析方法，研究了覆岩岩性、采高、埋深及长度对矿压显现的耦合影响作用。随着计算性能及运算能力的不断发展，在矿压预测领域基于大数据分析的深度学习方法受到了科研人员的广泛关注。其中，用于捕捉时序变化特征的长短期记忆(Long Short Term Memory，LSTM)网络与矿压预测问题表现出高度的契合。文献[11]采用LSTM网络捕捉工作面在推进过程中历史压力变化的时序特性，对红庆河工作面矿压进行预测。文献[12]通过优化LSTM网络中的时间窗设置，进一步提高了矿压预测精度。

随着采煤工作不断向前推进，顶板会发生周期性破断、垮落，垮落方向主要为采空区侧和支架移架侧，并伴随较为强烈的顶板压力变化过程[13]。结合顶板垮落方向可知，矿山压力传递区域主要为采空区侧方向与移架侧方向组成的弧形区域，区域中心为移架液压支架主要支护位置。液压支架支护需要给定初撑力，合理的初撑力能够有效缓解顶板的早期下沉，保持顶板稳定。工作面矿压数据的实时预测对于指导支架的初撑力设置具有重要意义。顶板来压等矿压显现现象存在周期性与异步性[1]。其中，来压周期性多表现在来压步距、来压持续循环等特征参数；异步性是指局部少量支架先表现出来压特征，随后工作面进入大范围来压状态。现阶段，矿山压力预测大多基于当前支架的历史周期内的压力数据，结合相邻区域内支架压力数据进行辅助预测则较少。然而，矿山压力的变化具有强烈的关联性，表现为时序特性与空间特性。其中，时序特性可分析矿压周期性变化特征进行预测，空间特性则需根据其异步性进行捕捉。因此，本文提出基于LSTM网络的矿山压力时空混合预测方法。在采煤领域暂无人提及从采空区测和支架移架侧分别提取压力特征混合预测矿压。本文研究内容为采用人工智能技术预测矿压提供了一种思路，如能将基于LSTM的时空混合预测与大数据技术相结合，将有可能实现矿压数据的实时预测。

1 矿山压力及特征分布

压力数据随工作面的推进而改变，所以从时间和空间分别分析压力变化。

1.1 时间方向压力及数据特征分析

时间方向压力就是当前支架历史周期压力，目前对矿山压力理论研究如压力拱理论研究、悬臂梁理论研究、预生裂缝理论研究、铰接岩块理论研究、砌体梁理论研究等都是基于时间的研究[14]。

在煤矿开采之前，顶板各方面受力是平衡的，伴随煤层开挖，顶板平衡状态遭到破坏。围岩移动、形变以寻求新的平衡点，工作面顶板悬空面积随着工作面推进不断增大，顶板逐渐下沉，直至围岩承受不住自身重力和采动的影响出现断裂、垮落。以上便是是矿山压力形成的原因。

图1为液压支架的部分压力曲线，图中横坐标为采样次数(采样频率为8 min采样一次)，纵坐标为当前时间点对应的来压强度。随着工作面的循环推进，支架的工作阻力由支护开始至移架结束，表现为如图1所示的规律形式。支护初期上覆岩层下沉断裂，顶板压力持续上升。顶板复稳后，压力与支架撑力形成平衡。临近采空侧基本顶的运移破碎，导致压力出现轻微震荡变化，且随着开采时间，压力呈现微小上升趋势。随工作面继续推进，支架降柱卸压进行移架，支架工作阻力下降。

图1 支架工作阻力历史数据曲线Figure 1. Historical data curve of stent working resistance

1.2 空间方向压力及数据特征分析

空间方向压力就是基于工作面相同时间的邻架压力。支架压力在工作面推进方向和支架两侧压力特征基本相同。在采场继续推进形成的压力波动及压力范围与支架两侧相关岩层所承受的压力大小及压力显现相关，所以结合邻架压力变化有助于提高整体压力预测准确性。

推进工作面各支架来压强度历史数据及时间的三维曲线如图2所示。回采工作的开始伴随着采场围岩应力的重新分布，采空区上方的岩石重力自然向周围支撑区转移，在采空区四周形成支撑压力，工作面推进前方形成超前支撑压力。受超前支撑压力影响，未知应力峰值区的上覆岩层何时变形垮落，具有异步性，所以须结合邻架压力变化的周期性共同分析预测矿压。

图2 支架工作阻力历史数据三维曲线Figure 2. Three-dimensional curve of historical data of support working resistance

2 神经网络模型

矿山压力随着时间的推移而改变，这种变化与时间呈现非线性关系，且矿山压力的大小随工作面采场围岩的破坏呈阶段性改变，所以运用善于解决时间序列数据的LSTM网络来处理矿山压力与时空的关系。

2.1 LSTM神经网络

RNN(Recurrent Neural Network)作为传统的循环神经网络，当前网络输出与之前输出存在关联。具体表现为网络会对前面的内容进行记忆并在当前时刻输出，即隐藏层的输入包括当前时刻的输入和上一时刻隐藏层的输出[15]，且可提取序列数据特征，有较强的处理时序数据能力。RNN循环结构如图3所示。

图3 RNN循环结构Figure 3. RNN loop structure

可见RNN在每一时刻的训练都包含之前循环的部分信息，并将该时刻的信息传递下去。但是由于RNN隐藏单元只有一个函数，每个时刻都在上一时刻函数的基础上进行叠加，当参数初始化小于1或大于1时，容易造成梯度消失或梯度爆炸。

而LSTM作为特殊RNN，在循环网络的基础上添加了记忆细胞(cell)单元，可用于保存长期状态。此外，其还增加了遗忘门、输入门和输出门来共同控制信息的遗忘和记忆，可有效解决RNN梯度消失和梯度爆炸的问题[17]，使之更擅长处理时间序列数据。液压支架工作阻力数据是具有强时序性的数据，使用LSTM是一种行之有效的办法。

图4 LSTM单元结构Figure 4. LSTM unit structure

图4中，xt和ht分别为t时刻的输入和输出，ht-1为上一时刻LSTM单元的输出，ct-1为上一时刻记忆细胞单元的输出，ct为t时刻记忆细胞单元的输出。

遗忘门决定上一时刻有多少信息保留或遗忘在记忆细胞ct，其构成如式(1)所示。

ft=σ(Wfhht-1+Wfxxt+bf)

(1)

输入门决定当前时刻有多少信息保留在记忆细胞ct，其构成如式(2)所示。

it=σ(Witht-1+Wixxt+bi)

(2)

当前时刻的候选记忆细胞单元c′t的构成表达式如式(3)所示。

c′t=tanh(Wchht-1+Wcxxt+bc)

(3)

记忆细胞由ft点乘上一时刻记忆细胞单元ct-1的值与it点乘当前时刻临时储存单元c′t的值相加更新，构成如式(4)所示。

ct=ft⊙ct-1+it⊙c′t

(4)

输出门决定当前记忆细胞ct有多少输出到当前隐藏层的输出值ht，构成如式(5)所示。

ot=σ(Wohht-1+Woxxt+bo)

(5)

将记忆细胞ct经过tanh函数处理后与输出门ot相乘，如式(6)所示，最终得到输出。

ht=ot⊙tanh(ct)

(6)

式中，Wfh、Wih、Woh分别为遗忘门、输入门、输出门与上一时刻隐藏层ht-1的权重矩阵；Wfx、Wix、Wox分别为遗忘门、输入门、输出门与输入向量xt的权重矩阵；bf、bi、bc、bo分别为遗忘门、输入门、记忆细胞、输出门的偏执项；σ代表Sigmoid非线性函数；tanh为双曲正切函数；⊙表示向量间点乘。

经过大量数据训练之后，LSTM各层各神经元之间的权重发生改变，误差函数缩小到一个可接受的范围，从而完成了神经网络对训练数据的学习。

2.2 基于LSTM神经网络的时空混合预测模型

由双向LSTM提供双输入单输出的思路，本文采用两个单向LSTM分别提取采空区侧和支架移架侧不同程度的压力特征。由于压力是不同因素造成的，具有参差不齐等特点，所以采用相同的权重是不合理的。为此，本文将数据通过独立的网络提取压力特征，然后将两个LSTM提取的时序信息通过全连接层融合在一起。

3 实验设计及结果分析

图5为本文所用的网络结构。本文使用3层全连接层是为了增加神经元个数和网络层数，提高模型非线性表达能力，进而增强模型的学习能力。

图5 网络结构Figure 5. Network structure

3.1 实验环境与数据集

算法使用Python语言在PyTorch框架下进行，具体实验环境配置如表1所示。

表1 实验环境

实验数据由山东枣庄付村煤矿1007工作面[18]提供，该煤矿有液压支架154架，采用中间区域97号至101号5架2020年11月19日～2020年12月27日的压力数据。压力传感器在采集数据过程中会有数据缺失的情况，因此用相邻数据的平均值补上中间缺失数据。整个实验包括训练和测试两个阶段，以70%数据为训练集更新参数、学习网络，以30%数据为测试集，并根据训练好的网络查看实际学习能力及准确率，随后预测矿山压力变化，并与真实矿压做对比。

3.2 搭建模型

对矿压数据预处理采用归一化的方法，将数据映射在(0～1)范围内。使用随机梯度下降法，其中batch_size设置为100，训练共进行了130个轮次(epoch)，学习率为0.01。网络训练采用具有高性能高效性的Adam优化算法。

3.3 实验标准

为验证模型预测性能，本文选取均方误差(Mean Squared Error，MSE)作为模型预测性能的误差评价指标。MSE对预测值和真实值的误差进行平方，可放大误差，对异常点更加敏感，是衡量误差一种比较简单的方法，MSE值越小，说明预测模型精度越高。同时为了更加全面地考察模型的性能，本文选择平均绝对误差(Mean Absolute Error，MAE)作为辅助评价指标。计算式如下

(7)

(8)

3.4 实验结果分析

为进一步验证此实验优于其他模型，将所提出的混合模型与未做改进的传统LSTM预测模型做对比实验，实验结果如图6所示，实线为真实的矿压值，虚线为预测的矿压值。

(a)

从预测结果图可以看出，改进的LSTM时空混合模型的预测结果与实际压力曲线有更好的拟合。将两实验的损失函数进行对比，从图中可以看出，基于LSTM的时空混合模型收敛速度更快。

图7 损失函数值Figure 7. Loses the function value

两种算法模型的指标如表2所示，对比结果可知，相对于传统LSTM，混合LSTM的MSE和MAE误差分别下降了24.49%和35.24%，表明该方法可以更好地提取特征，预测结果也更优。

表2 误差对比

4 结束语

本文通过对煤矿横、纵向压力分析，提出基于LSTM的时空混合预测模型，解决了传统预测模型不能很好捕捉时序数据特征的问题，提高了矿压预测模型的可靠性与准确性，在将来分析和预测矿压方面有较广阔的应用前景。本实验因预测效果较好，暂无改进网络，在以后的研究当中可对网络做适当改进。