科研之友
微信
新浪微博
Facebook
分享链接
摘要
矿区由于重工业器械的使用和采矿活动频繁,其岩层和地表容易发生沉陷和变形,快速、准确地分析、预测地表沉降是实现高效防灾减灾、推进绿色矿山建设的重要手段。针对现有预测模型监测点过少、多源数据难以获取以及网络模型超参数难以确定等问题,提出了一种基于金枪鱼群(Tuna Swarm Optimization,TSO)优化长短时间记忆(Long Short-Term Memory,LSTM)网络模型超参数的深度学习预测方法,利用多个高相干性点的沉降时序实现矿区的精准预测。利用SBAS-InSAR技术处理50景覆盖德兴铜矿区的Sentinel-1 A升轨SAR影像,获取了该区域25 465个高相干性点的沉降时间序列。利用TSO算法优化LSTM网络模型超参数,寻找出最适合该矿区沉降时序预测的LSTM网络模型,并使用优化后的LSTM网络模型分区域对沉降区开展沉降时序预测并计算预测精度。研究表明:使用TSO算法优化LSTM网络模型超参数是有效的,优化后的模型均方根误差至少降低了20%,平均绝对值误差至少降低了35%,预测均方根误差不超过2 mm,预测平均绝对误差不超过3 mm,模型平均预测精度超过95%。所提方法为确保安矿区全安全生产,实现科学防灾、减灾提供了技术支持。
-
单位建筑工程学院; 江西理工大学
