基于深度学习的采动地裂缝成因分析和预测

基于深度学习,提出了一种分析采动地裂缝成因及预测地裂缝发育程度的方法。通过分析官地煤矿的井田地质测量资料和实地调查,确定了11类影响地裂缝发育的因素;依据地裂缝面积与采空区面积的比值,将地裂缝发育程度分为4类。利用深度学习的方法,构建了全连接深度神经网络模型(DNN)对裂缝发育程度进行预测;以预测准确率为指标,通过6次特征选择对影响因素的重要性进行了分析。特征选择的结果表明:开采层数、开采总厚度、开采宽度、开采深度、砂泥岩比、开采长度是影响地裂缝发育的主要特征,地质构造和地表出露是次要特征,煤层倾角、地形坡度、相对位置是冗余特征。与卷积神经网络(CNN)及循环神经网络(RNN/LSTM)模型的训练结果相比,DNN模型预测准确率较高。