来源：期刊VIP网 时间：
作者：杨小彬;韩超;胡慢谷;陈立辉;付天予;吕伏;孙溪成;刘思远;张骁俊;
单位：中国矿业大学(北京)应急管理与安全工程学院;中国矿业大学(北京)人工智能学院;辽宁工程技术大学基础教育部;辽宁工程技术大学软件学院;
摘要：针对瓦斯涌出量数据量少、无序性强、时空依赖性高,预测模型效果不佳的问题,提出一种基于可解释性分析的瓦斯涌出量时空预测模型。采集甘肃某矿井瓦斯涌出量数据,辅以多个矿井的瓦斯涌出量数据集以改善小样本问题;利用卷积神经网络(Convolutional Neural Network,CNN)与长短期记忆(Long Short-Term Memory,LSTM)网络联合模型提取数据时空特征,加入注意力机制(Attention Mechanism,AM)强化特征提取能力以应对数据无序性;采用随机森林(Random Forest,RF)模型防止过拟合,以夏普利加性解释解决瓦斯时空分布黑匣子问题。结果显示,对瓦斯涌出量预测而言,CNN-LSTM-AM-RF模型预测精度较高,原始瓦斯含量、煤层厚度、煤层埋深是影响模型输出的主要因素,分别在煤层埋深大于550 m、煤层厚度大于3.8 m、煤层倾角大于20°,推进速度大于4 m/d时,对预测结果有正向影响,反之则有负向影响。
关键词：安全工程;;瓦斯涌出量预测;;特征提取;;注意力机制;;CNN-LSTM-AM-RF模型
基金资助：国家自然基金青年基金项目(51904144)
