来源：期刊VIP网 时间：
作者：陈蓥;史明哲;张子凯;鲍世纪;杨宏涛;
单位：辽宁工程技术大学矿业学院;
摘要：随着我国煤炭资源开采逐渐向深部延伸，深部煤岩体在高地应力、高温、高渗透压及时间效应叠加的复杂环境下，围岩蠕变问题日益突出，严重威胁矿井的开采安全和生产效率。为有效预测含水砂岩的蠕变行为，提出了一种融合卷积神经网络(Convolutional Neural Networks, CNN)、门控循环单元(Gated Recurrent Unit, GRU)和注意力(Attention)机制的CGA深度学习模型。模型结合CNN的空间特征提取能力、GRU的时间序列建模能力及Attention的动态权重分配能力，提升了对非线性、长时间依赖关系的捕捉能力。利用实测数据对CGA模型中的优化算法、卷积层数、卷积核数量、GRU层数和GRU层神经元数量进行了训练和确定。应用CGA模型对含水砂岩蠕变行为进行了预测，并与实测数据进行了对比。结果表明，与CNN、反向传播神经网络(Back Propagation Neural Network, BPNN)和CNN-GRU模型相比，CGA模型的平均绝对百分比误差(MAPE)分别降低了25.00%、18.93%和12.00%,平均绝对误差(MAE)分别降低了17.84%、13.77%和4.86%,均方误差(MSE)分别降低了26.04%、15.35%和6.02%,均方根误差(RMSE)分别降低了13.99%、8.01%和3.12%,CGA模型的R~2达到了0.981 163,表明CGA模型具有更好的非线性拟合能力。利用CGA模型有助于掌握巷道围岩的长期变形行为，为围岩控制方案设计提供基础依据。
关键词：安全工程;;蠕变预测;;CGA深度学习模型;;卷积神经网络;;门控循环单元;;注意力机制
基金资助：国家自然科学基金项目(51874164,52174185);; 辽宁省教育厅基本科研项目(LJ212410147016)
