基于FT-Transformer-SVM混合模型的回采煤巷顶板稳定性智能分级方法研究

为解决传统RMR/Q系统简化地质条件、机器学习模型依赖大数据且缺乏可解释性的问题，研究人员开发了融合FT-Transformer特征提取、GMM聚类和SVM分类的混合框架。通过7项定量指标输入，模型实现了98.3%-100%的交叉验证准确率，与专家分级完全一致，为煤矿顶板安全评估提供了高效透明的解决方案。

　　

煤矿巷道顶板坍塌事故长期占据井下事故的40%-50%，不仅威胁矿工安全，更使巷道建设成本激增25%。传统Rock Mass Rating（RMR）和Q-system等经验方法虽简单易用，却难以应对复杂地质条件，而人工神经网络（ANN）等黑箱模型又面临小样本场景适应性差、物理意义不明确等瓶颈。如何建立兼具高精度与可解释性的智能分级系统，成为煤矿安全领域亟待突破的难题。

针对这一挑战，湖南科技大学资源环境与安全工程学院的Xizhi WANG团队在《Results in Engineering》发表研究，创新性地将自然语言处理领域的FT-Transformer架构引入地质工程领域。通过整合高斯混合模型（GMM）聚类与支持向量机（SVM）分类，构建了面向小样本数据的端到端智能分级系统。研究数据来源于神华集团宝德、补连塔等矿区的60组钻孔样本，涵盖8号、1^-2等典型煤层巷道参数。

关键技术方法

研究采用七维特征输入（D、UCS、L、N、B、H、σ_h），通过FT-Transformer的自注意力机制动态加权特征重要性。创新性地引入符号校正策略，将GMM聚类结果与物理意义明确的稳定性等级（I-IV类）自动映射。PCA将32维特征压缩至16维后，采用网格搜索优化SVM的RBF核参数，最终通过PyQt5开发了工程应用软件系统。

主要研究结果

1. 1.

   GMM聚类与专家分级一致性验证

   通过自注意力权重符号校正（如D/UCS赋正权重，L/B赋负权重），模型在无监督条件下实现了与专家分级100%的一致性，轮廓系数达0.95，证实聚类结果的物理合理性。

2. 2.

   超参数鲁棒性测试

   在隐藏层维度（8-32）、学习率（0.001-0.01）等不同配置下，GELU激活函数表现最优，四折交叉验证准确率保持100%，标准差为零，显著优于ReLU激活函数在dim=32时的96.7%准确率。

3. 3.

   困难样本集验证

   对129组边界过渡样本的分类显示，I-II类过渡样本中64%归为I类，36%归为II类，III-IV类样本则呈现31%:69%的合理分布，证明模型对模糊样本具有稳健判别力。

4. 4.

   工程应用实效

   在神华上湾矿1^-2煤层巷道应用中，系统自动生成的稳定性分区图准确识别出II-III类主导区域（占比83%）和局部IV类高风险区，与现场观测高度吻合。

研究意义与展望

该研究突破了传统方法依赖专家经验的局限，通过FT-Transformer的可解释注意力机制，首次实现了煤矿顶板稳定性"特征提取-物理分级-决策应用"的全流程透明化。特别值得注意的是，模型在仅60组样本的训练下即达到专家级精度，为地质数据稀缺场景提供了范例。未来通过嵌入实时微震监测等动态数据，该系统有望发展成为矿山数字孪生系统的核心模块。研究团队开源的PyQt5软件工具，目前已支持钻孔数据批量处理和稳定性云图自动生成，将显著提升煤矿巷道支护设计的科学性与时效性。

这项工作的创新性在于：将Transformer架构成功迁移至地质工程领域；创建了符号校正的GMM-SVM混合学习范式；开发了首个融合自注意力权重的煤矿顶板智能分级系统。这些突破为矿山安全领域的数字化转型提供了重要技术支撑，其方法论框架也可拓展至隧道工程、页岩气开采等相似场景的风险评估中。