混合深度学习方法用于顶板涌水预测：微震能量密度分析与CNN-BiLSTM的集成

《Ain Shams Engineering Journal》：Hybrid deep learning Approach for roof water inflow Prediction: Integration of microseismic energy density analysis with CNN-BiLSTM

　　

厚含水层下的顶板涌水受开采引起的顶板损伤、导水通道发育和含水层滞后响应的强非平稳耦合控制。研究人员利用金鸡滩煤矿102工作面的520天连续日观测数据和12,050条完整微震记录，开发了一个结构信息驱动的卷积神经网络–双向长短期记忆（CNN–BiLSTM）框架用于次日涌水预测。在5 m体素网格上构建了三维微震能量密度场，投影为Y–Z切片，并用于推导日顶板损伤指数（Dd）。结果显示高能微震活动呈现清晰的四阶段演化，其中阶段III代表集中破裂和快速通道发育的关键时期。在阶段III-2期间，Dd持续增加，而涌水波动滞后约10–15天。Dd与涌水显示出最强关联（Mantel's r ≈ 0.91, p ≤ 0.001）。在严格的时间顺序划分下，所提模型实现了平均绝对误差（MAE）为11.86 m³/h，均方根误差（RMSE）为14.77 m³/h，平均绝对百分比误差（MAPE）为3.24%。

**论文解读：基于微震能量密度与CNN–BiLSTM混合深度学习的顶板涌水预测框架**

### 研究背景与问题

在深部煤矿开采中，厚含水层覆盖下的顶板涌水已成为制约安全高效采掘的关键灾害之一。该灾害由开采扰动、覆岩破坏、导水通道发育及含水层滞后响应共同驱动，形成“开采扰动→结构破坏→导水通道贯通→涌水激增”的灾害链。现有预测方法（经验公式、数值模型如MODFLOW（Modular Finite-Difference Groundwater Flow Model）、传统机器学习及时间序列深度学习模型）虽各有优势，但普遍存在两大不足：一是难以显式表征开采诱导的结构损伤与导水通道演化的强非平稳耦合过程；二是微震监测数据提供的空间损伤信息未被有效转化为可驱动涌水预测的结构性指标。因此，亟需建立一种统一框架，将微震能量场的空间演化与多源水文地质变量融合，实现顶板涌水的可解释性日尺度预测。

### 开展的研究与结论

研究人员以金鸡滩煤矿102工作面为研究区，利用520天连续日观测数据和12,050条完整微震记录，创新性地提出了一种混合深度学习框架。该框架首先在5 m体素网格上重建三维微震能量密度场，投影为Y–Z切片，并通过卷积自编码器（convolutional autoencoder）提取切片级空间损伤特征，沿推进方向累积映射到日累计推进进度，从而导出日顶板损伤指数（Dd）作为结构代理变量。随后，将Dd与累计推进距离、采高、直罗组含水层厚度、有效隔水层厚度、日降水量、含水层水位等6个日尺度变量组合，输入基于双向长短期记忆网络（BiLSTM，bidirectional long short-term memory）的时序预测模型，实现未来一日涌水预测。研究结论表明：高能微震活动呈现四阶段演化，其中阶段III（394–1454 m）为集中破裂与导水通道快速发育的关键期；Dd与涌水的Mantel相关系数高达约0.91（p ≤ 0.001），且涌水波动滞后Dd约10–15天，验证了“结构破裂先导、水力响应滞后”的耦合机制。在严格时序分割下，所提CNN–BiLSTM模型在测试集上取得平均绝对误差（MAE）11.86 m³/h、均方根误差（RMSE）14.77 m³/h、平均绝对百分比误差（MAPE）3.24%，性能显著优于LSTM、GRU、支持向量回归（SVR, support vector regression）、随机森林（RF, random forest）、梯度提升决策树（GBDT, gradient boosting decision trees）、CNN-LSTM、时间卷积网络（TCN, temporal convolutional network）及Transformer等八种基线模型。消融实验表明，移除Dd后MAE、RMSE、MAPE分别上升53.44%、49.28%、53.61%，证实微震导出的结构信息提供了超越常规变量的大幅增量预测价值。该研究论文发表在《Ain Shams Engineering Journal》。

### 主要关键技术方法

（不超过250字）研究人员采用以下关键技术方法：（1）基于加权最小二乘逆推的微震事件定位与能量估计；（2）在5 m体素网格上构建三维微震能量密度场，并沿Y方向投影为归一化Y–Z切片；（3）利用卷积自编码器（encoder：两层3×3卷积+ReLU+最大池化，bottleneck为16维全连接层）从切片中提取瞬时损伤强度，再沿推进方向累积得到日顶板损伤指数Dd；（4）构建30天滑动窗口的多变量（7维）输入，送入两层BiLSTM（第一层128隐藏单元，第二层64隐藏单元）进行次日涌水回归预测。数据来源为金鸡滩煤矿102工作面的2023-03-01至2024-08-01期间的520天日观测数据和12,050条微震记录。

### 研究结果

**4.1 投影微震能量强度揭示的导水通道演化**
通过对高能（能量≥10⁴ J）微震事件的阶段划分，识别出四阶段演化模式。阶段III（394–1454 m）内细分出III-1、III-2、III-3三个子阶段，其中III-2为导水通道主要发育期。沿X–Z平面投影的能量异常条带呈向上扩展并指向直罗组含水层底部，且Dd持续上升，涌水波动滞后约10–15天，证实了结构破裂先于水力响应的时序耦合特征。

**4.2 多源参数与顶板涌水的统计关联分析**
通过Pearson相关系数与Mantel检验（Mantel test），Dd与涌水的关联最强（Mantel r ≈ 0.91, p ≤ 0.001）。有效隔水层厚度、累计推进距离、采高、直罗组含水层厚度等也呈现出中等至强关联（Mantel r ≈ 0.71–0.81, p ≤ 0.001）。而日降水量与含水层水位与涌水的关联较弱且不显著。进一步进行的留一变量消融实验表明，移除Dd导致MAE、RMSE、MAPE分别上升53.44%、49.28%、53.61%，显著高于移除其他变量（降水除外），验证了Dd对模型表征的关键贡献。

**4.3 多模型预测性能对比**
在相同输入特征和严格时序划分下，CNN–BiLSTM获得最佳性能：MAE=11.86 m³/h、RMSE=14.77 m³/h、MAPE=3.24%。相比LSTM、GRU，误差降低约36%–42%；相比CNN-LSTM、TCN降低约40%–45%；相比Transformer降低超过80%。在快速波动时段（如2024-06-25至2024-07-10），CNN–BiLSTM的最大绝对误差约29 m³/h，低于所有对比模型。该优势来源于对微震空间结构损伤信号与多源时序特征的显式耦合。

**4.4 不确定性、误差分布与统计稳健性**
通过100次独立重复训练构建经验集合预测，均值MAE=9.81 m³/h、RMSE=12.02 m³/h、MAPE=2.62%，95%集合区间覆盖率达100.00%，表明模型在点预测之外还能提供保守可靠的区间包络。残差分布集中在零附近（残差均值?6.29 m³/h、标准差10.33 m³/h），高涌水段存在轻微负偏，但无系统性发散。模型推理时间仅0.002秒/样本，适合工程日尺度滚动预测。Wilcoxon符号秩检验表明，CNN–BiLSTM的样本级绝对误差显著低于所有基线模型（p值均<0.05）。

**4.5 工程意义、可迁移性与局限性**
所提框架作为方法论，可推广至具备相似开采–破裂–连通–涌水链条的矿山，但需根据当地水文地质条件重新标定。Dd可辅助排水规划、高风险期巡检及涌水异常早期识别。但当前结果受单一工作面数据限制，未来需开展跨矿井、多工作面验证。

### 总结与讨论

讨论部分指出，Mantel分析与置换特征重要性分析从不同角度揭示变量作用：Dd在全局尺度与涌水强关联，但在已训练模型中的置换边际贡献较弱，这归因于Dd与其他采矿变量（如累计推进、采高）的信息冗余以及其延迟性（滞后10–15天）。消融实验则证明Dd对模型表征学习的结构性贡献不可替代。预测误差在高涌水段增大的现象表明，模型仍趋于保守响应，未来需通过引入更多实时监测变量或不确定性量化方法加以改进。

### 研究结论（翻译）

（1）本研究建立了一个结构信息驱动的顶板涌水预测框架，通过整合微震能量密度演化与多源日常监测数据。高能微震活动在推进过程中呈现清晰的四阶段模式，其中阶段III是集中破裂与快速通道发育的关键时期。在阶段III-2期间，投影高能异常条带呈向上扩展、局部弯曲并向直罗组含水层下部空间汇聚的趋势，为导水通道的渐进形成提供了现场尺度的证据。同时，涌水波动滞后Dd增加约10–15天，表明结构破裂先于水力响应的时序耦合模式。

（2）顶板损伤指数Dd是连接通道演化与涌水响应的关键变量。该指数通过完整微震目录的体素化能量密度重建、切片级特征提取及累积映射到日推进值得到，代表顶板的累积结构状态，而非孤立局部扰动。统计分析支持这一解释：Dd与顶板涌水的关联最强，Mantel r约0.91（p ≤ 0.001）。消融实验进一步表明，移除Dd使MAE、RMSE、MAPE分别上升53.44%、49.28%、53.61%，说明微震导出的结构信息提供了超越常规采矿与水文地质变量的大幅增量预测价值。

（3）所提CNN–BiLSTM在对比模型中取得了最优整体预测性能，测试集MAE为11.86 m³/h、RMSE为14.77 m³/h、MAPE为3.24%。相比LSTM和GRU，误差降低约36%–42%；相比CNN-LSTM和TCN，降低约40%–45%；相比Transformer，降低超过80%。模型也具有实用性可靠性，100次运行集合平均MAE、RMSE、MAPE分别为9.81 m³/h、12.02 m³/h、2.62%，经验95%集合区间覆盖率为100.00%。完全覆盖率需结合区间宽度增大的现象一同解读，表明集合区间偏保守而非过度自信。这些结果表明性能提升并非简单地来自模型复杂度增加，而是植入了可解释的结构代理变量，捕捉了开采损伤演化与含水层响应之间的滞后耦合。

（4）尽管该框架仅在单一工作面验证，但它提供了一种将微震结构信息与水文地质响应整合到日尺度涌水预测中的方法论路径。从工程角度看，预测涌水序列与结构敏感指数Dd可支持排水规划、高风险期巡检及涌水异常早期识别。然而，为推广到更广泛应用，仍需在不同地质结构、含水层条件及开采强度下进行局部重新标定、再训练和跨矿井验证。