《Water》：A Comparative Study of Deep Learning-Based Models for Mine Water Inflow Prediction
编辑推荐：
为了解决复杂地质条件下矿井涌水量的高精度预测需求，本研究提出了一种混合深度学习框架，用于准确的突水预测。利用2023年在中国云南省东北部毛坪矿区收集的每日突水记录和九个气象水文变量，系统开发并比较评估了五种深度学习模型，即CNN、LSTM、Transforme
为了解决复杂地质条件下矿井涌水量的高精度预测需求，本研究提出了一种混合深度学习框架，用于准确的突水预测。利用2023年在中国云南省东北部毛坪矿区收集的每日突水记录和九个气象水文变量，系统开发并比较评估了五种深度学习模型，即CNN、LSTM、Transformer、CNN-LSTM和LSTM-Transformer。结果表明，LSTM-Transformer混合模型取得了最佳预测性能，MAE为0.196，RMSE为0.243，R2为0.882，优于单独的深度学习模型和其他混合架构。通过结合LSTM的时间记忆能力和Transformer的全局注意力机制，所提出的模型有效捕捉了矿井涌水量序列中嵌入的非线性、非平稳和多尺度时间依赖性，从而显著提高了预测精度。这些发现表明，集成局部时间记忆和全局注意力机制的混合深度学习架构为复杂工程时间序列预测提供了一种稳健有效的方法，为矿井涌水灾害的高精度预警和智能预防提供了宝贵支持。
**论文解读：基于深度学习的矿井涌水量预测模型比较研究**
矿井涌水量预测是矿井水害防治的关键技术措施，对预防水相关事故、保障人员安全和维持采矿经济可行性至关重要。涌水量指采矿活动中从地表水和地下水等来源进入矿井巷道的水量，其突然增加可能导致巷道淹没、设备损坏甚至人员伤亡。随着采矿深度增加和地质条件复杂化，含水层扰动和导水裂缝扩展加剧了涌水量的非线性和不确定性特征，传统预测方法难以满足精准及时的水害防治要求。因此，开发高效准确的涌水量预测模型对建立有效的水害预警系统和确保安全采矿具有重要理论和实践意义。
在涌水量预测方法的发展中，传统物理模型和现代数据驱动模型两大技术途径逐渐显现。早期机器学习方法如反向传播（BP）神经网络和支持向量回归（SVR）已被应用，但其性能高度依赖超参数选择和优化。随着深度学习发展，长短期记忆（LSTM）网络因其学习序列数据中长期依赖的能力被广泛采用，门控循环单元（GRU）作为简化变体也表现出竞争力。Transformer架构通过自注意力机制实现并行计算和长距离依赖建模，在多时间序列预测中展现潜力。近年来，混合建模和多技术集成成为提高预测精度和鲁棒性的重要策略，例如结合局部特征提取和全局依赖建模，但针对深部采矿环境独特水文挑战的先进深度学习架构最优集成仍存在研究空白。涌水量受多因素交互影响，表现出显著非线性、非平稳和多尺度时间特征，现有文献未充分探索如何有效耦合卷积神经网络（CNN）的局部特征提取能力与Transformer和LSTM的全局序列建模优势。
针对这一空白，研究人员在中国云南省昭通市彝良县毛坪矿区开展研究，利用2023年每日涌水量记录和九个气象水文变量，系统构建和评估了五种深度学习模型：CNN、LSTM、Transformer、CNN-LSTM和LSTM-Transformer。数据来源包括毛坪矿区龙潭水文站的水文观测（流量、水位、流速）和彝良气象站（27°38′ N, 104°4′ E）的降水数据，以及中国气象数据服务中心提供的平均相对湿度、平均风速、平均地表温度、平均站压和日照时长等气象变量。所有数据经过严格的预处理协议，包括异常值检测和线性插值处理缺失值。模型评估采用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）作为指标。
研究结果显示，在验证集上，五种模型均能捕捉涌水量的总体时间变化模式，但性能差异显著。CNN模型（四层卷积层和ReLU激活函数）有效捕捉总体下降趋势，但中期预测值偏高，MAE为0.250，RMSE为0.329，R2为0.782。LSTM模型（两层堆叠LSTM层）在验证集前半段预测相对一致，但中期出现异常“深V”形波动，MAE为0.256，RMSE为0.408，R2为0.667，拟合优度最低。Transformer模型（四层编码器和八注意力头）捕捉总体模式，但局部时段预测值偏低，MAE为0.280，RMSE为0.353，R2为0.750。CNN-LSTM模型（一层卷积和一层LSTM，dropout率0.2）预测曲线出现明显局部波动，MAE为0.305，RMSE为0.367，R2为0.730，未优于较强单模型。LSTM-Transformer模型（一层LSTM层和三层Transformer编码器）表现最佳，其预测曲线紧密跟随观测值，仅少数峰值处有微小偏差，MAE为0.196，RMSE为0.242，R2为0.882，显著优于其他模型。
研究结论表明，LSTM-Transformer混合模型的优越性源于LSTM层捕捉短期依赖和滞后响应，而Transformer的多头自注意力机制建模长期、跨季节全局趋势，互补架构有效解决了单模型在处理水文时间序列非线性和非平稳特征时的稳定性问题。从应用角度，该模型的高精度和稳定性为矿井安全管理和动态水害预警提供了可靠技术支撑，能够辅助决策者制定更准确的排水计划，优化能耗并降低复杂采矿环境中突水事故风险。讨论部分指出，混合架构（如CNN/LSTM与Transformer集成）适用于受局部地质水文过程和广泛气象条件共同影响的涌水量预测，但简单集成不一定提升性能，其有效性取决于组件互补性。未来研究可考虑多源数据融合（如水文地质监测和InSAR地表变形数据）、模型轻量化（便于井下低功耗边缘设备部署）以及跨矿区泛化验证。限制方面，模型主要基于历史涌水和气象数据，可能忽略其他水文地质因素，且Transformer模块的计算复杂度可能影响实际部署。整体而言，该研究为复杂工程时间序列预测提供了稳健有效的方法，并为矿井涌水灾害的高精度预警和智能预防奠定了基础。
