【技术实现步骤摘要】
本专利技术属于遥感算法开发，尤其涉及一种基于awc-lstm模型的煤矿地表形变预测方法。
技术介绍
1、地下煤矿开采引起的地表形变具有大范围大梯度性，可能会对地表结构造成持续性破坏，且使矿区周围的生态环境遭到破坏。相比传统的时间序列预测手段，利用机器学习和深度学习模型对矿区地表时序形变数据进行分析和研究，从而对矿区地表开采沉降的发展趋势进行预测，具有成本低、效率高和预测结果更准确的优势，能够有效减少矿区开采引起的工程安全性问题、最小化对生态环境的破坏，对矿区的可持续性发展具有重要的现实意义。
2、目前，地表形变预测的方法主要有基于物理机制的方法、数值模拟方法和基于机器学习的方法三大类。基于物理机制的方法通常依赖于类似矿体形状、深度、矿石性质等物理参数的关系，通过这些参数间的关系，从而演化出地表形变的发展规律并做出预测，常见的模型包括采矿沉降模型、地铁沉降模型、地下水耦合模型等。尽管这些模型方法简单，但准确性较低，适用性存在局限。数值模拟方法使用计算机模型来模拟矿区开采过程中的地下应力和沉降分布。有限元法和有限差分法是常用的数值模拟技术。这些方法能够更准确地预测沉降规律，但需要大量的地质和地下水数据以及计算资源。近年来，机器学习方法和人工智能技术在矿区开采沉降预测中得到广泛的应用，其在计算机的辅助下能够从大量数据中识别和学习特征，不受研究区地质和矿石性质等物理参数的制约，在时间序列预测方面，相比前两种预测方法更具优势。
3、虽然矿区开采导致的地表下沉通常表现为非线性特征，但也可能存在线性部分，如果直接将其作
技术实现思路
1、本专利技术提出了一种基于awc-lstm模型的煤矿地表形变预测方法，以解决上述现有技术中存在的技术问题，本专利技术是能够考虑数据序列特点，充分学习时序数据的特征并能客观选定模型参数的算法来准确预测矿区地表形变。
2、为实现上述目的，本专利技术提供了一种基于awc-lstm模型的煤矿地表形变预测方法，包括：
3、获取煤矿地表的时序形变数据；
4、构建arima模型，将所述时序形变数据输入至arima模型，得到第一数据和第二数据，其中所述第一数据为线性时序形变预测数据，所述第二数据为非线性时序形变数据；
5、构建cnn-lstm模型，将所述第二数据输入至cnn-lstm模型，得到非线性预测结果，其中所述cnn-lstm模型为优化后的lstm模型；
6、基于所述第一数据和所述非线性预测结果，将二者相加，得到煤矿地表的最终形变预测结果。
7、优选地，其特征在于，获取煤矿地表的时序形变数据的过程包括：
8、获取煤矿地表的sar影像，基于所述sar影像得到差分干涉图；
9、对所述差分干涉图进行相位解缠，得到相位解缠结果；
10、去除所述相位解缠结果中的大气相位后，对所述相位解缠结果进行sbas反演、地理编码，得到煤矿地表的时序形变数据。
11、优选地，其特征在于，得到差分干涉图的过程包括：
12、获取煤矿地表的sar影像，选择超级主影像作为参考影像，基于所述参考影像对所述sar影像进行配准和裁剪；
13、设定时空基线阈值，基于所述时空基线阈值，将所述sar影像中的平地相位和地形相位进行去除，生成原始差分干涉图。
14、优选地，其特征在于，得到相位解缠结果的过程包括：
15、设置相干性阈值和解缠阈值，采用mcf最小费用流法对所述差分干涉图进行相位解缠，得到相位解缠结果。
16、优选地，其特征在于，得到非线性预测结果的过程包括：
17、对所述时序形变数据进行预处理，得到待测时序形变数据；
18、基于所述时序形变数据，得到arima模型参数；
19、基于所述arima模型参数构建arima模型，将所述时序形变数据输入至arima模型，得到第一数据和第二数据。
20、优选地，其特征在于，构建arima模型的过程包括：
21、对所述时序形变数据进行自相关、偏自相关处理，并结合贝叶斯信息准则和赤池信息准则，得到自回归滞后参数、误差滞后参数；
22、对所述时序形变数据进行平稳性检验，得到差分参数。
23、优选地，其特征在于，构建cnn-lstm模型的过程包括：
24、在lstm模型的结构中增加cnn层，同时采用woa寻优算法对所述cnn层及lstm模型进行参数优化，得到cnn-lstm模型。
25、优选地，其特征在于，采用woa寻优算法对所述cnn层及lstm模型进行参数优化的过程包括：
26、初始化lstm模型参数；
27、采用woa寻优算法计算鲸鱼个体的适应度值，基于所述适应度值更新鲸鱼个体位置；
28、设置最大迭代次数，直至输出cnn-lstm模型参数；
29、基于所述cnn-lstm模型参数，建立最优cnn-lstm模型。
30、优选地，其特征在于，更新鲸鱼个体位置的方式包括：螺旋方式和包围机制。
31、优选地，其特征在于，所述cnn-lstm模型参数包括：时间步长、cnn层数、cnn层激活函数、lstm层数、lstm层激活函数、损失函数、优化器。
32、与现有技术相比，本专利技术具有如下优点和技术效果：
33、本专利技术提供了一种基于awc-lstm模型的煤矿地表形变预测方法，采用arima模型和lstm模型组合，考虑到矿区开采导致的地表形变时序数据的特点以及单一预测模型难以同时顾及数据序列中的线性和非线性特征；
34、本专利技术采用了cnn模型与lstm模型的结合来预测地表形变，充分发挥了cnn模型对于时间序列数据中局部特征的敏感性，提高了特征学习能力。
35、本专利技术操作简单，避免参数设置的主观性，能有效提高矿区地表形变预测的准确性并实现短期预测。
本文档来自技高网...【技术保护点】
1.一种基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，包括：
2.根据权利要求1所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，获取煤矿地表的时序形变数据的过程包括：
3.根据权利要求2所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，得到差分干涉图的过程包括：
4.根据权利要求2所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，得到相位解缠结果的过程包括：
5.根据权利要求1所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，得到非线性预测结果的过程包括：
6.根据权利要求1所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，构建ARIMA模型的过程包括：
7.根据权利要求1所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，构建CNN-LSTM模型的过程包括：
8.根据权利要求7所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，采用WOA寻优算法对所述CNN层及LSTM模型
9.根据权利要求8所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，更新鲸鱼个体位置的方式包括：螺旋方式和包围机制。
10.根据权利要求8所述的基于AWC-LSTM模型的煤矿地表形变预测方法，其特征在于，所述CNN-LSTM模型参数包括：时间步长、CNN层数、CNN层激活函数、LSTM层数、LSTM层激活函数、损失函数、优化器。
...【技术特征摘要】
1.一种基于awc-lstm模型的煤矿地表形变预测方法，其特征在于，包括：
2.根据权利要求1所述的基于awc-lstm模型的煤矿地表形变预测方法，其特征在于，获取煤矿地表的时序形变数据的过程包括：
3.根据权利要求2所述的基于awc-lstm模型的煤矿地表形变预测方法，其特征在于，得到差分干涉图的过程包括：
4.根据权利要求2所述的基于awc-lstm模型的煤矿地表形变预测方法，其特征在于，得到相位解缠结果的过程包括：
5.根据权利要求1所述的基于awc-lstm模型的煤矿地表形变预测方法，其特征在于，得到非线性预测结果的过程包括：
6.根据权利要求1所述的基于awc-lstm模型的煤矿地表形变预测方法，其特征在于，构建ari...
【专利技术属性】
技术研发人员：陈宇，陈鑫垄，索之辉，李怀展，王帅，田金泽，程惠斌，田小龙，冯小军，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。