基于VMD-LSTM的采掘工作面含水层水位预测

为什么更安全的采矿依赖于了解地下水

在地下深处，煤矿常位于含水岩层之上。如果这些水突然涌入巷道，可能淹没设备、威胁作业人员并中断生产。本文研究了一种更智能的方式来预测活跃采掘工作面附近这些地下含水层的水位涨落，帮助矿方提前采取行动，避免危险突发事件。

矿下的隐秘波动

在所研究的矿区，煤层之下有一处像隐蔽水库一样的石灰岩含水层。随着煤炭的采掘，岩体应力发生变化，水可能向巷道迁移。直接测量涌入巷道的水量较为困难，因为传感器容易受到多种因素干扰。相比之下，跟踪附近石灰岩含水层的水位更为清晰且稳定。因此，作者将预测该含水层水位作为评估突发涌水风险的替代指标。

把复杂信号拆成更简单的部分

日常水位记录起伏不定，既有缓慢的趋势也有剧烈的波动。为此，研究人员首先对数据进行清洗，剔除明显错误并填补缺失的日期。然后采用一种称为变分模态分解（VMD）的方法，将水位记录视作几种重叠波形的混合体。该方法把原始曲线分解为八个更简单的分量，每个分量代表不同时间尺度的变化，从长期趋势到短期波动不等。这样有助于计算模型识别出可能被噪声掩盖的模式。

教网络记住过去

分解后，将每条更简单的水位曲线输入一种用于时间序列的人工神经网络——长短期记忆网络（LSTM）。该网络设计用于在较长时间跨度内保留重要信息，同时忽略不太有用的细节。模型在大部分记录数据上进行训练，再在剩余数据上测试。团队比较了几种方法，包括使用其他流行序列模型的版本以及完全跳过分解步骤的版本。

预测精度的明显提升

将变分模态分解与长短期记忆网络相结合的模型在所有测试方法中给出了最准确的预测。它能跟踪含水层水位的整体涨落，并在水位快速变化时表现尤为出色，例如在大幅下降或突发峰值附近。作者比较标准误差指标时，混合模型始终显示出更低的误差并更接近实际测量值，相较于未分解的模型或采用其他网络结构的模型。由此可见，先将混合信号解缠，再使用记忆型网络，有助于更好地捕捉地下水的真实行为。

这对矿山安全意味着什么

对矿方而言，该研究提出了一种实用的工具，用于监测工作面下方的隐蔽水体。通过提前且更可靠地预报未来水位，模型可以支持关于钻孔、排水和加固等决策，从而在水体突破巷道前采取措施。由于该方法在部署后相对简单，并以日常测量为输入，它为加强水害防范、提高采矿安全与生产效率提供了一种便捷途径。

引用: Zhang, G., Jiao, B., Ji, X. et al. VMD-LSTM based water level prediction of aquifer in mining working face. Sci Rep 16, 15088 (2026). https://doi.org/10.1038/s41598-026-45287-6

关键词: 矿井水, 含水层水位, 时间序列预测, 深度学习, 煤矿安全