利用深度学习方法进行淮南煤田矿区开采条件下地下水位时序预测

衣思瞳; 李旭; 张刚; 张海涛; 许光泉; 郝偌楠; 戴鑫

doi:10.12404/j.issn.1671-1815.2600490

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (29) :12521-12529 DOI: 10.12404/j.issn.1671-1815.2600490

矿冶工程

利用深度学习方法进行淮南煤田矿区开采条件下地下水位时序预测

衣思瞳 ¹ ,
李旭 ¹^,^* ,
张刚 ² ,
张海涛 ¹ ,
许光泉 ¹ ,
郝偌楠 ¹ ,
戴鑫 ¹

作者信息 +

Time Series Prediction of Groundwater Level under Mining Conditions in Huainan Coalfield Based on Deep Learning

YI Si-tong ¹ ,
LI Xu ¹^,^* ,
ZHANG Gang ² ,
ZHANG Hai-tao ¹ ,
XU Guang-quan ¹ ,
HAO Ruo-nan ¹ ,
DAI Xin ¹

Author information +

文章历史 +

摘要

采矿扰动条件下,精准预测煤矿区地下水位动态对矿山突水预测与水害防治具有重要的指导意义。现有地下水位预测方法存在精度低、准确性差等问题,难以满足矿区安全生产需求。以淮南谢桥煤矿石炭系太原组灰岩含水层为研究对象,利用2013—2024年的地下水位埋深观测数据及涌水量数据,采用深度学习长短期记忆网络(long short-term memory,LSTM)模型和卷积神经网络-长短期记忆网络(convolutional neural networks-LSTM,CNN-LSTM)混合模型对补ⅢC₃-Ⅱ孔进行水位埋深时序预测。结果表明:C₃Ⅱ组灰岩含水层是太原组灰岩含水层关键过渡层,不同井孔的水位埋深变化具有明显差异。多输入特征的LSTM模型具有较强的预测能力,测试集均方根误差(root mean square error,RMSE)达到0.63 m,决定系数(R²)达到0.86,具有较好的预测精度。多输入特征的CNN-LSTM混合模型相对于单一模型表现精度更高,测试集RMSE达到0.55 m,R²达到0.9。LSTM模型与CNN-LSTM模型均表现出良好的预测性能,但CNN-LSTM模型展现出更强的预测能力,研究结果为精准预测采矿扰动水位及矿山水害防治提供重要科学依据。

Abstract

Accurate prediction of groundwater level dynamics in coal mining areas is essential for providing critical guidance for water inrush forecasting and water disaster prevention under mining-disturbed conditions. Existing methods for groundwater level prediction often suffer from low precision and poor accuracy, making it difficult to meet the safety production requirements of mining areas. The limestone aquifer of the Carboniferous Taiyuan Formation in the Xieqiao Coal Mine, Huainan, was selected as the research object. Groundwater depth time series data and water inflow records from 2013 to 2024 were utilized. Into deep learning models, including the long short-term memory (LSTM) network and a convolutional neural network-LSTM (CNN-LSTM) hybrid model, time series forecasting was conducted to predict the water table level depth at the borehole BuⅢC₃-Ⅱ. The results indicate that the C₃Ⅱ Group Limestone Aquifer served as a key transitional layer for the Taiyuan Formation limestone water, with distinct variations in the response patterns of recharge and discharge observed across boreholes in different sub-areas. The LSTM model with multiple input features demonstrated strong predictive capability, achieving a root mean square error (RMSE) of 0.63 m on the test set and a coefficient of determination (R²) of 0.86, indicating excellent prediction accuracy. The CNN-LSTM hybrid model with multiple input features showed higher accuracy compared to single models, achieving RMSE of 0.55 m on the test set and R² of 0.9. Both the LSTM model and CNN-LSTM model proposed show satisfactory predictive performance. However, CNN-LSTM model demonstrated superior predictive capability. The results provide a crucial scientific basis for accurately predicting groundwater level forecasting under mining disturbance and mine water disaster prevention and control.

Graphical abstract

关键词

采矿扰动 / 深度学习 / LSTM / CNN-LSTM / 水位埋深时序预测

Key words

mining disturbance / deep learning / LSTM / CNN-LSTM / time series forecasting of water table depth

引用本文

引用格式 ▾

衣思瞳, 李旭, 张刚, 张海涛, 许光泉, 郝偌楠, 戴鑫. 利用深度学习方法进行淮南煤田矿区开采条件下地下水位时序预测[J]. 科学技术与工程, 2026, 26(29): 12521-12529 DOI:10.12404/j.issn.1671-1815.2600490

YI Si-tong, LI Xu, ZHANG Gang, ZHANG Hai-tao, XU Guang-quan, HAO Ruo-nan, DAI Xin. Time Series Prediction of Groundwater Level under Mining Conditions in Huainan Coalfield Based on Deep Learning[J]. Science Technology and Engineering, 2026, 26(29): 12521-12529 DOI:10.12404/j.issn.1671-1815.2600490

登录浏览全文

4963

注册一个新账户忘记密码

矿产资源是中国重要的基础性生产资料和战略性安全保障,随着浅部矿产资源日趋枯竭,开采重心向深部转移^[1]。近年来,中国对于矿山开采安全高度重视,矿山面临的水文地质条件愈发复杂,矿井突水、巷道涌水引起的地面沉降等现象频繁发生,故多年来中国围绕采矿扰动条件下地下水问题重点开展水害防治理论与技术研发^[2-6]地下水作为矿区地质环境中最活跃的要素,其动态变化直接关系到矿山安全生产与生态安全。地下水水位是判断突水风险的重要依据,其变化受到气候、地质构造、采动扰动及人工排水等诸多因素耦合影响,导致动态变化复杂^[7-10]。因此,构建捕捉复杂动态的水位预测模型,对于揭示矿区水文地质规律,预防矿井突水,支撑矿山安全开采具有重要的意义。

地下水位预测一直是矿山水文地质研究的重要领域之一,为此诸多学者围绕水位动态等问题开展了广泛研究^[11-13]。徐源蔚等^[14]针对地下水位样本之间的相似性,提出将集对分析与相对预测结合的方法来对水位进行预测;Wei等^[15]结合小波变换和相空间重构的机器学习模型用于地下水位预测。众多学者对地下水的研究不断深入,研究方法不断创新,取得了显著的研究成果,尽管如此,矿山开采过程的复杂性以及地下水系统的独特性,亟须深化研究矿山开采过程地下水的长期变化趋势及影响机理。现如今,在矿山开采活动中,区域地下水动力场会因人为强烈扰动而发生系统性重布,从而导致水位精准预测困难^[16-17]。传统的地下水位预测方法多是以数学和物理学方法来进行预测,从定性走向定量,但对复杂的地质条件适应性有限。如今深度学习方法凭借强大的非线性映射能力与卓越的时空预测性能,逐渐成为人工智能领域的研究重心。卷积神经网络(convolutional neural networks,CNN)^[18]和长短期记忆网络(long short-term memory,LSTM)^[19]是机器学习中深度学习部分较为重要的两种网络模型,有着极高的泛化能力,能够自动学习数据的特征表示,其凭借独特的结构设计和强大的学习能力,在各自擅长的领域展现出显著优势^[20-23]。其中,CNN能够提取空间特征,LSTM能够处理时序特征,两者结合能够处理时空数据,同时混合模型面对不同的数据输入能够有效地整合,且在参数调优较好条件下,能够保持很高的稳定性和准确性,为解决矿山复杂水文地质条件下的水位预测难题提供了一条超越传统物理模型局限的数据驱动新范式。

为解决由矿山开采活动引发的一系列的水文地质、工程安全及生态环境问题,现以淮南矿区谢桥煤矿为研究区,使用石炭系太原组灰岩水含水层的矿井水位埋深数据对地下水水位埋深进行快速精准预测分析,运用LSTM模型和CNN-LSTM混合模型^[24-25]分别对水位埋深变化进行预测,并进行对比分析,以掌握地下水位变化趋势,实现从被动治理到主动预警的转变,进而为矿山水害防治提供方法支撑和理论依据。

1 研究区水文地质特征

1.1 研究区概况

淮南煤田位于华北地块东南缘,谢桥煤矿位于淮南煤田潘谢矿区西南部,面积38.200 6 km²。左临阜东矿区,分界线存在陈桥断层,各含水系统间存在丰富的水力交换,其地质构造如图1所示。二叠系煤层上覆巨厚松散层,局部古近系发育,下伏太原组灰岩和奥陶系灰岩,局部发育岩溶陷落柱。煤系地层为石炭-二叠系,赋存较稳定,年产量超过960万t。矿井构造以宽缓向斜为主,受到断层切割,形成复杂断块结构,直接影响含水层连通性与导水性。矿区主要含水层为新生界松散孔隙含水层、二叠系砂岩裂隙含水层、石炭系太原组石灰岩岩溶裂隙含水层和深部奥陶系石灰岩岩溶裂隙含水层,各含水层之间均有隔水层和相对隔水层间隔。谢桥矿深部开采面临严峻水害威胁,其底板太原组灰岩岩溶含水层是突水主要来源,该含水层受到断层切割形成垂向导水通道,且受采动影响破坏底板隔水层,显著加剧了突水风险,故以灰岩含水层为重点研究对象,深入揭示动态规律,为矿区深部水害防治提供科学依据。

1.2 开采条件下地下水动态特征变化

谢桥煤矿针对太原组灰岩含水层自上而下将其分为C₃Ⅰ组、C₃Ⅱ组和C₃Ⅲ组,各组有若干观测井开展长期水位动态监测,其中C₃Ⅱ组介于C₃Ⅰ组及C₃Ⅲ组之间,处于太灰中段的位置,是太原组灰岩水流系统中压力传递的关键过渡层,研究其水位动态特征直接反映深层奥灰水的越流补给强度,其水位异常可早于C₃Ⅰ组发出突水预警,是太原组灰岩系统的“压力传导枢纽”,直接关联陷落柱导水与奥灰越流风险。单位涌水量0.000 11~1.356 L/(m·s),除陷落柱影响区富水性弱-强等外,其余区域富水性弱,具有非均质性,渗透系数0.000 108~1.94 m/d。C₃Ⅱ组共布设有3个长期观测孔,分别为井筒ⅢC₃-Ⅱ孔、补ⅢC₃-Ⅱ孔以及补D13C₃-Ⅱ孔,其水位埋深动态变化如图2所示,分别表征了该含水层不同位置的水位变化:补ⅢC₃-Ⅱ孔初见水位标高-36.86 m,受井下疏放水的影响,水位持续下降;补D13C₃-Ⅱ孔和井筒ⅢC₃-Ⅱ孔水位由于受谢桥矿区域注浆治理的影响不断回升。

2 模型概述与构建

数据预处理阶段,为了消除数据因量纲、数量级或分布差异导致的偏差,进行数据归一化处理,如式(1)所示,将每个特征列的值线性映射到[0,1]区间,后续模型训练完毕需进行反归一化处理,如式(2)所示,将数据还原至原始量纲。LSTM和CNN-LSTM两种模型的数据集分别按照7∶3的比例划分为训练集和测试集,LSTM和CNN-LSTM模型的输入特征为水位埋深和涌水量,两模型最终输出特征为1,即水位埋深。

MinMaxScaler归一化公式为

(1)X_scaled=$\frac{\mathit{X}-{\mathit{X}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{\mathit{X}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{X}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

式(1)中:X为原始数据;X_max为当前特征列最大值;X_min为当前特征列最小值。

反归一化公式为

(2)X_original=X_scaled(X_max-X_min)+X_min

2.1 CNN模型

卷积神经网络(CNN)一般用来捕捉空间特征,主要架构由输入层、卷积层、池化层、全连接层、输出层组成,具有出色的特征提取和识别能力。输入层接收原始数据,完成维度适配和标准化预处理;卷积层进行局部特征提取,通过卷积核滑动计算生成特征图;池化层进行空间降维;全连接层进行高阶特征整合与分类决策,一般将输出多维特征展平为一维向量,最后进行输出。使用卷积神经网络中的一维卷积神经网络Conv1D^[27-28]模块。

一维卷积公式为

(3)y_t=$\stackrel{\mathit{K}-1}{\sum _{\mathit{i}=0}}\stackrel{\mathit{C}-1}{\sum _{\mathit{c}=0}}$(ω_i_,_cx_ti_,_c)+b

式(3)中:K为卷积核大小,即每次滑动窗口包含的时间步数;ω_i_,_c为卷积核在位置 i、特征通道 c上的权重;b为偏置项;y_t为卷积后在位置t的输出值。

若无激活函数,多层神经网络仅是线性变换的叠加,无法拟合复杂函数,故需要添加激活函数将结果变为非线性映射,同时能够缓解梯度消失和梯度爆炸的问题^[29]。

2.2 LSTM模型

长短期记忆网络(LSTM)是传统循环神经网络(recurrent neural network,RNN)的改进版本,传统RNN在训练时,需要通过时间反向传播算法并更新权重,但当序列很长时,梯度需要在时间步上连续相乘,如果特征值小于1,梯度会指数级衰减到接近于0,会造成梯度消失;如果特征值大于1,会导致梯度指数增长,权重更新过大,造成梯度爆炸。故LSTM引入了门控机制和细胞状态,实现对信息的长期保存与选择性遗忘,解决了RNN难以保留长期距离依赖的问题,LSTM模型结构如图3所示。

一个标准的LSTM单元由遗忘门、输入门、输出门以及细胞状态构成。假设X_t是输入信息,前一时刻C_t_-1是细胞状态(记忆状态),前一时刻h_t_-1是隐藏状态,其过程可用以下方程描述。

输入门(Input Gate):

(4)i_t=σ(W_i[h_t_-1,x_t]+b_i)

(5)${\stackrel{-}{\mathit{C}}}_{\mathit{t}}$tanh(W_c[h_t_-1,x_t]+b_c)

输出门(Output Gate):

(6)o_t=σ(W_o[h_t_-1,x_t]+b_o)

(7)h_t=o_t*tanh(C_t)

遗忘门(Forget Gate):

(8)f_t=σ(W_f[h_t_-1,x_t]+b_f)

细胞状态(Cell State):

(9)C_t=f_t*C_t_-1i_t*${\stackrel{-}{\mathit{C}}}_{\mathit{t}}$

式中:σ为sigmoid激活函数;tanh为双曲正切激活函数;W_f、W_o、W_i、W_c、b_f、b_o、b_i、b_c为可学习的权重和偏置;*表示逐元素乘法。门控单元中,遗忘门是通过X和h_t的操作,经过激活函数,得到0~1的向量,0对应的代表之前的记忆某一部分要忘记,1对应的代表之前的记忆需要保留的部分,用以决定上一时刻细胞状态中哪些信息需要丢弃;输入门是决定当前时刻的修改信息中哪些需要存入细胞状态中。细胞状态更新是将遗忘门筛选后的旧状态与输入门筛选后的新信息整合,得到新的细胞状态C_t,输出门是基于当前细胞状态来决定隐藏状态h_t的输出。

2.3 CNN-LSTM协同机制

CNN-LSTM模型首先通过Conv1D层对原始多变量时间序列进行局部特征抽象,能够识别水位对涌水量突变的短期响应模式;随后将压缩后的特征序列输入LSTM层,捕获长期依赖关系。这种“局部-全局”的层级结构,使得模型能够同时兼顾时间序列的短期波动与长期趋势,适用于受采矿活动强烈扰动的含水层系统。此外,卷积层的降采样作用还能减少LSTM层的输入维度,降低计算复杂度,用以缓解过拟合。

2.4 LSTM模型水位埋深时序预测

使用过去12个时间步预测下一步,在模型构建时,共设置了5层模型,第一层是输入层,创建一个顺序模型(sequential model),将序列数据传输给模型进行处理,网络层按照顺序堆叠;第二层是LSTM层,这是模型的主体部分,包含了50个LSTM神经单元(隐藏层神经元);第三层是RELU激活层,对LSTM层的输出进行非线性转换,帮助模型对更复杂的特征保持准确率,加速模型训练过程;第四层是全连接层,将RELU的输出与每一个神经元连接起来,达到更高层次的预测能力;第五层是输出层,它将全连接的输出转换为最终的预测值,给出结果。

创建模型之后,采用补ⅢC₃-Ⅱ孔的432组数据输入模型。输入特征除水位埋深外,增加矿井涌水量特征,形成多特征输入,整个训练集重复训练150轮次,每次迭代使用32个样本来计算梯度并更新权重,学习率设置为0.002,使用Adam优化器,该算法结合了动量法与RMSprop优化器的优点,能够自适应调整学习率。为量化模型预测的不确定性,模型增加了残差和标准差的计算,标准差越小,预测越精确,残差分布用来添加噪声分析,并将噪声幅度减少30%,防止过度扰动。引用蒙特卡洛模拟(Monte Carlo)方法,在预测阶段,对模型权重施加高斯噪声,每次模拟使用相同的初始序列,但添加不同的噪声,并进行M=100次独立向前传播,得到100条可能的未来水位埋深轨迹。基于这些轨迹,假设预测误差服从正态分布,进而构造95%置信区间,更真实地反映模型的不确定性。最终预测未来12个月的水位埋深数据。

模型训练的评估指标返回均方误差(mean square error,MSE):衡量预测值与真实值之间的平均平方差;均方根误差(root mean square error,RMSE):MSE的平方根,更加直观地反映预测值与真实值之间的平均误差大小;决定系数(R²):表示模型解释数据变异的比例,对异常值敏感,范围在0~1,越接近1说明模型拟合越好,涉及公式如式(10)~式(12)所示。

均方误差公式:

(10)MSE=$\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}{)}^{2}$

均方根误差公式:

(11)RMSE=$\sqrt{\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}{)}^{2}}$

决定系数公式:

(12)R²=1$\frac{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}{)}^{2}}{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}{-\stackrel{-}{\mathit{y}})}^{2}}$

式中:n为样本数目;y_i为真实值;${\hat{\mathit{y}}}_{\mathit{i}}$为预测值;$\stackrel{-}{\mathit{y}}$为实际观测值的平均值。

2.5 CNN-LSTM混合模型水位埋深时序预测

此模型同样使用12个时间步预测下一步,在模型构建时,设置了12层。第一层是输入层;第二层是一维卷积层,用于提取时间序列的局部特征,通过卷积核在数据上滑动检测,设置64个通道,卷积窗口覆盖3个时间步,增加L2正则化、衰减权重来防止过拟合;第三层是RELU激活层;第四层是最大池化层:压缩特征维度并保持关键信息,每2个时间步取最大值,使输出长度减半;第五层是一维卷积层:输入为32个通道,依旧使用正则化;第六层为RELU;第七层为LSTM层:神经元数量50,捕捉长期依赖关系;第八层是Dropout层:随机丢弃20%神经元输出,目的是防止过拟合;第九层是第二个LSTM层:使模型进一步学习序列模型,也使用正则化;第十层是全连接层:整合高级特征;第十一层是RELU;第十二层是输出层:输出1个神经元,生成最终预测结果。

模型创建之后,同样采用补ⅢC₃-Ⅱ孔的432组数据输入模型,在输入特征中除了水位埋深之外,也添加了涌水量的特征,形成多特征输入,使用更复杂的CNN-LSTM混合模型来学习整合其中的关系,达到精准预测。训练轮次设置为200,每次梯度更新32个样本,学习率设置0.002,使用Adam优化器。由于模型复杂,为了防止过拟合,除了使用L2正则化、Dropout丢弃神经元之外,增添了keras包中的早停法回调函数,在训练神经网络时根据测试集的表现自动停止训练。在未来值预测过程中,模型进行多次独立模拟,生成多个可能的未来路径,使用正态分布估计采样噪声,用来模拟预测的不确定性,计算95%的置信区间,沿模拟次数轴计算中位数。

3 结果与讨论

由于井孔补ⅢC₃-Ⅱ孔观测的位置灰岩含水层渗透性强,从而提供了高效的导水通道,有利于水压的快速传递,研究其水位变化对矿井水害精准防控具有重要意义,故选择C₃Ⅱ组中的补ⅢC₃-Ⅱ孔作为研究对象,选用2013—2024年12月的地下水位埋深观测数据及涌水量数据,每月选取3组数据,共432组数据,进行地下水水位时序预测分析。

3.1 LSTM模型结果

模型迭代结束后,绘制模型损失曲线,并将预测结果与实际结果拟合进行可视化显示,更加直观地展示出模型的预测结果。如图4和图5所示,展示了模型的损失曲线与水位埋深预测结果。由模型训练损失迭代结果可以看出,训练前期模型的损失值随迭代次数的增加急速减少,逐渐趋于稳定,这表明模型的学习效果良好,在训练4轮次后模型逐步趋于收敛状态,在146轮次时达到最佳。

经模型学习后得到如下结果:标准差为0.016,训练集MSE为0.19 m²、RMSE为0.43 m、R²为0.99;测试集MSE为0.39 m²、RMSE为0.63 m、R²为0.86。由此可知模型验证的结果拟合程度较高,训练集和测试集的损失曲线几乎完全重合,没有出现过拟合现象,最终损失值非常低,表明模型的预测精度极高,模型有良好的泛化能力,最终预测水位埋深平稳变化在82~84 m。

3.2 CNN-LSTM模型结果

通过对输入的多维数据进行机器学习预测,以实际值为横坐标、预测值为纵坐标绘制散点图,并添加参考线,训练集和测试集拟合效果的散点图如图6所示。

经模型学习得到的结果可知,对于训练集:R²达到0.97,RMSE为1.22 m。对于测试集:R²为0.90,RMSE为0.55 m。相对而言,此模型训练集的误差稍大,但是测试集效果展示出很好的预测能力,误差较小,决定系数接近九成,意味着模型解释了近90%的数据变异性,最终预测结果如图7所示。

在使用CNN-LSTM混合模型预测水位埋深过程中,训练集的预测值与真实值拟合效果一般,预测值相对实际值存在一定的滞后性,是导致训练集误差大的主要原因,这可能是因为时间序列模型依赖滑动窗口来输入历史数据,窗口未能覆盖关键变化拐点,导致模型无法及时响应。测试集的拟合效果相对较好,对于未来水位埋深值预测变化也平稳在83~84 m。

3.3 讨论

分别通过LSTM和CNN-LSTM模型对矿区水位埋深进行时序预测,得到的预测值和真实值相对接近,在都考虑时间序列特征的情况下均表现出稳定可靠的预测性能。相比于传统算法,LSTM多输入特征预测较好地提升地下水位埋深预测能力。由于多输入特征混合模型构建的复杂性以及其依赖滑动窗口来输入历史数据的特征,CNN-LSTM混合预测模型在部分时间段特别是在训练集部分呈现出一定的滞后性、误差偏大,面对突发拐点时模型未能及时适应、调整参数相对困难,并且在数据归一化和反归一化方面会有更强的阻碍。但是,混合模型得到的最终预测结果相对于单一预测模型具有更小的误差及更高的决定系数,这表明在地下水位动态机理预测中使用多模型串联能够提高模型的预测泛化能力。同时在野外实际井孔监测中,往往需要考虑众多的因素,不仅仅是水位、涌水量,甚至是温度、流速等都会对最终的水位预测产生影响,考虑多输入特征的复杂混合模型来做预测分析对地下水位动态机理研究是有必要的。本文研究突破了传统水文地质模型对边界条件、参数场等知识的依赖,为揭示采矿扰动下地下水系统的非线性响应机制提供了新的研究视角。模型框架可为矿山企业制定疏放水方案、注浆治理时机等提供决策支持,为建立矿区地下水动态预警阈值提供科学依据,目前已在淮南矿区部分井孔中初步验证其适用性。因此,所提出的CNN-LSTM混合模型为深化矿区实际复杂地下水位动态机理研究及实现精准预测提供了理论支撑,具有重要现实意义。

当前模型依旧存在一些不足,在模型未来值预测方面,选用12年数据预测1年未来数据,陆续进行递归预测,这种方式预测的未来值与数据集前些年的数据关联相对较少,学习到的数据相对不充分。在今后的研究中,可以通过改进递归的方式预测未来值,使之能够充分融合所有数据集进行学习,选取最合适的模型参数,来减少模型预测滞后性影响。此外,基于深度学习模型在地下水动态预测的研究,未来可以考虑融合多种模型,在现有水位与涌水量基础上,进一步引入气温、降水、开采强度、注浆量等时序数据,增强预测置信区间,结合物理信息神经网络或物理引导的深度学习模型,将水文地质机理与数据驱动模型深度融合,进行多系统耦合模型预测^[30],提高模型对外部扰动因素的响应能力,基于所建模型,开发面向矿区实际的智能化地下水水位预警系统,进一步提高地下水位长时间序列预测精度,推动模型从理论研究走向工程应用。

4 结论

以淮南矿区中部的谢桥煤矿为典型案例,聚焦石炭系太原组灰岩含水层,系统揭示了矿山采矿扰动下地下水位的动态响应特征与机制。在此基础上,选取灰岩含水层C₃Ⅱ组中的补ⅢC₃-Ⅱ孔地下水动态监测点2013年1月—2024年12月每月3组地下水位监测数据,构建了一个5层结构的多输入特征长短期记忆网络和12层结构的多输入特征一维卷积-长短期记忆网络混合地下水位预测模型进行模拟训练预测及未来值预测,得到以下结论。

(1)C₃Ⅱ组灰岩含水层是石炭系太原组灰岩水关键过渡层,不同井孔在水文地质结构、渗透性及人工干预影响下,表现出显著不同的水位埋深变化,反映了采矿扰动条件下含水层系统的水位动态复杂性。

(2)多输入特征的LSTM模型具有较强的预测能力,测试集RMSE达到0.63 m,R²达到0.86,表明模型对数据变异的解释能力较强,具有较好的预测精度。

(3)多特征输入的CNN-LSTM混合模型相对于单一模型具有更高的预测精度,测试集RMSE达到0.55 m,R²达到0.9;模型可以为矿区短期水位预测提供较好的理论与技术支撑。鉴于矿区实际复杂因素对于水位埋深的综合影响,未来的研究可以考虑增加更具代表性的输入特征并融合更多深度学习模型,进一步提高采矿扰动条件下的地下水位长期预测精度,为实现矿山深部开采精准突水预测及水害防治提供关键科学依据。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张吉雄, 巨峰, 李猛, 等. 深部充填开采岩层控制理论与方法研究进展[J]. 中国科学基金, 2024, 38(6): 1043-1051.

[2]	Zhang Jixiong, Ju Feng, Li Meng, et al. Research progress on theories and methods of strata control in deep mining with backfill[J]. Bulletin of National Natural Science Foundation of China, 2024, 38(6): 1043-1051.

[3]	连会青, 晏涛, 尹尚先, 等. 基于透明水文地质模型的工作面顶板水害预警研究[J]. 煤炭科学技术, 2025, 53(1): 259-271.

[4]	Lian Huiqing, Yan Tao, Yin Shangxian, et al. Research on early warning of roof water inrush in working faces based on a transparent hydrogeological model[J]. Coal Science and Technology, 2025, 53(1): 259-271.

[5]	李劭昱, 颜伟, 于丹. 基于煤矿水害事故报告的人为致因分析[J]. 科学技术与工程, 2023, 23(10): 4457-4462.

[6]	Li Shaoyu, Yan Wei, Yu Dan. Analysis of human causes based on coal mine flood accident report[J]. Science Technology and Engineering, 2023, 23(10): 4457-4462.

[7]	曾一凡, 于超, 武强, 等. 煤矿防治水“三区”划分方法及其水害防治意义[J]. 煤炭学报, 2024, 49(8): 3605-3618.

[8]	Zeng Yifan, Yu Chao, Wu Qiang, et al. “Three zones” method for coal mine water hazard control and its significance[J]. Journal of China Coal Society, 2024, 49(8): 3605-3618.

[9]	孙文洁, 李文杰, 宁殿艳, 等. 我国煤矿水害事故现状、预测及防治建议[J]. 煤田地质与勘探, 2023, 51(12): 185-194.

[10]	Sun Wenjie, Li Wenjie, Ning Dianyan, et al. Current states, prediction and prevention suggestions for water hazard accidents in China's coal mines[J]. Coal Geology and Exploration, 2023, 51(12): 185-194.

[11]	Hu Z, Zhang T, Zhan M. Multi-attribute analysis of transmission channel waves: applications in mine water damage prevention[J]. Water, 2025, 17(7): 1018.

[12]	解国强, 贺凯凯, 易四海, 等. 神东矿区植被生态对地下水文变异及气候变化的响应机制[J]. 科学技术与工程, 2026, 26(4): 1745-1756.

[13]	Xie Guoqiang, He Kaikai, Yi Sihai, et al. Response mechanism of vegetation ecology to groundwater hydrological variations and climate change in the Shendong mining area[J]. Science Technology and Engineering, 2026, 26(4): 1745-1756.

[14]	Li B, Lu Y, Zhang S, et al. Adapting newly constructed well depth to groundwater level changes[J]. Water, 2025, 17(14): 2066.

[15]	Mondal C N, Begum F. Retraction Note: hydraulic connectivity influenced by rainfall, reservoir water level, and groundwater dynamics: insights of statistical analysis in Warna region, Maharashtra, India[J]. Environmental Earth Sciences, 2025, 85(1): 20.

[16]	李睿, 周洪福, 李树武, 等. 大跨度高埋深地下洞室群开挖后涌水量预测[J]. 水文地质工程地质, 2025, 52(1): 179-189.

[17]	Li Rui, Zhou Hongfu, Li Shuwu, et al. Prediction of water inflow after excavation of underground chamber group with long span and high buried depth[J]. Hydrogeology and Engineering Geology, 2025, 52(1): 179-189.

[18]	Sundhar S, Shashank S, Nandhini D, et al. Ground water quality assessment and forecasting using attention-based mechanisms[J]. Environmental Sciences Europe, 2025, 37(1): 232.

[19]	Suescum C L, Cook P, Partington D, et al. Influence of aquifer properties on optimal location and duration of groundwater level monitoring to predict aquifer recovery after mine closure[J]. Journal of Hydrology, 2025, 661: 133686.

[20]	汪思颖, 韩绮, 张立秋, 等. 中国地下水污染防治技术研究进展与展望[J]. 环境污染与防治, 2024, 46(12): 1834-1840.

[21]	Wang Siying, Han Qi, Zhang Liqiu, et al. Research progress and prospect of groundwater pollution prevention and control technology in China[J]. Environmental Pollution and Control, 2024, 46(12): 1834-1840.

[22]	徐源蔚, 李祚泳, 汪嘉杨. 基于集对分析的相似模型在地下水位预测中的应用[J]. 水文, 2015, 35(6): 6-10.

[23]	Xu Yuanwei, Li Zuoyong, Wang Jiayang. Similar forecast models of underground water level based on set pair analysis[J]. Journal of China Hydrology, 2015, 35(6): 6-10.

[24]	Wei A, Li X, Yan L, et al. Machine learning models combined with wavelet transform and phase space reconstruction for groundwater level forecasting[J]. Computers and Geosciences, 2023, 177: 105386.

[25]	王文学, 王柏森, 高艳卫, 等. 承压含水层水压传递速率变化规律[J]. 煤田地质与勘探, 2024, 52(3): 79-88.

[26]	Wang Wenxue, Wang Bosen, Gao Yanwei, et al. Law governing variations in water-pressure transmission rate in confined aquifers[J]. Coal Geology and Exploration, 2024, 52(3): 79-88.

[27]	Li H, Guo Z, Chen K, et al. Modeling land subsidence under future water stress: the influence of groundwater exploitation, climate change, and inter-basin water diversion[J]. Water Resources Research, 2025, 61(11): e2025WR041105.

[28]	Gao W, Liao Y, Chen Y, et al. Enhancing transparency in data-driven urban pluvial flood prediction using an explainable CNN model[J]. Journal of Hydrology, 2024, 645: 132228.

[29]	Yang Y, Feng D, Beck E, et al. Global daily discharge estimation based on grid long short-term memory (LSTM) model and river routing[J]. Water Resources Research, 2025, 61(6): e2024WR039764.

[30]	秦浩, 彭玉婷, 张炜, 等. 2022年世界网络信息前沿技术领域发展综述[J]. 中国电子科学研究院学报, 2023, 18(6): 578-585.

[31]	Qin Hao, Peng Yuting, Zhang Wei, et al. Overview of the development of world network information frontier technology in 2022[J]. Journal of China Academy of Electronics and Information Technology, 2023, 18(6): 578-585.

[32]	Li M, Zhou Q, Han X, et al. Prediction of reference crop evapotranspiration based on improved convolutional neural network (CNN) and long short-term memory network (LSTM) models in Northeast China[J]. Journal of Hydrology, 2024, 645: 132223.

[33]	Ooko O, Cheptegei L, Karume M. Application of machine learning for real-time water quality monitoring in developing countries: a review[J]. Sustainable Futures, 2025, 10: 100984.

[34]	边会媛, 姬嘉骏, 段朝伟, 等. 基于贝叶斯优化的CNN-BiLSTM-Attention的煤体结构识别方法[J]. 煤田地质与勘探, 2025, 53(11): 34-43.

[35]	Bian Huiyuan, Ji Jiajun, Duan Chaowei, et al. Coal body structure identification method based on Bayesian-optimized CNN-BiLSTM-Attention[J]. Coal Geology and Exploration, 2025, 53(11): 34-43.

[36]	高明, 李虎, 刘鑫锦, 等. 基于距离-属性混合聚类结合ConvLSTM模型的岩溶地层地下水预测方法[J]. 科学技术与工程, 2025, 25(20): 8424-8434.

[37]	Gao Ming, Li Hu, Liu Xinjin, et al. Prediction method of groundwater in karst strata based on distance-attribute hybrid clustering combined with ConvLSTM model[J]. Science Technology and Engineering, 2025, 25(20): 8424-8434.

[38]	李小根, 刘泓辰, 付景保, 等. 基于CNN-Attention-LSTM模型的地下水水位预测[J]. 水资源保护, 2025, 41(4): 228-235, 243.

[39]	Li Xiaogen, Liu Hongchen, Fu Jingbao, et al. Groundwater level prediction based on CNN-Attention-LSTM model[J]. Water Resources Protection, 2025, 41(4): 228-235, 243.

[40]	张海涛, 陈晓晴, 许光泉, 等. 淮南煤田寒武-奥陶系岩溶地下水水文地球化学特征及其热指示意义[J]. 煤炭学报, 2026, 51(2): 1517-1533.

[41]	Zhang Haitao, Chen Xiaoqing, Xu Guangquan, et al. Hydrogeochemical characteristics and thermal indication significance of Cambrian and Ordovician karst groundwater in Huainan Coalfield[J]. Journal of China Coal Society, 2026, 51(2): 1517-1533.

[42]	Yan L, Jin J, Zhang R, et al. Interpretable soil moisture prediction based on the SABO-CONV1D-BiLSTM model on the Tibetan Plateau[J]. Advances in Climate Change Research, 2025, 16(5): 1022-1031.

[43]	Liu J, Wu Y. A hybrid time series forecasting CGAN model based on LSTM and Conv1D and its application for load forecasting[J]. Electrical Engineering, 2025, 107(11): 1-18.

[44]	施永, 赵洪霄, 谢缔, 等. 基于Informer算法的燃料电池寿命估算[J]. 太阳能学报, 2025, 46(8): 240-248.

[45]	Shi Yong, Zhao Hongxiao, Xie Di, et al. Fuel cell life estimation based on Informer algorithm[J]. Acta Energiae Solaris Sinica, 2025, 46(8): 240-248.

[46]	Zhang Q, Li P, Ren X, et al. A new real-time groundwater level forecasting strategy: coupling hybrid data-driven models with remote sensing data[J]. Journal of Hydrology, 2023, 625: 129962.