中国安全科学学报

作者：蔡博渊, 于正兴, 任义, 张亦海, 马海涛, 王一丹

单位：1 中国安全生产科学研究院, 北京 100012；2 中安国泰(北京)科技发展有限公司, 北京 102209

关键词：露天矿边坡,变形预测,卷积长短时记忆网络(CNN-LSTM),边坡合成孔径雷达(S-SAR),小波降噪

基金：应急管理部重点科技计划项目(2024EMST080802); 中国安全生产科学研究院基本科研业务费专项资金资助(2024JBKY20)

为满足露天矿边坡表面变形高精度预测的工程需求,首先,构建卷积长短时记忆网络(CNN-LSTM)混合预测模型,并以某露天矿为案例,基于边坡合成孔径雷达(S-SAR)获取时序变形数据,采用小波降噪对原始数据进行去噪预处理,提升数据质量;其次,引入自回归积分移动平均模型(ARIMA)作为传统统计方法基准模型,分析基于深度学习模型进行预测的必要性;最后,将CNN-LSTM混合预测模型与单一结构的长短期记忆网络(LSTM)和卷积神经网络(CNN)模型进行对比,验证所构建模型的科学性和有效性。结果表明:LSTM、CNN与CNN-LSTM模型在均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)和平均绝对百分比误差(MAPE)等指标上均优于ARIMA模型,证明边坡变形序列具有显著的非线性特征。在深度学习模型对比中,CNN-LSTM模型表现最为优越。相较于LSTM模型,其RMSE和MAE分别降低55.54%和59.24%;相较于CNN模型,分别降低48.63%和52.15%。此外,该混合模型的R2与MAPE较LSTM模型分别提升5.29%和59.80%,较CNN模型分别提升3.27%和52.51%。

来源：2025年第S2期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2025年第S2期