Um die Wirksamkeit des oben genannten LSTM-Transformer-Deep-Learning-Neuronalen Netzwerks für die Vorhersage des Einstroms in Minen zu überprüfen, wird es mit anderen verschiedenen Zeitreihenvorhersagealgorithmen verglichen (CNN, LSTM, Transformer, CNN-LSTM). In diesem Beitrag wird der Wasserzuflussüberwachungsdatensatz der Baotailong-Mine in Qixhetai, Provinz Heilongjiang als Experimentaldaten verwendet, und die fünf Algorithmen werden verifiziert, um die Vor- und Nachteile dieser fünf Algorithmen zu vergleichen. Die Experimentelergebnisse werden verglichen und analysiert.
Die Inflow-Daten, die in diesem Beitrag verwendet werden, stammen aus Feldüberwachung und verwenden die Methode des Wasseraufkommens zur Messung des Überschwemmungswassers der Baotailong-Mine in Qitaihe, Heilongjiang. Die Wasseraufkommensmethode erfordert die Berechnung der Fläche der freien Wasseroberfläche des temporären Wassersilos im unteren Kanal des ersten Abbaubereichs, die Aufzeichnung des Wasserstands zum Zeitpunkt des Abschaltens der Pumpe, die Abschaltzeit der Pumpe und den Wasserstand nach dem Abschalten für eine bestimmte Zeit zur Berechnung des Einflusswasservolumens.
Die Ergebnisse der Modellanpassung sind in guter Übereinstimmung mit den echten Werten des Wassereinflusses, wobei ein Großteil der vorhergesagten Werte nur geringfügig von den tatsächlichen Werten abweicht, und nur bei bestimmten Wendepunkten und Peak-Vorhersagen eine gewisse Abweichung vorhanden ist. Es wurde festgestellt, dass das LSTM-Transformer-Modell 88,6% der erklärbaren Varianz erfassen kann. Durch die Bestimmung der besten Netzwerkstruktur für jedes Modell wurde das aktuelle Modell mit einem Trainingssatz trainiert und mit einem Testdatensatz ausgewertet.
Zur umfassenden Bewertung des Modells wurden RMSE, MAE und R2 als Bewertungsindizes verwendet, wobei das LSTM-Transformer-Modell bessere Leistung als andere Modelle für die Vorhersage des Mineneinflusses auf Zeitreihendatensätzen erzielte. Die Ergebnisse zeigen, dass das LSTM-Transformer-Modell für die Vorhersage von Mineneinflüssen gut geeignet ist, die Vorhersagegenauigkeit verbessert und die Anpassungsfähigkeit des Modells gegenüber unbekannten Daten erhöht.