研究背景与技术挑战
地下矿产资源的大规模开采会破坏原岩应力平衡，诱发覆岩垮落并导致地表沉陷。当前的沉陷防控主要依赖实时监测，但监测数据仅能反映已发生的沉陷，难以精准预测未来趋势。
本研究结合离散元模拟（DEM）的数据扩展优势与集成学习的数据驱动优势，提出LSTM-TST模型，实现采动区域地表沉陷监测与预测的一体化。
现有方法的四大局限
理论模型局限
概率积分法、典型曲线法在处理复杂地质条件和非线性变形时具有局限性，难以精确预测。
监测技术瓶颈
传统点状监测站受地形影响大、工作量繁重，且获取的数据在空间和时间上具有离散性。
深度学习短板
LSTM在长序列预测中易出现数据挖掘不充分，Transformer对短期动态变化的敏感性不足。
数据瓶颈
深度学习模型的性能高度依赖于大规模、高质量的数据集，而现场实测数据往往有限。
技术路线与方法创新
参数化建模（Rhino-Grasshopper）
利用Rhino-Grasshopper平台开发自定义电池组，实现综采工作面的高精度参数化建模，具有极高的灵活性和自动化批处理能力。
输入钻孔柱状图数据 → 自动生成三维地质体 → 快速适应不同地质条件
离散元模拟与自动监测（3DEC）
基于3DEC开展模拟，编写FISH语言程序实现监测点的自动布设，在不同推进距离下实时提取沉陷数据。
数据生成能力
- • 模型规模：185,773个块体单元
- • 开挖步数：60步（5m/步）
- • 每个测点：240组数据
集成学习模型（LSTM-TST）
LSTM提取短期波动和局部时序模式，TST（时序Transformer）捕获长程依赖关系，通过集成实现优势互补。
优化机制
- • 正则化准则调整权重
- • 早停机制（Early Stopping）
- • 粒子群算法（PSO）超参数寻优
工程案例：冯家塔煤矿1208工作面
地质与开采参数
煤层特征
- 山西组2#煤层，平均厚度3.17m
- 倾角约4°（近水平），平均埋深127m
- 表土层厚度达78.42m
工作面尺寸
- 走向长度：240m
- 倾向长度：216.9m
- 采高：3m
模型验证结果
初次来压步距
模拟值：59.60m
实测值：60.32m
周期来压步距
模拟值：17~20m
实测值：18~22m