一种基于双流LSTM-XGBoost框架的矿井涌水预测方法：以龙凤煤矿为例

《Journal of Hydrology》：A dual-stream LSTM–XGBoost framework for mine water inflow forecasting: a case study of the Longfeng coal mine

　　

王浩|李波|曾一凡|刘普|陈伟|王泽辉|车璐璐

• •
  双流LSTM-XGBoost模型明确地将时间流入记忆与空间水文气象和采矿作业强迫因素分离开来。
• •
  该模型的R2值为0.855，NSE值为0.855，性能优于Transformer和单流LSTM架构。
• •
  蒙特卡洛Dropout不确定性量化方法区分了认知成分和随机成分，揭示了随机因素的主导作用。
• •
  SHAP分析揭示了一种与水文地质原理相一致的“宏观平衡、微观集中”贡献结构。
• •
  该可迁移框架已在采矿区得到验证，为多站点验证奠定了基础。