基于深度神经网络的概率积分法沉陷预计模型参数反演

来源：中国安全科学学报杂志2025年第S1期北京时间：

作者：胡秋萍, 马智, 王建敏, 蒋建民

单位：1 国家能源集团 宁夏煤业责任有限公司, 宁夏 灵武 750408；2 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000；3 北京睿知行科技有限公司, 北京 100102

摘要：为解决矿区地表形变监测中传统参数反演方法收敛速度慢、预测精度不足的问题,构建具有物理机制约束的深度学习框架,实现矿区工作面走向和倾向地表移动参数的精准估计。方法上,基于概率积分法沉陷预计模型的理论基础,分别构建面向工作面走向4参数反演的Trend-Net网络和倾向6参数反演的Tendency-Net网络。以地表移动预测值与实测值的均方根误差构建损失函数,进行梯度优化,动态修正沉陷预计参数。结果表明:相较于最小二乘法、粒子群优化算法及贝叶斯算法,在走向参数反演中收敛迭代次数大幅降低,倾向参数反演的均方根误差降低;该方法将深度学习网络的非线性拟合能力与概率积分法的物理约束相结合,既保障反演过程的理论合理性,又提升参数寻优的全局性。

关键词：概率积分法,沉陷预计,深度神经网络,参数反演,矿区工作面