邓 强，张召千，王 震

(1.太原理工大学 矿业工程学院，太原 030024；2.秦皇岛工程设计研究院有限公司，河北 秦皇岛 066000)

煤炭是我国的战略性能源，在贫油、少气、富煤的能源结构下，煤炭依然会被长期依赖[1]。而在煤矿开采过程中，经常会存在大量的安全隐患[2]。其中煤层底板突水问题一直是受到专家学者关注的安全问题[3-6]。目前，煤炭开采环境复杂，煤层底板突水频发，但突水预测能力依旧不足，对煤矿的安全生产造成了重大威胁。

国内外专家学者研究煤层底板突水问题时，会将其与煤层底板突水机理有效地结合，科学提出煤层底板突水影响因素指标体系，再通过一系列静态预测模型，如回归分析[7]、数据挖掘[8-9]、支持向量机[10-12]、神经网络[13-15]及极限学习机[16-17]等方法对煤层底板突水进行预测。这些煤层底板突水预测模型在煤矿生产中的应用，提高了煤矿突水的预测能力，防范于未然。

但在煤矿的实际开采过程中，某一回采点对煤层底板突水影响是由多种因素组成的，如地质构造、煤层厚度、煤层倾角等，并且这些因素会随着采动的进行影响权重，所以煤层底板突水预测不能简单地当成一个静态问题处理，需要考虑采动影响下的动态变化[18]。针对该问题，本文提出了动态预测模型：门循环单元(gated recurrent unit，简称GRU)神经网络预测模型，该模型能够充分利用采动过程中收集的时间序列数据，过滤监测过程中的缺失数据及干扰数据，通过对一系列样本数据变化规律的学习，实时更新影响因素的变化，精确地对煤层底板突水进行预测，提高煤矿生产安全。……