1.本发明属于地面沉降智能预测技术领域，尤其涉及地下水开采和采矿耦合作用下的地面沉降预测方法及系统。
背景技术：2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.地下水开采和地下采矿目前是造成地面沉降的主要诱因，现有方法均未考虑地下水开采和地下采矿耦合作用下对地面沉降的影响，只是对地下水开采及地下采矿的单一考虑，或者简单的从地面数据的变化来预测地面变形，例如，申请号为cn201410312167.1的专利，公开了一种利用回归分析确定地下水控制水位的方法，基于数值模拟，利用水位与开采量和水位与沉降量关系式，依据开采量和沉降量分别确定控制水位；申请号为cn202110365329.8的专利，公开了一种insar技术与长短时记忆神经网络结合的地表时序形变预测方法，利用干涉测量技术(interferometric synthetic aperture radar，insar)获取地表时序形变结果，在其基础上基于地表形变结果，创建数据集，确定历史序列长度，构建预测模型并进行地表时序形变预测；申请号为cn201811140372.9的专利，公开了一种基于遥感中insar技术的地面沉降预测方法，采用遥感中insar技术、星载和机载的永久散射体干涉测量技术(permanent scatterer insar，psinsar)获取观测沉降速率结果，通过时序融合等进行地面沉降预测；申请号为cn202010242878.1的专利，提出了一种结合地形因子与gm(1，3)模型的城市地面沉降预测方法，该方法主要使用地形数据提取地形因子，结合地形因子构建地理空间权重矩阵，筛选沉降预测辅助变量，使用gm(1，3)模型进行初预测，利用神经网络对gm(1，3)的预测误差进行修正，得到精确的沉降预测值。
4.综上，可以看出，现有方法没有从机理上考虑地面的沉降的发生原因，不能考虑地下水开采和地下采矿作用下地面沉降发生的突变，由于考虑因素客观，造成了平原地区地面沉降预测结果准确率低。
技术实现要素：5.为了解决上述背景技术中存在的技术问题，本发明提供地下水开采和采矿耦合作用下的地面沉降预测方法及系统，考虑地下采矿和地下水开采的动态耦合影响，评价信息丰富，预测结果准确率高。
6.为了实现上述目的，本发明采用如下技术方案：
7.本发明的第一个方面提供地下水开采和采矿耦合作用下的地面沉降预测方法，其包括：
8.获取待预测地区的地下水开采和地下采矿的静态参数和动态参数；
9.基于静态参数和待预测时间节点之前的每个时间节点的动态参数，进行数值模拟，得到待预测地区的地面沉降的时间序列数据集；
10.基于时间序列数据集、待预测时间节点的动态参数及待预测时间节点之前的每个时间节点的动态参数，采用人工智能时间序列预测模型，预测得到待预测地区在待预测时间节点的地面沉降值。
11.进一步地，所述静态参数为地下采矿深度、地层岩土体参数、地下水开采量和抽水机布置方案中的一种或多种。
12.进一步地，所述动态参数为地下采矿范围、地下采矿计划和地下水开采方案中的一种或多种。
13.进一步地，所述地面沉降的时间序列数据集的获取方法为：
14.基于静态参数和待预测时间节点之前的每个时间节点的动态参数，采用考虑地下水开采和地下采矿开采耦合作用下全过程地面沉降的数值模型，得到待预测时间节点之前的各时间节点的沉降值及总沉降值；
15.将各时间节点的沉降值与总沉降值进行拼接后，得到地面沉降的时间序列数据集。
16.进一步地，所述人工智能时间序列预测模型的模型算法为长短期记忆网络或差分自回归移动平均模型。
17.本发明的第二个方面提供地下水开采和采矿耦合作用下的地面沉降预测系统，其包括：
18.参数获取模块，其被配置为：获取待预测地区的地下水开采和地下采矿的静态参数和动态参数；
19.数值模拟模块，其被配置为：基于静态参数和待预测时间节点之前的每个时间节点的动态参数，进行数值模拟，得到待预测地区的地面沉降的时间序列数据集；
20.预测模块，其被配置为：基于时间序列数据集、待预测时间节点的动态参数及待预测时间节点之前的每个时间节点的动态参数，采用人工智能时间序列预测模型，预测得到待预测地区在待预测时间节点的地面沉降值。
21.进一步地，所述静态参数为地下采矿深度、地层岩土体参数、地下水开采量和抽水机布置方案中的一种或多种。
22.进一步地，所述动态参数为地下采矿范围、地下采矿计划和地下水开采方案中的一种或多种。
23.本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的地下水开采和采矿耦合作用下的地面沉降预测方法中的步骤。
24.本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的地下水开采和采矿耦合作用下的地面沉降预测方法中的步骤。
25.与现有技术相比，本发明的有益效果是：
26.本发明提供了地下水开采和采矿耦合作用下的地面沉降预测方法，其将地下水开采和地下采矿的关键指标与参数，分为静态参数和动态参数两种，将动态参数和时间序列数据集代入人工智能时间序列预测模型中来考虑地下水开采和地下采矿对地面沉降的动态影响，进而实现地下水开采和地下采矿开采耦合作用下地面沉降智能预测，循序渐进、由
面到点、由粗到细，能够考虑地下采矿和地下水开采的动态耦合影响，适应性强，评价信息丰富，预测结果准确率高，具有广泛的应用价值。
附图说明
27.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
28.图1是本发明实施例一的地下水开采和采矿耦合作用下的地面沉降预测方法示意图。
具体实施方式
29.下面结合附图与实施例对本发明作进一步说明。
30.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
32.实施例一
33.本实施例提供了地下水开采和采矿耦合作用下的地面沉降预测方法，如图1所示，具体包括如下步骤：
34.步骤1、获取待预测地区的地下水开采和地下采矿的静态参数和动态参数。
35.具体的，获取待预测地区的地下水开采和地下采矿的关键指标与参数，将地下水开采和地下采矿的关键指标与参数分为静态参数和动态参数两类。
36.其中，地下水开采和地下采矿的关键指标与参数包括采矿范围、采矿深度、采矿计划、地层岩土体参数、地下水开采量、地下水开采方案、抽水井布置方案中的多个或全部；静态参数为地下采矿深度、地层岩土体参数、地下水开采量和抽水机布置方案中的一种或多种；动态参数为地下采矿范围、地下采矿计划和地下水开采方案中的一种或多种。
37.具体的，待预测地区为平原地区。
38.步骤2、基于静态参数和待预测时间节点之前的每个时间节点的动态参数，进行数值模拟，得到待预测地区的地面沉降的时间序列数据集。
39.具体的，基于静态参数和待预测时间节点之前的每个时间节点的动态参数，采用考虑地下水开采和地下采矿开采耦合作用下全过程地面沉降的数值模型，得到待预测时间节点之前的各时间节点的沉降值及总沉降值，将各时间节点的沉降值与总沉降值进行拼接后，得到待预测地区的地面沉降的时间序列数据集。
40.其中，两时间节点之间的间隔依据待预测平原地区的现场实际情况设定。
41.不同的静态参数和不同的动态参数可以组成不同参数组合方案，不同参数组合方案，对应的时间序列数据集不同。
42.步骤3、基于时间序列数据集、待预测时间节点的动态参数及待预测时间节点之前
的每个时间节点的动态参数，采用人工智能时间序列预测模型，实现地下水开采和地下采矿开采耦合作用下地面沉降智能预测，预测得到待预测地区在待预测时间节点的地面沉降值。
43.具体的，为了考虑地下水开采和地下采矿对地面沉降的动态影响，将待预测时间节点的动态参数及待预测时间节点之前的每个时间节点的动态参数通过指标归一化后作为人工智能时间序列预测模型的输入。
44.其中，人工智能时间序列预测模型包括预测参数、影响参数和模型算法三部分；预测参数为待预测时间节点的地面沉降值；影响参数为时间序列数据集和各个动态参数中的一种或多种；模型算法为：长短期记忆网络(long short-term memory，lstm)或差分自回归移动平均模型(auto regression integreate moving average，arima)。
45.在地下水开采和地下采矿开采耦合作用下的地面沉降预测过程中，需将输入参数按7:3分为两个区间，前70％的数据作为样本集，后30％作为预测集对方法的准确性进行验证。采用前70％的数据作为样本集时，需要依据现场实际情况采用动态参数中的一种或多种，以考虑地下水开采和地下采矿作用下地面沉降发生的突变，使预测方法更加准确。在带入后30％作为预测集对方法的准确性进行验证的过程中，同样需按现场实际情况带入动态参数中的一种或多种，以保证验证结果的准确性和适用性。
46.将地下水开采和地下采矿的关键指标与参数，分为静态参数和动态参数两种，将动态参数和时间序列数据集代入人工智能时间序列预测模型中来考虑地下水开采和地下采矿对地面沉降的动态影响，进而实现地下水开采和地下采矿开采耦合作用下地面沉降智能预测，循序渐进、由面到点、由粗到细，能够考虑地下采矿和地下水开采的动态耦合影响，适应性强，评价信息丰富，预测结果准确率高，具有广泛的应用价值。
47.实施例二
48.本实施例提供了地下水开采和采矿耦合作用下的地面沉降预测系统，其具体包括如下模块：
49.参数获取模块，其被配置为：获取待预测地区的地下水开采和地下采矿的静态参数和动态参数；具体的，获取待预测地区的地下水开采和地下采矿的关键指标与参数，将地下水开采和地下采矿的关键指标与参数分为静态参数和动态参数两类；其中，地下水开采和地下采矿的关键指标与参数包括采矿范围、采矿深度、采矿计划、地层岩土体参数、地下水开采量、地下水开采方案、抽水井布置方案中的多个或全部；
50.数值模拟模块，其被配置为：基于静态参数和待预测时间节点之前的每个时间节点的动态参数，进行数值模拟，得到待预测地区的地面沉降的时间序列数据集；
51.预测模块，其被配置为：基于时间序列数据集、待预测时间节点的动态参数及待预测时间节点之前的每个时间节点的动态参数，采用人工智能时间序列预测模型，预测得到待预测地区在待预测时间节点的地面沉降值。具体的，为了考虑地下水开采和地下采矿对地面沉降的动态影响，将待预测时间节点的动态参数及待预测时间节点之前的每个时间节点的动态参数，通过数据处理，即指标归一化，后作为人工智能时间序列预测模型的输入。
52.其中，静态参数为地下采矿深度、地层岩土体参数、地下水开采量和抽水机布置方案中的一种或多种。
53.其中，动态参数为地下采矿范围、地下采矿计划和地下水开采方案中的一种或多
种。
54.具体的，地面沉降的时间序列数据集的获取方法为：
55.基于静态参数和待预测时间节点之前的每个时间节点的动态参数，采用考虑地下水开采和地下采矿开采耦合作用下全过程地面沉降的数值模型，得到待预测时间节点之前的各时间节点的沉降值及总沉降值；
56.将各时间节点的沉降值与总沉降值进行拼接后，得到地面沉降的时间序列数据集。
57.其中，人工智能时间序列预测模型包括预测参数、影响参数和模型算法三部分；预测参数为待预测时间节点的地面沉降值；影响参数为时间序列数据集和各个动态参数中的一种或多种；模型算法为：长短期记忆网络(long short-term memory，lstm)或差分自回归移动平均模型(auto regression integreate moving average，arima)。
58.将地下水开采和地下采矿的关键指标与参数，分为静态参数和动态参数两种，将动态参数和时间序列数据集代入人工智能时间序列预测模型中来考虑地下水开采和地下采矿对地面沉降的动态影响，进而实现地下水开采和地下采矿开采耦合作用下地面沉降智能预测，循序渐进、由面到点、由粗到细，能够考虑地下采矿和地下水开采的动态耦合影响，适应性强，评价信息丰富，预测结果准确率高，具有广泛的应用价值。
59.此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
60.实施例三
61.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的地下水开采和采矿耦合作用下的地面沉降预测方法中的步骤。
62.实施例四
63.本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的地下水开采和采矿耦合作用下的地面沉降预测方法中的步骤。
64.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
65.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
66.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
67.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
68.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
69.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.地下水开采和采矿耦合作用下的地面沉降预测方法，其特征在于，包括：获取待预测地区的地下水开采和地下采矿的静态参数和动态参数；基于静态参数和待预测时间节点之前的每个时间节点的动态参数，进行数值模拟，得到待预测地区的地面沉降的时间序列数据集；基于时间序列数据集、待预测时间节点的动态参数及待预测时间节点之前的每个时间节点的动态参数，采用人工智能时间序列预测模型，预测得到待预测地区在待预测时间节点的地面沉降值。2.如权利要求1所述的地下水开采和采矿耦合作用下的地面沉降预测方法，其特征在于，所述静态参数为地下采矿深度、地层岩土体参数、地下水开采量和抽水机布置方案中的一种或多种。3.如权利要求1所述的地下水开采和采矿耦合作用下的地面沉降预测方法，其特征在于，所述动态参数为地下采矿范围、地下采矿计划和地下水开采方案中的一种或多种。4.如权利要求1所述的地下水开采和采矿耦合作用下的地面沉降预测方法，其特征在于，所述地面沉降的时间序列数据集的获取方法为：基于静态参数和待预测时间节点之前的每个时间节点的动态参数，采用考虑地下水开采和地下采矿开采耦合作用下全过程地面沉降的数值模型，得到待预测时间节点之前的各时间节点的沉降值及总沉降值；将各时间节点的沉降值与总沉降值进行拼接后，得到地面沉降的时间序列数据集。5.如权利要求1所述的地下水开采和采矿耦合作用下的地面沉降预测方法，其特征在于，所述人工智能时间序列预测模型的模型算法为长短期记忆网络或差分自回归移动平均模型。6.地下水开采和采矿耦合作用下的地面沉降预测系统，其特征在于，包括：参数获取模块，其被配置为：获取待预测地区的地下水开采和地下采矿的静态参数和动态参数；数值模拟模块，其被配置为：基于静态参数和待预测时间节点之前的每个时间节点的动态参数，进行数值模拟，得到待预测地区的地面沉降的时间序列数据集；预测模块，其被配置为：基于时间序列数据集、待预测时间节点的动态参数及待预测时间节点之前的每个时间节点的动态参数，采用人工智能时间序列预测模型，预测得到待预测地区在待预测时间节点的地面沉降值。7.如权利要求6所述的地下水开采和采矿耦合作用下的地面沉降预测系统，其特征在于，所述静态参数为地下采矿深度、地层岩土体参数、地下水开采量和抽水机布置方案中的一种或多种。8.如权利要求6所述的地下水开采和采矿耦合作用下的地面沉降预测系统，其特征在于，所述动态参数为地下采矿范围、地下采矿计划和地下水开采方案中的一种或多种。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的地下水开采和采矿耦合作用下的地面沉降预测方法中的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的地
下水开采和采矿耦合作用下的地面沉降预测方法中的步骤。
技术总结本发明属于地面沉降智能预测技术领域，提供了地下水开采和采矿耦合作用下的地面沉降预测方法及系统，包括：获取待预测地区的地下水开采和地下采矿的静态参数和动态参数；基于静态参数和待预测时间节点之前的每个时间节点的动态参数，进行数值模拟，得到待预测地区的地面沉降的时间序列数据集；基于时间序列数据集、待预测时间节点的动态参数及待预测时间节点之前的每个时间节点的动态参数，采用人工智能时间序列预测模型，预测得到待预测地区在待预测时间节点的地面沉降值。考虑了地下采矿和地下水开采的动态耦合影响，评价信息丰富，预测结果准确率高。预测结果准确率高。预测结果准确率高。
技术研发人员：李志强 薛翊国 谭现锋 张岩 邱道宏 谭秀全 李爱军 孔凡猛 徐超 陈琦琦 徐书名
受保护的技术使用者：山东大学
技术研发日：2022.05.19
技术公布日：2022/11/1
