矿业安全与环保

作者：赵安新, 张晨阳, 黎梁

关键词：矿井安全, 瓦斯浓度预测, 图神经网络, 门控循环单元, 注意力机制

针对煤矿井下瓦斯浓度预测精度受限的问题，提出一种基于双重注意力机制的时空图神经网络(DASTNN)模型，旨在提高煤矿井下抽采管网中瓦斯浓度的预测精度。该模型结合图卷积网络(GCN) 和门控循环单元(GRU)，通过时间和空间注意力机制，增强对管网拓扑结构与时间序列变化的特征提取能力。以gasnet-data1和gasnet-data2数据集为实验对象开展验证，结果表明，DASTNN模型的预测性能优于传统的HA、SVM、GCN、GRU等方法。在gasnet-data1数据集中，DASTNN模型的平均绝对误差(eMA)为0.310，均方根误差(eRMS)为1.069，决定系数(R2)为0.975；在gasnet-data2数据集中，DASTNN模型的eMA为0.181，eRMS为0.745，R2为0.990。实验结果表明，双重注意力机制能有效捕捉瓦斯浓度的时空依赖关系，显著提高了预测精度。

来源：2026年第1期

《矿业安全与环保》期刊编辑部

查看矿业安全与环保杂志2026年第1期