煤体结构即地质历史演变阶段煤层受到不同地质作用所呈现结构特征,通过变形与变质作用下,煤体随之分成原生结构煤与构造煤。目前很多学者通过宏观法、显微法观察构造煤分类,宏观法主要通过人眼现场以及手标本观察,宏观法分为OM显微镜观察与SEM显微镜下图像分析,方法费时费力,精度不高。在这种背景下,本文提出了基于循环神经网络的模型预测煤体结构分类。首先,通过LDA方法对三维地震属性数据降维,最大程度减小不同变量间相关性;其次,针对传统循环神经网络容易出现梯度消失的问题,论文提出了两种改进的循环神经网络结构:LSTM和GRU。根据三维地震属性数据的高维度特性进行优化,构建了高维循环神经网络。同时,对LSTM作为控制单元的高维循环神经网络模型进行调整。为了保证预测模型的精度,论文使用Softmax函数输出分类结果。最后,论文把改进的高维循环神经网络预测模型应用于芦岭煤矿Ⅱ六采区8煤层,预测结果显示与真实的地质资料具有良好的一致性。同时,该模型与LR、SVM和深度神经网络三种模型进行了对比试验,进一步显示预测模型的可靠性。因此,论文提出的高维循环神经网络模型预测精度高、误差低,能够满足真实矿区煤体结构分类的需求,具备一定的研究价值和推广意义。