神东矿区开采沉陷主控因素及GA-WNN下沉系数预计模型研究
|
摘要
基于神东矿区具体地质条件,通过理论分析、借助计算机数值模拟、科学计算方法,研究神东矿区开采沉陷的主控因素,将其引入到下沉系数的预计当中,推导出在一定开采条件下沙基比、松散层厚度等地质因素与采煤沉陷下沉系数的预计关系式,并提出开采沉陷下沉系数的GA-WNN(遗传小波神经网络)预计模型。
根据神东矿区煤层赋存特点,借助模糊层次分析可知,神东矿区开采沉陷的主控因素为:沙基比、松散层厚度、采厚、关键层的类型及位置、覆岩综合硬度,其影响权重分别为:0.2211、0.1538、0.1489、0.1138、0.0861。
在神东矿区达到充分采动的情况下,若不考虑采矿因素,覆岩综合硬度与开采沉陷下沉系数成反比关系;沙基比、松散层厚度与开采沉陷下沉系数成正比关系。在覆岩综合硬度较难计算的情况下,可利用沙基比λ、松散层厚度χ对开采沉陷下沉系数η进行预计,预计公式如下:
利用遗传算法(GA——Genetic Algorithm)优化小波(W——Wavelet)神经网络(NN——Neural Network),建立开采沉陷下沉系数预计模型GA-WNN,其预计结果与实际观测值基本符合,精度较高,适用于神东矿区开采沉陷下沉系数的预计。
According to gological conditions of Shendong mining area, the main controlling factors of mining subsidence are selected and introduced into the models of mining subsidence prediction by means of theoretical analysis, numerical simulations and scientific programs. And the relation between subsidence coefficient and the main controlling factors are derived; the Optimized Wavelet Neural Network based on Genetic Algorithm (GA-WNN) is applied to the prediction of mining subsidence.
Using improved fuzzy analytical hierarchy process, the master-factors of mining subsidence are selected as the ratio and thickness of losses bed, mining thick, comprehensive hardness of cover rocks, the position and type of key stratum, each of whose weight are 0.2211、0.1538、0.1489、0.1138、0.0861.
Under the full minnig of the same intensity, subsidence coefficient is inversely proportional to comprehensive hardness of cover rocks, and proportional to the ratio and thickness of losses bed. When the comprehensive hardness of cover rocks is difficult to determine, the subsidence coefficient (η) is predicted using the ratio (λ) and thickness (χ) of losses bed, the regression equation is as followes:
Based on GA-WNN and numerical simulations, the other model of mining subsidence prediction is conducted. The practical simulation results show that GA-WNN model can effectively increase the diagnostic accuracy, which results are close to actual experiences. The model applies to prediction of mining subsidence.
根据神东矿区煤层赋存特点,借助模糊层次分析可知,神东矿区开采沉陷的主控因素为:沙基比、松散层厚度、采厚、关键层的类型及位置、覆岩综合硬度,其影响权重分别为:0.2211、0.1538、0.1489、0.1138、0.0861。
在神东矿区达到充分采动的情况下,若不考虑采矿因素,覆岩综合硬度与开采沉陷下沉系数成反比关系;沙基比、松散层厚度与开采沉陷下沉系数成正比关系。在覆岩综合硬度较难计算的情况下,可利用沙基比λ、松散层厚度χ对开采沉陷下沉系数η进行预计,预计公式如下:
利用遗传算法(GA——Genetic Algorithm)优化小波(W——Wavelet)神经网络(NN——Neural Network),建立开采沉陷下沉系数预计模型GA-WNN,其预计结果与实际观测值基本符合,精度较高,适用于神东矿区开采沉陷下沉系数的预计。
According to gological conditions of Shendong mining area, the main controlling factors of mining subsidence are selected and introduced into the models of mining subsidence prediction by means of theoretical analysis, numerical simulations and scientific programs. And the relation between subsidence coefficient and the main controlling factors are derived; the Optimized Wavelet Neural Network based on Genetic Algorithm (GA-WNN) is applied to the prediction of mining subsidence.
Using improved fuzzy analytical hierarchy process, the master-factors of mining subsidence are selected as the ratio and thickness of losses bed, mining thick, comprehensive hardness of cover rocks, the position and type of key stratum, each of whose weight are 0.2211、0.1538、0.1489、0.1138、0.0861.
Under the full minnig of the same intensity, subsidence coefficient is inversely proportional to comprehensive hardness of cover rocks, and proportional to the ratio and thickness of losses bed. When the comprehensive hardness of cover rocks is difficult to determine, the subsidence coefficient (η) is predicted using the ratio (λ) and thickness (χ) of losses bed, the regression equation is as followes:
Based on GA-WNN and numerical simulations, the other model of mining subsidence prediction is conducted. The practical simulation results show that GA-WNN model can effectively increase the diagnostic accuracy, which results are close to actual experiences. The model applies to prediction of mining subsidence.
引文
[1] Wang Yue-han, Guo Guang-li, Deng Ka-zhong. Environmental hazards caused by mining subsidence in northwest China and proposals on countermeasures. 5th International Symposium on Mining Science and Technology, 2004, Xuzhou(CN).
[2] A.Gandhe, V.Venkateswarlu, and R.N.Cupta. Extraction of Coal Under a Surface Water Body- a Strata Control Investigation. Rock Mech. Rock Engng. 2005, 38(5): 399~410.
[3]余学义,张恩强.开采损害与环境保护[M].西安:西安地图出版社,2002:15-72.
[4]胡炳南,袁亮.条带开采沉陷主控因素分析及设计对策[J].煤矿开采.2000,4(41):25-27.
[5]邹友峰,马伟民.条带开采地表沉陷的主控因素[J].矿山压力与顶饭管理.1996,1:27-31.
[6]宋世杰,赵晓光.榆神府矿区开采沉陷损害影响因素的灰色关联分析[J].工业安全与环保.2010,3(36):9-10.
[7]房磊,郭广,查剑锋等.置换开采中地表沉陷主控因素数值模拟分析[J].煤矿安全,2009,07:11-13.
[8]夏玉成,孙学阳,汤伏全.煤矿区构造控灾机理及地质环境承载能力研究[M].北京:科学出版社,2008.
[9] Litwiniszy J. Application of the equation of stochastic processes to mechanics of loose bodies. Archium Mechaniki Stosowanej.1956.T8.
[10]张东明,尹光志,代高飞.地表下沉的分形特征及其预测[J].成都理工大学学报(自然科学版), 2003,30(1):92-85.
[11] Tomaz Ambrozic,Goran Turk. Prediction of subsidence due to underground mining by artificial neural networks. Computer & geosciences, 2003,29(5):627-637.
[12]张安兵,高井祥,张兆江,等.老采空区地表沉陷混沌特征及时变规律研究[J].中国矿业大学学报, 2009,38(2):170-174.
[13] Tan Zhi-xiang, Li Pei-xian,Yan Li-li,ect. Study of the method to calculate subsidence coefficientbased on SVM.Procedia earth and planetary science,2009,1(1):970-976.
[14] Wen-Xiu Li, Lan-Fang Dai, Xiao-Bing Hou, ect. Fuzzy genetic programming method for analysis of ground movements due to underground mining.International Journal of Rock Mechanics and Mining Sciences, 2007,44(6):954-961.
[15]任松,姜德义,杨春和.复杂开采沉陷分层传递预测模型.重庆大学学报[J],2009, 32(7): 823-828.
[16]吴侃,蔡来良,陈冉丽.断层影响下开采沉陷预计研究[J].湖南科技大学学报(自然科学版),2008,23(4):10-13.
[17]郭文兵.深部大采宽条带开采地表移动的预计[J].煤炭学报,2008,33(4):368-371.
[18]夏小刚,黄庆享.基于弹性薄板的地表沉陷预计模型[J].测绘工程, 2008,17(6):9-12.
[19]谭志祥,邓喀中.综放面地表变形预计参数综合分析及应用研究[J].岩石力学与工程学报,2007,26(5):1041-1047.
[20]李长洪,范丽萍,郭俊温.小波神经网络在露天矿边坡变形预测中的应用[J].中国矿业.2010,7(19):76-79.
[21]杨艳,李靖,马显.基于小波神经网络的城市用水量长期预测研究[J].云南农业大学学报.2010,2(25):272-276.
[22]单剑锋,翟波.基于小波神经网络的无线电引信目标识别新方法[J].南京师范大学学报(工程技术版).2010,2(10):84-87.
[23]魏明,蔡延光.一种基于混沌领域搜索的自适应遗传算法[J].计算机应用研究, 2009,26(2): 464-465.
[24] HAGEMAN JA,WEHRENS R, SPRANG H A van,et al.Hybrid ge-netic algorithm-tabu search approach for optimisingmultilayer optical coatings[J].Analytica Chmi ica Acta,2003,490(1-2): 211-222.
[25]任子武,伞冶.实数遗传算法的改进及性能研究[J].电子学报,2007,35(2): 269-274.
[25]李康顺,李茂民,张文生.一种基于改进遗传算法的图像分割方法[J].计算机应用研究, 2009,26(11): 4364-4367.
[26]姚伟.神府东胜矿区地质环境综合评价与灾害防治[D].西安:西安科技大学.2002.
[27]张军.神东矿区综采工作面最仕参数的研究究[D].太原:太原理工大学.2002.
[28]镡志伟.煤层群开采的地面沉陷评价研究[D].北京:中国地质大学.2007.
[29]伊茂森.神东矿区浅埋煤层关键层理论及其应用研究[D].北京:中国矿业大学.2008.
[30]马茂盛.神东矿区浅埋煤层及矿压研究[D].辽宁:辽宁工程科技大学.2002.
[31]许家林,朱卫兵,王晓振,浅埋煤层覆岩关键层结构分类[J].煤炭学报.2009,7(34):865-869.
[32]孙学阳,夏玉成,杜荣军,等.构造应力与节理的耦合对开采沉陷的控制作用[J].采矿与安全工程学报.2010,27(1).
[33]杜荣军.基于数值实验的采煤沉陷与地质影响因素量化关系研究[D].西安:西安科技大学.2008.
[34]夏玉成,雷通文.构造应力与采动损害关系的数值试验研究[J].辽宁工程技术大学学报. 2006(4).
[35]朱建军.层次分析法的若干问题研究及应用[D].吉林:东北大学,2005.8.
[35]彭祖赠,孙缊玉.模糊数学及其应用[M].武汉大学出版社,2002,34~45.
[36]龙熙华.数值分析[M].西安:陕西科学技术出版社.
[37]罗振波.基于模糊层次分析法的变电站选址理论与应用技术[D].大庆石油学院,2009.
[38]周宇峰,魏法杰.不确定型模糊判断矩阵一致性逼近与权重计算的一种方法[J].运筹与管理,2006.4:28-31.
[39]唐春安,王述红,傅宇方.岩石破裂过程数值试验[M].科学出版社,2003.
[40]夏玉成,薛喜成.地学信息数字化技术概论[M].西安:科学出版社,2003.
[41]张清华.小波神经网络参数优化及其应用[D].哈尔滨:东北农业大学.2006.
[42] StéphaneMallat.信号处理的小波导引[M].杨力华,戴道清,黄文良,等译.北京:机械工业出版社,2002.
[43]李婧瑜,李歧强,侯海燕,等.基于遗传算法的小波神经网络交通流预测[J].山东大学学报(工学版),2007,37(2):109-120.
[44]刘美容,何怡刚,方葛丰,等.遗传小波神经网络在模拟电路故障诊断中的应[J].湖南大学学报(自然科学版),2009,36(3):40-44.
[45]李敏强,寇纪淞,李丹,等.遗传算法的基本理论与应用[M].北京:科学出版社,2002.
[46]王敏,段向军.改进的免疫遗传算法在优化问题中的应用[J].长沙大学学报,2007,9(215):83-86.
[47]李婧瑜,李歧强,侯海燕,等,基于遗传算法的小波神经网络交通流预测[J].山东大学学报(工学版).2007,2(34):109-112.
[48]刘美容,何怡刚,方葛丰,等.遗传小波神经网络在模拟电路故障诊断中的应用[J].湖南大学学报(自然科学版).2009,3(36):40-44.
[49]黄庆享.浅埋煤层长壁开采顶板结构及岩层控制研究[M],北京:中国矿业大学出版社,2000.
[2] A.Gandhe, V.Venkateswarlu, and R.N.Cupta. Extraction of Coal Under a Surface Water Body- a Strata Control Investigation. Rock Mech. Rock Engng. 2005, 38(5): 399~410.
[3]余学义,张恩强.开采损害与环境保护[M].西安:西安地图出版社,2002:15-72.
[4]胡炳南,袁亮.条带开采沉陷主控因素分析及设计对策[J].煤矿开采.2000,4(41):25-27.
[5]邹友峰,马伟民.条带开采地表沉陷的主控因素[J].矿山压力与顶饭管理.1996,1:27-31.
[6]宋世杰,赵晓光.榆神府矿区开采沉陷损害影响因素的灰色关联分析[J].工业安全与环保.2010,3(36):9-10.
[7]房磊,郭广,查剑锋等.置换开采中地表沉陷主控因素数值模拟分析[J].煤矿安全,2009,07:11-13.
[8]夏玉成,孙学阳,汤伏全.煤矿区构造控灾机理及地质环境承载能力研究[M].北京:科学出版社,2008.
[9] Litwiniszy J. Application of the equation of stochastic processes to mechanics of loose bodies. Archium Mechaniki Stosowanej.1956.T8.
[10]张东明,尹光志,代高飞.地表下沉的分形特征及其预测[J].成都理工大学学报(自然科学版), 2003,30(1):92-85.
[11] Tomaz Ambrozic,Goran Turk. Prediction of subsidence due to underground mining by artificial neural networks. Computer & geosciences, 2003,29(5):627-637.
[12]张安兵,高井祥,张兆江,等.老采空区地表沉陷混沌特征及时变规律研究[J].中国矿业大学学报, 2009,38(2):170-174.
[13] Tan Zhi-xiang, Li Pei-xian,Yan Li-li,ect. Study of the method to calculate subsidence coefficientbased on SVM.Procedia earth and planetary science,2009,1(1):970-976.
[14] Wen-Xiu Li, Lan-Fang Dai, Xiao-Bing Hou, ect. Fuzzy genetic programming method for analysis of ground movements due to underground mining.International Journal of Rock Mechanics and Mining Sciences, 2007,44(6):954-961.
[15]任松,姜德义,杨春和.复杂开采沉陷分层传递预测模型.重庆大学学报[J],2009, 32(7): 823-828.
[16]吴侃,蔡来良,陈冉丽.断层影响下开采沉陷预计研究[J].湖南科技大学学报(自然科学版),2008,23(4):10-13.
[17]郭文兵.深部大采宽条带开采地表移动的预计[J].煤炭学报,2008,33(4):368-371.
[18]夏小刚,黄庆享.基于弹性薄板的地表沉陷预计模型[J].测绘工程, 2008,17(6):9-12.
[19]谭志祥,邓喀中.综放面地表变形预计参数综合分析及应用研究[J].岩石力学与工程学报,2007,26(5):1041-1047.
[20]李长洪,范丽萍,郭俊温.小波神经网络在露天矿边坡变形预测中的应用[J].中国矿业.2010,7(19):76-79.
[21]杨艳,李靖,马显.基于小波神经网络的城市用水量长期预测研究[J].云南农业大学学报.2010,2(25):272-276.
[22]单剑锋,翟波.基于小波神经网络的无线电引信目标识别新方法[J].南京师范大学学报(工程技术版).2010,2(10):84-87.
[23]魏明,蔡延光.一种基于混沌领域搜索的自适应遗传算法[J].计算机应用研究, 2009,26(2): 464-465.
[24] HAGEMAN JA,WEHRENS R, SPRANG H A van,et al.Hybrid ge-netic algorithm-tabu search approach for optimisingmultilayer optical coatings[J].Analytica Chmi ica Acta,2003,490(1-2): 211-222.
[25]任子武,伞冶.实数遗传算法的改进及性能研究[J].电子学报,2007,35(2): 269-274.
[25]李康顺,李茂民,张文生.一种基于改进遗传算法的图像分割方法[J].计算机应用研究, 2009,26(11): 4364-4367.
[26]姚伟.神府东胜矿区地质环境综合评价与灾害防治[D].西安:西安科技大学.2002.
[27]张军.神东矿区综采工作面最仕参数的研究究[D].太原:太原理工大学.2002.
[28]镡志伟.煤层群开采的地面沉陷评价研究[D].北京:中国地质大学.2007.
[29]伊茂森.神东矿区浅埋煤层关键层理论及其应用研究[D].北京:中国矿业大学.2008.
[30]马茂盛.神东矿区浅埋煤层及矿压研究[D].辽宁:辽宁工程科技大学.2002.
[31]许家林,朱卫兵,王晓振,浅埋煤层覆岩关键层结构分类[J].煤炭学报.2009,7(34):865-869.
[32]孙学阳,夏玉成,杜荣军,等.构造应力与节理的耦合对开采沉陷的控制作用[J].采矿与安全工程学报.2010,27(1).
[33]杜荣军.基于数值实验的采煤沉陷与地质影响因素量化关系研究[D].西安:西安科技大学.2008.
[34]夏玉成,雷通文.构造应力与采动损害关系的数值试验研究[J].辽宁工程技术大学学报. 2006(4).
[35]朱建军.层次分析法的若干问题研究及应用[D].吉林:东北大学,2005.8.
[35]彭祖赠,孙缊玉.模糊数学及其应用[M].武汉大学出版社,2002,34~45.
[36]龙熙华.数值分析[M].西安:陕西科学技术出版社.
[37]罗振波.基于模糊层次分析法的变电站选址理论与应用技术[D].大庆石油学院,2009.
[38]周宇峰,魏法杰.不确定型模糊判断矩阵一致性逼近与权重计算的一种方法[J].运筹与管理,2006.4:28-31.
[39]唐春安,王述红,傅宇方.岩石破裂过程数值试验[M].科学出版社,2003.
[40]夏玉成,薛喜成.地学信息数字化技术概论[M].西安:科学出版社,2003.
[41]张清华.小波神经网络参数优化及其应用[D].哈尔滨:东北农业大学.2006.
[42] StéphaneMallat.信号处理的小波导引[M].杨力华,戴道清,黄文良,等译.北京:机械工业出版社,2002.
[43]李婧瑜,李歧强,侯海燕,等.基于遗传算法的小波神经网络交通流预测[J].山东大学学报(工学版),2007,37(2):109-120.
[44]刘美容,何怡刚,方葛丰,等.遗传小波神经网络在模拟电路故障诊断中的应[J].湖南大学学报(自然科学版),2009,36(3):40-44.
[45]李敏强,寇纪淞,李丹,等.遗传算法的基本理论与应用[M].北京:科学出版社,2002.
[46]王敏,段向军.改进的免疫遗传算法在优化问题中的应用[J].长沙大学学报,2007,9(215):83-86.
[47]李婧瑜,李歧强,侯海燕,等,基于遗传算法的小波神经网络交通流预测[J].山东大学学报(工学版).2007,2(34):109-112.
[48]刘美容,何怡刚,方葛丰,等.遗传小波神经网络在模拟电路故障诊断中的应用[J].湖南大学学报(自然科学版).2009,3(36):40-44.
[49]黄庆享.浅埋煤层长壁开采顶板结构及岩层控制研究[M],北京:中国矿业大学出版社,2000.