Куок Лонг Нгуен – доктор наук, кафедра маркшейдерского дела, факультет геоматики и землеустройства
Scopus ID 57204138384
г. Ханой
Quoc Long Nguyen – PhD, Department of Mine Surveying, Faculty of Geomatics and Land Administration
Scopus ID 57204138384
Hanoi
Куанг Минь Нгуен – доцент, кафедра геодезии, факультет геоматики и землеустройства
Scopus ID 57198770131
г. Ханой
Quang Minh Nguyen – Associate Professor of Surveying, Department of Surveying, Faculty of Geomatics and Land Administration
Scopus ID 57198770131
Hanoi
Динь Чонг Тран – доктор наук, кафедра геодезии и геоматики, факультет мостов и дорог
Scopus ID 57222386870
г. Ханой
Dinh Trong Tran – PhD, Deparment of Geodesy and Geomatics Engineering, Faculty of Bridges and Roads
Scopus ID 57222386870
Hanoi
Хуан Нам Буй – доктор наук, профессор, кафедра открытых горных работ, факультет горного дела
Scopus ID 36892679300
г. Ханой
Xuan Nam Bui – Professor of Mining, Full Professor, Department of Surface Mining, Faculty of Mining
Scopus ID 36892679300
Hanoi
The paper is devoted to studying the possibility of using artificial neural networks (ANN) to estimate ground subsidence caused by underground mining. The experiments showed that the most suitable network structure is a network with three layers of perceptrons and four neurons in the hidden layer with the back propagation algorithm (BP) as a training algorithm. The subsidence observation data in the Mong Duong underground coal mine and other parameters, including: (1) the distance from the centre of the stope to the ground monitoring points; (2) the volume of mined-out space; (3) the positions of the ground points in the direction of the main cross-section of the trough; and (4) the time (presented by cycle number), were used as the input data for the ANN. The findings showed that the selected model was suitable for predicting subsidence along the main profile within the subsidence trough. The prediction accuracy depended on the number of cycles used for the network training as well as the time interval between the predicted cycle and the last cycle in the training dataset. When the number of monitoring cycles used for the network training was greater than eight, the largest values of RMS and MAE were less than 10 % compared to the actual maximum subsidence value for each cycle. If the network training was less than eight cycles, the results of prediction did not meet the accuracy requirements.
Статья посвящена изучению возможности использования искусственных нейронных сетей (ИНС) для оценки просадки грунта, вызванной подземной добычей. Эксперименты показали, что наиболее подходящей структурой сети является сеть с тремя слоями перцептронов и четырьмя нейронами в скрытом слое с алгоритмом обратного распространения в качестве алгоритма обучения. Данные наблюдения за просадкой грунта на подземном угольном руднике Монг Дуонг и другие параметры, включающие: 1 – расстояние от центра штрека до точек наземного мониторинга; 2 – объем выработанного пространства; 3 – положение наземных точек в направлении главного сечения мульды просадки; и 4 – время (представленное номером цикла), были использованы в качестве входных данных для ИНС. Результаты показали, что выбранная модель приемлема для прогнозирования просадки вдоль главного сечения (профиля) в пределах мульды просадки. Точность прогнозирования зависела от количества циклов, использованных для обучения нейронной сети, а также от временного интервала между прогнозируемым циклом и последним циклом в наборе данных для обучения. Когда количество циклов мониторинга, использованных для обучения сети, превышало восемь, наибольшие значения RMS (среднеквадратическая погрешность) и MAE (средняя абсолютная ошибка) составляли менее 10 % от фактического максимального значения просадки для каждого цикла. Если число циклов обучения сети было меньше восьми, результаты прогнозирования не соответствовали требованиям по точности.
The authors declare that there are no conflicts of interest present.