Прогнозирование просадки грунта в результате подземной добычи с использованием многослойных искусственных нейронных сетей с прямой связью и алгоритма обратного распространения – исследование на примере подземного угольного рудника Монг Дуонг (Вьетнам)

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.

подземная разработка полезных ископаемых, мульда просадки, прогнозирование просадки, искусственная нейронная сет, обратное распространение

1. Long N. Q., Ahmad A., Cuong C. X., Canh L. Van. Designing observation lines: a case study of the G9 seam in the Mong Duong colliery. Journal of Mining and Earth Sciences. 2019;60(3):18–24. URL: https://www.researchgate.net/publication/333560617_Designing_observation_lines_a_case_study_of_the_G9_seam_in_the_Mong_Duong_colliery

2. Ambrožič T., Turk G. Prediction of subsidence due to underground mining by artificial neural networks. Computers and Geosciences. 2003;29(5):627–637. https://doi.org/10.1016/S0098-3004(03)00044-X

3. King M. A., Watson C. S. Long GPS coordinate time series: Multipath and geometry effects. Journal of Geophysical Research: Solid Earth. 2010;115(4):1–23. https://doi.org/10.1029/2009JB006543

4. Yang W., Xia X. Prediction of mining subsidence under thin bedrocks and thick unconsolidated layers based on field measurement and artificial neural networks. Computers and Geosciences. 2013;52:199–203. https://doi.org/10.1016/j.cageo.2012.10.017

5. Cong Khai P., Tran D. T., Nguyen V. H. GNSS/CORS-Based Technology for Real-Time Monitoring of Landslides on Waste Dump – A Case Study at the Deo Nai South Dump, Vietnam. Inżynieria Mineralna. 2020;1(2):181–191. https://doi.org/10.29227/IM-2020-02-23

6. Hejmanowski R., Witkowski W. T. Suitability assessment of artificial neural network to approximate surface subsidence due to rock mass drainage. Journal of Sustainable Mining. 2015;14(2):101–107. https://doi.org/10.1016/j.jsm.2015.08.014

7. Zhao K., Chen S. N. Study on artificial neural network method for ground subsidence prediction of metal mine. Procedia Earth and Planetary Science. 2011;2(1):177–182. https://doi.org/10.1016/j.proeps.2011.09.029

8. Kim K. D., Lee S., Oh H. J. Prediction of ground subsidence in Samcheok City, Korea using artificial neural networks and GIS. Environmental Geology. 2009;58(1):61–70. https://doi.org/10.1007/s00254-008-1492-9

9. Kim Y., Son M., Moon H. K., Lee S. A. A study on the development of an artificial neural network model for the prediction of ground subsidence over abandoned mines in Korea. Geosystem Engineering. 2017;20(3):163–171. https://doi.org/10.1080/12269328.2016.1254573

10. Lee S., Park I., Choi J. K. Spatial prediction of ground subsidence susceptibility using an artificial neural network. Environmental Management. 2012;49(2):347–358. https://doi.org/10.1007/s00267-011-9766-5

11. Hu Q., Deng X., Feng R., Li C., Wang X., Jiang T. Model for calculating the parameter of the Knothe time function based on angle of full subsidence. International Journal of Rock Mechanics and Mining Sciences. 2015;78:19–26. https://doi.org/10.1016/j.ijrmms.2015.04.022

12. Wang C., Ji H. Analysis on the improved time function model of surface subsidence. Electronic Journal of Geotechnical Engineering. 2015;19:615–627.

13. Zhanqiang C., Jinzhuang W. Study on time function of surface subsidence the improved Knothe time function. Chinese Journal of Rock Mechanics and Engineering. 2003;9.

14. Long N. Q., My V. C., Luyen B. K. Divergency verification of predicted values and monitored deformation indicators in specific condition of Thong Nhat underground coal mine (Vietnam). Geoinformatica Polonica. 2016;15:15–22. https://doi.org/10.4467/21995923GP.16.002.5479

15. Cui X., Miao X., Wang J., Yang S. et al. Improved prediction of differential subsidence caused by underground mining. International Journal of Rock Mechanics and Mining Sciences. 2000;37(4):615–627. https://doi.org/10.1016/S1365-1609(99)00125-2

16. Gonzalez-Nicieza C., Alvarez-Fernandez M. I., Menendez-Diaz A., Alvarez-Vigil A. E. The influence of time on subsidence in the Central Asturian Coalfield. Bulletin of Engineering Geology and the Environment. 2007;66(3):319–329. https://doi.org/10.1007/s10064-007-0085-2

17. Liu X., Wang J., Guo J., Yuan H., Li P. Time function of surface subsidence based on Harris model in mined-out area. International Journal of Mining Science and Technology. 2013;23(2):245–248. https://doi.org/10.1016/j.ijmst.2013.04.012

18. Haykin S. Neural Networks: A Comprehensive Foundation. 2nd Edition. 2004.

19. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-propagating errors. Nature. 1986;323:533–536. https://doi.org/10.1038/323533a0

20. Long N. Q. A novel approach of determining the parameters of Asadi profiling function for predictiong ground subsidence due to inclied coal seam mining at Quang Ninh coal basin. Journal of Mining and Earth Sciences. 2020;61(2):86–95. https://doi.org/10.46326/JMES.2020.61(2).10

21. Atiya A. F. Learning algorithms for neural networks. California Institute of Technology, Pasadena, California. 1991. URL: https://thesis.library.caltech.edu/3725/1/Atiya_a_1991.pdf

22. Heaton J. Introduction to neural networks with Java. 2nd Edition. Heaton Research, Inc. 2008. 439 p.

23. Dayong Y., Jun S. Prediction method for evolutionary neural net of strata subsidence of rock Mass. Mining Safety & Environmental Protection. 2002;29(3):11–13. (In Chin.).