基于深度學習,提出了一種分析采動地裂縫成因及預測地裂縫發(fā)育程度的方法。通過分析官地煤礦的井田地質測量資料和實地調(diào)查,確定了11類影響地裂縫發(fā)育的因素;依據(jù)地裂縫面積與采空區(qū)面積的比值,將地裂縫發(fā)育程度分為4類。利用深度學習的方法,構建了全連接深度神經(jīng)網(wǎng)絡模型（DNN）對裂縫發(fā)育程度進行預測;以預測準確率為指標,通過6次特征選擇對影響因素的重要性進行了分析。特征選擇的結果表明:開采層數(shù)、開采總厚度、開采寬度、開采深度、砂泥巖比、開采長度是影響地裂縫發(fā)育的主要特征,地質構造和地表出露是次要特征,煤層傾角、地形坡度、相對位置是冗余特征。與卷積神經(jīng)網(wǎng)絡（CNN）及循環(huán)神經(jīng)網(wǎng)絡（RNN/LSTM）模型的訓練結果相比,DNN模型預測準確率較高。 

【文章來源】：太原理工大學學報. 2020,51(03)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

官地煤礦典型地裂縫

官地礦開采煤層分布范圍廣,可采煤層較多,采空區(qū)分布情況復雜,不同采空區(qū)上部地裂縫發(fā)育規(guī)模差異較大。通過對各工作面采空區(qū)上部地裂縫的大數(shù)據(jù)量采集,而不是對個別地裂縫的單獨描述,可以更加準確全面地進行地裂縫成因分析和預測。圖2為官地礦典型地裂縫分布圖。圖2(a)-(d)分別代表地裂縫發(fā)育程度從低到高的不同工作面區(qū)域�？梢钥闯�,地裂縫發(fā)育規(guī)模受到開采煤層數(shù)、地形條件、上覆巖層厚度、工作面開采范圍、地表出露巖層性質等多方面因素的影響。本文收集了官地礦近10 a采動引起的地裂縫長寬數(shù)據(jù),以開采工作面為基本單元,從整體上分析影響地裂縫發(fā)育規(guī)模的因素及各因素對地裂縫發(fā)育的影響程度,在此基礎上對不同工作面采動地裂縫發(fā)育程度進行分類預測。

機器學習本質上是解決兩大類問題,即回歸和分類,通過在函數(shù)集合中尋找最佳的方程實現(xiàn)這些目標,見圖3.深度學習就是將函數(shù)集合定義為一個神經(jīng)網(wǎng)絡,這樣可以避免大量的人為構建工作,并且具有更大的函數(shù)集合空間,容易找到最好的函數(shù)模型。

【參考文獻】：
期刊論文
[1]我國采動地裂縫形成機理研究進展[J]. 陳超,胡振琪.  煤炭學報. 2018(03)
[2]煤層開采誘發(fā)地表裂縫成因數(shù)值模擬[J]. 劉文生,吳作啟,孔晶,崔鐵軍.  安全與環(huán)境學報. 2016(05)
[3]煤礦開采引起地表裂縫發(fā)育寬度和深度研究[J]. 高超,徐乃忠,倪向忠,馬宏元,王長喜.  煤炭工程. 2016(10)
[4]基于UDEC數(shù)值模擬的滑動型地裂縫發(fā)育規(guī)律[J]. 劉輝,劉小陽,鄧喀中,雷少剛,卞正富.  煤炭學報. 2016(03)
[5]厚松散層條件下地表采動裂縫寬度的計算方法[J]. 郭俊廷,鄒定輝,楊國柱,程海濤,李磊波.  煤礦安全. 2014(05)
[6]煤礦多煤層重復采動所致地表移動與建筑損壞分析[J]. 劉書賢,魏曉剛,張弛,麻鳳海.  中國安全科學學報. 2014(03)
[7]厚煤層開采地表裂縫形成機理與危害性分析[J]. 胡青峰,崔希民,袁德寶,鄧緒彪.  采礦與安全工程學報. 2012(06)
[8]急傾斜煤層開采誘發(fā)地表裂縫數(shù)值模擬[J]. 王來貴,趙爾強,初影.  哈爾濱工業(yè)大學學報. 2011(S1)
[9]神東礦區(qū)淺埋煤層開采覆巖移動與裂隙分布特征[J]. 范鋼偉,張東升,馬立強.  中國礦業(yè)大學學報. 2011(02)
[10]開采引起的地表裂縫分布規(guī)律[J]. 吳侃,胡振琪,常江,葛家新.  中國礦業(yè)大學學報. 1997(02)



本文編號：2994477