基于深度学习的采动地裂缝成因分析和预测

发布时间：2021-01-23 03:40

　　基于深度学习,提出了一种分析采动地裂缝成因及预测地裂缝发育程度的方法。通过分析官地煤矿的井田地质测量资料和实地调查,确定了11类影响地裂缝发育的因素;依据地裂缝面积与采空区面积的比值,将地裂缝发育程度分为4类。利用深度学习的方法,构建了全连接深度神经网络模型（DNN）对裂缝发育程度进行预测;以预测准确率为指标,通过6次特征选择对影响因素的重要性进行了分析。特征选择的结果表明:开采层数、开采总厚度、开采宽度、开采深度、砂泥岩比、开采长度是影响地裂缝发育的主要特征,地质构造和地表出露是次要特征,煤层倾角、地形坡度、相对位置是冗余特征。与卷积神经网络（CNN）及循环神经网络（RNN/LSTM）模型的训练结果相比,DNN模型预测准确率较高。 

【文章来源】：太原理工大学学报. 2020,51(03)北大核心

【文章页数】：7 页

【部分图文】：

官地煤矿典型地裂缝

官地矿开采煤层分布范围广,可采煤层较多,采空区分布情况复杂,不同采空区上部地裂缝发育规模差异较大。通过对各工作面采空区上部地裂缝的大数据量采集,而不是对个别地裂缝的单独描述,可以更加准确全面地进行地裂缝成因分析和预测。图2为官地矿典型地裂缝分布图。图2(a)-(d)分别代表地裂缝发育程度从低到高的不同工作面区域。可以看出,地裂缝发育规模受到开采煤层数、地形条件、上覆岩层厚度、工作面开采范围、地表出露岩层性质等多方面因素的影响。本文收集了官地矿近10 a采动引起的地裂缝长宽数据,以开采工作面为基本单元,从整体上分析影响地裂缝发育规模的因素及各因素对地裂缝发育的影响程度,在此基础上对不同工作面采动地裂缝发育程度进行分类预测。

机器学习本质上是解决两大类问题,即回归和分类,通过在函数集合中寻找最佳的方程实现这些目标,见图3.深度学习就是将函数集合定义为一个神经网络,这样可以避免大量的人为构建工作,并且具有更大的函数集合空间,容易找到最好的函数模型。

【参考文献】：
期刊论文
[1]我国采动地裂缝形成机理研究进展[J]. 陈超,胡振琪.  煤炭学报. 2018(03)
[2]煤层开采诱发地表裂缝成因数值模拟[J]. 刘文生,吴作启,孔晶,崔铁军.  安全与环境学报. 2016(05)
[3]煤矿开采引起地表裂缝发育宽度和深度研究[J]. 高超,徐乃忠,倪向忠,马宏元,王长喜.  煤炭工程. 2016(10)
[4]基于UDEC数值模拟的滑动型地裂缝发育规律[J]. 刘辉,刘小阳,邓喀中,雷少刚,卞正富.  煤炭学报. 2016(03)
[5]厚松散层条件下地表采动裂缝宽度的计算方法[J]. 郭俊廷,邹定辉,杨国柱,程海涛,李磊波.  煤矿安全. 2014(05)
[6]煤矿多煤层重复采动所致地表移动与建筑损坏分析[J]. 刘书贤,魏晓刚,张弛,麻凤海.  中国安全科学学报. 2014(03)
[7]厚煤层开采地表裂缝形成机理与危害性分析[J]. 胡青峰,崔希民,袁德宝,邓绪彪.  采矿与安全工程学报. 2012(06)
[8]急倾斜煤层开采诱发地表裂缝数值模拟[J]. 王来贵,赵尔强,初影.  哈尔滨工业大学学报. 2011(S1)
[9]神东矿区浅埋煤层开采覆岩移动与裂隙分布特征[J]. 范钢伟,张东升,马立强.  中国矿业大学学报. 2011(02)
[10]开采引起的地表裂缝分布规律[J]. 吴侃,胡振琪,常江,葛家新.  中国矿业大学学报. 1997(02)



本文编号：2994477