基于GA-SVM的条带开采下沉系数预测

将遗传算法(GA)与支持向量机(SVM)相结合,采用GA算法优化SVM变量因子,通过对条带开采地表下沉系数的主要影响因素进行分析,建立了基于GA-SVM的条带开采地表下沉系数预测模型,解决了条带开采下沉系数预测误差较大的问题。     

基于机载LiDAR点云C2C算法的矿山沉陷监测研究

针对地表移动观测站和InSAR技术手段在矿山开采沉陷监测的局限性，利用机载激光雷达(Light Detection and Ranging, LiDAR)采集沉陷区三维点云数据，通过多时相点云构建地表数字沉陷模型(沉陷DEM),获取地表的移动变形特征。然而构建的沉陷DEM包含多种来源复杂且难以去除的噪声，限制了该技术在矿山开采沉陷监测的应用。提出将机载LiDAR点云直接比较的算法(Cloud to Cloud, C2C)进行矿山开采沉陷监测，以榆神矿区某工作面为研究区，将同期水准观测数据作为参考数据，并与三种主流点云插值算法构建的沉陷DEM进行对比，验证该算法的可行性和精度。结果表明，C2C算法能够快速获取高精度的沉陷值，其沉陷精度明显优于通过点云插值算法获取的计算结果，下沉曲线符合矿山开采沉陷的一般规律。该算法可以达到厘米级的精度，为矿山地表移动变形监测和生态环境修复提供了新的参考方案。     

基于GAPSO-SVM的煤层底板破坏程度预测

为了对煤层底板破坏程度进行正确预测,分析遗传算法(GA)和粒子群优化(PSO)算法存在优化支持向量机(SVM)易陷入局部最优解和分类精度相对较低的问题,提出了GAPSOSVM优化算法。综合考虑GA和PSO算法的优点对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡。通过对曹庄煤矿底板破坏程度的预测表明,该方法不仅能够取得良好的分类效果,分类精度高于GA-SVM和PSO-SVM,而且有较好的鲁棒性。     

基于SVM的厚松散层矿区开采下沉系数预测模型

针对厚松散层薄基岩矿区开采沉陷变形预计中存在的下沉系数偏大问题,以23个开采工作面的地质采矿条件及其下沉系数为学习和测试样本,将文化-随机粒子群算法(CA-rPSO)和支持向量机(SVM)相结合,利用CA-rPSO的快速并行寻优功能优化SVM参数,建立了厚松散层薄基岩开采条件下下沉系数的SVM预测模型。通过实例验证SVM的预计结果与实际符合较好。     

综合GPS技术与灰色模型的西郝庄铁矿开采沉陷预计

矿区开采产生的空区易引发地表沉陷、塌陷等一系列地质灾害问题,严重威胁矿区及周边生态环境。以西郝庄铁矿为例,在分析矿区地质特征的基础上,基于GPS监测技术原理,构建了西郝庄铁矿地表沉陷监测网;然后采用该GPS沉陷监测网获取的监测数据,基于灰色理论构建了G（1,1）沉陷预计模型,给出了监测点的沉陷预计公式;最后通过Matlab软件构建了矿区数字高程模型,并对矿区地表沉陷较严重的部位进行了预计。研究表明：①矿区大部分区域的累计沉陷值基本小于40 mm,发生地面塌陷的可能性较小,CD3#、CD4#、CD5#、CD6#点附近沉陷值较大,约60 mm;②G（1,1）模型的预计值与实测值的误差分别为1.38%（CD3#点）、0.56%（CD9#点）,预计值和实测值构建的矿区数字高程模型基本一致,表明G（1,1）模型对于矿区开采沉陷的预计有一定的精度。     

GA-SVM模型的GPS高程拟合效果分析

为提高支持向量机模型拟合GPS高程的精度,该文采用具有全局寻优能力的遗传算法优化支持向量机的参数,并建立GA-SVM模型对GPS高程数据进行拟合。对比经交叉验证法优化的支持向量机模型,在GPS高程拟合中,GA-SVM模型具有更高的拟合精度。     

果蝇算法融合SVM的开采沉陷预测模型

针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。     

果蝇算法融合SVM的开采沉陷预测模型

针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。     

利用随机森林回归模型预计水平移动系数

水平移动系数b是开采沉陷预计的重要参数之一,对于精确确定开采沉陷地表影响范围具有决定性作用。为精确有效地计算b值,进而提高开采沉陷的预计精度,首先详细分析了R语言特点及随机森林(Random forest,RF)算法的基本原理及实现流程;然后,详细探讨了影响b值的地质采矿因素,并确定了5个基本变量,即开采厚度、煤层倾角、开采深度、工作面斜长、覆岩评价系数;最后,结合R语言构建了一种RF回归模型并用于预计b值。用于训练和测试RF回归模型的样本来源于我国一些主要矿区的典型地表移动观测站实测资料,试验结果表明:利用基于R语言编程的RF回归模型预计的b值与实测值的最大相对误差仅为4.559%;相对于BP神经网络、支持向量机(Support vector machine,SVM),RF回归模型在预计精度和模型稳定性等方面优势较明显,且该模型具有较强的泛化能力,可基本满足实际工程需要,为高精度预计b值提供了一种有效方法。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

红旗铁矿改进Knothe时间函数开采沉陷预计模型

针对Knothe时间函数模型对开采沉陷过程的预计结果与沉陷实际发生过程不完全符合的问题,分析了该模型的缺陷,提出了改进的Knothe时间函数开采沉陷预计模型。结合河北省武安市红旗铁矿6300综放工作面地表沉陷实测数据,构建了改进的Knothe时间函数开采沉陷预计模型,并进行了模型精度分析。研究表明:经过累计387 d观测,改进的Knothe时间函数开采沉陷预计模型的预计值与实测值的误差为0.2~73.6 mm,平均误差为35.2 mm,优于BP神经网络模型(误差为8.1~143 mm,平均为49.9 mm)、SVM模型(误差为0.7~105.1 mm,平均为35.8 mm)以及概率积分法模型(误差为18.2~180.5 mm,平均为102.6 mm),对于高精度预计该矿开采沉陷具有一定的作用。     

融合概率积分模型与D-InSAR的开采沉陷预计

矿区地表植被多,开采沉陷速度快、量值大,所产生的地质灾害较一般性的地表沉陷严重,极易使得2景SAR影像失去相干性,造成解缠错误。针对矿区SAR影像相干性较低、下沉盆地中央相位值易丢失的情况,结合合成孔径雷达干涉差分技术（Differential interferometric synthetic aperture radar,D-InSAR）和基于遗传算法的概率积分模型,提出了一种矿区开采下沉盆地预计方法。以该方法利用矿区下沉盆地边缘一定数量的相干系数较高且下沉较明显的D-InSAR监测值和下沉盆地中央最大下沉点与拐点附近的少量观测值对某矿II3720工作面进行试验,首先利用概率积分模型反演概率积分法预计参数并采用遗传算法进行多次优化,然后利用得到的参数对该工作面下沉盆地进行模拟预计,结果表明：通过该方法得出的下沉盆地参数及下沉值与实测值较接近,有助于弥补由于矿区SAR影像干涉效果不佳而导致的预计精度不高的不足,通过少量的观测数据可较为有效地预计矿区下沉盆地,对于提高矿山开采沉陷监测与预计的精度有一定的参考价值。     

用三维激光扫描技术监测矿山开采沉陷

经典地表沉陷监测方法具有工作量大、监测点保护困难、监测时间长、监测成本高等缺点,难以适应实时化矿山开采沉陷监测的需要。为此,以某矿山为例,结合三维激光扫描技术,提出了一种矿山开采沉陷高精度监测方法。在分析三维激光扫描技术工作原理的基础上,首先对矿区生产概况、监测方案、地表移动监测站设置方案进行了分析;然后结合MATLAB软件,利用分离非地面点和地面点、去除孤立点、拼接点云数据等方法处理经三维激光扫描得到的沉陷数据,并基于矿区2014年10月、2016年10月两期三维激光扫描数据,利用Kriging算法分别建立了矿区地表下沉盆地数字高程模型(Digital elevation model,DEM),对矿区地表沉陷进行分析;最后选取了矿区若干有代表性的监测点的开采沉陷监测值与对应的水准测量结果进行了对比分析。研究表明:监测结果与实测值的误差达到毫米级,反应出利用三维激光扫描技术不仅可快速获取矿区开采沉陷监测数据,而且可对开采沉陷进行高精度监测,对于进一步研究矿区开采沉陷规律、提高矿区开采沉陷监测效率有一定的参考价值。     

利用果蝇算法反演概率积分法开采沉陷预计参数

针对概率积分法开采沉陷预计参数反演时存在算法复杂、计算量大等问题,将具有算法简单、计算量小、精度高等特点的果蝇算法引入到概率积分法开采沉陷预计参数反演中,研究了利用果蝇算法反演概率积分法开采沉陷预计参数的基本原理,构造了下沉拟合值与实测值均方差最小的适应度函数模型。结合安徽省某煤矿的实测数据,分别采用果蝇算法、遗传算法以及粒子群算法反演概率积分法开采沉陷预计参数,并以下沉拟合值与实测值的均方差为各算法反演精度的评价标准进行对比分析,结果表明：利用果蝇算法反演出的下沉拟合值与实测值的均方差（33.7 mm）以及相对中误差（1.4%）均小于同类条件下遗传算法、粒子群算法的反演结果,说明果蝇算法适用于反演概率积分法开采沉陷预计参数,对于提高概率积分法开采沉陷预计的精度有一定的参考价值。     

矿区开采沉陷预计的Geomagic法

利用三维激光扫描技术监测矿区开采沉陷,效率较高,但观测点云数量大、处理困难,目前缺乏成熟的软件进行矿区点云数据分析。为有效处理沉陷区的点云数据并实现沉陷区3D比较、剖面分析和开采沉陷预计参数求取,提出了一种矿区开采沉陷预计的Geomagic法。以某矿为例,首先利用Geomagic Studio软件建立了矿区数字地面模型(Digital terrain model,DTM);其次研究了开采沉陷发生前后的矿区数字地面模型3D对比方法,利用Geomagic Qualify软件分析得到沉陷区地表下沉三维视图;然后对地表下沉三维视图进行了剖面分析,提取走向方向与倾向方向的剖面点下沉值;最后利用剖面点下沉值求取了开采沉陷预计参数,并计算了剖面点的下沉预计值,将下沉预计值与提取的下沉值进行了对比分析,可知下沉拟合准确度达到92%,表明计算出的开采沉陷预计参数具有较高的精度,对于进一步推动三维激光扫描技术在矿区开采沉陷监测预计方面的应用有一定的参考价值。     

矿区开采沉陷预计的改进BP神经网络模型

为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。     

基于D-InSAR技术和灰色Verhulst模型的矿区沉降监测与预计

针对在地形复杂的矿区沉降观测资料不易获取的问题,将合成孔径雷达差分干涉技术（D-InSAR）与灰色Verhulst模型相结合,提出了一种矿山开采沉陷监测和预计方法。该方法首先对覆盖大柳塔煤矿某工作面的12景TerraSAR-X雷达数据进行D-InSAR处理,获取观测站沉降值;然后根据沉降量与时间的关系建立了基于灰色Verhulst模型的预测函数,对开采沉陷发展规律进行分析。试验结果表明：3个测试点D-InSAR监测数据的绝对和相对误差分别为2.8~15 mm,0.9%~6%;结合灰色Verhulst模型预测的绝对和相对误差分别为3.4~18.8 mm,1.2%~5.7%。上述研究结果进一步表明,所提出的方法可有效弥补矿区沉降实测数据的不足,为实现矿区开采沉陷监测和预计的一体化软件设计提供参考。     

特厚煤层综放开采地表沉陷预计模型算法改进

近浅埋深特厚煤层综放开采因其一次性采出煤层厚度大,其地表移动变形特殊性较明显,该地质采矿条件下按概率积分法进行地表沉陷预计结果与实际情况有一定程度的偏差。对试验区近浅埋深特厚煤层综放开采条件下的地表移动变形特殊性进行了分析,考虑到厚硬岩层对地表沉陷的控制作用,并基于层状弹性梁板岩层沉陷控制理论和随机介质理论,建立适合近浅埋深特厚煤层综放开采沉陷预计模型。实践应用表明:该沉陷预计模型算法与实测结果吻合程度较好,适合于特厚煤层综放开采地表沉陷预计应用;较好地解决了概率积分法边界收敛迅速、盆地两侧不对称等问题,提高了地表沉陷的预计精度。