创刊于1987年, 双月刊
主管:

江西理工大学

主办:

江西理工大学
江西省有色金属学会

ISSN:1674-9669
CN:36-1311/TF
CODEN YJKYA9

基于GA-BP神经网络的露天矿边坡变形预测分析

陈兰兰, 杨雨云, 肖海平, 罗兵, 邹伟豪

陈兰兰, 杨雨云, 肖海平, 罗兵, 邹伟豪. 基于GA-BP神经网络的露天矿边坡变形预测分析[J]. 有色金属科学与工程, 2022, 13(6): 106-112. DOI: 10.13264/j.cnki.ysjskx.2022.06.014
引用本文: 陈兰兰, 杨雨云, 肖海平, 罗兵, 邹伟豪. 基于GA-BP神经网络的露天矿边坡变形预测分析[J]. 有色金属科学与工程, 2022, 13(6): 106-112. DOI: 10.13264/j.cnki.ysjskx.2022.06.014
CHEN Lanlan, YANG Yuyun, XIAO Haiping, LUO Bing, ZOU Weihao. Prediction and analysis of open pit slope deformation based on a GA-BP neural network[J]. Nonferrous Metals Science and Engineering, 2022, 13(6): 106-112. DOI: 10.13264/j.cnki.ysjskx.2022.06.014
Citation: CHEN Lanlan, YANG Yuyun, XIAO Haiping, LUO Bing, ZOU Weihao. Prediction and analysis of open pit slope deformation based on a GA-BP neural network[J]. Nonferrous Metals Science and Engineering, 2022, 13(6): 106-112. DOI: 10.13264/j.cnki.ysjskx.2022.06.014

基于GA-BP神经网络的露天矿边坡变形预测分析

基金项目: 

国家自然科学基金资助项目 42171437

江西省自然科学基金资助项目 20212BAB204030

江西理工大学高层次人才科研启动项目 jxxjbs19032

详细信息
    通讯作者:

    肖海平(1980-), 男, 副教授, 主要研究方向为边坡稳定性评估和处理、变形监测和数据处理。E-mail: 415562281@qq.com

  • 中图分类号: TD176

Prediction and analysis of open pit slope deformation based on a GA-BP neural network

  • 摘要: 矿区边坡在各种因素的影响下,将会发生变形,但变形超过一定限度时,会对矿区产生很大的危害,开展边坡变形预测分析,能在一定程度上预防灾害的发生。文中在充分考虑BP神经网络初始权值和阈值难以确定,造成模型系统进入局部最小化,导致预测精度不高等问题的基础上,提出GA-BP神经网络预测模型,解决了普通网络模型在权值和阈值上的不足,并以越堡露天矿边坡变形监测点JC31、JC33、JC36为研究对象,分别采用灰色理论模型、BP神经网络模型以及GA-BP模型进行预测,研究结果表明:GA-BP网络模型较灰色模型和BP模型的预测值与实际值更吻合,预测精度更高,其平均相对误差最小,较其他两种方法预测精度提高了10倍以上,表明该方法具有一定的可靠性和可行性。
    Abstract: Due to various factors, mine slopes will be deformed. When the deformation exceeds a certain limit, it will cause great harm to the mining area. It can prevent disasters to a certain extent by carrying out slope deformation prediction and analysis. On the basis of fully considering that it is difficult to determine the initial weight and threshold of the BP neural network, which causes the model system to enter the local minimization and leads to the problem of low prediction accuracy, a GA-BP neural network prediction model that solves the deficiency of the ordinary network model in weight and threshold is proposed. Taking the slope deformation monitoring points JC31, JC33 and JC36 of the Yuebao open-pit mine as the research object, the gray theory model, BP neural network model and GA-BP model were used to predict the slope deformation. The results show that compared with the gray model and BP model, the predicted value of the GA-BP network model is more consistent with the actual value, the prediction accuracy is higher, and its average relative error is the smallest, which is more than 10 times higher than the other two methods, indicating that this method has certain reliability and feasibility.
  • 空场法开采目前在我国仍广泛应用,空场法开采将遗留下采空区,采空区地压问题是矿山开采中重要安全问题[1-2].采空区处理是消除大规模地压隐患,保障开采安全的重要手段.采空区处理方案的确定需要对采空区稳定性作出评价,尤其是要确定关键不稳定性区域,以便制定合理的采空区处理方案[3-4].

    某金银矿经过多年开采,目前已形成暴露面积约为0.8万m2,体积约为9.5万m3不规则大采空区.为了保护矿产资源,避免地压灾害,确保此采空区周围的安全作业.有必要确定采空区的不稳定区域,并进行地压处理.

    确定不规则大采空区的不稳定区域,现场监测虽然真实、可靠,但周期长、工作量大、成本也高;理论分析与经验公式计算简单易行,但很多复杂的地质特征被忽略或简化,解决工程问题误差较大[5].数值模拟与相似模拟结合应用则可以弥补上述不足[6-7].结合某金银矿工程实例,采用数值模拟和相似模拟试验相结合的研究方法,首先对不规则大采空区进行了数值模拟研究,得到采空区围岩位移及应力分布情况,在此基础上,进行了相似模拟试验,分析了采空区围岩变形、破坏规律,最后确定此采空区的不稳定区域,为地压处理方案提供了科学依据.

    金银矿目前已形成高度约80m,顶板斜长约100m的不规则大采空区,此采空区标高从50~166m,贯通154m、132m、111m、94m、78m等中段.顶板跨度及暴露面积比较大,影响空区周围安全作业.考虑到安全兼顾经济利益,需确定不稳定区域并进行处理.矿体围岩主要是中细粒花岗岩.围岩与矿体力学参数见表 1.

    表  1  岩石力学参数值
    下载: 导出CSV 
    | 显示表格

    根据矿山实际资料,建立了8节点四边形单元二维有限元模型.模型长200m,高60m,节点19642个,单元28571个.在模型左、右两边施加水平约束,底边施加垂直方向约束.

    有限元计算结果及分析.先施加覆土层自重载荷,然后开挖.此类不规则大空区顶板破坏主要形式是拉应力破坏.X方向(水平方向)的应力云图与位移矢量图见图 1图 2.

    图  1  X方向应力云图
    图  2  位移矢量图

    X方向的应力云图可知空区的顶板及底板都存在相对较大的拉应力,根据位移矢量图可以清楚显示94m中段的顶板下沉位移最大.底板有向上的位移,推断底板可能出现微量的底鼓.根据空区顶板处的拉应力相对较大及位移量最大,是最先出现破坏的位置,可以初步确定94m中段位置是此空区的不稳定区域.

    有限元数值模拟适用于弹塑性介质,无法模拟顶板变形、开裂、垮塌破坏发展全过程[8-9].因此,借助相似模拟试验[10]可以准确判断开挖过程中顶板最先冒落的位置.这对不稳定区域的确定具有参考依据.

    试验采用ZYDL-YS120/100岩体平面相似模拟试验系统,模型尺寸:长×宽×高=2000mm×300mm×1200mm.该系统能控制竖向均布载荷和水平载荷,其中最大竖向载荷120kN(最大应力0.2MPa),最大水平载荷100kN(最大应力为0.25kN),变形范围5~80mm.模型表面贴有BE120-5AA胶基应变片,通过BZ2205C静态电阻应变仪进行变形测量.

    采空区的平面应力模拟,需满足几何相似、容重相似、应力相似,具体选取如下:

    (1)选取几何相似比为1:300,即:;

    其中LH为实际尺寸;LM为模型尺寸.

    根据现场空区大小与几何相似比,确定了模型尺寸.模型尺寸见图 3.

    图  3  模型图

    (2)由于岩石围岩的平均容重为2.6t/m3,而模型材料的容重大约为1.7t/m3,故容重相似比为:;

    其中γH为实际容重;γM为模型材料容重.

    (3)应力相似比可由几何相似比和容重相似比计算得到,其具体表达式为:;其中σH为现场岩层应力;σM为模拟岩层应力.

    根据应力相似比计算实际值与模型应力值见表 2.

    表  2  实际值与模型应力值
    下载: 导出CSV 
    | 显示表格

    相似材料由分级尾砂和水泥组成.试验前对不同浓度不同灰沙比的试样进行了单轴抗压强度试验.最终选定重量比为1:25的水泥与尾砂作为相似模拟材料,其抗压强度为0.142MPa.

    为了解模型在开挖过程中空区的变形规律,本试验采用应变片进行变形测量.根据数值模拟位移云图,选择最佳应变测量位置.应变片布置及对应中段图,见图 4.

    图  4  应变片位置及对应中段图

    试验过程中加压系统加载32.5kN的压力,相当于原型的覆岩层的垂直应力,稳定压力后进行开挖.开挖过程中应变仪每分钟采集一次数据.空区完全形成后,模型无明显的破坏,继续加载至77.79kN,空区垮塌,在此过程中了解模型破坏的规律.

    模型空区形成后继续加载过程中,12#应变片位置(即94m中段顶板)首先出现裂纹,见图 5.裂纹宽度1mm左右,长度8.7cm左右.继续加载,25#、26#应变片位置(即132m中段至154m中段中间位置)出现宽度1.2mm左右,长度约10mm的裂纹.随后在不同位置的表面及空区内侧出现裂纹,继续加载,15#应变片位置的空区内侧(即94m中段顶板)首次出现小块体冒落.紧接其它位置也出现块体冒落,直至完全压垮,见图 6.

    图  5  12#位置处裂纹
    图  6  模型压垮

    对应变值进行统计整理,分中段把应变片在相同方向的应变作为纵坐标,对应的载荷值作为横坐标,作在同一张图上,从而相互对比确定不同中段的相对变形.部分中段载荷应变图,见图 7~图 12.

    图  7  94 m中段垂直方向载荷应变图
    图  8  94 m中段水平方向载荷应变图
    图  9  111 m中段垂直方向载荷应变图
    图  10  111 m中段水平方向载荷应变图
    图  11  132 m中段垂直方向载荷应变图
    图  12  132 m中段水平方向载荷应变图

    94m中段在垂直方向上9#、11#测点由受压变为受拉.由此看出开挖完成后9#测点处存在微量底鼓,11#测点顶板处有微量下沉.13#测点由受拉变为受压,继续加载,又变为受拉.在水平方向上16#测点开始处于受拉状态,而后一直处于受压状态,应变基本不变.14#和18#测点均一直处于受拉状态,变化趋势相近,应变开始一直增大,到达峰值后逐渐减小.由此可见水平方向也向空区变形,测点在加载后期均有进入塑性破坏的趋势.

    111m中段在垂直方向上,只有在15#测点即该中段底板附近应变比较大外,在其他测点应变微小,19#测点在空区形成阶段有明显受压增大趋势,但在后期增加荷载期间受压减小直至变为受拉,17#测点变形相对比较小.在水平方向,18#测点应变较大,后期进入塑性破坏,16#和20#测点在开挖阶段应变有明显的增大趋势,但是随后实验中均有减小的趋势,其中16#一直受压,20#一直受拉.

    132m中段在垂直方向上应力变化趋势一致,由受压变为受拉,在开挖阶段均有受拉增大趋势,但后来又随着荷载逐渐增大,19#和23#应变稳定,25#测点变形一直增大.在水平方向变化趋势一致,除在开挖阶段有明显应变增大趋势,后阶段都有减小趋势,但20#一直处于受拉状态,24#和26#由受拉变为受压状态,其中24#测点变形较大.

    采用数值模拟与相似模拟2种方法来确定某金银矿采空区不稳定区域.技术上可优势互补,结果上可相互印证,不失为一种理想的分析手段.通过2种方法分析得出了以下主要结论:

    (1)数值模拟结果显示:94m中段顶板位置位移量最大并存在较大的拉应力.相似模拟试验结果显示:该区域最先出现裂纹及块体冒落,并最先垮塌.由此可以确定该区域为不稳定区域.地压处理时,应优先考虑此区域.

    (2)开挖过程中围岩不仅在竖直方向往空区变形,水平方向也向空区变形,底板存在微量底鼓,这都与现场实际相吻合.不规则采空区同一位置开挖过程中受力状态不同,不同位置的受力状态也不同.

  • 图  1   GA-BP网络模型流程

    Fig  1.   Flow chart of GA-BP network model

    图  2   矿区全景图示

    Fig  2.   Panorama of the mining area

    图  3   边坡变形监测点的分布

    Fig  3.   Distribution of deformation monitoring points on the slope

    图  4   JC31监测点变形预测及误差分析

    Fig  4.   Deformation prediction and error analysis of JC31

    图  5   JC33监测点变形预测及误差分析

    Fig  5.   Deformation prediction and error analysis of JC33

    图  6   JC36监测点变形预测及误差分析

    Fig  6.   Deformation prediction and error analysis of JC36

    表  1   JC31观测点变形监测数据

    Table  1   Deformation monitoring data of JC31

    下载: 导出CSV

    表  2   基于不同预测模型的各监测点预测值及误差分析

    Table  2   Prediction values and error analysis of monitoring points based on different prediction models

    下载: 导出CSV
  • [1] 李长洪, 范丽萍, 张吉良, 等. 卡尔曼滤波在大型深凹露天矿边坡变形监测预测中的应用[J]. 北京科技大学学报, 2010, 32(1): 8-13. https://www.cnki.com.cn/Article/CJFDTOTAL-BJKD201001002.htm
    [2] 马兴峰, 胡庆国, 谭洁琼. 基于GM(1, 1)模型的高速公路边坡变形预测[J]. 公路工程, 2012, 37(5): 68-69. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL201205019.htm
    [3] 赵利民, 高昂, 齐永波, 等. 基于时间序列分析的露天矿边坡沉降预测模型[J]. 测绘工程, 2017(9): 46-50. https://www.cnki.com.cn/Article/CJFDTOTAL-CHGC201709010.htm
    [4] 陈晓鹏, 张强勇, 刘大文, 等. 边坡变形统计回归分析模型及应用[J]. 岩石力学与工程学报, 2008(增刊2): 3673-3679. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX2008S2060.htm
    [5] 胡波, 谭涵. 基于ARIMA模型的边坡变形分析与预测[J]. 测绘通报, 2019(6): 112-116. https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB201906025.htm
    [6] 胡启晨, 胡斌, 蒋海飞. BP人工神经网络在深基坑桩体位移预测中的应用[J]. 安全与环境工程, 2013, 20(3): 154-158. https://www.cnki.com.cn/Article/CJFDTOTAL-KTAQ201303036.htm
    [7] 李克昭, 李志伟, 赵磊杰. 马尔科夫理论的优化灰色模型预测建模[J]. 测绘科学, 2016, 41(8): 1-5. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD201608001.htm
    [8] 闻新. 应用MATLAB实现神经网络[M]. 北京: 国防工业出版社, 2015.
    [9] 李凡月. 露天矿边坡变形监测与预测预报系统研究[D]. 阜新: 辽宁工程技术大学, 2012.
    [10] 夏静, 马中, 戴新发, 等. 基于BP神经网络的智能云效能模型[J]. 计算机科学, 2022, 49(2): 353-367. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA202202041.htm
    [11] 申利燕, 孔红. 基于GA-BP神经网络的掘进机减速器故障检测方法[J]. 煤炭技术, 2022, 41(5): 219-221. https://www.cnki.com.cn/Article/CJFDTOTAL-MTJS202205055.htm
    [12] 谷润平, 来靖晗, 魏志强. 基于灰色GA-BP神经网络的航班延误预测方法[J]. 计算机仿真, 2022, 39(5): 38-43. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJZ202205008.htm
    [13] 罗小燕, 黄祥海, 汤文聪. 基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法[J]. 有色金属科学与工程, 2021, 12(1): 99-107. https://www.cnki.com.cn/Article/CJFDTOTAL-JXYS202101013.htm
    [14] 陈竹安, 熊鑫, 游宇垠. 变分模态分解与长短时神经网络的大坝变形预测[J]. 测绘科学, 2021, 46(9): 34-42. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202109004.htm
    [15]

    HUANG D J, TIAN C C. JIANG J Y. Application of GA-BP neural network model for small watershed flood forecasting in Chun'an county, China[C]// IOP Publishing Ltd. IOP Publishing Ltd, 2020: 012066: 1-8.

    [16]

    HC A, SL A, RMM B, et al. Optimization of inflow performance relationship curves for an oil reservoir by genetic algorithm coupled with artificial neural-intelligence networkst[J]. Energy Reports, 2021, 7: 3116-3124.

    [17] 陈国芳, 卫豪. 基于EW-AHP和未确知测度理论的隧道瓦斯风险评价[J]. 有色金属科学与工程, 2021, 12(5): 89-95. https://www.cnki.com.cn/Article/CJFDTOTAL-JXYS202105011.htm
    [18] 阳俊, 曾维伟. 基于GA-BP神经网络的采空区地表沉降预测模型[J]. 矿冶工程, 2022, 42(2): 42-45. https://www.cnki.com.cn/Article/CJFDTOTAL-KYGC202202010.htm
    [19] 肖海平. 中小型露天矿边坡稳定性动态评价方法及应用[D]. 徐州: 中国矿业大学, 2019.
    [20] 刘旭, 于国祥, 沈西挺. 基于神经网络的预测模型的比较研究[J]. 河北省科学院学报, 2007(4): 7-12. https://www.cnki.com.cn/Article/CJFDTOTAL-HBKX200704002.htm
图(6)  /  表(2)
计量
  • 文章访问数:  139
  • HTML全文浏览量:  63
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-07-13
  • 修回日期:  2022-08-26
  • 网络出版日期:  2023-01-15
  • 刊出日期:  2022-12-30

目录

/

返回文章
返回
x 关闭 永久关闭

敬  告

为进一步规范期刊查阅、引用、统计等,现对我部编辑出版的《有色金属科学与工程》英文刊名全称和英文刊名缩写公告如下:

英文刊名全称为:Nonferrous Metals Science and Engineering

英文刊名缩写为:Nonferr.Met.Sci.Eng.