Study on risk prediction of mine karst collapse under the influence of groundwater based on LOF-SMOTE algorithm
-
摘要: 矿山岩溶地表塌陷成因复杂，形式多样，为准确预测矿山岩溶塌陷，结合岩溶发育机理，本研究提出基于LOF和SMOTE算法的BP神经网络预测模型。首先通过LOF算法剔除因非自然原因而产生的异常数据，再通过SMOTE算法对剔除后的数据进行过采样，合成新数据，以增加样本数目，最后采用BP神经网络模型对矿山岩溶塌陷进行预测。结果表明，实际工程数据经过预处理后的预测模型，与部分小样本预测模型相比，具有更高的预测精度，可为在其他工程中应用提供参考。Abstract: The causes of mine karst surface collapse are complex and diverse. To accurately predict karst collapse in mines, combined with the karst development mechanism, a BP neural network prediction model based on the LOF and SMOTE algorithms is proposed. In this model, the abnormal data due to unnatural reasons were first removed by LOF algotithm. The removed data were then oversampled by SMOTE algorithm, thereby synthesizing new data to increase the number of samples. Finally, the BP neural network model was used to predict the mine karst collapse. The results show that the preprocessed prediction model of the actual engineering data has higher prediction accuracy than some small sample prediction models, which provides a reference for its application in other projects.
-
Keywords:
- karst collapse /
- LOF algorithm /
- SMOTE algorithm /
- neural network /
- support vector machine
-
近年来, 利用钢中的细小第二相粒子(夹杂物[1]或/析出物[2]或/外加的微小粒子[3-4])作为非均质形核质点, 弥散细化非金属夹杂物以及促进晶内铁素体形核细化组织的“微小颗粒冶金”研究受到重视, 对提高钢的性能起到很大作用.但目前人们对微小颗粒在钢铁熔体中的基本热力学问题研究很少, 仍采用块体材料的性质代替微小颗粒的性质来进行研究, 影响结果的准确性.鉴于洁净钢冶金技术的快速发展趋势, 准确理解纳米级超细颗粒在钢铁熔体中的特殊行为显得十分必要.通常, 钢中的Al2O3夹杂物属于块体材料尺度范畴, 严重影响钢材的力学性能, 其熔点高, 在钢液中呈固态形式存在.当Al2O3尺寸细化至纳米级后, 不仅可减轻其危害作用, 而且对提高钢的综合力学性能起到有利作用, 如超细粒子作为基体的形核核心(凝固或固态相变)或者钉扎晶界阻碍晶粒长大(固态相变), 从而达到细化基体组织而获得的强韧化作用等[4-5].与块体尺度的Al2O3相比, 纳米Al2O3的溶解度增加, 影响其在钢液中的溶解反应平衡, 进而影响钢液的[O]含量, 也即影响钢的洁净度; 另外, 纳米Al2O3熔化温度(熔点)降低, 那么在钢液温度下是否仍能保持固态形式(关系到其能否作为新相非均质形核核心), 这些都是必须探讨的问题.笔者在分析铁液中Al2O3纳米颗粒溶解和熔化过程的基础上, 对纳米Al2O3在铁液中的溶解反应平衡常数(元素平衡溶度积)和熔化温度(熔点)进行了推导和计算, 获得了对Al2O3纳米颗粒在铁液中溶解和熔化过程的基本认识, 为进一步研究钢铁熔体中纳米尺度颗粒的行为以及高洁净钢冶金的理论问题提供一些基础.
1 纳米Al2O3在铁液中的溶解平衡热力学
宏观系统的热力学研究已非常完善, 但不适合于描述纳米尺度体系的热力学性质.在宏观热力学平衡体系中, 不考虑外场影响时, 内能可表示为U=TS-PV+μN.对于纳米尺度体系, T. L. Hill引入一个被称为“subdivison energy”的新物理量W来反映材料尺寸对热力学的影响, 提出纳米尺度体系的内能表达式为Unano=(TS-PV+μN)+W[6-7], 吉布斯自由能可表示为ΔGnano=ΔH–T(ΔS)+[Σ(μ·dn)]+(E·dN), 式中E·dN相当于纳米尺度体系带来的额外能量变化, E为体系中类似于化学势μ的能量, 在此可称为纳米势(nanopotential), N为体系中纳米颗粒的数量, E·dN与纳米颗粒的尺寸有关.对于一个化学反应过程, 如果有纳米尺度的颗粒参加, 则反应过程的能量变化不同于常规体系, 必然会对化学反应的平衡程度(限度)产生影响.下面以纳米Al2O3在铁液中的溶解为例予以探讨.
假设有以下两个反应, 反应式(1)和式(2)分别表示常规尺度和纳米尺度的Al2O3颗粒的溶解反应:
(1) 
(2) 对于反应(1), Gibbs变化可根据常规热力学数据计算, ΔG(1)=ΔH–T(ΔS)+Σ(μ·dn), 进而可求解反应的平衡常数K(1).对于反应(2), 为纳米颗粒的溶解平衡, 由于溶解过程反应物的界面能高, 即E·dN较大, 与常规的Gibbs变化相比, E·dN不可忽略, 其溶解反应总的Gibbs变化应为ΔG(2)=ΔG(1)+E·dN.所以, 反应(1)和式(2)的平衡常数可分别表示为:
(3) 
(4) 设常规颗粒和纳米的Al2O3均以纯物质为标准态, 则其活度为1, 反应(1)和反应(2)的溶解元素平衡溶度积可表示为:G(1)
(5) 
(6) 将式(6)除以式(5), 可得:
(7) 从式(5)、式(6)和式(7)可以看出, 要计算纳米Al2O3在铁液中的溶解热力学平衡关系, 需首先确定E·dN的数据.由于纳米颗粒的不稳定性, 实验测量工作很难, 目前没有任何这方面的实验测量数据.从大量关于纳米热力学的研究来看, 确定纳米体系的热力学性质比较理想的方法是采用分子动力学进行模拟.本文采用近似处理的界面能方法对纳米Al2O3的溶解平衡进行计算.由于纳米材料尺寸小, 导致界面能显著增加, 增加量可用式(8)来近似处理:
(8) 式(8)中σ为Al2O3与铁液间的界面张力; 为纳米Al2O3相对其常规颗粒的比表面积增量.将式(8)代入式(7):
(9) 假设铁液中Al2O3的质量分数为0.01%(基于一般钢液中夹杂物含量为0.01%左右而假定的, 当然质量分数也对溶解平衡有影响, 在此不进行探讨), 形状为球形, Al2O3实密度为4.0×103kg/m3; 其中, Al2O3纳米颗粒的半径为10nm, 常规颗粒Al2O3的半径为10μm.则1kg铁液中所含纳米颗粒Al2O3的数量N为5.97×1015, 比表面积为7.5m2; 所含常规颗粒Al2O3的数量N为5.97×106, 比表面积为7.5×10-3m2.所以, Al2O3纳米颗粒比常规颗粒Al2O3的比表面积的增加量ΔA近似等于7.5m2.理论上讲, σ实际上受颗粒尺寸影响, 这一问题目前还无研究定论, 在此, 以常规颗粒Al2O3与铁液间的界面张力近似替代, 取为2.30J/m2, 可得σ·ΔA=17.25J.将该值代入式(9)中, 可得铁液温度为1873K时(基于一般钢液温度约为1873K左右而假定的, 当然铁液温度也对溶解平衡有影响, 在此不进行探讨), 纳米Al2O3与常规颗粒Al2O3平衡溶度积之比:
(10) 铁液中常规颗粒Al2O3的平衡溶度积[8]为[Al]2· [O]3=4.53×10-13, 所以, 可得温度为1873K的铁液中, 质量分数为0.01%、半径为10nm的Al2O3颗粒的平衡溶度积为[Al]2·[O]3=4.535×10-13.同理, 可计算出0.01%质量分数、半径为1nm的Al2O3颗粒的平衡溶度积为[Al]2·[O]3=4.5805×10-13, 此时平衡溶度积与常规颗粒Al2O3的平衡溶度积之比为1.011.表 1列出了1873K的铁液中, 质量分数为0.01%、不同粒径的Al2O3的平衡溶度积计算结果.从表 1可以看出:随着Al2O3纳米颗粒粒径的减小, 其溶解元素的平衡溶度积不断提高; 而且粒径越小, 平衡溶度积提高的幅度越大.
表 1 不同粒径Al2O3在铁液中的平衡溶度积（mass% = 0.01, T = 1873K）
2 纳米Al2O3在铁液中的熔化
2.1 纳米材料熔化过程分析
材料的熔化过程即为液体(熔体)的非均匀形核过程, 形核起始于材料的表面或亚晶界处, 因为表界面处原子自由能较高, 有利于作为熔体非均匀形核的场所.因此, 材料的熔化过程在很大程度上取决于单位体积中的外表面和内界面面积总和(比表面积), 比表面积愈大, 非均匀形核位置愈多, 熔化温度就愈低.纳米材料存在大量表面或内界面, 其比表面积较常规颗粒材料大很多, 对熔化过程产生重要影响, 使其熔化温度降低.
对于纳米颗粒, 研究得到熔化温度与结合能之间存在T=CE[9]关系, 式T中为纳米颗粒的熔化温度, E为原子结合能, C为常数.从该式可以看出, 纳米颗粒熔化温度下降的物理本质是材料尺寸减小导致比表面积增大, 表面原子数增多, 材料热稳定性下降, 原子结合能减小, 熔化时需要吸收的热量减小.当材料的尺度下降至纳米级(≤100nm)甚至更小时, 其热稳定性在某一临界尺寸时将发生突变性下降.当然, 不同种类的材料, 热稳定性发生突变性下降的程度不同, 所以熔化温度发生突变时的临界尺寸也不同.实验表明, 大块Pb熔化温度为600K, 20nm的Pb微粒熔化温度降低288K[10]; 大块Au熔化温度为1336K, 5nm的Au微粒熔化温度急剧下降至1100K[11].
纳米结构材料是由纳米颗粒通过一定制备方式组合而成的, 所以其熔化温度实际为纳米颗粒的熔化温度, 但其熔化过程不同于纳米颗粒, 可用图 1示意其熔化过程.图 1中, 假设纳米结构材料由A、B两种纳米粒子构成, A和B粒子的半径分别为r1和r2, 熔化温度分别为T1和T2, 对应的相同物质的常规块体材料A和B的熔点分别为TA和TB.如图, 对于半径为r1的粒子A, 当吸热后粒子温度达到熔化平衡温度T1时, 粒子发生熔化, 随后粒子不断吸热, 温度恒定在T1.由于纳米尺度实际是材料的亚稳态尺度, 所以由纳米颗粒组成的纳米结构材料在平衡温度T1时, 彼此相邻的纳米颗粒的晶界要发生迁移、合并及长大(若单个纳米颗粒内部存在亚晶界, 则亚晶界也要发生合并长大), 即发生纳米尺度向常规块体尺度的转变过程.例如, 当纳米粒子A经过升温过程的粗化长大(与相邻纳米颗粒合并), 尺寸达到常规块体尺度后, 其熔化温度也就达到了同质块体材料A的熔点TA.所以, 对于纳米结构材料中的A纳米颗粒来讲, 在T1温度时, 实际是发生两个过程, 一是A纳米颗粒本身的熔化过程, 另一是A纳米颗粒(与其周围纳米颗粒A或B发生晶界迁移、合并)的粗化长大转变过程, 原因在于纳米结构材料中的纳米粒子是处于相邻粒子的束缚态中, 其熔化过程必然受到相邻纳米粒子的影响, 而对于自由态(单个纳米颗粒)的纳米颗粒, 则没有粒子的长大过程.
本文探讨铁液中的Al2O3纳米颗粒的熔化过程与上述纳米材料的熔化过程存在很多相同之处, 也有不同之处.在此基于以下3点来对Al2O3纳米颗粒在铁液中的熔化进行分析:首先, Al2O3纳米颗粒熔化过程所处的环境是铁液, 而不是通常测定物质熔点的空气环境, 为了对比, 后文同时计算了空气中Al2O3纳米颗粒的熔化温度; 第2, Al2O3纳米颗粒相当于自由态(单个纳米颗粒)的纳米颗粒, 不是纳米结构材料, 所以对于Al2O3纳米颗粒熔化过程的探讨, 不考虑纳米粒子长大、尺寸变化而带来熔化温度的升高问题; 第3, 此处只讨论Al2O3纳米颗粒的熔化, 而由于铁液作用带来的溶解问题已在前文阐述.
2.2 Al2O3纳米颗粒的熔化温度推导及计算
根据热力学凯尔文(Kelvin)[12]公式, 微小颗粒的蒸气压与半径之间有以下关系:
(11) 式(11)中p*nano为纳米颗粒的饱和蒸气压; p*0为常规块体材料的饱和蒸气压; σs-l为纳米颗粒熔化时的固-液界面张力; r为纳米颗粒半径; ρ为颗粒密度; M为颗粒物质的分子量; Tnano为纳米颗粒的熔化温度; R为理想气体常数.
对于纯物质熔化时的固、液两相平衡, 克莱贝隆(Clapeyron)方程描述了物质所处的外压对其熔点的影响:
(12) 式(12)P中为纯物质熔化平衡时的外压; T为纯物质的熔化温度(熔点); ΔHf为纯物质的摩尔熔化热; ΔVm为熔化时的摩尔体积变化.该式表明了纯物质熔化时外压对其熔点的影响, 外压越低则熔点越低.由于物质熔化时其饱和蒸气压与外压相等, 方向相反, 所以式(12)又可以理解为:在相同外压下, 饱和蒸气压越大的物质, 熔化温度越低.因此, 将式(12)中的外压P用物质的饱和蒸气压p*代换, 则式(12)可以改写成式(13):
(13) 式(13)中P*为纯物质熔化平衡时的饱和蒸气压, 其他符号含义同式(12).式(13)表明了纯物质熔化时饱和蒸气压对其熔点的影响, 这是与Clapeyron方程不同的.
以纳米颗粒和常规块体为上下限对式(13)进行定积分, 由于固体的摩尔体积远小于气体的摩尔体积, 可以忽略, 气体以理想气体处理, 则ΔVm=Vg-Vs≈
(14) 式中T0为常规块体材料的熔化温度.
联立式(11)与式(14)可得:
(15) 从式(15)可以看出, 纳米颗粒的熔化温度与纳米颗粒半径r、固-液界面张力σs-l、摩尔熔化热ΔHf、颗粒密度ρ以及分子量M有关.
由于ΔVm=M/ρ, 所以式(15)又可表示成如下式(16)形式, 这与Couchman P R等人[13]关于材料尺寸与熔化温度关系的研究结果是一致的.
(16) 利用式(15)可以计算不同粒径的Al2O3纳米颗粒在空气、铁液中的熔化温度.表 2为计算所用到的相关数据[14], 由于温度对ΔHf影响较小, 视ΔHf为常量; 对于空气中的Al2O3纳米颗粒, 其熔化时的固-液界面张力为σs-l=σAl2O3, s-空气-σAl2O3, l-空气=0.21对于铁液中的Al2O3纳米颗粒, 其熔化时的固-液界面张力为σs-l=σAl2O3, s-铁液-σAl2O3, l-铁液=0.48.将表 2数据及空气、铁液中的σs-l数据待入式(15), 计算出不同粒径的Al2O3纳米颗粒在空气或铁液中的熔化温度, 如表 3所示.
表 2 Al2O3纳米颗粒的熔化温度计算所用数据
表 3 纳米Al2O3在空气及铁液中的熔化温度计算值
利用表 3数据绘制出纳米Al2O3的熔化温度(熔点)随半径的变化趋势如图 2所示.从表 3及图 2可以得出, 随着Al2O3纳米颗粒粒径减小, 其熔化温度逐渐降低, 粒径越小, 熔化温度下降的幅度越大, 而且, 相同粒径的纳米Al2O3颗粒在铁液中的熔化温度低于其在空气环境中的熔化温度.另外, 随着Al2O3纳米颗粒粒径不断增大, 其在空气和铁液中的熔化温度差异不断减小.
3 结论
由于纳米颗粒的小尺寸效应, 导致其热力学性质不同于常规尺度材料, 本文尝试用近似计算纳米颗粒的界面能增加量的方法探讨了纳米Al2O3颗粒在铁液中的溶解平衡和熔化温度(熔点)问题, 得出以下几点结论:
(1) 纳米Al2O3在铁液中的平衡溶度积随颗粒半径的减小而逐渐增加, 而且颗粒越小, 平衡溶度积增加的幅度越大, 计算表明半径为0.1nm的Al2O3颗粒比块体Al2O3的平衡溶度积增加11.71%.
(2) 纳米Al2O3的熔化温度(熔点)随颗粒半径的减小而逐渐降低, 颗粒越小, 熔化温度降低的幅度越大, 且相同粒径的纳米Al2O3在铁液中的熔化温度低于其在空气中的熔化温度, 计算表明半径为1nm的Al2O3颗粒在空气和铁液中的熔化温度分别为1849K和1267K, 比块体Al2O3的熔化温度分别下降了454K和1036K.
(3) 用近似计算纳米颗粒的界面能增加量的方法可以给出纳米颗粒溶解与熔化热力学变化的基本趋势, 但计算结果存在一定误差, 目前较为恰当的方法是采用分子动力学方法模拟计算其热力学性质, 这是下一步应深入研究的问题.
-
![]()
图 1 当k=5时，点o至点p1的可达距离示意
Fig 1. Schematic diagram of accessible distance from point o to point p1 when k=5
![]()
图 2 当k=5时，点o至点p2的可达距离示意
Fig 2. Schematic diagram of accessible distance from point o to point p2 when k=5
![]()
图 3 样本示意（其中星形为少数类样本）
Fig 3. Schematic diagram of sample (the stellate ones are a minority of class samples)
![]()
图 4 新样本示意（其中方形为新合成样本）
Fig 4. Schematic diagram of new sample (the square ones are new synthetic samples)
![]()
图 6 预测结果：（a）、（b）、（c）为节选的3组预测结果；（d）为10组平均预测结果
Fig 6. Prediction results: (a), (b) and (c) are three prediction groups of results excerpted; (d) is the average prediction result of ten groups
![]()
图 7 样本回归情况（回归值R表示实际与预测之间的相关性，越接近1表示关系越密切）
Fig 7. Sample regression (the regression value R represents the correlation between actual and forecast, and the closer it is to 1, the closer the relationship is)
表 1 地下水影响量化分级表
Table 1 Quantified grading table of groundwater impact
表 2 覆盖层影响量化分级表
Table 2 Quantitative grading table of overburden impact
表 3 降雨量影响量化分级表
Table 3 Quantitative grading table of rainfall impact
表 4 河流湖泊影响量化分级表
Table 4 Quantitative grading table of river and lake impact
表 5 矿坑涌水量影响量化分级表
Table 5 Quantitative classification table of mine water inflow effect
表 6 井下涌水点含沙率影响量化分级表
Table 6 Quantitative grading table of influence of sand content at underground water gushing point
表 7 期望输出参数分级
Table 7 Expected output parameter grading
表 8 原训练样本
Table 8 Original training samples
表 9 原预测样本
Table 9 Original prediction samples
表 10 预处理后实际输出与预测结果对比
Table 10 Comparison between the actual output results after pretreatment and predicted results
表 11 3种预测模型误差对比
Table 11 Error comparison of three prediction models
表 12 C级样本评价指标
Table 12 Evaluation indexes of grade C samples
表 13 C级3号样本未预处理与预处理后预测结果对比
Table 13 Comparison between the prediction results of grade C No.3 sample without pretreatment and after pretreatment
-
[1] 管佳林, 罗周全, 杨彪, 等. 矿区岩溶地表塌陷神经网络预测模型研究[J]. 中国安全科学学报, 2011, 21(9): 28-33. doi: 10.3969/j.issn.1003-3033.2011.09.005 [2] STRINGFIELD V T, RAPP J R, ANDERS R B. Effects of Karst and geologic structure on the circulation of water and permeability in carbonate aquifers[J]. Journal of Hydrology, 1979, 43(1/2/3/4): 313-332.
[3] 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. doi: 10.13264/j.cnki.ysjskx.2021.01.013 [4] 卢耀如. 中国南方喀斯特发育基本规律的初步研究[J]. 地质学报, 1965, 39(1): 108-129. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXE196501008.htm [5] 任美锷, 刘振中, 王飞燕, 等. 中国岩溶发育规律的若干问题[J]. 南京大学学报(自然科学版), 1979, 15(4): 95-108. https://www.cnki.com.cn/Article/CJFDTOTAL-NJDZ197904011.htm [6] 罗小杰. 武汉地区浅层岩溶发育特征与岩溶塌陷灾害防治[J]. 中国岩溶, 2013, 32(4): 419-432. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201304009.htm [7] 官善友, 蒙核量, 周淼. 武汉市岩溶分布与发育规律[J]. 城市勘测, 2008(4): 145-149. doi: 10.3969/j.issn.1672-8262.2008.04.044 [8] 罗书文, 杨桃, 邓亚东, 等. 桂林岩溶地貌发育演化过程地文期的解析研究[J/OL]. 地质通报, 1-16[2022-05-08]. http://kns.cnki.net/kcms/detail/11.4648.p.20220304.1708.002.html. [9] 肖华, 张传英, 王彦明, 等. 嘉祥县红运水源地岩溶发育特征及富水规律研究[J]. 山东国土资源, 2021, 37(7): 44-48. https://www.cnki.com.cn/Article/CJFDTOTAL-SDDI202107008.htm [10] 董崇能. 大板桥-长水机场一线岩溶发育规律研究[D]. 昆明: 昆明理工大学, 2021. [11] 周宇成, 陈清华, 孙珂, 等. 湖南地区岩溶分布特征及其发育模式[J]. 中国石油大学学报(自然科学版), 2020, 44(4): 163-173. https://www.cnki.com.cn/Article/CJFDTOTAL-SYDX202004020.htm [12] CURRENS J. Hypothesized mechanism for the initiation of soil caviries and subsequent cover collapse in Karst terrain[J]. Journal of Cave and Karst Studies, 2018, 80(4): 172-180. doi: 10.4311/2016ES0148
[13] 王飞, 柴波, 徐贵来, 等. 武汉市岩溶塌陷的演化机理研究[J]. 工程地质学报, 2017, 25(3): 824-832. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201703030.htm [14] 张晓斌. 福建省大田县桃源镇前厝村岩溶塌陷发育特征及成因分析[J]. 地质灾害与环境保护, 2018, 29(4): 15-20. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB201804003.htm [15] 陈亮晶, 孙锡良, 皮景, 等. 湖南宁乡大成桥地区岩溶地面塌陷分布特征及影响因素分析[J]. 中国岩溶, 2014, 33(4): 490-497. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201404015.htm [16] 魏永耀, 孙树林, 黄敬军, 等. 徐州岩溶塌陷时空分布规律及成因分析[J]. 中国岩溶, 2015, 34(1): 52-57. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201501007.htm [17] 石树静, 张勤军, 康志强. 南宁市坛洛镇岩溶塌陷群成因机制分析[J]. 中国岩溶, 2015, 34(5): 507-514. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201505011.htm [18] 吴永华, 谢春波, 朱洵. 陆家街地区岩溶塌陷形成机制及预测评价[J]. 中国地质灾害与防治学报, 1994, 5(增刊1): 118-123. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDH4S1.018.htm [19] 周关学, 冯涛, 张广泽. 柳南铁路凤凰至来宾段地面塌陷机理及防治措施研究[J]. 公路工程, 2019, 44(4): 232-238. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGL201904042.htm [20] 郑智, 简文彬. 龙岩市岩溶塌陷地质结构及其致塌机理[J]. 地质灾害与环境保护, 2017, 28(4): 38-43. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB201704009.htm [21] 李颜贵, 刘子龙, 于孝民, 等. 唐山黄庄岩溶塌陷形成条件和机理分析[J]. 中国岩溶, 2014, 33(3): 299-307. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201403007.htm [22] 邢宇健. 岩溶区地下水位动态变化诱发地表塌陷的机理研究[D]. 北京: 北京交通大学, 2018. [23] 罗小杰. 也论覆盖型岩溶地面塌陷机理[J]. 工程地质学报, 2015, 23(5): 886-895. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201505011.htm [24] 罗小杰, 沈建. 我国岩溶地面塌陷研究进展与展望[J]. 中国岩溶, 2018, 37(1): 101-111. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR201801013.htm [25] 张杰, 毕攀, 魏爱华, 等. 基于模糊综合法的烟台市栖霞中桥岩溶塌陷易发性评价[J]. 中国岩溶, 2021, 40(2): 215-220. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR202102005.htm [26] HE K Q, JIA Y Y, CHEN W G, et al. Evaluation of Karst collapse risks induced by over-pumping and Karst groundwater resource protection in Zaozhuang region, China[J]. Environmental Earth Sciences, 2014, 71(8): 3443-3454.
[27] PERRIN J, CARTANNAZ C, NOURY G, et al. A multicriteria approach to Karst subsidence hazard mapping supported by weights-of-evidence analysis[J]. Engineering Geology, 2015, 197: 296-305.
[28] YAU K, PARASKEVOPOULOU C, KONSTANTIS S. Spatial variability of Karst and effect on tunnel lining and water inflow. A probabilistic approach[J]. Tunnelling and Underground Space Technology, 2020, 97: 103248.
[29] 朱庆杰, 刘挺权, 张秀彦. 唐山市岩溶塌陷的神经网络预测模型[J]. 辽宁工程技术大学学报, 2003, 22(6): 753-755. https://www.cnki.com.cn/Article/CJFDTOTAL-FXKY200306010.htm [30] 贺玉龙, 杨立中, 黄涛. 人工神经网络在岩溶塌陷预测中的应用研究[J]. 中国地质灾害与防治学报, 1999, 10(4): 86-90, 79. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDH199904013.htm [31] 包惠明, 胡长顺. 岩溶地面塌陷神经网络预测[J]. 工程地质学报, 2002, 10(3): 299-304. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ200203015.htm [32] 陈静, 马亚杰, 朱庆杰. 人工神经网络模型在岩溶塌陷安全评价中的应用[J]. 地质灾害与环境保护, 2005, 16(2): 139-142, 146. https://www.cnki.com.cn/Article/CJFDTOTAL-DZHB200502006.htm [33] 谭文侃, 叶义成, 胡南燕, 等. LOF与改进SMOTE算法组合的强烈岩爆预测[J]. 岩石力学与工程学报, 2021, 40(6): 1186-1194. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202106010.htm [34] 陈瑜. 离群点检测算法研究[D]. 兰州: 兰州大学, 2018. [35] CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16: 321-357.
[36] 崔鑫. 面向不均衡数据集的分类算法研究[D]. 无锡: 江南大学, 2021. [37] 杨彪. 矿山地下水害防治工程可视化及地表塌陷预测研究[D]. 长沙: 中南大学, 2011. [38] 周爱红, 牛鹏飞, 袁颖, 等. 基于PCA-PSO-SVM的凡口铅锌矿地区岩溶地表塌陷危险性预测[J]. 中国岩溶, 2020, 39(4): 622-628. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGYR202004018.htm [39] 赖永标, 乔春生. 基于支持向量机岩溶塌陷的智能预测模型[J]. 北京交通大学学报, 2008, 32(1): 36-39, 43. https://www.cnki.com.cn/Article/CJFDTOTAL-BFJT200801010.htm -
期刊类型引用(2)
1. 张娜，冯套柱，郭道燕. 能源矿山稳定风险网络结构特征. 西安科技大学学报. 2023(03): 586-592 . 
百度学术
2. 郭晓红，李阳，温志梅，吴春岳. 瞬态真空诱导装置控尘效果实验研究. 黑龙江科学. 2023(12): 65-69 . 百度学术
其他类型引用(3)
下载:
计量
- 文章访问数: 94
- HTML全文浏览量: 13
- PDF下载量: 9
- 被引次数: 5
