礦區(qū)巖溶地表塌陷神經(jīng)網(wǎng)絡(luò)預測研究

羅周全，徐 海，楊 彪，王益?zhèn)?/p>

（中南大學 資源與安全工程學院，湖南 長沙 410083）

0 引言

巖溶地表塌陷是一種常見的地質(zhì)災害，其致災機理往往具有非線性動力學的特點。同時地表塌陷具有突發(fā)性和隱蔽性，致使預測地表塌陷發(fā)生時間及塌陷位置較為困難，嚴重影響礦山的安全生產(chǎn)與生態(tài)環(huán)境，如何正確地預測地下開采引起的地下水流場的變化而導致的地表塌陷問題是當今國際上地質(zhì)災害防治的前沿課題。

BP神經(jīng)網(wǎng)絡(luò)具有很強的自學習、自適應、多層次、非線性映射能力，能通過學習大量的樣本來獲得適合的權(quán)重，反映出各種復雜的非線性關(guān)系，無需人工建立復雜的數(shù)學模型，適于地質(zhì)災害評價及預測研究［1－3］。

1 工程背景

某礦山為典型巖溶地質(zhì)大水礦山，礦體普遍賦存于侵蝕基準面以下，上部覆蓋有壺天群巖溶含水層，地表覆土厚度為10～30m，有一層強含水層和一層弱含水層，石炭系中上統(tǒng)壺天群（C32ht）含水層為強含水層，該層平均厚度約為 149.37m，平均頂板標高為90.04m，對礦床的開采影響極大，巖溶發(fā)育程度高，地下水賦存量大，為井下涌水的主要來源。泥盆系東崗嶺上亞組（D2db）～天子嶺下亞組（D3ta）裂隙含水層為弱含水層，該層為灰?guī)r，厚度約為225m，兩層含水層之間有一層相對隔水層，可視為無直接水力聯(lián)系。截流疏干系統(tǒng)工程礦坑旱季涌水量約為28000m3/d，雨季涌水量約為38000m3/d，最大涌水量可達到60000m3/d。為保證礦山的地下安全開采，礦山多年來采用淺部截流疏干系統(tǒng)排水，導致礦區(qū)地下水位大幅度下降，一定程度上引發(fā)礦區(qū)內(nèi)巖溶地表沉降、塌陷和開裂，自建礦以來，已產(chǎn)生巖溶塌陷3000余處，塌坑范圍分布廣，規(guī)模大，累計塌陷面積超過7×104m3，造成礦區(qū)地面建筑、水渠、農(nóng)田等不同程度的破壞，威脅礦區(qū)群眾的生命安全及礦山安全生產(chǎn)。2007年8月，為改善礦區(qū)地下水的生態(tài)平衡，減少和預防礦區(qū)各種地質(zhì)災害，實現(xiàn)安全高效開采，礦山開始實施大型帷幕注漿工程，現(xiàn)已完成三期工程。為有效了解工程實施后可能出現(xiàn)的地表塌陷區(qū)的空間分布，為礦山帷幕注漿工程的設(shè)計與施工提供有益借鑒，為巖溶礦區(qū)地表塌陷災害提供預警支持，開展礦區(qū)巖溶地表塌陷神經(jīng)網(wǎng)絡(luò)預測研究。

2 BP神經(jīng)網(wǎng)絡(luò)預測模型構(gòu)建

2.1 輸入輸出因子及隱層節(jié)點數(shù)的確定

BP模型輸入因子通常是能影響網(wǎng)絡(luò)模型預測結(jié)果的重要影響因素，準確選取巖溶地表塌陷影響因素是巖溶地表塌陷區(qū)預測BP神經(jīng)網(wǎng)絡(luò)模型成功的關(guān)鍵。模型以地下水位（X1）、地下水位波動幅度（X2）、給水度（X3）、滲透系數(shù)（橫向滲透系數(shù)X4和縱向滲透系數(shù)X5）、貯水系數(shù)（X6）、覆蓋層厚度（X7）、人工抽水強度（X8）、河流和湖泊（X9）、降雨量（X10）和井下涌水點含沙率（X11）作為輸入因子［4－5］。由于研究區(qū)基巖地層均為壺天群含水層，不考慮地層巖性對塌陷的影響。

模型輸出因子為巖溶塌陷等級（即地表塌陷危險狀態(tài)），共劃分為五級。各級的量化區(qū)間值規(guī)定如下：第 I級（穩(wěn)定）=［0，0.125］，第Ⅱ級（基本穩(wěn)定）=［0.125，0.375］，第Ⅲ級（臨界）=［0.375，0.625］，第Ⅳ級（易塌）=［0.625，0.875］，第Ⅴ級（非常易塌）=［0.875，1］。

表1 BP神經(jīng)網(wǎng)絡(luò)模型訓練樣本Table1 TrainingsamplesofBPneuralnetworkmodel

計算隱層節(jié)點數(shù)的經(jīng)驗公式［6］：

式中：k——為樣本數(shù)；

n1——隱含層節(jié)點數(shù)；

n——輸入層單元數(shù)。

式中：m——輸出節(jié)點數(shù)，常數(shù)=1～10。

綜合上述公式計算結(jié)果，結(jié)合 Kolmogorov定理得出隱含層神經(jīng)元個數(shù)為5～23之間。建立模型時，依次從最小單元數(shù)n1_min=5開始到最大單元數(shù)n1_max=23進行神經(jīng)網(wǎng)絡(luò)收斂速度、訓練誤差比較，確定適合的隱含層神經(jīng)元數(shù)，再進行預測［7］。

2.2 樣本數(shù)據(jù)選取及歸一化

由于受構(gòu)造及水文地質(zhì)條件的影響，水文地質(zhì)參數(shù)在空間上表現(xiàn)出較強的差異性，需對塌陷研究范圍進行分區(qū)。根據(jù)巖溶發(fā)育程度分區(qū)及地表塌陷歷史數(shù)據(jù)與野外水位觀測孔的分布位置，將其劃分為30個分區(qū)（圖1）。

BP網(wǎng)絡(luò)模型訓練所需要的訓練樣本數(shù)據(jù)規(guī)模主要取決于網(wǎng)絡(luò)映射的復雜性和樣本數(shù)據(jù)中的噪聲含量。依據(jù)2009年1月16日至2009年4月27日期間（帷幕注漿二期工程結(jié)束至三期工程開始期間）塌坑統(tǒng)計表及礦區(qū)地質(zhì)調(diào)查資料，歸納提取出塌陷研究范圍內(nèi)20個分區(qū)的巖溶地表塌陷預測BP神經(jīng)網(wǎng)絡(luò)模型的訓練樣本。考慮到原始樣本各個指標互不相同，且各輸入因子的數(shù)量級差別很大，為計算方便和防止部分神經(jīng)元達到過飽和狀態(tài)，采用線性變換法對樣本數(shù)據(jù)進行歸一化處理，公式為：

歸一化處理后的訓練樣本數(shù)據(jù)都處于［0，1］區(qū)間內(nèi)（表1）。

圖1 水文地質(zhì)分區(qū)Fig.1 Hydrogeologydivision

2.3 網(wǎng)絡(luò)模型訓練

運用訓練算法函數(shù)“traingda”，對網(wǎng)絡(luò)模型進行訓練。BP神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元傳遞函數(shù)采用“S”型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用“S”型對數(shù)函數(shù) logsig［8－11］，logsig 函數(shù)可將輸出結(jié)果控制在［0，1］。為保證一定精度要求，采用自適應學習率調(diào)整算法，設(shè)定訓練目標誤差為0.0001。巖溶地表塌陷的BP神經(jīng)網(wǎng)絡(luò)預測模型算法流程如圖2。

由于最佳隱含層神經(jīng)元個數(shù)應該處在5～23之間，以表1提供的20組數(shù)據(jù)為訓練樣本，分別進行網(wǎng)絡(luò)訓練，檢查網(wǎng)絡(luò)性能，得出不同神經(jīng)元個數(shù)下網(wǎng)絡(luò)收斂速度、訓練誤差，結(jié)果見表2。圖3表明，當隱含層單元數(shù)n=17時，網(wǎng)絡(luò)訓練至第1522步時達到了目標誤差，網(wǎng)絡(luò)訓練結(jié)束。

由表2可見，網(wǎng)絡(luò)收斂速度在1600步以下對應的隱含層單元數(shù)排序為：8＞22＞13＞14＞17＞18＞11，此范圍內(nèi)的收斂速度相對較快。訓練誤差前七位排序為：7＜19＜17＜11＜8＜13＜10，經(jīng)綜合考慮，隱含層神經(jīng)元個數(shù)取17，網(wǎng)絡(luò)的收斂速度較快，訓練誤差較小。

3 礦區(qū)巖溶地表塌陷區(qū)預測

巖溶地表塌陷在時空上具有一定的不確定性，就目前技術(shù)而言無法精確到區(qū)域內(nèi)塌陷的具體坐標和時間，只能對一定范圍內(nèi)的地表塌陷危險程度做評估［12－14］。以水文地質(zhì)分區(qū)范圍為對象，對有水文觀測孔分布的二十個分區(qū)在帷幕注漿三期工程完成后的塌陷趨勢進行預測。

表2 隱含層單元數(shù)及相對應的訓練誤差Table2 Hiddenlayerunitnumbersand correspondingtrainingerror

圖2 BP神經(jīng)網(wǎng)絡(luò)算法流程Fig.2 AlgorithmprocessofBPneuralnetwork

圖3 BP神經(jīng)網(wǎng)絡(luò)訓練精度曲線（隱單元數(shù)為17）Fig.3 TrainingaccuracycurveofBPneural network（numberofhiddenunitsis17）

帷幕注漿三期工程結(jié)束后，研究區(qū)水文地質(zhì)情況發(fā)生變化，在BP神經(jīng)網(wǎng)絡(luò)預測模型中主要體現(xiàn)在地下水位（X1）和地下水位波動幅度（X2）兩個參數(shù)上，根據(jù)VisualModflow對所研究區(qū)的水流場預測結(jié)果，可得巖溶地表塌陷預測樣本。將樣本數(shù)據(jù)歸一化后，運用Matlab語句“SIM（net，p）”得到網(wǎng)絡(luò)模型的預測結(jié)果（表3）。運用VisualModflow軟件繪制出各區(qū)塌陷危險分級圖4。

經(jīng)現(xiàn)場調(diào)查，將礦區(qū)現(xiàn)實塌陷情況與預測結(jié)果進行比對（表3），預測結(jié)果與三期工程結(jié)束后的礦區(qū)地表塌陷實際情況相符，所建BP神經(jīng)網(wǎng)絡(luò)模型可用于對礦山帷幕注漿完成后的周邊地表塌陷狀態(tài)進行預測。

表3 BP網(wǎng)絡(luò)模型預測結(jié)果Table3 PredictionresultsofBPnetworkmodel

4 礦區(qū)巖溶地表塌陷災害防治措施

預防巖溶地表塌陷是保證礦山安全生產(chǎn)，保護礦區(qū)地質(zhì)環(huán)境和生態(tài)環(huán)境的一項重要措施。針對礦山現(xiàn)實塌陷情況，結(jié)合模型預測結(jié)果，主要實施以下3方面預防措施。

（1）地下水位控制法。在帷幕注漿三期工程的基礎(chǔ)上，加強礦區(qū)內(nèi)的地下水過水通道的勘察，實施帷幕注漿封堵通道。

（2）注漿法。對礦區(qū)內(nèi)的預測塌陷高危區(qū)、危險區(qū)及警戒區(qū)運用探地雷達法、電磁法、地震反射波法等物探方法探測區(qū)內(nèi)的隱伏土洞或溶洞的大致位置和形態(tài)，布置注漿孔鉆透土洞，然后注漿充填土洞或溶洞。

（3）鉆孔充氣防塌法。鉆孔充氣防塌法主要用于防止氣爆型地表塌陷和負壓吸蝕型地表塌陷，塌陷易發(fā)生在雨季，沿河流分布，可加強附近河流一帶的隱伏土洞或溶洞的探查，用鉆透隱伏土洞或溶洞消除氣壓差的影響。

塌陷發(fā)生后，應及時分析和研究塌坑的性質(zhì)、特點及致塌原因，可采用分層回填和回填固底的方法治理塌坑。對于塌陷高危區(qū)內(nèi)產(chǎn)生的新塌坑，先用簡易注漿法和快速堵漏法處理溶洞底部，再進行回填。

5 結(jié)論

（1）確定了以地下水位（X1）、地下水位波動幅度（X2）、給水度（X3）、滲透系數(shù)（橫向滲透系數(shù) X4和縱向滲透系數(shù) X5）、貯水系數(shù)（X6）、覆蓋層厚度（X7）、人工抽水強度（X8）、河流和湖泊（X9）、降雨量（X10）和井下涌水點含沙率（X11）共計11個影響因素作為輸入因子；以巖溶塌陷等級作為輸出因子，并規(guī)定了各級量化區(qū)間值。同時確定了最佳隱含層單元數(shù)為17。以此為基礎(chǔ)成功建立了巖溶地表塌陷區(qū)預測BP神經(jīng)網(wǎng)絡(luò)模型。

圖4 各區(qū)塌陷危險分級圖Fig.4 Riskstratificationmapofdistrictcollapse

（2）運用BP神經(jīng)網(wǎng)絡(luò)模型對礦山帷幕注漿三期工程完成后可能形成的地表塌陷區(qū)的空間分布進行了預測，預測結(jié)果與實際情況相符，表明所建BP神經(jīng)網(wǎng)絡(luò)模型可用于對礦山后續(xù)帷幕注漿工程完成后的周邊地表塌陷狀態(tài)進行預測，為巖溶礦區(qū)地表塌陷災害提供預警支持。

（3）針對礦山現(xiàn)實塌陷情況，結(jié)合各區(qū)預測塌陷危險分級，提出了相應地巖溶地表塌陷災害防治措施。

［1］Mitsutaka Sugimoto，Aphiehat Sramoon. Theoretieal ModelofShieldBehaviorDurinExavation.I：Theory［J］. JournalofGeoteehniealandGeoenvironmental.Engineering，2002，128（2）：138－155.

［2］SuwansawatS，EinsteinHH.Artifieialneuralnetworks forPredietingthemaximumsurfaceSettlementcausedby EPBshieldtunneling［J］.TunnellingAndUnderground spaceTechnology，2006（21）：133－159.

［3］周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其Matlab仿真程序設(shè)計［M］.北京：清華大學出版社，2005.ZHOUKaili，KANGYaohong.Neuralnetworkmodeand matlabsimulationprogramdesign［M］.Beijing：Tsinghua UniversityPress，2005.

［4］包惠明，胡長順.巖溶地面塌陷神經(jīng)網(wǎng)絡(luò)預測［J］.工程地質(zhì)學報，2002，10（3）：300－304.BAO Huiming，HU Changshun. Neural network predictionofkarsticground collapse［J］.Journalof EngineeringGeology，2002，10（3）：300－304.

［5］賴永標，喬春生.基于支持向量機巖溶塌陷的智能預測模型［J］.北京交通大學學報，2008，32（1）：36－39.LAIYongbiao，QIA0Chunsheng.Intelligentmodelof karsticcollapsepredictionbasedonSVM［J］.Journalof BeijingJiaotongUniversity，2008，32（1）：36－39.

［6］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)［M］.北京：電子工業(yè)出版社，2005.FStechnologyproductresearchcenter.Neuralnetwork theory and MATLAB7 realization［M］. Beijing：ElectronicIndustryPress，2005.

［7］沈花玉，王兆霞，高成耀，等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定［J］.天津理工大學學報，2008，24（5）：13－15.SHENHuayu，WANGZhaoxia，GAOChengyao，etal.DeterminingthenumberofBPneuralnetworkhidden layerunits［J］. Journal of Tianjin University of Technology，2008，24（5）：13－15.

［8］王新民，趙彬，王賢來，等.基于BP神經(jīng)網(wǎng)絡(luò)的鑿巖爆破參數(shù)優(yōu)選［J］.中南大學學報（自然科學版），2009，40（5）：1412 －1416.WANGXinmin，ZHAOBin，WANGXianlai，etal.Optimizationofdrillingandblastingparametersbasedon back-propagationneuralnetwork［J］.JournalofCentral SouthUniversity（ScienceandTechnology），2009，40（5）：1412 －1416.

［9］WangWY，LeuYG，LeaTT.Robustadaptivefuzzyneuralcontrolofnonlineardynamicalsystems using generalizedprojectionupdatelawandvariablestructure controller［J］.IEEETransSystManCybern，PartB：Cybernetics，2001，30（1）：140－147.

［10］ManZH，WuHR，PalaniswamiM.Anadaptive trackingcontrollerusingneuralnetworksforaclassof nonlinearsystems［J］.IEEETransNeuraletworks，1998，19（5）：947 －955.

［11］羅成漢.基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的BP網(wǎng)絡(luò)實現(xiàn)［J］.計算機仿真，2004，21（5）：109－111.LUOChenghan.RealizationofBPnetworkbasedon NeuralnetworktoolkitinMATLAB［J］.Computer Simulation，2004，21（5）：109 －111.

［12］劉江龍，劉會平，吳湘濱.廣州市地面塌陷的形成原因與時空分布［J］.災害學，2007，22（4）：62－65.LIUJianglong，LIUHuiping，WUXiangbin.Mechanism andtemporal－spatialdistributionofgroundcollapsein Guangzhou［J］.JournalofCatastrophology，2007，22（4）：62－65.

［13］朱慶杰，蘇幼坡，劉廷全.唐山市巖溶塌陷安全評價［J］.中國安全科學學報，2004，14（2）：91－94.ZHU Qingjie，SU Youpo，LIU Tingquan. Safety evaluationofkarstcollapseinTangshancity［J］.China SafetyScienceJournal，2004，14（2）：91－94.

［14］賀玉龍，楊立中，黃濤.人工神經(jīng)網(wǎng)絡(luò)在巖溶塌陷預測中的應用研究［J］.中國地質(zhì)災害與防治學報，1999，10（4）：86－90.HEYulong，YANGLizhong，HUANGTao.Researchon applicationofartificialneuralnetworkinthepredictionof karstcollapse［J］.TheChineseJournalofGeological HazardandControl，1999，10（4）：86－90.