Coal mine floor water inrush prediction based on CNN neural network
-
摘要: 为了提高煤层底板突水预测的准确性,建立了基于卷积神经网络的煤层底板突水预测模型。通过综合分析,确定了15个影响煤层底板突水的因素,将这些影响因素进行拼接组合,运用建立的深度计算结构模型对影响因素及其相互联系进行特征提取。用已知的115组数据对模型进行学习训练,并进行了预测。为验证模型的准确性,利用相同的数据对BP神经网络模型和LeNet-5模型进行训练,将建立的模型与BP神经网络模型和LeNet-5模型进行对比。结果表明:该模型通过加深模型的计算深度,综合考虑了影响底板突水因素间的相互联系,提高了突水预测准确性。基于卷积神经网络构建的模型可以对煤层底板突水进行预测,并且准确率相对较高。Abstract: With a view to improving the accuracy of water bursting prediction in coal seam floor, a model based on Convolutional Neural Network (CNN) was established. Through comprehensive analysis of water bursting in coal seam floor, 15 factors affecting water bursting prediction were determined and these factors were combined to stimulate the partial correlation among these factors. These factors and their interrelation on water bursting prediction in coal seam floor were simulated by using the structure model established for depth calculation. Training and prediction were performed by using the known 115 sets of data. To verify the model efficiency, the BP neural network model and the LeNet-5 model were trained by using the same data, and then the established BP neural network model was compared with the LeNet-5 model. The result indicates that the interrelation between factors affecting water bursting prediction is considered comprehensively by deepening the calculation depth of the model, and the accuracy of water bursting prediction is improved. The prediction model of water bursting prediction in coal seam floor based on Convolutional Neural Network (CNN) has high accuracy and small standard error, which improves the accuracy of prediction effectively.
-
0. 引言
地震震动会导致地表裂缝、土壤疏松,在降水、人类活动等因素影响下,震后极易发生滑坡。通常情况下,震后滑坡数量显著增多的现象要延续相当长的一段时间,直到随着地震灾区生态和地质环境的逐渐恢复,才会显著降低并恢复到震前水平[1 − 2]。因此,对地震后滑坡的长时序时空分异特征进行分析,对于震后长期恢复、土地规划以及地震灾害防治可以起到一定的指示作用。
众多学者对地震触发的同震滑坡进行了研究,如汶川地震[3]、鲁甸地震[4 − 6]、2015年尼泊尔地震[7]、九寨沟地震[8 − 9]、泸定地震[10 − 12]等,研究多关注同震滑坡数据清单建立、同震滑坡空间分布、易发性预测、影响因子敏感性研究等。虽然同震滑坡相关研究取得了一定的进展,但不能全方位地描述震后滑坡的整体变化情况。受地震触发的滑坡会表现出不同的特征[13],如滑坡数量、强度、分布特征变化等,地震引起的岩体松动、地表破裂、植被破坏等都影响着滑坡的时空分布规律[14],因此,在关注同震滑坡灾害的同时更应该关注地震后滑坡的长期分异规律[15]。目前,震后滑坡的时空分异规律相关研究还不丰富,仍处于案例累计阶段且主要以强震滑坡案例为主,如1999年台湾集集地震[16],2005年克什米尔地震[17],2008年汶川地震[18]等。同时,由于历史强震典型案例的局限性以及滑坡数据清单的缺乏,导致地震后滑坡的长时序时空分异规律研究还未形成完整体系,因此,为了更深入地了解地震后滑坡随时间、空间的长期分异规律,探究地震及震后滑坡的时空分异特征,还需要积累更多的地震案例和研究经验。综上所述,加强震后滑坡的时空分异特征研究对进一步了解震后滑坡活动效应和稳定性具有重要意义。
2014年8月3日,中国云南省鲁甸县发生Ms6.5级地震,地震以27.1°N,103.3°E为震源中心,造成617人死亡,112人失踪,
3143 人受伤,22.97万人紧急转移安置,同时,地震至少触发了1024 处面积大于100 m2的滑坡。震级虽为6.5级,但其触发的大量滑坡造成的损伤甚至超过了很多大于7.0级的地震[19]。基于此,本文以鲁甸Ms6.5级地震为研究对象,以多时相高分遥感影像为数据源,首先构建长时序列的震后滑坡数据清单,在此基础上,从滑坡数量及规模对滑坡时空分布特征角度进行探索;再以2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡为比较基线,以扩大滑坡、新增滑坡和恢复区域为研究指标进行震后滑坡时空面积变化的分析;最后,对震后8 a时间内震后滑坡的活动演化进行分析[20 − 21]。1. 研究区与数据
1.1 研究区
2014年8月3日的鲁甸Ms6.5级地震是近年来云南省危害较高的一次地震,不仅造成极大的人员伤亡,而且触发了大量的滑坡。鲁甸地震发生于包谷垴—小河断裂带(BXF)以及西鱼河—昭通断裂带(XZF),地震灾区最高烈度为Ⅸ度,涉及Ⅸ级、Ⅷ级、Ⅶ级、Ⅵ级共4个等级,等震线长轴总体呈北北西走向。根据地震烈度及以往研究成果,以鲁甸地震后长时序列滑坡为研究对象,选取共314 km2作为本次研究区范围(图1)。研究区涉及鲁甸县及巧家县的部分区域,包括玄武岩、白云岩、石灰岩等不同类型的岩石类型,海拔范围852~
2812 m,震中位置海拔为2087 m,同时内有牛栏江、龙泉河、沙坝河3条河流,河谷地形突出,沿河流区域海拔较低。1.2 数据来源与数据处理
研究数据主要包括遥感影像数据、滑坡数据以及降水数据3类。
(1)遥感影像数据:震前1期和震后14期的遥感影像如表1所示。影像均通过正射校正、图像配准、图像融合、地理配准等数据处理,将所有影像统一重采样为2 m。
表 1 影像数据信息Table 1. Image data information日期 2014年
4月13日2014年
10月26日2015年
10月29日2016年
7月11日2017年
5月13日2018年
8月24日2019年
8月18日2020年
8月27日2021年
8月2日2022年
7月16日数据
来源资源3号
(ZY3)高分1号
(GF1)高分1号
(GF1)高分2号
(GF2)资源3号
(ZY3)高分1号
(GF1)高分2号
(GF2)高分1号
(GF1)高分2号
(GF2)高分1号B卫星
(GF1B)数量/景 1 1 1 2 1 1 1 1 4 2 分辨率/m 2.1 2 2 0.8 2.1 2 0.8 2 0.8 2 (2)震前滑坡清单。由于2014年8月3日鲁甸Ms6.5级地震震前影像缺乏,选择较为接近的2014年4月13日ZY3影像进行震前滑坡清单的建立。此时植被稀少,地物相似度极高,滑坡数量较少并且震前滑坡与裸地等较为相似,为有效排除震前滑坡,进行人工解译得到震前滑坡清单。
(3)同震滑坡清单。文章使用许冲团队建立的滑坡清单,下载于USGS官网(https://www.sciencebase.gov/catalog/item/594428d4e4b062508e32319f),选择的研究区边界范围内,鲁甸Ms6.5级地震共造成
1014 个滑坡,面积达5.16 km2。2. 研究方法
为探究鲁甸Ms6.5级地震震后滑坡的时空分异特征,首先基于ENVI深度学习模块构建多时期震后滑坡数据清单,在此基础上从地震后滑坡数量规模、同震滑坡面积变化类型、不同阶段滑坡活动期3个方面对震后滑坡时空分布特征、时空面积变化、活动期演化进行分析,具体技术路线如图2所示。
2.1 多时期震后滑坡数据清单构建
对不同时期高分辨率遥感影像进行滑坡识别,构建鲁甸Ms6.5级地震震后多时期滑坡数据清单。如图3所示,构建过程分为5个部分。(1)滑坡样本构建。选择GF1、ZY3、GF2影像中2014年10月26日、2017年5月13日、2019年8月18日3景影像共绘制了586个滑坡样本进行训练和验证。(2)震后滑坡粗提取。基于ENVI深度学习模块,以“模型训练-执行分类-分类后处理”为流程,进行震后滑坡粗提取。(3)滑坡精识别。利用地形坡度特征排除少部分低坡度区域的影响;基于几何特征中的长宽比和密度,排除道路、河流等长条形地物对滑坡识别结果的干扰;通过纹理对比度,排除建筑及人工地物对滑坡解译结果的影响;最后对精识别结果与震前滑坡进行差值得到最终的震后滑坡。(4)精度验证。对震后滑坡进行识别并进行精度验证与评估。(5)多时期震后滑坡数据清单。将整个滑坡识别流程应用于整个长时间序列,构建多时期震后滑坡数据清单。
2.2 震后滑坡时空面积变化分析
为了分析鲁甸Ms6.5级地震触发滑坡后续的变化情况,以2014年8月3日地震触发的同震滑坡为基线,与后续年份做比较,根据滑坡的变化情况分为同震滑坡、扩大滑坡 、新增滑坡和恢复区4种不同类型。同震滑坡为2014年8月地震触发的滑坡;扩大滑坡是指原本存在同震滑坡且在现有同震滑坡面积基础上继续增大的区域;新增滑坡是指本来某区域内没有滑坡但后来出现了滑坡;恢复区即原来存在的同震滑坡区域表现为已恢复状态。为了对震后滑坡面积变化程度进行量化,理清同震滑坡后续时间的持续变化情况,将2014年8月的滑坡活动率设定为100%,作为研究滑坡活动变化的基线,通过滑坡活动率进行更有力的定量评价,计算方式如式(1)所示。
(1) 式中:P——活动滑坡活动率/%,表示同震滑坡的活动强 度,将扩大滑坡和新增滑坡定义为活动滑坡;
Sa——滑坡活动面积/km2;
Sc——同震滑坡面积/km2。
2.3 震后滑坡活动期演化分析
地震后较长时间内,滑坡存在不同程度的复发新增阶段,有着较长时间的活动期,而地震后滑坡活动程度对评估震后滑坡时空演化评估至关重要。为了定量分析地震震后滑坡的活动过程,以地震触发滑坡变化类型即扩大滑坡、新增滑坡以及滑坡活动率为活动期的分类标准,若起始年份满足表2所示滑坡活动期分类标准中的规则,则以起始年份为分割节点,将包含起始年份及其范围内的所有年份归为3个活动期中的一个,将震后滑坡的整个活动过程分为3个时期,以此对滑坡活动过程进行分析。具体的分类标准如表2所示。
表 2 滑坡活动期分类标准Table 2. Classification standard of landslide activity period滑坡活动期 滑坡活动率/% 扩大滑坡面积/km2 新增滑坡面积/km2 震后滑坡强活动期 P>50 >1.5 >1 震后滑坡中等活动期 10<P≤50 >0.2且≤1.5 >0.2且≤1 震后滑坡弱活动期 P≤10 ≤0.2 ≤0.2 3. 计算结果与分析
3.1 滑坡识别结果精度验证
完成模型训练及试验后,对滑坡识别结果进行精度评估。考虑到研究区域滑坡数量和分布,选择地物相对复杂的4个子区域(区域1—4)对滑坡识别结果进行精度验证(图4)。精确率、召回率、F1、错分率(commission error,CE)、漏分率(omission error,OE)是滑坡提取中常用的精确度量标准,由于研究中的滑坡提取是一个二值分类问题,即对于每个像素,只有2种情况:滑坡或背景,因此,如图4(a)(b),验证基于4种提取结果,即TP(真阳性,表示被正确识别的滑坡,即预测为滑坡且识别为滑坡)、FP(假阳性,表示预测滑坡但实际为背景)、TN(真阴性,即预测为背景且识别为背景)和FN(假阴性,即预测为背景但识别为滑坡)进行5个指标计算完成精度验证,具体计算方程式如式(2)—(6)。
精确率(Precision)评估的是作为滑坡被提取的区域有多少是真正的滑坡:
(2) 式中:TP——真阳性滑坡面积/km2;
FP——假阳性滑坡面积/km2。
召回率(Recall)用于计算正确提取了多少滑坡:
(3) 式中:FN——假阴性滑坡面积/km2。
F1则以更平衡的方式评估模型分类精度,其范围为[0, 1],越接近1,则代表效果越好:
(4) 式中:Precision——精确率,评估的是作为滑坡被提取 的区域有多少是真正的滑坡;
Recall——召回率,用于计算正确提取了多少滑坡。
错分率(CE)是指实际为背景,但被分为了滑坡:
(5) 漏分率(OE)则是指实际为滑坡,但被分为背景的区域:
(6) 表3为子区域精度验证结果,滑坡识别精确率为85%以上,召回率74%以上, F1在80%以上,错分率(CE)在15%以下,而漏分率(OE)在25%以下,漏分现象主要发生于边界处,即有部分滑坡边界被分为了背景,但总体而言,滑坡识别流程可以识别出滑坡的主体和主要区域,具有较高的可靠性,可以应用于研究区域和整个研究时期(2014年10月—2022年7月)。
表 3 精度验证结果Table 3. Accuracy verification results区域 影像类型 Precision Recall CE OE F1 验证区域1 GF2 0.8614 0.8281 0.1386 0.1719 0.8444 验证区域2 ZY3 0.8573 0.8439 0.1427 0.1561 0.8506 验证区域3 ZY3 0.8650 0.7499 0.1350 0.2490 0.8034 验证区域4 GF2 0.8634 0.7561 0.1366 0.2439 0.8062 3.2 震后滑坡时空分布特征分析
根据2.1节滑坡识别流程得到震后多时期滑坡清单,将其进行可视化得到如图5(a)—(k)所示的分布图。总体上,2014年8月至2022年7月期间,地震后触发滑坡主要沿牛栏江、沙坝河以及龙泉河河谷两侧分布。距震中距离越近,越易触发滑坡,然而,此次距震中距离
2000 m的范围内,滑坡分布较少,主要分布在大于2000 m范围的区域内,原因是此次震中区域在龙头山一个平坦的盆地。同震及震后滑坡主要分布于地震烈度为Ⅸ级的区域内,地震烈度Ⅷ级范围同样分布着一个滑坡严重区域,位于震源中心西侧。如图5和表4,根据滑坡面积大小,以0.01 km2、0.02 km2为分隔点,将滑坡分为小、中、大滑坡3种规模。震后主要以面积小于0.01 km2的小型滑坡为主,其次为面积介于0.01 km2和0.02 km2的中型滑坡,数量相对较少的为大于0.02 km2的大型滑坡。2014年4月,地震前,小型滑坡和中型滑坡数量为36个和25个,无大型滑坡,小中型滑坡主要沿牛栏江分布,见图5(a);2014年8月地震初发后,小中大型滑坡数量骤增,大型滑坡数量达42个,主要沿沙坝河和牛栏江分布,见图5(b);2014年10月,震后2个月时间后,小型滑坡数量减少明显,中型滑坡数量变化较小,大型滑坡数量增多,见图5(c);震后8a时间,小中大型滑坡总体呈现逐期减少的趋势,截至2022年7月,小中大型滑坡数量为42,8,9,与震前相比,中型滑坡减少明显,而大型滑坡由0变为9,位于Ⅸ级地震烈度范围内,主要位于沿沙坝河分布的光明村滑坡群和沿牛栏江分布的红石岩滑坡,见图5(d)—(k)。
表 4 地震震后滑坡规模分布情况统计Table 4. Statistical distribution of landslide scale after earthquake2014年4月 2014年8月 2014年10月 2015年10月 2016年7月 2017年5月 2018年8月 2019年8月 2020年8月 2021年8月 2022年7月 小型滑坡/个 36 908 408 300 367 307 179 107 153 85 42 中型滑坡/个 25 64 56 37 54 37 27 25 24 9 8 大型滑坡/个 0 42 49 37 45 42 16 15 11 13 9 根据多时期震后滑坡数据清单得到的数量和面积,绘制如图6所示的分布情况统计图。鲁甸Ms6.5级地震震前滑坡数量较少,面积小于1 km2;2014年8月地震发生后,触发滑坡
1014 个,总面积5.16 km2,滑坡数量和面积急剧增加;震后2个多月时间内,滑坡数量急剧减少,但面积呈现略微增加趋势;震后8 a时间内,滑坡数量及面积总体呈下降趋势,但年份间存在波动,2016年7月、2020年8月较上一时期而言滑坡数量和面积略微上升。在地震后的2个月时间内,滑坡数量急剧减少,而滑坡总面积呈现略微增加趋势。原因是地震初期同震滑坡面积破碎,而在2个多月之后,由于人类紧急救援、降水等原因[22],破碎的小滑坡合并为成片的大面积滑坡,滑坡数量减少,面积则增加。在震后8a时间,滑坡数量和面积整体呈下降趋势。但2016年7月较2015年10月滑坡数量和面积均略微上升。根据鲁甸气象站降水数据可知(表5),2016年年降水总量超过
1100 mm,远超过其他年份降水总量,而地震后较长一段时间内,土壤等受到长期影响,降水极有可能引发更多的滑坡。文中所使用影像由2016年7月11日和7月25日构成,统计2016年7月25日前日降水数据,发现日降水大于25 mm超过9次,而根据降水分级显示,日降水总量大于25 mm则为大雨,由此可见,大雨事件可能导致了滑坡的扩大和发生[23]。2020年8月滑坡数量和面积较2019年8月有所上升,这与2020年5月18日21时47分,在云南省昭通市巧家县发生5.0级地震具有一定相关性,此次地震震源深度8 km,可能引发周边区域发生滑坡[24]。表 5 2014—2022年鲁甸地区降水统计Table 5. Statistics of precipitation in Ludian area from 2014 to 2022年份 2014 2015 2016 2017 2018 2019 2020 2021 2022 年降水量/mm 941.0 976.4 1107.1 955.4 879.7 721.9 794.5 742.2 861.4 3.3 震后滑坡时空面积变化
2014年8月,研究区内鲁甸Ms6.5级地震共触发同震滑坡
1014 个,总面积5.1577 km2。以2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡为比较基线,与2014年10月滑坡进行相交擦除等操作,得到如图7所示的滑坡时空面积变化分析图。2014年10月,滑坡集中在J1—J3区域,在原有的同震滑坡基础上进一步恢复的同时出现扩张滑坡,同时区域内也出现新增的滑坡。表6总结了地震后不同时期同震滑坡恢复、扩张和新增的滑坡面积以及活动率。表 6 滑坡活动面积变化及活动率统计Table 6. Landslide activity area change and activity rate statistics年月 恢复区域
/km2扩大面积
/km2新增面积
/km2活动面积
/km2活动率
/%2014年10月 2.81 2.08 0.80 2.88 55.78 2015年10月 3.23 1.27 0.77 2.03 39.44 2016年7月 3.41 1.52 1.10 2.63 50.98 2017年5月 3.21 1.07 0.90 1.97 38.28 2018年8月 4.20 0.73 0.50 1.23 23.79 2019年8月 4.39 0.48 0.44 0.91 17.70 2020年8月 4.27 0.36 0.44 0.80 15.48 2021年8月 4.55 0.33 0.22 0.55 10.67 2022年7月 4.50 0.20 0.11 0.31 6.08 从表6中可以看出,2014年10月、2015年10月、2016年7月、2017年5月、2018年8月、2019年8月、2020年8月、2021年8月、2022年7月,滑坡活动面积分别是2.88,2.03,2.63,1.97,1.23,0.91,0.80,0.55,0.31 km2,滑坡活动面积呈先减少后增加再持续减少的趋势。以2014年8月的同震滑坡活动率(P)为基线,滑坡活动性年衰减率分别为55.78%、39.44%、50.98%、38.28%、23.70%、17.70%、15.48%、10.67%、6.08%,年衰减率呈现与活动面积同样的规律。根据滑坡类型及活动率,发现2016年7月的滑坡扩大和新增面积较上一年有所增加,同时恢复区域较上一年也呈现增加的现象,表明此时期范围内活动性滑坡较多,扩大和新增滑坡明显。总体而言,随时间推移,同震滑坡逐渐恢复,扩大滑坡和新增滑坡面积总体呈现减少趋势,虽然仍有同震滑坡存在,但2022年只有6.08%的滑坡仍处于活动状态,这表明地震对滑坡的影响已经逐渐减弱。
3.4 震后滑坡活动期演化分析
根据表6所示滑坡活动面积变化及活动率和2.3节滑坡活动期分类标准,对鲁甸Ms6.5级地震震后滑坡进行活动期分析。2016年7月的滑坡活动率大于50%,扩大面积大于1.5 km2且新增滑坡面积大于1 km2,则将2016年7月以前称为强活动期;而2021年8月的滑坡活动率10%~50%、扩大滑坡面积0.2~1.5 km2、新增滑坡面积为0.2~1 km2,则2016年7月—2021年8月之间的时期为中等活动期;2021年8月以后的时间活动率小于10%、扩大和新增滑坡面积少于0.2 km2则为滑坡低活动期。
根据以上规则得出如图8所示的变化图。通过2014年8月―2022年7月不同阶段滑坡面积变化和活动率的定量分析,将鲁甸地震震后滑坡活动状态分为了强活动期、中等活动期和弱活动期。可见,随时间推移,同震滑坡面积逐渐减少,地震触发滑坡呈现逐渐恢复的趋势,扩滑坡表现出较为明显的扩张趋势,而滑坡新增面积相对较少。
如图8所示,2016年7月以前为滑坡强活动期,滑坡活动率先下降而后出现增长,滑坡扩张和新增趋势也较为明显,扩张明显的为震后两个月时间内,而新增明显的为2015年10月—2016年7月,主要原因是震后救灾致使滑坡扩张以及大量降雨导致了降雨型新滑坡的产生。
2016年7月—2021年8月期间为滑坡中等活动期,随时间推移,滑坡扩张和新增程度逐渐下降,滑坡活动率也呈现持续下降趋势,由2016年7月的50.98%下降为2021年的10.67%。2016年8月—2017年5月期间,较上一期滑坡数据清单而言,同震滑坡面积增多,恢复区域减少,说明已经恢复的同震滑坡区域再次变为滑坡,这与2017年2月9日发生在鲁甸县的Ms4.9级地震以及2020年5月18日发生在巧家的Ms5.0级地震可能具有相关性[24 − 25],2017年2月9日鲁甸Ms4.9级地震震中(27.07°N),位于2014年8月鲁甸地震震中的南东方向,二者相距约4 km。2019年9月至2020年8月期间,相较于上一期滑坡,已经恢复的同震滑坡再次变为滑坡,这与2020年5月18日巧家Ms5.0级地震具有相关性,此次地震震中为(27.18N,103.16E),震源深度8 km。这两次地震为2014年8月后鲁甸地震周边区域的二次冲击,会使已经恢复的同震滑坡区域再次被激活。
2021年9月之后为滑坡弱活动期,此时大部分小型滑坡均已恢复,依然存在的同震滑坡主要为红石岩滑坡、光明村等大型滑坡残留的滑坡臂以及靠近道路河流的部分滑坡,如图9所示,存留的大型滑坡内部植被还未明显恢复。
4. 结论
(1)建立了鲁甸地区多时期震后滑坡数据清单。历年来,震后滑坡数量面积呈现逐年下降趋势,2014年8月,研究区内滑坡数量
1014 个,面积为5.16 km2,截至2022年7月,滑坡数量为59个,面积不到1 km2,震后8a时间内,滑坡数量和面积呈现总体下降趋势。(2)震后滑坡主要分布于距断层距离
2000 m以上范围,并且主要集中于河谷两侧,此外,地震触发滑坡以小型滑坡为主,中等型滑坡数量相对较少,而大型滑坡数量少,但面积多。(3)2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡活动率为100%,以此为比较基线,2014年10月、2015年10月、2016年7月、2017年5月、2018年8月、2019年8月、2020年8月、2021年8月、2022年7月的滑坡活动性年衰减率分别为55.78%、39.44%、50.98%、38.28%、23.70%、17.70%、15.48%、10.67%、6.08%,总体呈现逐渐下降趋势。截至2022年7月,只有6.08%的滑坡仍处于活动状态,表明地震对滑坡的影响已经逐渐减弱。
(4)震后滑坡存在强活动期(2014年8月—2016年7月)、中等活动期(2016年8月—2021年8月)、弱活动期(2021年9月—2022年7月),总体而言,截至2022年7月,地震造成的滑坡以及影响还未完全恢复。
-
表 1 影响煤层底板突水的因素
Table 1 Factors affecting water inrush from coal floor
一级指标 二级指标 含水层因素 单位涌水量(x1) 水压(x2) 含水层厚度(x3) 隔水层因素 隔水层厚度(x4) 隔水层岩石饱和单轴抗压强度(x5) 隔水层岩体完整性指数(x6) 构造因素 单位面积断层条数(x7) 大断层条数(x8) 裂隙发育程度(x9) 煤层因素 煤层埋深(x10) 煤层倾角(x11) 开采因素 底板破坏带深度(x12) 工作面长度(x13) 采高(x14) 开采面积(x15) 表 2 不同卷积层的预测结果
Table 2 Prediction results of different convolution layers
编号 卷积层数量/个 准确率/% 标准误差 1 1 67 0.492 2 2 93 0.268 3 3 80 0.385 4 4 73 0.436 表 3 部分样本数据
Table 3 Part of the sample data
序号 x1/(L·s−1·m−1) x2/MPa x3/m x4/m x5/MPa x6 x7/(条·km−2) x8/条 x9/% x10/m x11/(°) x12/m x13/m x14/m x15/m2 是否突水 1 3.4 2.80 14.35 39.17 34.28 0.64 34.2 4 14.52 347 12 24.33 150 2.75 5 240 是 2 3.5 2.95 14.35 36.11 34.28 0.64 34.2 4 14.52 380 12 24.61 150 2.55 4 260 是 17 0.15 0.73 15 79 42.00 0.80 0.44 1 5 178 13 20.90 200 3.08 8100 否 18 0.15 1.00 15 51 37.12 0.80 0.44 1 5 202 13 18.95 180 1.80 7800 否 53 2.5 1.37 12.54 50.92 38.30 0.53 42.5 5 18.22 332 14 33.17 200 3.50 5 900 是 54 2.6 1.45 13.02 46.23 38.30 0.53 42.5 5 18.22 352 15 33.50 200 3.50 5 400 是 88 1.8 2.25 35.15 30.00 17.38 0.60 21.6 4 16.53 289 13 19.69 100 3.00 1 530 否 89 1.8 2.35 35.15 30.00 17.38 0.60 21.6 4 16.53 323 16 20.47 100 2.75 1 535 否 95 0.16 1.02 70 52 34.60 0.75 0.52 6 11 370 9 12.15 110 2.76 23500 否 111 2.12 2.89 85 67 46.12 0.55 36.11 4 29 351 9 9.84 90 1.56 4180 是 114 0.29 0.84 31 121 38.13 0.80 0.14 1 13 270 4 14.79 150 3.12 8510 否 115 0.29 1.08 31 97 41.89 0.80 0.14 1 13 295 4 15.00 150 1.97 8510 否 表 4 实验参数
Table 4 Experimental parameters
实验参数 数值 Learning rate 0.00001 Epochs 1800 Batch size 10 Dropout 0.5 表 5 各个模型的正确率
Table 5 Accuracy of the predicted results
预测模型 训练集准确/% 测试集准确/% 标准误差 BP 74 67 0.450 LeNet-5 83 80 0.430 本文CNN模型 96 100 0.135 表 6 各个模型的预测结果
Table 6 Testresults of the forecast model
序号 实际情况 BP预测 LeNet-5预测 本文CNN模型 1 不突水 突水 不突水 不突水 2 突水 突水 不突水 突水 3 突水 突水 突水 突水 4 突水 突水 突水 突水 5 不突水 突水 不突水 不突水 6 不突水 突水 不突水 不突水 7 突水 突水 突水 突水 8 突水 突水 突水 突水 9 不突水 不突水 不突水 不突水 10 不突水 不突水 不突水 不突水 11 突水 突水 不突水 突水 12 突水 突水 不突水 突水 13 不突水 突水 不突水 不突水 14 不突水 不突水 不突水 不突水 15 不突水 突水 不突水 不突水 -
[1] 武强, 涂坤, 曾一凡, 等. 打造我国主体能源(煤炭)升级版面临的主要问题与对策探讨[J]. 煤炭学报,2019,44(6):1625 − 1636. [WU Qiang, TU Kun, ZENG Yifan, et al. Discussion on the main problems and countermeasures for building an upgrade version of main energy(coal)industry in China[J]. Journal of China Coal Society,2019,44(6):1625 − 1636. (in Chinese with English abstract) [2] 施龙青, 谭希鹏, 王娟, 等. 基于PCA_Fuzzy_PSO_SVC的底板突水危险性评价[J]. 煤炭学报,2015,40(1):167 − 171. [SHI Longqing, TAN Xipeng, WANG Juan, et al. Risk assessment of water inrush based on PCA_Fuzzy_PSO_SVC[J]. Journal of China Coal Society,2015,40(1):167 − 171. (in Chinese with English abstract) [3] 张文泉, 张广鹏, 李伟, 等. 煤层底板突水危险性的Fisher判别分析模型[J]. 煤炭学报,2013,38(10):1831 − 1836. [ZHANG Wenquan, ZHANG Guangpeng, LI Wei, et al. A model of Fisher's discriminant analysis for evaluating water inrush risk from coal seam floor[J]. Journal of China Coal Society,2013,38(10):1831 − 1836. (in Chinese with English abstract) [4] 靳德武, 马培智. 华北煤层底板突水的随机—信息模拟及预测[J]. 煤田地质与勘探,1998,26(6):36 − 39. [JIN Dewu, MA Peizhi. Random information simulation and forecast of water inrush through coal seam floor in mining areas of Northern China[J]. Coal Geology & Exploration,1998,26(6):36 − 39. (in Chinese with English abstract) [5] 刘伟韬, 张文泉. 用层次分析—模糊评判进行底板突水安全性评价[J]. 煤炭学报,2000,25(3):278 − 282. [LIU Weitao, ZHANG Wenquan. An evaluation of the safety of floor water irruption using analytic hierarchy process and fuzzy synthesis methods[J]. Journal of China Coal Society,2000,25(3):278 − 282. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-9993.2000.03.013 [6] 武强, 庞炜, 戴迎春, 等. 煤层底板突水脆弱性评价的GIS与ANN耦合技术[J]. 煤炭学报,2006,31(3):314 − 319. [WU Qiang, PANG Wei, DAI Yingchun, et al. Vulnerability forecasting model based on coupling technique of GIS and ANN in floor groundwater bursting[J]. Journal of China Coal Society,2006,31(3):314 − 319. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-9993.2006.03.010 [7] 刘伟韬, 廖尚辉, 刘士亮, 等. 主成分Logistic回归分析在底板突水预测中的应用[J]. 辽宁工程技术大学学报(自然科学版),2015,34(8):905 − 909. [LIU Weitao, LIAO Shanghui, LIU Shiliang, et al. Principal component Logistic regression analysis in application of water outbursts from coal seam floor[J]. Journal of Liaoning Technical University (Natural Science Edition),2015,34(8):905 − 909. (in Chinese with English abstract) [8] 高延法, 章延平, 张慧敏, 等. 底板突水危险性评价专家系统及应用研究[J]. 岩石力学与工程学报,2009,28(2):253 − 258. [GAO Yanfa, ZHANG Yanping, ZHANG Huimin, et al. Research on expert system for risk assessment of water inrush from coal floor and its application[J]. Chinese Journal of Rock Mechanics and Engineering,2009,28(2):253 − 258. (in Chinese with English abstract) DOI: 10.3321/j.issn:1000-6915.2009.02.005 [9] 张和生, 薛光武, 石秀伟, 等. 基于地学信息复合叠置分析对煤层底板突水的预测[J]. 煤炭学报,2009,34(8):1100 − 1104. [ZHANG Hesheng, XUE Guangwu, SHI Xiuwei, et al. Prediction of water inrush from coal seam floor confined based on geo-information composite overlay analysis[J]. Journal of China Coal Society,2009,34(8):1100 − 1104. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-9993.2009.08.019 [10] 肖建于, 童敏明, 姜春露. 基于模糊证据理论的煤层底板突水量预测[J]. 煤炭学报,2012,37(增刊1):131 − 137. [XIAO Jianyu, TONG Minming, JIANG Chunlu. Prediction of water inrush quantity from coal floor based on fuzzy evidence theory[J]. Journal of China Coal Society,2012,37(Sup1):131 − 137. (in Chinese with English abstract) [11] 董东林, 孙文洁, 朱兆昌, 等. 基于GIS—BN技术的范各庄矿煤12底板突水态势评价[J]. 煤炭学报,2012,37(6):999 − 1004. [DONG Donglin, SUN Wenjie, ZHU Zhaochang, et al. Water-inrush assessment of coal 12 floor using a GIS-based Bayesian network for Fangezhuang Coal Mine with collapse column[J]. Journal of China Coal Society,2012,37(6):999 − 1004. (in Chinese with English abstract) [12] 宋国娟. 基于极限学习机的煤矿突水预测及避险路线优化研究[D]. 徐州: 中国矿业大学, 2016. SONG Guojuan. Research on mine water inrush prediction based on extreme learning machine and route optimization[D]. Xuzhou: China University of Mining and Technology, 2016. (in Chinese with English abstract)
[13] 姜谙男, 梁冰. 基于最小二乘支持向量机的煤层底板突水量预测[J]. 煤炭学报,2005,30(5):613 − 617. [JIANG Annan, LIANG Bing. Forecast of water inrush from coal floor based on least square support vector machine[J]. Journal of China Coal Society,2005,30(5):613 − 617. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-9993.2005.05.016 [14] 曹庆奎, 赵斐. 基于模糊-支持向量机的煤层底板突水危险性评价[J]. 煤炭学报,2011,36(4):633 − 637. [CAO Qingkui, ZHAO Fei. Risk evaluation of water inrush from coal floor based on fuzzy-support vector machine[J]. Journal of China Coal Society,2011,36(4):633 − 637. (in Chinese with English abstract) [15] 乔育锋. 遗传算法和BP神经网络在煤矿突水预测中的应用研究[D]. 西安: 西安建筑科技大学, 2011. QIAO Yufeng. Application research of genetic algorithm and artificial neural networks in the prediction of mine water inrush[D]. Xi’an: Xian University of Architecture and Technology, 2011. (in Chinese with English abstract)
[16] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[EB/OL]. 2014: arXiv: 1409.1556[cs. CV]. https://arxiv.org/abs/1409.1556
[17] 刘小安. 卷积神经网络在自然语言处理中的应用研究综述[C]//中国计算机用户协会网络应用分会. 中国计算机用户协会网络应用分会2017年第二十一届网络新技术与应用年会论文集. 北京联合大学北京市信息服务工程重点实验室, 2017: 5. LIU Xiaoan. Application of convolutional neural network in nature language processing[C]//Network application branch of China Computer Users Association. Papers of network application branch of China Computer Users Association at the 21st Annual Meeting of network new technology and application in 2017. Beijing Key Laboratory of information service engineering, Beijing Union University, 2017: 5. (in Chinese)
[18] ER M J, ZHANG Y, WANG N, et al. Attention pooling-based convolutional neural network for sentence modelling[J]. Information Sciences,2016,373:388 − 403. DOI: 10.1016/j.ins.2016.08.084
[19] 吴素雯, 战荫伟. 基于选择性搜索和卷积神经网络的人脸检测[J]. 计算机应用研究,2017,34(9):2854 − 2857. [WU Suwen, ZHAN Yinwei. Face detection based on selective search and Gabor optimizing convolutional neural network[J]. Application Research of Computers,2017,34(9):2854 − 2857. (in Chinese with English abstract) DOI: 10.3969/j.issn.1001-3695.2017.09.064 [20] 秦品乐, 李鹏波, 曾建潮, 等. 基于级联全卷积神经网络的颈部淋巴结自动识别算法[J]. 计算机应用,2019,39(10):2915 − 2922. [QIN Pinle, LI Pengbo, ZENG Jianchao, et al. Automatic recognition algorithm of cervical lymph nodes using cascaded fully convolutional neural networks[J]. Journal of Computer Applications,2019,39(10):2915 − 2922. (in Chinese with English abstract) [21] WALLACH I, DZAMBA M, HEIFETSA. AtomNet: A deep convolutional neural network for bioactivity prediction in structure-based drug discovery[J]. Mathematische Zeitschrift, 2015.
[22] HINTON G E, SRIVASTAVA N, KRIZHEVSKY A, et al. Improving neural networks by preventing co-adaptation of feature detectors[EB]. 2012: arXiv: 1207.0580[cs. NE].
[23] KINGMA D P, BA J. Adam: a method for stochastic optimization[EB]. 2014: arXiv: 1412.6980[cs. LG].
[24] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE,1998,86(11):2278 − 2324. DOI: 10.1109/5.726791
-
期刊类型引用(7)
1. 刘恒. 不同降雨强度下多台阶黄土边坡稳定性可靠度分析. 北京建筑大学学报. 2024(04): 73-81 . 百度学术
2. 邹浩,何霏,白俊龙. 黄冈地区降雨型滑坡影响因素及与降雨量的关系. 长江科学院院报. 2023(02): 124-130 . 百度学术
3. 陈忠源,戴自航,简文彬. 基于因子权重反分析的新近失稳土质边坡稳定性评价云模型. 中国地质灾害与防治学报. 2023(04): 125-133 . 本站查看
4. 贲琰棋,易武,李华兵,黄晓虎,刘伟,肖宇煌. 基于“阶跃”变形特征的降雨型滑坡预警判据探讨. 中国地质灾害与防治学报. 2023(04): 30-38 . 本站查看
5. 马明康,缪海宾,王丹. 基于安全监测与预警系统的边坡稳定性研究. 煤矿机械. 2022(05): 29-32 . 百度学术
6. 刘坤,韩长玉,郝艺丹,李冯,王玉涛,李玉真. 基于降雨入渗的非饱和土边坡稳定性影响因素分析. 水电能源科学. 2022(10): 183-186 . 百度学术
7. 栗倩倩,王伟,黄亮,柴波,高乐. 台风暴雨型滑坡滞后效应分析——以浙江青田县“利奇马”台风为例. 中国地质灾害与防治学报. 2022(06): 10-19 . 本站查看
其他类型引用(4)