幸貞雄　謝振華

(1.貴州省勞動(dòng)保護(hù)科學(xué)技術(shù)研究院　貴州遵義 563000；　2.中國(guó)勞動(dòng)關(guān)系學(xué)院安全工程系　北京 100048)

?

基于案例推理的露天礦山排土場(chǎng)滑坡事故預(yù)警方法研究*

幸貞雄1謝振華2

(1.貴州省勞動(dòng)保護(hù)科學(xué)技術(shù)研究院貴州遵義 563000；2.中國(guó)勞動(dòng)關(guān)系學(xué)院安全工程系北京 100048)

通過整理100組排土場(chǎng)滑坡的案例庫，提出了基于案例推理(CBR)的排土場(chǎng)滑坡中長(zhǎng)期預(yù)警方法，采用框架法表示滑坡案例，RBF神經(jīng)網(wǎng)絡(luò)和歐式距離相結(jié)合實(shí)現(xiàn)案例的檢索，由用戶和專家來完成案例的修正與調(diào)整。在高村排土場(chǎng)進(jìn)行了實(shí)際應(yīng)用，通過案例檢索獲得了相似的案例，確定了預(yù)警等級(jí)及合理的處置方案，為排土場(chǎng)滑坡事故預(yù)防提供了科學(xué)指導(dǎo)。

排土場(chǎng)滑坡案例推理(CBR)RBF神經(jīng)網(wǎng)絡(luò)歐式距離

0　引言

中國(guó)是世界上第一大露天礦采選固體廢棄物排放大國(guó)，排土場(chǎng)的占地面積約為全礦用地面積的50%，并以每年300多 km2的速度增長(zhǎng)[1]。排土場(chǎng)下游一般為農(nóng)田和村莊，其安全穩(wěn)定性在礦山生產(chǎn)期間乃至閉坑后相當(dāng)長(zhǎng)時(shí)間內(nèi)都會(huì)對(duì)礦山企業(yè)產(chǎn)生深遠(yuǎn)的影響。滑坡事故是排土場(chǎng)災(zāi)害的主要形式，危害較大，不容忽視[2]。

排土場(chǎng)穩(wěn)定性的研究始于20世紀(jì)70年代，國(guó)內(nèi)在80年代末開始在個(gè)別冶金礦山進(jìn)行排土場(chǎng)穩(wěn)定性及滑坡預(yù)防方面的科研，但到目前為止排土場(chǎng)滑坡預(yù)警方面的研究非常少。排土場(chǎng)是一種松散的堆積體，其力學(xué)性質(zhì)不同于巖石邊坡，若僅從力學(xué)的角度來分析預(yù)警，準(zhǔn)確度不高；監(jiān)測(cè)系統(tǒng)的準(zhǔn)確度雖高，但花費(fèi)巨大，一般礦山企業(yè)很少采用高端監(jiān)測(cè)儀器來預(yù)報(bào)排土場(chǎng)的滑坡災(zāi)害。因此，缺少一種簡(jiǎn)便、可行的預(yù)警方法來指導(dǎo)礦山企業(yè)的安全生產(chǎn)。

本文在露天礦排土場(chǎng)穩(wěn)定性分析的基礎(chǔ)上，建立預(yù)警指標(biāo)體系，采用基于案例推理(CBR)的方法進(jìn)行排土場(chǎng)滑坡預(yù)警，并將模型和方法應(yīng)用于高村排土場(chǎng)的實(shí)例中，效果較好，為礦山企業(yè)的安全生產(chǎn)提供信息化、科學(xué)化、智能化的管理平臺(tái)。

1　排土場(chǎng)滑坡事故案例庫的建立與表示

1.1案例來源

通過參考文獻(xiàn)資料和相應(yīng)的研究報(bào)告，整理了100組我國(guó)露天礦山排土場(chǎng)的邊坡實(shí)例數(shù)據(jù)。數(shù)據(jù)主要包括排土場(chǎng)滑坡的8個(gè)中長(zhǎng)期預(yù)警指標(biāo)，以及案例所對(duì)應(yīng)的預(yù)警等級(jí)，預(yù)警等級(jí)確定的依據(jù)是邊坡的穩(wěn)定狀態(tài)和滑坡事故的危害[3]。

1.2案例表示

結(jié)合排土場(chǎng)滑坡事故案例的特點(diǎn)，應(yīng)用框架表示法來對(duì)事故進(jìn)行描述。通過對(duì)事故案例的分析，總結(jié)歸納出排土場(chǎng)滑坡的事故特征要素，主要包括案例基本信息、特征信息、處置信息。排土場(chǎng)滑坡事故的案例框架劃分為3個(gè)“槽”，每個(gè)“槽”根據(jù)需要又分別劃分為不同層級(jí)的“側(cè)面”，如圖1所示。

圖1排土場(chǎng)滑坡事故案例框架表示圖

1.3案例庫的建立

根據(jù)文獻(xiàn)分析和現(xiàn)場(chǎng)調(diào)研，建立了100組排土場(chǎng)邊坡實(shí)例數(shù)據(jù)庫。邊坡實(shí)例中預(yù)警指標(biāo)的取值以定性描述居多，表1是對(duì)排土場(chǎng)典型的滑坡案例中8個(gè)中長(zhǎng)期預(yù)警指標(biāo)的具體情況描述。為方便案例推理的計(jì)算，根據(jù)案例中預(yù)警指標(biāo)的描述情況，依據(jù)中長(zhǎng)期預(yù)警指標(biāo)的預(yù)警準(zhǔn)則，對(duì)預(yù)警指標(biāo)進(jìn)行打分，分值采用百分制。

表1　排土場(chǎng)典型滑坡案例的特征信息表

本文采用基于案例推理(CBR)的方法進(jìn)行排土場(chǎng)滑坡預(yù)警。CBR案例庫建立的同時(shí)也包括案例的學(xué)習(xí)和存儲(chǔ)，案例的學(xué)習(xí)是案例庫中不斷增加新案例和完善舊案例的過程。

2　排土場(chǎng)滑坡事故案例的檢索

2.1案例檢索方法

為了提高案例檢索的效率和精度，本文提出了基于歐式距離和RBF神經(jīng)網(wǎng)絡(luò)的混合檢索方法。首先通過RBF神經(jīng)網(wǎng)絡(luò)將案例按照滑坡預(yù)警等級(jí)分為5個(gè)等級(jí)，再利用RBF網(wǎng)絡(luò)檢索[3-4]，把檢索范圍縮小到某一個(gè)預(yù)警等級(jí)。

RBF網(wǎng)絡(luò)檢索模型是一個(gè)3層徑向基函數(shù)的網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，利用樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，得出網(wǎng)絡(luò)模型的結(jié)構(gòu)，即隱含層的數(shù)量[5]；利用建立好的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并計(jì)算其誤差，如果誤差在可接受范圍內(nèi)，網(wǎng)絡(luò)訓(xùn)練成功，可用于實(shí)際預(yù)測(cè)。RBF網(wǎng)絡(luò)檢索模型建立的流程如圖2所示。

2.1.1RBF網(wǎng)絡(luò)輸入、輸出層的確定

根據(jù)排土場(chǎng)滑坡的中長(zhǎng)期預(yù)警指標(biāo)，RBF網(wǎng)絡(luò)模型的輸入層神經(jīng)元個(gè)數(shù)為8個(gè)，分別為粘聚力、內(nèi)摩擦角、邊坡角度、基底承載力、地震烈度、降雨條件、排土工藝和亂采亂挖。

RBF網(wǎng)絡(luò)模型的輸出變量為排土場(chǎng)滑坡的預(yù)警等級(jí)，共分為Ⅰ級(jí)、Ⅱ級(jí)、Ⅲ級(jí)、Ⅳ級(jí)和Ⅴ級(jí)5個(gè)等級(jí)，神經(jīng)元個(gè)數(shù)為5個(gè)，輸出變量用向量(0,1)的組合來表示，它的輸出數(shù)值為[1,5]之間的整數(shù)，即向量(0,1)中1向量所在列的位置，這個(gè)具體的數(shù)值與排土場(chǎng)滑坡的預(yù)警等級(jí)一一對(duì)應(yīng)，如表2所示。

圖2　建立RBF網(wǎng)絡(luò)檢索模型的流程圖

預(yù)警等級(jí)ⅠⅡⅢⅣⅤ預(yù)警名稱紅色預(yù)警橙色預(yù)警黃色預(yù)警藍(lán)色預(yù)警無警輸出向量[00001][00010][00100][01000][10000]輸出數(shù)值54321

2.1.2樣本數(shù)據(jù)的選取

為了減小RBF網(wǎng)絡(luò)的誤差值，選取100組邊坡實(shí)例數(shù)據(jù)中的90組數(shù)據(jù)作為樣本數(shù)據(jù)，完成RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，剩余10組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。如果原始數(shù)據(jù)的輸入向量是以分值表示的，需要利用Matlab程序語言對(duì)其進(jìn)行歸一化處理。

2.1.3RBF網(wǎng)絡(luò)的創(chuàng)建

建立的RBF網(wǎng)絡(luò)檢索模型，主要用到Matlab神經(jīng)網(wǎng)絡(luò)工具箱中許多RBF網(wǎng)絡(luò)工具函數(shù)[5-6]。排土場(chǎng)滑坡的中長(zhǎng)期預(yù)警指標(biāo)與排土場(chǎng)滑坡預(yù)警等級(jí)之間建立了非線性的映射關(guān)系，則RBF神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)過程結(jié)束。

2.1.4RBF網(wǎng)絡(luò)的測(cè)試

用剩余的10組樣本數(shù)據(jù)測(cè)試已經(jīng)訓(xùn)練好的

RBF神經(jīng)網(wǎng)絡(luò)模型，在Matlab中編寫程序代碼，輸入誤差曲線圖，將輸出結(jié)果與實(shí)際值進(jìn)行誤差比較。

根據(jù)歐氏距離方法進(jìn)行最相似檢索：一個(gè)滑坡案例是數(shù)據(jù)庫中的一條記錄，案例相似檢索只取案例庫中案例的特征信息，即只取案例庫中描述排土場(chǎng)滑坡的8個(gè)中長(zhǎng)期預(yù)警指標(biāo)的分值作為檢索條件和相似度計(jì)算的屬性項(xiàng)。輸入向量為經(jīng)過歸一化的8個(gè)預(yù)警指標(biāo)值，輸出向量為預(yù)警等級(jí)。

2.2檢索的實(shí)現(xiàn)

檢索的實(shí)現(xiàn)需要CBR案例的調(diào)整和修正。本文在CBR案例的調(diào)整和修正中主要采用“用戶人為調(diào)整”的方法[7]，用戶主要是領(lǐng)域內(nèi)的專家，也可以包括礦山企業(yè)的使用者。借助專家的知識(shí)和經(jīng)驗(yàn)對(duì)檢索出來的案例進(jìn)行調(diào)整和修正來匹配目標(biāo)案例，同時(shí)在案例檢索的過程中，對(duì)被檢索到的案例進(jìn)行排序，與問題案例比較接近的案例的解決方案同樣對(duì)新問題具有一定的參考意義。

CBR調(diào)整的基本過程是：首先，檢索出與目標(biāo)案例最相似的案例和次相似的案例；然后，專家對(duì)新案例中的各個(gè)特征屬性進(jìn)行分析，根據(jù)檢索出的最相似和次相似案例特征對(duì)應(yīng)項(xiàng)的內(nèi)容進(jìn)行修改。

3　基于CBR的工程應(yīng)用

3.1工程概況

高村排土場(chǎng)是馬鋼礦業(yè)有限公司高村采場(chǎng)重要的排土場(chǎng)地，排土場(chǎng)西南方向?yàn)楦叽宀蓤?chǎng)，南幫(老脈峴水庫下游)存在村莊。若排土場(chǎng)產(chǎn)生大規(guī)模泥石流和滑坡等地質(zhì)災(zāi)害，勢(shì)必危及到下游采場(chǎng)及村莊安全，影響礦山的正常生產(chǎn)。

3.2目標(biāo)案例

以高村排土場(chǎng)邊坡的實(shí)際情況為目標(biāo)案例，進(jìn)行案例推理的應(yīng)用。首先，通過調(diào)研資料對(duì)高村排土場(chǎng)的實(shí)際情況進(jìn)行詳細(xì)分析，然后，征求馬鋼礦業(yè)有限公司和馬鞍山礦山研究院的專家意見，分別根據(jù)高村排土場(chǎng)的西側(cè)和南側(cè)的具體情況，對(duì)高村排土場(chǎng)滑坡的8個(gè)預(yù)警指標(biāo)的現(xiàn)狀進(jìn)行打分。高村排土場(chǎng)西側(cè)和南側(cè)邊坡的8個(gè)預(yù)警指標(biāo)的打分情況如表3所示，為便于計(jì)算，需要對(duì)預(yù)警指標(biāo)的具體數(shù)值進(jìn)行歸一化計(jì)算，計(jì)算結(jié)果如表4所示。

表3　高村排土場(chǎng)滑坡案例的預(yù)警指標(biāo)打分

表4　高村排土場(chǎng)滑坡案例的預(yù)警指標(biāo)打分歸一化

3.3案例檢索

根據(jù)輸入的目標(biāo)案例，在排土場(chǎng)邊坡實(shí)例數(shù)據(jù)庫中進(jìn)行案例檢索。由仿真結(jié)果可知，輸出值為1和3，由1向量所在列的位置判斷對(duì)應(yīng)的輸出向量為[1 0 0 0 0]和[0 0 1 0 0]，說明高村排土場(chǎng)的西側(cè)邊坡和南側(cè)邊坡滑坡預(yù)警等級(jí)為Ⅴ級(jí)和Ⅲ級(jí)，即無警和黃色預(yù)警，這與高村排土場(chǎng)的實(shí)際情況基本一致。

根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的檢索結(jié)果，對(duì)于無警的西側(cè)邊坡和黃色預(yù)警的南側(cè)邊坡，從排土場(chǎng)邊坡實(shí)例數(shù)據(jù)中，篩選出滑坡預(yù)警等級(jí)為Ⅴ級(jí)和Ⅲ級(jí)的案例數(shù)據(jù)，再一次進(jìn)行基于歐式距離的案例相似度計(jì)算，高村排土場(chǎng)西側(cè)邊坡案例的相似度計(jì)算結(jié)果如表5所示，可以看出，目標(biāo)案例與源案例(39)最相似，相似度為0.966，次相似案例為源案例(41)，相似度為0.931；同理，計(jì)算得出高村排土場(chǎng)南側(cè)邊坡案例的最相似案例為源案例(16)，案例相似度為0.956；次相似案例為源案例(17)，案例相似度為0.947。

表5　高村排土場(chǎng)西側(cè)滑坡案例的相似度計(jì)算

3.4結(jié)果分析

根據(jù)預(yù)警結(jié)果，需要對(duì)高村排土場(chǎng)南側(cè)邊坡的預(yù)警結(jié)果進(jìn)行分析，表6為高村排土場(chǎng)南側(cè)邊坡最相似和次相似案例的預(yù)警信息和處置方案。

表6　相似案例的預(yù)警信息和處置方案

高村排土場(chǎng)南側(cè)邊坡的滑坡預(yù)警等級(jí)為Ⅲ級(jí)，即黃色預(yù)警，需要采取相應(yīng)預(yù)防措施。結(jié)合高村排土場(chǎng)的實(shí)際情況和領(lǐng)域?qū)＜乙庖?，高村排土?chǎng)南側(cè)邊坡的處置措施為：疏排水，清理庫區(qū)內(nèi)亂采亂挖現(xiàn)象，對(duì)下游居民普及排土場(chǎng)安全知識(shí)，監(jiān)測(cè)排土場(chǎng)邊坡位移量的變化。

4　結(jié)論

(1)建立了100組排土場(chǎng)邊坡滑坡案例庫，采用框架表示排土場(chǎng)滑坡事故案例，框架分為3個(gè)槽，每個(gè)槽有相應(yīng)的側(cè)面。

(2)提出了基于歐式距離和RBF神經(jīng)網(wǎng)絡(luò)的CBR案例混合檢索方法，應(yīng)用Matlab建立RBF網(wǎng)絡(luò)檢索模型，給出適合于排土場(chǎng)滑坡中長(zhǎng)期預(yù)警的CBR案例的修正方法和學(xué)習(xí)規(guī)則。

(3)選取高村排土場(chǎng)西側(cè)和南側(cè)邊坡的兩組實(shí)際數(shù)據(jù)進(jìn)行工程實(shí)例應(yīng)用，通過RBF網(wǎng)絡(luò)檢索出兩組數(shù)據(jù)的預(yù)警等級(jí)分別為Ⅴ級(jí)和Ⅲ級(jí)，即無警和黃色預(yù)警，與實(shí)際情況基本吻合。利用歐式距離計(jì)算得到相似案例，針對(duì)黃色預(yù)警的南側(cè)邊坡給出了科學(xué)、實(shí)用的處置措施。

[1]郝哲，孫俊紅，馮鴻寬,等．弓長(zhǎng)嶺鐵礦排土場(chǎng)邊坡穩(wěn)定性評(píng)價(jià)[J]．礦業(yè)工程研究，2012,27(2):58-63.

[2]欒婷婷，謝振華．露天礦排土場(chǎng)滑坡的可拓評(píng)價(jià)預(yù)警研究[J]．中南大學(xué)學(xué)報(bào)，2014,45(4):1274-1280.

[3]XIONG T, BAO Y K, HU Z Y, et al. Forecasting interval time series using a fully complex-valued RBF neural network with DPSO and PSO algorithms [J]. Information Sciences, 2015,305:77-92.

[4]DING Shifei, MA Gang, SHI Zhongzhi. A rough rbf neural network based on weighted regularized extreme learning machine [J]. Neural Processing Letters, 2014,40(3):245-60.

[5]謝振華，梁莎莎，張雪冬．基于RBF神經(jīng)網(wǎng)絡(luò)的露天礦山邊坡失穩(wěn)預(yù)警方法[J]．金屬礦山，2014，9(9)：7-10．

[6]包艷飛，崔文東．MATLAB神經(jīng)網(wǎng)絡(luò)在湖庫富營(yíng)養(yǎng)化程度評(píng)價(jià)中的應(yīng)用[J]．華北水利水電學(xué)院學(xué)報(bào)，2011,32(6):155-160.

[7]龔玉霞，王殿華．基于案例推理的食品安全突發(fā)事件風(fēng)險(xiǎn)預(yù)警系統(tǒng)探索[J]．食品科技，2012,37(7):311-315.

謝振華，男，1968年生，博士，教授，主要研究方向?yàn)榈V山安全技術(shù)、安全管理。

Research on Early Warning Method of Open-pit Dump Landslide Accidents Based on Case-based Reasoning

XING Zhenxiong1XIE Zhenhua2

(1.GuizhouInstituteforLabourProtectionScienceandTechnologyZunyi,Guizhou563000)

This paper has collected 100 sets of waste dump landslide accident cases and given the mid-and-long term early-warning method of waste dump landslide based on case-based reasoning (CBR), in which the frames are used to express cases, the RBF neural network and the Euclidean distance are combined to realize the case retrieval and the case revision and adjustment is completed by users and experts. In the application of engineering example of Komura dump, a similar case is obtained by case retrieval, the early warning level is determined and the following reasonable treatments are put forward, which can provide a scientific guidance for proper preventive measures.

dump landslidecase-based reasoningRBF neural networkEuclidean distance

2015-11-25)

貴州省科技廳項(xiàng)目(黔科合服企[2015]4006)。

幸貞雄，男，仡佬族，1965年生，高級(jí)工程師，貴州省安全生產(chǎn)專家，主要工作方向?yàn)榘踩u(píng)價(jià)和安全管理。