陳 慧 韓恒梅(.黃河水利職業(yè)技術(shù)學(xué)院測(cè)繪工程學(xué)院，河南 開封 475004；.平頂山工業(yè)職業(yè)技術(shù)學(xué)院資源開發(fā)學(xué)院，河南 平頂山 46700)

地下礦產(chǎn)資源開采活動(dòng)不可避免地會(huì)給地表造成擾動(dòng)，給礦區(qū)地表農(nóng)田、建(構(gòu))物安全造成了較大影響。高精度監(jiān)測(cè)預(yù)計(jì)礦區(qū)地表沉陷，可為地表沉陷治理及地下開采方案設(shè)計(jì)提供可靠依據(jù)[1-3]。傳統(tǒng)礦區(qū)開采沉陷監(jiān)測(cè)方法是通過在地表布置若干監(jiān)測(cè)站，利用水準(zhǔn)儀、GPS等方法進(jìn)行觀測(cè)[4-8]，但存在耗時(shí)較長(zhǎng)、精度不高等不足，并且難以對(duì)沉陷發(fā)展情況進(jìn)行準(zhǔn)確預(yù)計(jì)[9-12]。本研究以江西盤古山鎢礦為例，采用GA算法對(duì)SVM算法進(jìn)行優(yōu)化，采用GA-SVM算法訓(xùn)練概率積分法開采沉陷預(yù)計(jì)參數(shù)，對(duì)礦區(qū)開采沉陷進(jìn)行預(yù)計(jì)。

1 GA-SVA算法原理

迭代性是GA算法的一個(gè)顯著特征，每次迭代過程都會(huì)求出一個(gè)隨機(jī)解，以后每次迭代會(huì)產(chǎn)生新的解，新解的產(chǎn)生來源于傳承和進(jìn)化的遺傳語言，通過多次迭代，直至結(jié)果達(dá)標(biāo)為止，如此依次進(jìn)行[13-15]。GA算法實(shí)現(xiàn)步驟為：①回到初始狀態(tài)，以一定的概率產(chǎn)生一組符號(hào)節(jié)；②對(duì)符號(hào)節(jié)進(jìn)行評(píng)估，評(píng)價(jià)標(biāo)準(zhǔn)為適度函數(shù)；③形成一組新的符號(hào)節(jié)，所使用的工具為遺傳操作；④對(duì)結(jié)果進(jìn)行審斂，若發(fā)散則重復(fù)操作步驟①、②。

SVM算法是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最優(yōu)化原則的數(shù)據(jù)分類和回歸計(jì)算方法[16-17]，本研究采用GA算法通過選擇、交叉、變異等操作對(duì)其進(jìn)行優(yōu)化，主要步驟為：①確定數(shù)據(jù)的網(wǎng)絡(luò)構(gòu)成，通過對(duì)向量矩陣的權(quán)重、取值、閾值進(jìn)行選擇優(yōu)化，獲取初始數(shù)據(jù)集群，給出訓(xùn)練參數(shù)；②得出試驗(yàn)函數(shù)，根據(jù)向量機(jī)計(jì)算法則計(jì)算步驟①所選擇的優(yōu)化參數(shù)，進(jìn)行誤差矯正，誤差越大說明其適應(yīng)性越差，予以排除；③適應(yīng)性函數(shù)尋找出適應(yīng)性最大的幾個(gè)數(shù)據(jù)集合，通過GA算法產(chǎn)生下一代數(shù)據(jù)種群；④通過GA算法的選擇、交叉和變異操作生成具有代表性的數(shù)據(jù)種群；⑤基于遺傳數(shù)據(jù)的種群對(duì)SVM進(jìn)行訓(xùn)練分析，辨別數(shù)據(jù)精度是否符合精度要求，若數(shù)據(jù)無法符合精度要求，則重復(fù)步驟②～⑤，直至數(shù)據(jù)達(dá)標(biāo)為止。

GA-SVM算法的相關(guān)計(jì)算因子取值見表1。

表1 GA-SVA算法相關(guān)因子取值Table 1 Relative factor values of GA-SVM algorithm

用GA-SVA算法對(duì)概率積分法開采沉陷預(yù)計(jì)參數(shù)進(jìn)行了訓(xùn)練，結(jié)果見表2。由表2計(jì)算可知，GA-SVM算法各參數(shù)的訓(xùn)練值與設(shè)計(jì)值的相對(duì)誤差絕對(duì)值分別為0.36%、0.71%、0.16%、0.55%，總體誤差較小，表明該算法訓(xùn)練出概率積分法開采沉陷預(yù)計(jì)參數(shù)可靠性較強(qiáng)。

表2 GA-SVA算法概率積分法預(yù)計(jì)參數(shù)的訓(xùn)練值Table 2 Training data of the prediction parameters of probability integral method of GA-SVM algorithm

2 開采沉陷預(yù)計(jì)

研究區(qū)地處盤古山鎢礦區(qū)，區(qū)內(nèi)設(shè)置有2個(gè)標(biāo)準(zhǔn)站(BZ1、BZ2點(diǎn))以及9個(gè)監(jiān)測(cè)點(diǎn)位(TY1～TY9)(圖1)。標(biāo)準(zhǔn)站布置于研究區(qū)西北方向，該區(qū)域地層穩(wěn)定，發(fā)生地面沉陷的可能性較小。構(gòu)建了3條監(jiān)測(cè)線(編號(hào)依次為a、b、c)，a監(jiān)測(cè)路線包括TY1、TY2、TY3監(jiān)測(cè)點(diǎn)位，b監(jiān)測(cè)路線包括TY4、TY5、TY6監(jiān)測(cè)點(diǎn)位，c監(jiān)測(cè)路線包括TY7、TY8、TY9監(jiān)測(cè)點(diǎn)位。

圖1 研究區(qū)監(jiān)測(cè)點(diǎn)位布置Fig.1 Distribution of the monitoring points in study area

本研究從2016年3月15日開始對(duì)研究區(qū)進(jìn)行開采沉陷監(jiān)測(cè)，每隔15 d監(jiān)測(cè)一次，于2016年7月底結(jié)束監(jiān)測(cè)，前后累計(jì)進(jìn)行了10次GPS監(jiān)測(cè)工作。在收集整理外業(yè)監(jiān)測(cè)數(shù)據(jù)的基礎(chǔ)上，進(jìn)一步進(jìn)行了數(shù)據(jù)處理，流程如圖2所示。TY2、TY8點(diǎn)位的累計(jì)沉陷值如表3所示。

圖2 研究區(qū)開采沉陷監(jiān)測(cè)數(shù)據(jù)處理流程Fig.2 Processing flow of the mining subsidence monitoring data in study area

表3 TY2、TY8點(diǎn)位的累計(jì)開采沉陷值Table 3 Accumulated mining subsidence data of TY2 and TY8 point

結(jié)合表3中的1～7組數(shù)據(jù)對(duì)GA-SVM模型進(jìn)行了訓(xùn)練，構(gòu)建了GA-SVM開采沉陷預(yù)計(jì)模型。預(yù)計(jì)結(jié)果表明：第8次觀測(cè)TY2、TY8點(diǎn)位的累計(jì)沉陷值分別為12.98，7.05 mm；第9次觀測(cè)TY2、TY8點(diǎn)位的累計(jì)沉陷值分別為13.98，7.10 mm；第10次觀測(cè)TY2、TY8點(diǎn)位的累計(jì)沉陷值分別14.71，7.42 mm，與表3中相應(yīng)實(shí)測(cè)值的誤差絕對(duì)值分別為0.61%、0.11%(第8次觀測(cè))，0.71%、1.5%(第9次觀測(cè))，0.4%、2.5%(第10次觀測(cè))(圖3)。本研究中其余7個(gè)監(jiān)測(cè)點(diǎn)位的預(yù)計(jì)值與實(shí)測(cè)值的誤差小于5%，可見該模型具有較高的預(yù)計(jì)精度。

圖3 沉陷預(yù)計(jì)值與實(shí)測(cè)值對(duì)比Fig.3 Comparison of the subsidence prediction data and corresponding measured data■—實(shí)測(cè)值；▲—預(yù)計(jì)值

分別采用研究區(qū)9個(gè)測(cè)點(diǎn)的第10期的觀測(cè)值以及相應(yīng)的預(yù)計(jì)值用插值方法構(gòu)建了DEM，如圖4所示。由圖4可知，2種數(shù)據(jù)構(gòu)建的DEM高度非常接近，可見，采用本研究方法預(yù)計(jì)出的沉陷值構(gòu)建的DEM完全可以用于礦區(qū)下一步的沉陷分析及相關(guān)研究。

3 結(jié) 語

為有效提高江西盤古山鎢礦區(qū)開采沉陷的預(yù)計(jì)精度，采用GA算法對(duì)SVM算法進(jìn)行了優(yōu)化，并采用GA-SVA算法對(duì)概率積分法開采沉陷預(yù)計(jì)參數(shù)進(jìn)行了訓(xùn)練。結(jié)合礦區(qū)監(jiān)測(cè)點(diǎn)位的GPS實(shí)測(cè)沉陷數(shù)據(jù)構(gòu)建了GA-SVA沉陷預(yù)計(jì)模型，并進(jìn)行了沉陷預(yù)計(jì)分析。結(jié)果表明：所提模型的預(yù)計(jì)數(shù)據(jù)與相應(yīng)實(shí)測(cè)數(shù)據(jù)的誤差基本小于5%，采用預(yù)計(jì)數(shù)據(jù)構(gòu)建的DEM與基于相應(yīng)實(shí)測(cè)數(shù)據(jù)構(gòu)建的DEM較一致，表明本研究所提出的GA-SVM開采沉陷預(yù)計(jì)算法精度較高。

圖4 研究區(qū)不同沉陷值構(gòu)建的DEM(單位：m)Fig.4 DEM of the study area established by different subsidence data

[1] 徐孟強(qiáng)，查劍鋒，李懷展.基于PSO算法的概率積分法預(yù)計(jì)參數(shù)反演[J].煤炭工程，2015(7)：117-119.

Xu Mengqiang,Zha Jianfeng,Li Huaizhan.Parameters inversion in probability integral method by particle swarm optimization[J].Coal Engineering,215(7):117-119.

[2] 齊秀峰.基于量子神經(jīng)網(wǎng)絡(luò)擬合法的礦區(qū)地表變形監(jiān)測(cè)[J].金屬礦山，2016(4)：154-157.

Qi Xiufeng.Surface deformation monitoring of mining area based on quantum meural metwork fitting method[J].Metal Mine,2016(4)：154-157.

[3] 毛文軍.基于遺傳BP神經(jīng)網(wǎng)絡(luò)模型的礦區(qū)開采沉陷預(yù)計(jì)[J].金屬礦山，2016(2)：164-167.

Mao Wenjun.Mining subsidence prediction method based on genetic BP neural network model[J].Metal Mine,2016(2)：164-167.

[4] 楊國(guó)林，李建章，李培天.基于BP神經(jīng)網(wǎng)絡(luò)的高程異常轉(zhuǎn)換工程應(yīng)用研究[J].礦山測(cè)量，2013(6)：57-59.

Yang Guolin,Li Jianzhang,Li Peitian.Research on the conversion and engineering application of the height anomaly nased on BP neural network[J].Mine Surveying,2013(6)：57-59.

[5] 吳兆福，宮 鵬，高 飛，等.基于支持向量機(jī)的GPS似大地水準(zhǔn)面擬合[J].測(cè)繪學(xué)報(bào)，2004(4)：303-306.

Wu Zhaofu,Gong Peng,Gao Fei,et al.GPS quasi geoid fitting based on support vector machine technology[J].Acta Geodaetica et Cartographica Sinica,2004(4):303-306.

[6] 王小輝，王琪潔，丁元蘭，等.基于二次曲面和BP神經(jīng)網(wǎng)絡(luò)組合模型的GPS高程異常擬合[J].大地測(cè)量與地球動(dòng)力學(xué)， 2012(6)：103-105.

Wang Xiaohui,Wang Qijie,Ding Yuanlan,et al.Combined model in height anomaly fitting[J].Journal of Geodesy and Geodynamics,2012(6):103-105.

[7] 胡伍生，華錫生，鮑興南.轉(zhuǎn)換GPS高程的神經(jīng)元網(wǎng)絡(luò)方法[J].河海大學(xué)學(xué)報(bào)：自然科學(xué)版，2001(6)：87-89.

Hu Wusheng,Hua Xisheng,Bao Xingnan.Neural network method for GPS height transformation[J].Journal of Hehai University：Natural Sciences Edition,2001(6):87-89.

[8] 楊建圖，姜衍祥，周 俊，等.GPS測(cè)量地面沉降的可靠性及精度分析[J].大地測(cè)量與地球動(dòng)力學(xué)，2006(1)：70-75.

Yang Jiantu,Jiang Yanxiang,Zhou Jun,et al.Analysis on reliability and accuracy of subsidence measurement with GPS technique[J].Journal of Geodesy and Geodynamics,2006(1):70-75.

[9] 沈玉娜，萬廣欣.GPS在區(qū)域地面沉降監(jiān)測(cè)中的應(yīng)用[J].礦山測(cè)量，2016(4)：16-18.

Shen Yuna,Wan Guangxin.Application of GPS in Regional Ground Subsidence Monitoring[J].Mine Surveying,2016(4):16-18.

[10] 劉國(guó)林，張連蓬，成 樞，等.合成孔徑雷達(dá)干涉測(cè)量與全球定位系統(tǒng)數(shù)據(jù)融合監(jiān)測(cè)礦區(qū)地表沉降的可行性分析[J].測(cè)繪通報(bào)，2005(11)：13-16.

Liu Guolin,Zhang Lianpeng,Cheng Shu,et al.Feasibility analysis of monitoring mining surface substance using InSAR/GPS data fusion[J].Bulletin of Surveying and Mapping,2005(11):13-16.

[11] 侯林山，王金龍，朱三妹，等.利用差分GPS進(jìn)行地面沉降監(jiān)測(cè)的研究[J].巖土力學(xué)，2006(5)：811-815.

Hou Linshan,Wang Jinlong,Zhu Sanmei,et al.Study of difference GPS to monitor Land Subsidence[J].Rock and Soil Mechanics.2006(5):811-815.

[12] 高永芹.礦區(qū)開采沉降監(jiān)測(cè)中GPS的應(yīng)用研究[J].煤炭技術(shù)，2013(4)：124-126.

Gao Yongqin.Application of GPS in mining subsidence monitoring[J].Coal Technology,2013(4):124-126.

[13] 楊澤發(fā)，易輝偉，朱建軍，等.基于InSAR時(shí)序形變的礦區(qū)全盆地沉降時(shí)空演化規(guī)律分析[J].中國(guó)有色金屬學(xué)報(bào)，2016(7)：1515-1522.

Yang Zefa,Yi Huiwei,Zhu Jianjun,et al.Spato-temporal evolution law analysis of whole mining subsidence basin based on InSAR-derived time series deformation[J].The Chinese Journal of Nonferrous Metals,2016(7):1515-1522.

[14] 王 磊，郭廣禮，王明柱，等.山區(qū)地表移動(dòng)預(yù)計(jì)修正模型及其參數(shù)求取方法[J].煤炭學(xué)報(bào)，2014(7)：1070-1076.

Wang Lei,Guo Guangli,Wang Mingzhu,et al.New method of updating design for model and its parameter to prediction surface movement in mountainous mining[J].Journal of China Coal Society,2014(7):1070-1076.

[15] 孫 冉.概率積分法參數(shù)求取和模型修正方法研究及程序?qū)崿F(xiàn)[D].淮南：安徽理工大學(xué)，2017.

Sun Ran.Research on the Method of Parameter Estimation and Model Updating Based on Probability Integral Method and Program Realization[D].Huainan:Anhui University of Science and Technology,2017.

[16] 張 豪，羅亦泳，張立亭.基于遺傳支持向量機(jī)的城市擴(kuò)張非線性組合模型[J].地理學(xué)報(bào),2010(6)：656-664.

Zhang Hao,Luo Yiyong,Zhang Liting.A nonlinear polynomial model for urban expansion incorporating genetic algorithm and support vector machines[J].Acta Geographica Sinica,2010(6)：656-664.

[17] 拓萬兵，姜 偉，吳鳳民.基于支持向量機(jī)的開采沉陷預(yù)計(jì)參數(shù)選取研究[J].中國(guó)礦業(yè)，2015(2)：114-116.

Tuo Wanbing,Jiang Wei,Wu Fengmin.Study on the selection of prediciton parameters on mining subsidence based on support vector machine[J].China Mining Magazine,2015(2):114-116.