丁 一，鄧念東，姚 婷,2，劉東海,2，尚 慧

(1.西安科技大學 地質(zhì)與環(huán)境學院，陜西 西安 710054；2.重慶一零七市政建設(shè)工程有限公司，重慶 401120)

0 引 言

山西常村煤礦井田范圍內(nèi)鐵路專用線壓煤量達3 500萬t，占常村煤礦可開采儲量的4.7%，根據(jù)國家產(chǎn)業(yè)政策，鐵路下壓覆煤炭資源應(yīng)遵循煤炭資源優(yōu)化利用，保護生態(tài)環(huán)境和企業(yè)經(jīng)濟與社會效益，保護對象安全的總原則，凡技術(shù)上可行、經(jīng)濟上合理，丟棄后帶來用不可采或其他嚴重后果的，必須進行回采[1]。在充分利用資源的同時要保證鐵路的安全運行，開采沉陷預(yù)測顯得尤為重要。概率積分法理論成熟，易于計算機實現(xiàn)，是我國目前運用最成熟、最廣泛的預(yù)測方法[2-3]，而預(yù)計參數(shù)選取的準確與否直接關(guān)系到地表移動和變形預(yù)計的精度[4-5]。查劍峰等[6]提出利用遺傳算法反演概率積分參數(shù)，并對該方法的準確性和可靠性進行了研究。李培現(xiàn)等[7]提出了運用地表空間移動矢量反演概率積分法參數(shù)的遺傳算法模型，為多工作面及非矩形參數(shù)反演的工程應(yīng)用問題提供了新的計算方法和解決思路。王磊等[8]基于D-InSAR技術(shù)成果和遺傳算法理論，構(gòu)建了融合兩者的概率積分預(yù)計全參數(shù)反演模型，并編制了求參軟件。沈震等[9]利用 Matlab軟件，運用最小二乘法擬合出觀測點變形數(shù)據(jù)，進而對概率積分預(yù)計參數(shù)進行解算，并開發(fā)了集開采沉陷預(yù)計和反演為一體的可視化開采沉陷預(yù)計系統(tǒng)。楊靖宇等提出利用一種基于BFGS算法的概率積分模型進行參數(shù)反演，結(jié)果表明該方法相較于傳統(tǒng)優(yōu)化算法和智能優(yōu)化算法具有一定的可行性和優(yōu)越性。研究表明，概率積分預(yù)計參數(shù)受到覆巖巖性、結(jié)構(gòu)、開采厚度、開采深度、開采方法、采動程度、煤層傾角、地質(zhì)構(gòu)造、地形地貌等許多地質(zhì)采礦因素的影響[11-15]，是地質(zhì)采礦條件對開采沉陷的綜合反映。然而我國復雜的地質(zhì)環(huán)境決定了不同地區(qū)不同礦區(qū)的地質(zhì)采礦條件存在很大的差異，不可盲目參考，因此，從地質(zhì)采礦條件的角度出發(fā)對概率積分預(yù)計參數(shù)進行解算，并將其運用于鐵路路基的開采沉陷預(yù)測，為鐵路的變形預(yù)測提供理論基礎(chǔ)，為后續(xù)工作面的開采和鐵路的變形防治措施提供理論依據(jù)，從而實現(xiàn)煤炭開采與鐵路運行同時進行的最佳協(xié)調(diào)狀態(tài)，保證鐵路安全運行的前提下，因地制宜地在鐵路下采煤，研究成果對于煤礦的發(fā)展以及促進資源高效利用具有重要的理論意義和現(xiàn)實意義。

1 研究區(qū)概況

郭莊煤礦和常村煤礦同屬山西潞安集團，郭莊煤礦鐵路專用線從常村煤礦井田范圍穿過，為促進煤炭資源綜合開發(fā)和合理利用，常村煤礦開采計劃中未留設(shè)保護煤柱。影響郭莊煤礦鐵路專用線運營的回采工作面總共7個，對鐵路的影響范圍為K0+634～K6+145，工作面與鐵路位置關(guān)系如圖1所示。其中S3-13工作面已回采完畢，2105工作面正在回采，其他均未開采。S3-13工作面的開采導致本段工作面上方鐵路路基最大下沉量達4 m以上，致使郭莊煤礦鐵路專用線停止運營。為達到工作面開采同時鐵路正常運營的目的，郭莊煤礦欲通過對開采沉陷進行預(yù)測，從而控制鐵路變形來實現(xiàn)此目標。

圖1 工作面與鐵路位置關(guān)系Fig.1 Relationship between working surface and railway position

常村煤礦位于長治盆地西部，全區(qū)廣為第四系黃土沉積掩蓋，地形平緩，屬溫帶半干燥大陸性氣候，四季分明，地質(zhì)構(gòu)造形態(tài)主要為軸向近南北的相互平行的褶曲構(gòu)造，井田內(nèi)各含水層之間的水力聯(lián)系較弱。常村煤礦主采3號煤層，位于山西組的中下部，煤層厚度為0.50～7.33 m，平均厚度6.04 m，結(jié)構(gòu)簡單～復雜，上覆基巖以砂巖和泥巖為主，松散層厚度0～110 m。

2 基于地質(zhì)采礦條件的預(yù)計參數(shù)求取

運用概率積分法對研究區(qū)內(nèi)工作面的開采沉陷進行預(yù)計，概率積分預(yù)計參數(shù)包括：下沉系數(shù)q，主要影響角正切tanβ，水平移動系數(shù)b，開采影響傳播角θ，拐點偏移距s(一般用s/H0表示，H0為采深)。

2.1 地質(zhì)采礦因素選取

在國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，遵循科學性、代表性和易操作性的原則，結(jié)合研究區(qū)自身特點[16]，選取了影響概率積分預(yù)計參數(shù)的地質(zhì)采礦因素，包括：煤層傾角α、松散層厚度h、覆巖綜合硬度Q、平均采深H0、采厚M、工作面推進速度C，采動程度n(采動程度n分2個方向，n1為傾向采動程度，n3為走向采動程度。)以及工作面傾向長度D1和走向長度D3。

研究區(qū)各工作面的上述地質(zhì)采礦條件參數(shù)見表1。

表1 研究區(qū)工作面地質(zhì)采礦條件參數(shù)

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

概率積分預(yù)計參數(shù)與地質(zhì)采礦條件之間存在復雜的非線性關(guān)系，很難利用一個確定的函數(shù)模型去進行準確的描述，BP神經(jīng)網(wǎng)絡(luò)具有能夠以任意精度逼近任何非線性函數(shù)的特性，因此，采用BP神經(jīng)網(wǎng)絡(luò)算法建立地質(zhì)采礦條件與概率積分參數(shù)之間的非線性關(guān)系。但BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)解，且收斂速度慢，預(yù)測精度也有待提高，為此，運用遺傳算法(GA)對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化，使BP神經(jīng)網(wǎng)絡(luò)能夠得到精確的預(yù)測輸出。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)包含BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP網(wǎng)絡(luò)預(yù)測輸出3部分。首先，根據(jù)樣本數(shù)據(jù)的輸入輸出確定BP網(wǎng)絡(luò)的結(jié)構(gòu)及遺傳算法個體的長度；其次，個體基于適應(yīng)度函數(shù)進行選擇、交叉、變異操作尋找最優(yōu)個體適應(yīng)度值，并將其作為BP網(wǎng)絡(luò)的初始權(quán)值和閾值進行運算；最后，網(wǎng)絡(luò)經(jīng)訓練后輸出預(yù)測函數(shù)[17-18]。GA-BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖2所示。

圖2 GA-BP算法流程Fig.2 GA-BP algorithm flow

模型建立過程中，輸入變量原為選取的地質(zhì)采礦因素，為簡化模型，利用主成分分析法提取出5個主成分作為輸入變量，概率積分預(yù)計參數(shù)作為輸出變量，為提高預(yù)測精度，采用多輸入層單一輸出層的網(wǎng)絡(luò)結(jié)構(gòu)，即將5個概率積分參數(shù)分別作為單一輸出層，建立5個獨立模型，每個模型的輸入層節(jié)點數(shù)為5，輸出層節(jié)點數(shù)為1。收集了76組觀測數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓練和測試樣本，其中前70組數(shù)據(jù)是從文獻[19]中的地表移動觀測站資料篩選得來，將其作為訓練數(shù)據(jù)，后6組為研究區(qū)所在潞安礦區(qū)的實測數(shù)據(jù)，用于測試網(wǎng)絡(luò)性能，試驗數(shù)據(jù)見表2。

表2 試驗數(shù)據(jù)

續(xù)表

利用Matlab對模型進行反復的訓練學習，各模型的參數(shù)設(shè)置見表3。

表3 GA-BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

2.3 模型精度檢驗

對模型經(jīng)過不斷的學習訓練之后，分別對5個概率積分參數(shù)進行了預(yù)測輸出，現(xiàn)從網(wǎng)絡(luò)的誤差分析、對數(shù)據(jù)的擬合度以及測試結(jié)果對模型精度進行檢驗。

由圖3可知，GA-BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)訓練集在訓練5次時開始收斂，最佳驗證性能為0.005。由表4和圖4可知，6個測試樣本中實測值與預(yù)測值的最大相對誤差為2.81%，最小相對誤差對1.49%，平均相對誤差僅為2.06%，誤差較小；表明該模型收斂速度快，預(yù)測精度較高。

圖3 下沉系數(shù)預(yù)計模型均方誤差曲線Fig.3 Mean square error curve of sinking coefficient prediction model

圖4 下沉系數(shù)預(yù)測與實測對比曲線Fig.4 Comparison curve between prediction and actual measurement of sinking coefficient

表4 下沉系數(shù)預(yù)測與實測對比結(jié)果

圖5中利用相關(guān)系數(shù)R來反映樣本數(shù)據(jù)擬合效果，R的絕對值介于0～1，R越接近1，表示實測值與預(yù)測值的相關(guān)性越強，擬合程度越好；反之，R越接近于0，實測值與預(yù)測值的相關(guān)性就越弱，擬合程度越差。下沉系數(shù)預(yù)計模型中訓練集的相關(guān)系數(shù)為0.886，驗證集的相關(guān)系數(shù)為0.806，測試集的相關(guān)系數(shù)為0.868，全部數(shù)據(jù)的相關(guān)系數(shù)為0.858，相關(guān)系數(shù)均較高，對數(shù)據(jù)的擬合效果較好。同理，對其余4個模型的精度均進行了檢驗，各個模型的誤差分析結(jié)果見表5。

圖5 下沉系數(shù)預(yù)計模型回歸狀態(tài)曲線Fig.5 Sinking coefficient prediction model regression state curve

由表5可以看出各模型的最佳驗證性能均保持在10-3級別，平均相對誤差均小于3%，且樣本數(shù)據(jù)擬合的相關(guān)系數(shù)均大于0.8。同時采用威爾莫特一致性指數(shù)(IWA)來評價GA-BP神經(jīng)網(wǎng)絡(luò)的泛化性能，當IWA>0.6時模型才有實際的預(yù)測價值[20]，由表中可知各模型的IWA均大于0.8。以上檢驗結(jié)果表明模型的預(yù)測精度均較高，且具有良好的預(yù)測能力，能夠達到開采沉陷預(yù)計的精度要求，可利用該模型進行預(yù)測。

表5 預(yù)計參數(shù)神經(jīng)網(wǎng)絡(luò)模型誤差分析

2.4 預(yù)計參數(shù)求取

根據(jù)研究區(qū)各工作面地質(zhì)采礦條件參數(shù)，運用以上建立的5個GA-BP神經(jīng)網(wǎng)絡(luò)模型，求得研究區(qū)內(nèi)各工作面開采沉陷的概率積分預(yù)計參數(shù)見表6。

表6 研究區(qū)工作面開采沉陷概率積分預(yù)計參數(shù)

3 鐵路路基沉陷預(yù)測

根據(jù)以上得到的研究區(qū)各工作面開采沉陷預(yù)計參數(shù)，運用概率積分法對各工作面開采引起的地表沉降變形進行了穩(wěn)態(tài)預(yù)計，得到了地表最大下沉值，并繪制了地表下沉等值線和下沉曲線。

3.1 S3-13工作面開采沉陷實測與預(yù)測對比

S3-13工作面開采范圍內(nèi)沿鐵路專線布置有監(jiān)測點(圖6)，并且進行了沉降監(jiān)測，獲得了部分監(jiān)測數(shù)據(jù)，因此，以下將S3-13工作面的預(yù)測結(jié)果與實測數(shù)據(jù)進行對比(表7和圖7)，確保預(yù)測結(jié)果的準確性。

圖7 S3-13工作面實測與預(yù)測下沉曲線對比Fig.7 Comparison of measured and predicted subsidence curves of S3-13 working face

由表7可以看出，實測值與預(yù)測值的誤差較小，經(jīng)計算，兩者的差值平方和[VV]為6.21×105，中誤差為104.38 mm，為觀測點最大下沉值的2.60%；由圖6實測與預(yù)測下沉曲線的對比可知，曲線的擬合效果較好，說明本文利用概率積分法對研究區(qū)工作面開采沉陷所做的預(yù)測精度較高，預(yù)測結(jié)果具有一定的可靠性，同時也說明上述通過GA-BP神經(jīng)網(wǎng)絡(luò)計算得到的概率積分預(yù)計參數(shù)是可靠的，可以用來對其余工作面進行沉陷預(yù)測。

圖6 監(jiān)測點布置Fig.6 Monitoring site layout

表7 S3-13工作面下沉實測與預(yù)測值對比

3.2 鐵路路基沉陷預(yù)測

基于上述分析結(jié)果，對研究區(qū)所有工作面開采后的沉陷情況進行了預(yù)測，得到鐵路沿線的下沉等值線如圖7所示。依據(jù)《建筑物、水體、鐵路及主要井巷煤柱留設(shè)與壓煤開采規(guī)范》中下沉值為10 mm時移動期開始的規(guī)定，將下沉值為10 mm的等值線作為下沉邊界。

由圖8可以看出，研究區(qū)內(nèi)所有工作面開采完畢后，區(qū)內(nèi)會形成2塊比較大的沉降，鐵路專線在其影響范圍之內(nèi)，沿鐵路線切剖面得到鐵路沿線的下沉曲線如圖9所示。

圖8 鐵路路基下沉等值線圖Fig.8 Contour map of railway subgrade subsidence

圖9 鐵路路基下沉曲線Fig.9 Railway subgrade subsidence curve

由圖9可以看出，研究區(qū)內(nèi)工作面開采對鐵路造成的影響很大，預(yù)測鐵路路基最大下沉值達到4 261 mm，其中K0+745～K3+045以及K3+245～K4+045兩個路段將會形成最大值大于4 000 mm的下沉盆地，鐵路將會發(fā)生嚴重的變形破壞，喪失其正常運營能力。因此，為保證工作面開采與鐵路運輸同時正常進行，還需對其進行動態(tài)預(yù)測以及實時監(jiān)測，通過及時的起道、撥道、串軌等一系列維護方法將鐵路線路病害規(guī)?？刂圃谠试S的限界范圍內(nèi)，從而實現(xiàn)邊開采、邊維修、邊運營的最終目的。

4 結(jié) 論

1)在國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，結(jié)合礦區(qū)自身特點，選取出9個地質(zhì)采礦因素作為輸入變量，概率積分法的5個預(yù)計參數(shù)分別作為輸出變量，建立了地質(zhì)采礦條件與概率積分預(yù)計參數(shù)之間5個獨立的GA-BP神經(jīng)網(wǎng)絡(luò)模型，并將收集的76組數(shù)據(jù)進行主成分分析后應(yīng)用于模型的訓練和測試。

2)從網(wǎng)絡(luò)的誤差分析、對數(shù)據(jù)的擬合度、測試結(jié)果以及泛化性能4個方面對模型的精度及可靠度分別進行了檢驗，結(jié)果表明網(wǎng)絡(luò)的收斂速度均較快，模型的平均相對誤差均小于3%，對數(shù)據(jù)的擬合程度均大于0.8，泛化性能指數(shù)均在0.8以上，說明模型的預(yù)測精度均較高，能夠達到開采沉陷預(yù)計的精度要求，且具有良好的預(yù)測能力。

3)根據(jù)研究區(qū)工作面的地質(zhì)采礦條件，運用GA-BP神經(jīng)網(wǎng)絡(luò)模型求得了各工作面開采沉陷的概率積分預(yù)計參數(shù)，并對S3-13工作面開采沉陷進行了預(yù)計，將預(yù)測與實測數(shù)據(jù)進行對比，發(fā)現(xiàn)實測與預(yù)測的誤差較小，兩者的差值平方和為6.21×105，中誤差為104.38 mm，為觀測點最大下沉值的2.60%，表明預(yù)測結(jié)果精度較高，同時也說明得到的概率積分預(yù)計參數(shù)具有一定的可靠性。

4)對研究區(qū)所有工作面開采完畢后的地表沉陷情況進行了預(yù)測，得到了鐵路路基的下沉等值線及下沉曲線，預(yù)計鐵路沿線最大下沉值達4 261 mm，并有兩個路段將會形成大于4 000 mm的下沉盆地，結(jié)果表明工作面開采將會對鐵路造成嚴重的破壞，因此應(yīng)提前做好監(jiān)測預(yù)測以及防治工作。