陳尚波 張耀平 夏弋江 田留峰

(1.江西理工大學資源與環(huán)境工程學院;2.江西理工大學應(yīng)用科學學院)

由于礦山地下開采形成的空區(qū)受巖體結(jié)構(gòu)、地質(zhì)構(gòu)造、地下水等自然因素及采礦工藝、爆破震動等人為因素的影響，空區(qū)冒落預(yù)測結(jié)果往往與實際監(jiān)測結(jié)果相差甚大［1-2］。傳統(tǒng)用于覆蓋層冒落高度及碴石厚度監(jiān)測的方法有地質(zhì)雷達法、高密度電法、超聲波探測儀、鉆孔攝影等，而對于冒落高度及碴石厚度的人工智能方法預(yù)測尚處于起步階段。本研究結(jié)合灰色模型 GM(1，1)［3-4］、最小二乘支持向量機(LSSVM)［5］等人工智能方法的優(yōu)勢，將殘差型灰色最小二乘支持向量機預(yù)測模型(G－LSSVM)應(yīng)用于某鐵礦的覆蓋層冒落高度及碴石厚度預(yù)測中［6］，其結(jié)果與實際鉆孔攝影監(jiān)測對比分析，結(jié)果表明，殘差灰色最小二乘支持向量機(GLSSVM)預(yù)測模型對于實際冒落情況的預(yù)測是有效可行的。

1 基本原理

1.1 灰色最小二乘支持向量機模型［7-8］

首先對監(jiān)測的原始數(shù)據(jù)按照運用鉆孔攝像監(jiān)測得到原始數(shù)據(jù)

進行初步疊加生成富有規(guī)律的新序列

然后根據(jù)新序列，利用結(jié)構(gòu)簡單、算法簡練的LSSVM列建立預(yù)測模型。預(yù)測的目標在于要尋找i+p時刻的序列值與前p個時刻的序列值，…，的邏輯關(guān)系，即確定映射關(guān)系

X1i為p+i時刻的序列行向量，

K()為核函數(shù);系數(shù)ai(i=1，2，…，n － p)，b是通過求解式(4)得到。

1.2 殘差灰色最小二乘支持向量機

頂板冒落序列可包括具有確定性的趨勢項和未確知性的隨機項2種成分，其響應(yīng)成分模型可表示為

式中，Ut為冒落高度及碴石厚度的具有確定性的趨勢項;Vt為未確知的隨機項，由于其受到人類地下工程活動以及地震等突發(fā)事件的影響，故將其認作為趨勢項的隨機項。

建模結(jié)構(gòu)如圖1，首先用GM(1，1)模型對數(shù)據(jù){x(0)(i)}，i=1，2，…，n，進行預(yù)測，得到一組殘差序列

然后用LSSVM模型對殘差e(0)(i)進行預(yù)測，得預(yù)測值^e(0)(i)，因此模型最終預(yù)測值

圖1 殘差型灰色最小二乘支持向量機

2 工程實例

安徽省廬江某鐵礦為一隱伏的大型磁鐵礦床。礦床位于低山丘陵區(qū)，地表標高一般在40～200 m，礦體賦存在－268.07～－507.41 m標高內(nèi)。因該鐵礦經(jīng)濟價值高，加之礦區(qū)地表允許崩落，礦床的開采方式適用于地下開采方法中的無底柱分段崩落采礦方法，該工藝簡單可靠、機械化程度高、生產(chǎn)成本低、作業(yè)安全。采用無底柱分段崩落法，對于加強對頂板冒落情況的監(jiān)測，利用人工智能方法對空區(qū)巖石冒落厚度及碴石厚度的預(yù)測對實現(xiàn)礦山長期安全、高效、最大限度的回收資源顯得尤為重要。

由于受到空區(qū)自身條件和監(jiān)測技術(shù)的限制，傳統(tǒng)的監(jiān)測手段難以準確地探明空區(qū)頂板圍巖的冒落情況，這給工程技術(shù)人員對后期的空區(qū)處理帶來了很大的困擾，尤其是對于采用無底柱分段崩落法的金屬礦山，其采空區(qū)頂板的冒落情況直接影響到后續(xù)礦體回采的安全性，而采用頂板鉆孔攝影監(jiān)測技術(shù)可以較好地滿足這一工程要求，獲得可靠的空區(qū)頂板冒落情況的圖像和數(shù)據(jù)。為了獲得空區(qū)頂板受開采影響的冒落情況，自2010年3月至2011年8月，施工4個觀測鉆孔，其中CZK01與空區(qū)聯(lián)通，自2011年4月起開始逐月監(jiān)測，監(jiān)測儀器及現(xiàn)場監(jiān)測相關(guān)圖片如圖2～圖5所示，現(xiàn)場取得監(jiān)測數(shù)據(jù)見表1，利用SVM、GM(1，1)、殘差型灰色最小二乘支持向量機分別對該鉆孔觀測數(shù)據(jù)進行預(yù)測，最后由可得到預(yù)測結(jié)果見表2、表3。

圖2 JSP－1型視頻測井儀

通過圖6、圖7對3種模型預(yù)測的結(jié)果與鉆孔攝影監(jiān)測結(jié)果進行了比較，充分表明:殘差型GLSSVM預(yù)測的數(shù)據(jù)曲線與實際監(jiān)測數(shù)據(jù)曲線最為接近，充分顯示了這種新的信息處理和預(yù)測方法要優(yōu)于單一的GM(1，1)和SVM，該模型可以避免單一人工智能方法預(yù)測的盲目性和隨機性。

圖3 攝像儀入孔照片

圖4 絞車照片

圖5 電腦監(jiān)測照片

表1 某鐵礦巖石冒落高度及碴石厚度監(jiān)測數(shù)據(jù) m

3 結(jié)語

結(jié)合了最小二乘支持向量機、灰色模型等人工智能方法各自在工程應(yīng)用領(lǐng)域上優(yōu)勢，提出了基于殘差型灰色最小二乘支持向量機的智能預(yù)測方法，并簡述了其建模思路及關(guān)鍵步驟。將支持向量機、灰色模型及殘差型灰色最小二乘支持向量機模型分別用于某鐵礦覆蓋層冒落高度及碴石厚度預(yù)測，預(yù)測的結(jié)果與實際冒落情況基本吻合得。實踐表明:用殘差型GLSSVM來預(yù)測覆蓋巖層及碴石厚度的方法是有效可行的，可以推廣到相關(guān)工程領(lǐng)域的應(yīng)用，準確及時的預(yù)測到冒落高度及碴石厚度對于地下鐵礦石資源安全、高效的回收具有極其重大的意義。

表2 冒落高度實測值與3種模型預(yù)測值 m

表3 碴石厚度實測值與3種模型預(yù)測值 m

圖6 冒落高度實測值與3種模型預(yù)測值比較

圖7 碴石厚度實測值與3種模型預(yù)測值比較

［1］ 劉國生，張園遠，閆 昆，等.巢湖北部山區(qū)礦山開采現(xiàn)狀分析及保護措施［J］.資源環(huán)境與工程，2011，25(4):353-357．

［2］ 劉愛華，李夕兵，趙國彥．特殊礦產(chǎn)資源開采方法與技術(shù)［M］.長沙:中南大學出版社，2009．

［3］ 蔣 剛，林魯生，劉祖德，等.邊坡變形的灰色預(yù)測模型［J］.巖土力學，2000，21(3):244-246.

［4］ Suykens J K.Optimal control by least squares sup-port vector machines［J］.Neural Networks，2001，14(1):23-25.

［5］ 許建華，張學工，李衍達.基于最小二乘支持向量機的油氣判別技術(shù)［J］.模式識別與人工智能，2002，15(4):507-509.

［6］ 趙洪波，馮夏庭.非線性位移時間序列預(yù)測的進化一支持向量機方法及應(yīng)用［J］.巖土工程學報，2003，25(4):468-471.

［7］ 馬文濤.基于灰色最小二乘支持向量機的邊坡位移預(yù)測［J］.巖土力學，2010，31(5):1670-1674.

［8］ 李 瀟.灰色最小二乘支持向量機在滑坡變形預(yù)測中的應(yīng)用［J］.測繪通報，2010(6):44-46.