Przewidywanie osiadania dróg spowodowanego podziemną działalnością górniczą za pomocą sztucznych sieci neuronowych

Abstrakt

Osiadanie dróg spowodowane działalnością górniczą stanowi poważny problem na obszarach o intensywnej działalności górnictwa podziemnego. Dlatego też przewidywanie osiadań dróg ma kluczowe znaczenie dla skutecznego zarządzania gruntami i planowania infrastruktury. W artykule zastosowano sztuczną sieć neuronowa (ANN) do przewidywania osiadań dróg spowodowanych podziemną działalnością górniczą w Wietnamie. Model SSN zaproponowany w badaniu to przyjęto w oparciu o rekurencyjny, wieloetapowy proces predykcji, w którym dodawana jest wartość przewidywana z poprzedniego kroku do szeregu czasowego, aby przewidzieć następną wartość. Cały zbiór danych obejmujący 12 mierzonych okresów obejmujący 12 miesięcy z 1-miesięcznym czasem powtarzania jest podzielony na zbiór uczący dla pierwszych 9 mierzonych okresów i zbiór testowy dla ostatnich 3 mierzonych okresów. Walidacja krzyżowa K-krotna jest najpierw zastosowany do zbioru uczącego w celu określenia najlepszych hiperparametrów modelu, które następnie wykorzystuje się do przewidywania osiadania gruntu.
Błędy bezwzględne prognozowanego osiadania drogi zależą od odstępu czasu pomiędzy ostatnią zmierzonym czasem a czasem przewidywanym. Błędy te w dziesiątym miesiącu dla trzech badanych punktów wynoszą 3,0%, 0,1% i 0,1% i wzrastają do 4,8%, 3,3%, i 1,5% w jedenastym miesiącu oraz 7,2%, 2,5% i 1,3% w dwunastym miesiącu. Stwierdzono, że błędy bezwzględne są niewielkie. Wykazano, że proponowana w tym badaniu metoda wykorzystująca SSN może zapewnić dobre przewidywanie czasowe osiadań dróg na terenach górniczych.