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

Hung Viet NGUYEN; Duyen Quang LE; Long Quoc NGUYEN; Tomasz LIPECKI

doi:10.29227/IM-2023-02-49

Hung Viet NGUYEN Faculty of Information Technology, University of Transport and Communications, Hanoi, Vietnam
Duyen Quang LE Faculty of Petroleum and Energy, Hanoi University of Mining and Geology, Hanoi, Vietnam https://orcid.org/0000-0001-6953-4762
Long Quoc NGUYEN Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Hanoi, Vietnam https://orcid.org/0000-0002-4792-3684
Tomasz LIPECKI Faculty of Geo-data Science, Geodesy and Environmental Engineering, AGH University of Krakow, Kraków, Poland https://orcid.org/0000-0002-3204-7343

DOI: https://doi.org/10.29227/IM-2023-02-49

Słowa kluczowe: przewidywanie osiadania gruntu, kopalnia podziemna, uczenie maszynowe, SSN

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.