江西盤古山鎢礦區開采沉陷預計的GA-SVA算法

陳 慧 韓恒梅(.黃河水利職業技術學院測繪工程學院，河南 開封 475004；.平頂山工業職業技術學院資源開發學院，河南 平頂山 46700)

地下礦產資源開采活動不可避免地會給地表造成擾動，給礦區地表農田、建(構)物安全造成了較大影響。高精度監測預計礦區地表沉陷，可為地表沉陷治理及地下開采方案設計提供可靠依據[1-3]。傳統礦區開采沉陷監測方法是通過在地表布置若干監測站，利用水準儀、GPS等方法進行觀測[4-8]，但存在耗時較長、精度不高等不足，并且難以對沉陷發展情況進行準確預計[9-12]。本研究以江西盤古山鎢礦為例，采用GA算法對SVM算法進行優化，采用GA-SVM算法訓練概率積分法開采沉陷預計參數，對礦區開采沉陷進行預計。

1 GA-SVA算法原理

迭代性是GA算法的一個顯著特征，每次迭代過程都會求出一個隨機解，以后每次迭代會產生新的解，新解的產生來源于傳承和進化的遺傳語言，通過多次迭代，直至結果達標為止，如此依次進行[13-15]。GA算法實現步驟為：①回到初始狀態，以一定的概率產生一組符號節；②對符號節進行評估，評價標準為適度函數；③形成一組新的符號節，所使用的工具為遺傳操作；④對結果進行審斂，若發散則重復操作步驟①、②。

SVM算法是一種基于結構風險最優化原則的數據分類和回歸計算方法[16-17]，本研究采用GA算法通過選擇、交叉、變異等操作對其進行優化，主要步驟為：①確定數據的網絡構成，通過對向量矩陣的權重、取值、閾值進行選擇優化，獲取初始數據集群，給出訓練參數；②得出試驗函數，根據向量機計算法則計算步驟①所選擇的優化參數，進行誤差矯正，誤差越大說明其適應性越差，予以排除；③適應性函數尋找出適應性最大的幾個數據集合，通過GA算法產生下一代數據種群；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據種群；⑤基于遺傳數據的種群對SVM進行訓練分析，辨別數據精度是否符合精度要求，若數據無法符合精度要求，則重復步驟②～⑤，直至數據達標為止。

GA-SVM算法的相關計算因子取值見表1。

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

用GA-SVA算法對概率積分法開采沉陷預計參數進行了訓練，結果見表2。由表2計算可知，GA-SVM算法各參數的訓練值與設計值的相對誤差絕對值分別為0.36%、0.71%、0.16%、0.55%，總體誤差較小，表明該算法訓練出概率積分法開采沉陷預計參數可靠性較強。

表2 GA-SVA算法概率積分法預計參數的訓練值Table 2 Training data of the prediction parameters of probability integral method of GA-SVM algorithm

2 開采沉陷預計

研究區地處盤古山鎢礦區，區內設置有2個標準站(BZ1、BZ2點)以及9個監測點位(TY1～TY9)(圖1)。標準站布置于研究區西北方向，該區域地層穩定，發生地面沉陷的可能性較小。構建了3條監測線(編號依次為a、b、c)，a監測路線包括TY1、TY2、TY3監測點位，b監測路線包括TY4、TY5、TY6監測點位，c監測路線包括TY7、TY8、TY9監測點位。

圖1 研究區監測點位布置Fig.1 Distribution of the monitoring points in study area

本研究從2016年3月15日開始對研究區進行開采沉陷監測，每隔15 d監測一次，于2016年7月底結束監測，前后累計進行了10次GPS監測工作。在收集整理外業監測數據的基礎上，進一步進行了數據處理，流程如圖2所示。TY2、TY8點位的累計沉陷值如表3所示。

圖2 研究區開采沉陷監測數據處理流程Fig.2 Processing flow of the mining subsidence monitoring data in study area

表3 TY2、TY8點位的累計開采沉陷值Table 3 Accumulated mining subsidence data of TY2 and TY8 point

結合表3中的1～7組數據對GA-SVM模型進行了訓練，構建了GA-SVM開采沉陷預計模型。預計結果表明：第8次觀測TY2、TY8點位的累計沉陷值分別為12.98，7.05 mm；第9次觀測TY2、TY8點位的累計沉陷值分別為13.98，7.10 mm；第10次觀測TY2、TY8點位的累計沉陷值分別14.71，7.42 mm，與表3中相應實測值的誤差絕對值分別為0.61%、0.11%(第8次觀測)，0.71%、1.5%(第9次觀測)，0.4%、2.5%(第10次觀測)(圖3)。本研究中其余7個監測點位的預計值與實測值的誤差小于5%，可見該模型具有較高的預計精度。

圖3 沉陷預計值與實測值對比Fig.3 Comparison of the subsidence prediction data and corresponding measured data■—實測值；▲—預計值

分別采用研究區9個測點的第10期的觀測值以及相應的預計值用插值方法構建了DEM，如圖4所示。由圖4可知，2種數據構建的DEM高度非常接近，可見，采用本研究方法預計出的沉陷值構建的DEM完全可以用于礦區下一步的沉陷分析及相關研究。

3 結 語

為有效提高江西盤古山鎢礦區開采沉陷的預計精度，采用GA算法對SVM算法進行了優化，并采用GA-SVA算法對概率積分法開采沉陷預計參數進行了訓練。結合礦區監測點位的GPS實測沉陷數據構建了GA-SVA沉陷預計模型，并進行了沉陷預計分析。結果表明：所提模型的預計數據與相應實測數據的誤差基本小于5%，采用預計數據構建的DEM與基于相應實測數據構建的DEM較一致，表明本研究所提出的GA-SVM開采沉陷預計算法精度較高。

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

[1] 徐孟強，查劍鋒，李懷展.基于PSO算法的概率積分法預計參數反演[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.基于量子神經網絡擬合法的礦區地表變形監測[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神經網絡模型的礦區開采沉陷預計[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] 楊國林，李建章，李培天.基于BP神經網絡的高程異常轉換工程應用研究[J].礦山測量，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.基于支持向量機的GPS似大地水準面擬合[J].測繪學報，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神經網絡組合模型的GPS高程異常擬合[J].大地測量與地球動力學， 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.轉換GPS高程的神經元網絡方法[J].河海大學學報：自然科學版，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測量地面沉降的可靠性及精度分析[J].大地測量與地球動力學，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在區域地面沉降監測中的應用[J].礦山測量，2016(4)：16-18.

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

[10] 劉國林，張連蓬，成 樞，等.合成孔徑雷達干涉測量與全球定位系統數據融合監測礦區地表沉降的可行性分析[J].測繪通報，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進行地面沉降監測的研究[J].巖土力學，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.礦區開采沉降監測中GPS的應用研究[J].煤炭技術，2013(4)：124-126.

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

[13] 楊澤發，易輝偉，朱建軍，等.基于InSAR時序形變的礦區全盆地沉降時空演化規律分析[J].中國有色金屬學報，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.山區地表移動預計修正模型及其參數求取方法[J].煤炭學報，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.概率積分法參數求取和模型修正方法研究及程序實現[D].淮南：安徽理工大學，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的城市擴張非線性組合模型[J].地理學報,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.基于支持向量機的開采沉陷預計參數選取研究[J].中國礦業，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.