基于深度學(xué)習(xí)的采動地裂縫成因分析和預(yù)測

賈 楊，呂義清

(太原理工大學(xué) 礦業(yè)工程學(xué)院，太原 030024)

地裂縫是地下開采引起的主要地質(zhì)災(zāi)害之一，對地面建筑物、道路、植被以及耕地會產(chǎn)生嚴(yán)重破壞。在地表坡度較大、地面巖層穩(wěn)定性差、松散堆積物較多的地區(qū)，地裂縫會加劇降雨及風(fēng)蝕作用的影響，使地表產(chǎn)生更加嚴(yán)重的地質(zhì)災(zāi)害，如滑坡、泥石流等。此外，如果地裂縫與地下采空區(qū)相通，會對礦井通風(fēng)產(chǎn)生影響，甚至帶來礦井水害威脅。因此，準(zhǔn)確解釋采動地裂縫的成因并預(yù)測其發(fā)育程度，具有很強(qiáng)的實(shí)用價(jià)值。

研究人員通常通過模擬實(shí)驗(yàn)與實(shí)際調(diào)查相結(jié)合的方法對地裂縫進(jìn)行研究。吳侃等根據(jù)概率積分法和莫爾-庫倫破壞準(zhǔn)則提出了地裂縫的分布模型，并通過實(shí)例驗(yàn)證了模型的準(zhǔn)確性[1]；LIU et al[2]利用土質(zhì)坡體圓弧形條分法原理，建立了描述黃土溝壑區(qū)滑動型采動地裂縫形成條件的力學(xué)模型；胡青峰等[3]通過在采空區(qū)地表布置觀測線，結(jié)合開采過程和地質(zhì)條件對地裂縫發(fā)育特征進(jìn)行了分析；GUO et al[4]開發(fā)了一種新型地裂縫監(jiān)測設(shè)備，可對地裂縫發(fā)育過程進(jìn)行三維變形監(jiān)測。近年來，許多學(xué)者使用UDEC和Flac3D等軟件對采動地裂縫的形成過程進(jìn)行了數(shù)值模擬[5-6]。

上述研究存在的問題是：研究的影響因素有限，適用范圍較窄，缺乏對比性和綜合性，并且分析過程較為復(fù)雜。為實(shí)現(xiàn)對采動地裂縫成因的多因素耦合分析，本文采用深度學(xué)習(xí)的方法，以實(shí)測數(shù)據(jù)為基礎(chǔ)對各影響因素進(jìn)行了量化處理，對地裂縫發(fā)育程度不同的區(qū)域進(jìn)行了劃分，以預(yù)測準(zhǔn)確率為指標(biāo)分析了各因素的影響程度，以便使結(jié)果更加符合實(shí)際。該方法能夠?qū)崿F(xiàn)對采動地裂縫整體規(guī)模上的預(yù)測而不僅僅預(yù)測地裂縫發(fā)育的最大寬度和深度，因而具有更好的實(shí)用價(jià)值。

1 研究區(qū)概況

官地井田位于太原市西南17.5 km處的郊區(qū)，地處山西高原呂梁山脈中段，屬中山區(qū)。井田內(nèi)地勢西南高東北低，山高坡陡，切割劇烈。黃土主要分布于山頂及緩坡地帶，山脊及陡坡處巖石裸露，風(fēng)化剝蝕作用強(qiáng)烈。該井田屬于石炭、二疊系含煤盆地，主要含煤地層為太原組和山西組，開采煤層為2號、3號、6號、8號、9號煤層。

受區(qū)域構(gòu)造的控制，井田內(nèi)地層走向NW—SE、傾向SW，總體上呈單斜構(gòu)造。地層傾角4°～10°，為緩傾斜地層。除邊界斷層外，井田內(nèi)大中型斷層較少，但小型斷層較為發(fā)育，煤田內(nèi)陷落柱較發(fā)育。

官地礦井田面積大、開采歷史長，采用一次采全高自動垮落法采煤工藝，頂板破壞大。由于官地礦可采煤層數(shù)多、煤層較厚、采空區(qū)較多且屬分層開采，故該井田為研究地裂縫的成因和預(yù)測提供了較有利的條件。

1.1 官地礦地裂縫形態(tài)特征

受到煤層上覆巖體特征、地表出露巖土特征、采煤工藝和工作面布置的影響，官地井田地裂縫的力學(xué)特征主要為張性地裂縫，扭性地裂縫主要分布在采空區(qū)邊界區(qū)域，擠壓型裂縫不常見。平面分布上，地裂縫延伸近乎于直線形態(tài)，呈現(xiàn)中間區(qū)域?qū)挾容^大、向兩邊逐漸減小直至尖滅。通過實(shí)測研究區(qū)內(nèi)地裂縫的長度和最大寬度，結(jié)合過去10 a官地井田地裂縫統(tǒng)計(jì)資料發(fā)現(xiàn)，地裂縫最大延伸長度為163.0 m，最大寬度為1.8 m，裂縫長寬比一般在10∶1以上。地裂縫典型形態(tài)如圖1所示。

圖1 官地煤礦典型地裂縫Fig.1 Typical ground fissure of Guandi mine

1.2 官地礦地裂縫分布特征

官地礦開采煤層分布范圍廣，可采煤層較多，采空區(qū)分布情況復(fù)雜，不同采空區(qū)上部地裂縫發(fā)育規(guī)模差異較大。通過對各工作面采空區(qū)上部地裂縫的大數(shù)據(jù)量采集，而不是對個別地裂縫的單獨(dú)描述，可以更加準(zhǔn)確全面地進(jìn)行地裂縫成因分析和預(yù)測。圖2為官地礦典型地裂縫分布圖。

圖2 官地煤礦典型地裂縫分布圖(紅色線條表示地裂縫)Fig.2 Typical ground fissure distribution map of Guandi mine

圖2(a)-(d)分別代表地裂縫發(fā)育程度從低到高的不同工作面區(qū)域?？梢钥闯?，地裂縫發(fā)育規(guī)模受到開采煤層數(shù)、地形條件、上覆巖層厚度、工作面開采范圍、地表出露巖層性質(zhì)等多方面因素的影響。本文收集了官地礦近10 a采動引起的地裂縫長寬數(shù)據(jù)，以開采工作面為基本單元，從整體上分析影響地裂縫發(fā)育規(guī)模的因素及各因素對地裂縫發(fā)育的影響程度，在此基礎(chǔ)上對不同工作面采動地裂縫發(fā)育程度進(jìn)行分類預(yù)測。

2 采動地裂縫的影響因素分析

地裂縫的形成會受到多種因素的耦合影響，如：地表出露巖層物理力學(xué)性質(zhì)，采空區(qū)上覆巖層巖性、厚度，開采煤層厚度、范圍，地質(zhì)構(gòu)造，煤層賦存條件以及地形地貌等[7]。研究顯示，開采深度與開采厚度的比值小于30時，地表會出現(xiàn)較多的裂縫[8]。煤層傾角很大時，地表先于采空區(qū)出現(xiàn)裂縫；煤層傾角基本水平或傾角很小時，采空區(qū)先于地表出現(xiàn)破裂[9]。同一采空區(qū)范圍內(nèi)多次高強(qiáng)度的重復(fù)開采會使上覆巖層移動變形破壞加劇，增加了采空區(qū)地表下沉幅度[10]。

當(dāng)受到地下采動破壞時，上覆巖層原始應(yīng)力平衡狀態(tài)被打破。當(dāng)采動引起的應(yīng)力集中超過臨界值時，巖層先是發(fā)生彎曲變形，然后逐漸產(chǎn)生裂隙、發(fā)生斷裂；當(dāng)破壞程度不斷擴(kuò)大傳遞至地表并超過地表巖土體的抗拉抗剪強(qiáng)度時，巖土體沿著原有裂隙發(fā)生非連續(xù)變形，形成地裂縫[11]。

本文收集了研究區(qū)內(nèi)的采掘工程平面圖、井上下對照圖、地形地質(zhì)圖、鉆孔柱狀圖、地裂縫調(diào)查報(bào)告等地測資料，結(jié)合實(shí)地調(diào)查，將影響因素分成5項(xiàng)一級指標(biāo)和11項(xiàng)二級指標(biāo)，如表1所示。

表1 采動地裂縫的影響因素指標(biāo)劃分Table 1 Factors affecting ground fissure caused by mining

3 地裂縫發(fā)育程度評價(jià)

在采動地裂縫的定量分析中，有些研究通過構(gòu)建采空區(qū)上部巖體力學(xué)模型和實(shí)測地表土體力學(xué)數(shù)值，利用數(shù)學(xué)幾何方法和應(yīng)力分析方法對地表土體水平和垂直方向進(jìn)行受力分析，提出了計(jì)算地裂縫發(fā)育寬度和深度的公式[12-13]。

這些研究使用的采動模型比較簡單，且其研究對象是地表土體，對于分層開采及基巖覆蓋地表產(chǎn)生的地裂縫沒有說明。隨著開采的推進(jìn)，地裂縫會發(fā)生“開裂—閉合”的動態(tài)過程。對于大型工作面來說，僅對個別裂縫進(jìn)行寬深計(jì)算難以反映采動地裂縫的整體規(guī)模。

本文通過實(shí)測研究區(qū)內(nèi)地裂縫的長度和最大寬度發(fā)現(xiàn)，裂縫的長寬比一般在10∶1以上，在平面形態(tài)上呈現(xiàn)中間寬、向兩邊急劇尖滅的特點(diǎn)，因此可將裂縫看作長軸遠(yuǎn)大于短軸的扁橢圓來估算裂縫面積。通過計(jì)算采空區(qū)地表所有裂縫的面積與采空區(qū)面積的比值ω，對地裂縫發(fā)育程度進(jìn)行分類評價(jià)。估算公式為：

(1)

式中：ω為本文采用的地裂縫評價(jià)指標(biāo)；at為采空區(qū)地表第t條地裂縫長度；bt為第t條地裂縫最大寬度；S為采空區(qū)面積。

本次共調(diào)查了研究區(qū)中119個地裂縫發(fā)育程度不同的區(qū)域。按照每個區(qū)域計(jì)算得到的ω，將這些區(qū)域劃分為4個裂縫發(fā)育級別，如表2所示。

表2 地裂縫評價(jià)指標(biāo)Table 2 Ground crack evaluation index

4 地裂縫發(fā)育程度神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)與數(shù)據(jù)處理

4.1 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

機(jī)器學(xué)習(xí)本質(zhì)上是解決兩大類問題，即回歸和分類，通過在函數(shù)集合中尋找最佳的方程實(shí)現(xiàn)這些目標(biāo)，見圖3.

圖3 機(jī)器學(xué)習(xí)過程Fig.3 Machine learning process

深度學(xué)習(xí)就是將函數(shù)集合定義為一個神經(jīng)網(wǎng)絡(luò)，這樣可以避免大量的人為構(gòu)建工作，并且具有更大的函數(shù)集合空間，容易找到最好的函數(shù)模型。

設(shè)計(jì)中發(fā)現(xiàn)，當(dāng)選擇最簡單的網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層-一個隱藏層-輸出層時，通過調(diào)節(jié)隱藏層神經(jīng)元的個數(shù)難以使網(wǎng)絡(luò)的輸出在訓(xùn)練集合和測試集合上均有較高的準(zhǔn)確率，并且收斂的結(jié)果存在不穩(wěn)定性。所以本文采用兩個隱藏層結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，以減少單層神經(jīng)元個數(shù)的方法提高準(zhǔn)確率，其實(shí)質(zhì)是：利用了模塊化的思想，將復(fù)雜的原始數(shù)據(jù)輸入到第一層神經(jīng)元中進(jìn)行初步處理；再將第一層的輸出數(shù)據(jù)輸入到第二層神經(jīng)元中進(jìn)行進(jìn)一步分類。這對于處理數(shù)據(jù)量不足的問題具有較好的效果。整體模型框架如圖4所示。

4.2 數(shù)據(jù)處理

對調(diào)查區(qū)實(shí)測數(shù)據(jù)和礦井地質(zhì)測量資料進(jìn)行整理，共得到119組區(qū)域數(shù)據(jù)。將119組數(shù)據(jù)中的83組作為訓(xùn)練樣本，36組作為測試樣本。部分樣本數(shù)據(jù)如表3所示。

將表3中的11維特征依次編號為1，2，3，…，11.對這些不同量綱和數(shù)量級的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，可以加快梯度下降的收斂速度，有效提高輸出的準(zhǔn)確率。本文使用Z-score標(biāo)準(zhǔn)化方法，即將輸入層各維數(shù)據(jù)的均值變?yōu)?，標(biāo)準(zhǔn)差變?yōu)?，使之符合標(biāo)準(zhǔn)正態(tài)分布，轉(zhuǎn)化公式為：

(2)

使用One Hot編碼，將地裂縫發(fā)育程度的四個類別用二進(jìn)制向量表示為(1，0，0，0),(0，1，0，0),(0，0，1，0),(0，0，0，1).

4.3 神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)計(jì)

本文使用Tensorflow構(gòu)建地裂縫發(fā)育程度神經(jīng)網(wǎng)絡(luò)分類模型。

模型中輸入層維度為11；采用兩個隱藏層結(jié)構(gòu)，第一個隱藏層神經(jīng)元數(shù)為20，第二個隱藏層神經(jīng)元個數(shù)為10；輸出層維度為4.

網(wǎng)絡(luò)層數(shù)較多時容易導(dǎo)致梯度消失，所以兩個隱藏層的激活函數(shù)選用Relu.Relu不僅可以有效緩解梯度消失的問題，而且會加快收斂速度。

本文旨在解決四元分類問題，因此采用Softmax將輸出層數(shù)值映射為(0，1)區(qū)間內(nèi)的四維累和為1的概率值，最后選擇概率最大的輸出節(jié)點(diǎn)即可完成預(yù)測分類。

交叉熵?fù)p失函數(shù)可以計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出(預(yù)測樣本概率q(x))和真實(shí)樣本標(biāo)簽(真實(shí)樣本概率p(x))之間的距離，利用梯度下降不斷減小該函數(shù)值，以便選擇最佳的神經(jīng)元連接權(quán)重和偏置。交叉熵?fù)p失函數(shù)的表達(dá)式為：

(3)

設(shè)初始學(xué)習(xí)率為0.000 1.使用Adam優(yōu)化算法對每次梯度下降時的學(xué)習(xí)率進(jìn)行自適應(yīng)調(diào)整，以加快收斂的速度和穩(wěn)定性，并且對參數(shù)進(jìn)行L2正則化處理，懲罰項(xiàng)系數(shù)為0.01.迭代次數(shù)選擇10 000次。

5 特征選擇和結(jié)果分析

對地裂縫形成的影響因素進(jìn)行特征選擇可以選出主控因素，剔除不相關(guān)或冗余特征，有利于優(yōu)化學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，降低網(wǎng)絡(luò)維度，提高訓(xùn)練效率。

本文直接使用分類子集在測試數(shù)據(jù)上的正確率作為特征重要性程度的評價(jià)標(biāo)準(zhǔn)。具體方法、步驟和結(jié)果如下。

1) 第1次特征選擇時使用單維數(shù)據(jù)樣本。將第i維數(shù)據(jù)(i=1，2，…,11)單獨(dú)輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，得到表4所示結(jié)果。

表4 第1次特征選擇準(zhǔn)確率Table 4 The first feature selection accuracy

由表4可見：開采層數(shù)、開采總厚、開采寬度、開采深度、砂泥巖比、開采長度這6個特征在單獨(dú)訓(xùn)練時，在測試集和訓(xùn)練集上準(zhǔn)確率明顯高于其他特征，并且測試準(zhǔn)確率均高于50%，因此可視為研究區(qū)內(nèi)影響地裂縫發(fā)育程度的主要因素；地質(zhì)構(gòu)造和地表出露兩項(xiàng)的訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率均不高，但是兩者差距不大，介于30.6%～33.7%范圍內(nèi)，這說明這兩項(xiàng)特征對于地裂縫的發(fā)育有一定影響，但影響程度有限；煤層傾角、地形坡度、相對位置這3個特征的訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率都較低，并且訓(xùn)練準(zhǔn)確率明顯高于測試準(zhǔn)確率(差值大于15%)，出現(xiàn)了一定的過擬合現(xiàn)象，說明神經(jīng)網(wǎng)絡(luò)中從訓(xùn)練集合學(xué)習(xí)到的參數(shù)并不適用于測試集合。

利用6維主要特征的數(shù)據(jù)對模型進(jìn)行重新訓(xùn)練，得到的訓(xùn)練準(zhǔn)確率為81.9%，測試準(zhǔn)確率為75.0%；相較于單維數(shù)據(jù)，6維的準(zhǔn)確率有了較為顯著的提升。訓(xùn)練過程中準(zhǔn)確率和損失函數(shù)的變化曲線見圖5.

圖5 主要特征的神經(jīng)網(wǎng)絡(luò)損失與準(zhǔn)確率Fig.5 Neural network loss and accuracy of the main characteristics

2) 以上述6維主要特征為基礎(chǔ)，依次增加其他5維數(shù)據(jù)，將輸入維度增加至7維，進(jìn)行第2次特征選取。結(jié)果見表5.

表5 第2次特征選擇準(zhǔn)確率Table 5 The second feature selection accuracy

由表5可看出，加上地質(zhì)構(gòu)造這一特征后，訓(xùn)練準(zhǔn)確率從81.9%提高至92.8%，測試準(zhǔn)確率從75.0%提高至83.3%；增加地表出露后，訓(xùn)練準(zhǔn)確率提高至91.6%，測試準(zhǔn)確率提高至80.6%.因此，這兩個特征與輸出類型相關(guān)性較好。

在分別增加煤層傾角、地形坡度、相對位置這3個特征后，訓(xùn)練準(zhǔn)確率均超過90%，但增加煤層傾角、地形坡度后的測試準(zhǔn)確率分別降至69.4%和72.2%，而增加相對位置后測試準(zhǔn)確率沒有發(fā)生變化。其原因是在這3個維度上，數(shù)據(jù)與所屬類別的關(guān)聯(lián)性較低，訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的分布相差較大，這些特征對預(yù)測結(jié)果有所干擾，增加了結(jié)果的不穩(wěn)定性。

3) 將上一次特征選擇時相關(guān)性較好的地質(zhì)構(gòu)造和地表出露這兩個特征加入神經(jīng)網(wǎng)絡(luò)，輸入維度增至8維，進(jìn)行第3次特征選擇。準(zhǔn)確率和損失函數(shù)變化如圖6所示。

圖6 優(yōu)化神經(jīng)網(wǎng)絡(luò)的損失函數(shù)與準(zhǔn)確率Fig.6 Optimized neural network loss and accuracy

將這8維數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練和測試上分別得到96.4%和89.1%的準(zhǔn)確率。結(jié)合前兩次的特征選擇，可以認(rèn)為地質(zhì)構(gòu)造發(fā)育程度和地表是否有松散層是該區(qū)域地裂縫發(fā)育程度的次要影響因素。

4) 在第4，5，6次特征選擇中，將余下的3個特征依次按上述方法加入神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，將輸入層維度分別增至9，10，11維。結(jié)果如表6所示。選擇煤層傾角、地形坡度、相對位置等3個特征后，雖然訓(xùn)練準(zhǔn)確率有所提高，但測試準(zhǔn)確率沒有升高甚至出現(xiàn)下降，且訓(xùn)練神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度增加，穩(wěn)定性變差。

表6 第4,5,6次特征選擇準(zhǔn)確率Table 6 The 4th,5th and 7th feature selection accuracy

通過對比和分析6次特征選擇后的準(zhǔn)確率變化(圖7)，選擇開采層數(shù)、開采總厚、開采寬度、開采深度、砂泥巖比、開采長度作為主要特征，地質(zhì)構(gòu)造和地表出露作為次要特征，剔除煤層傾角、地形坡度、相對位置這3個冗余特征，可以得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型。該模型在訓(xùn)練集和測試集上分別得到96.4%和89.1%的準(zhǔn)確率。

圖7 準(zhǔn)確率隨特征選擇次數(shù)的變化Fig.7 Accuracy rate change with the feature slection times

6 常用神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果對比

常用的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，除了上文中所使用的全連接深度神經(jīng)網(wǎng)絡(luò)(DNN)，還有卷積神經(jīng)網(wǎng)絡(luò)(CNN)及循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN/LSTM).

CNN適用于輸入維度較高、具有一定的模式性或者周期性的場景，比如說圖片的目標(biāo)識別、類周期型傳感器信息的處理等。在這些場景中，CNN利用卷積操作來重復(fù)利用參數(shù)(對模式化信息進(jìn)行提取)，利用池化操作來降低維度，以達(dá)到減少模型的參數(shù)量的效果。RNN適用于輸入具有一定時序性的場景，比如說自然語義處理、文本翻譯等。RNN可以綜合利用當(dāng)前輸入和之前輸入的信息，但是其容易發(fā)生梯度消失或者梯度爆炸，訓(xùn)練極不穩(wěn)定。LSTM是對普通RNN的改進(jìn)，它雖然可以在一定程度上緩解不穩(wěn)定的情況，但是在隱藏層維度相同的情況下，會比DNN多使用3倍的參數(shù)。

本文基于選擇出的8維特征，利用3種網(wǎng)絡(luò)結(jié)構(gòu)對裂縫發(fā)育程度進(jìn)行了分類。調(diào)整各網(wǎng)絡(luò)參數(shù)，使其均具有好的訓(xùn)練效果。其中，DNN的兩個隱藏層神經(jīng)元個數(shù)分別為20和10；CNN使用了兩次卷積操作，卷積核的維度為(3,1)，兩次卷積操作的卷積核個數(shù)分別為15和10，由于輸入維度較低，不使用池化操作；RNN/LSTM使用了兩層結(jié)構(gòu)，細(xì)胞維度均為10.訓(xùn)練結(jié)果如表7所示。

表7 DNN,CNN和RNN/LSTM模型訓(xùn)練結(jié)果對比Table 7 DNN, CNN and RNN/LSTM model training results

由表7可見：DNN的訓(xùn)練準(zhǔn)確率高于CNN和RNN/LSTM的；DNN的測試準(zhǔn)確率與RNN/LSTM的一致，高于CNN的。從訓(xùn)練時間上看，DNN的時間復(fù)雜度最低，計(jì)算時間是CNN的1/2.6，RNN/LSTM的1/6.5.本文所使用的樣本維度較低，各維度之間沒有模式性和時序性，CNN和RNN/LSTM無法發(fā)揮其優(yōu)勢，并且計(jì)算成本較高。DNN結(jié)構(gòu)較為簡單，參數(shù)便于調(diào)整，并且容易進(jìn)行歸一化和正則化操作，在本文的場景中取得了較好的訓(xùn)練結(jié)果。

7 結(jié)論

1) 結(jié)合官地煤礦地測資料和實(shí)地調(diào)查，將影響地裂縫發(fā)育的特征具體化為開采層數(shù)、采厚、采寬、采深、砂泥巖比、采長、地質(zhì)構(gòu)造、地表出露、煤層傾角、地形坡度、相對位置等11項(xiàng)。以地裂縫面積與采空區(qū)面積的比值作為分類依據(jù)，將采動引起的地裂縫發(fā)育程度分為4類。

2) 構(gòu)建了預(yù)測地裂縫發(fā)育程度的全連接深度神經(jīng)網(wǎng)絡(luò)模型(DNN)。該模型采用雙隱藏層結(jié)構(gòu)，選取合理的網(wǎng)絡(luò)參數(shù)和優(yōu)化算法，提高了學(xué)習(xí)效率和準(zhǔn)確率。該模型在訓(xùn)練集和測試集上分別得到96.4%和89.1%的準(zhǔn)確率。與其他神經(jīng)網(wǎng)絡(luò)模型(CNN和RNN/LSTM)相比，DNN可以較為準(zhǔn)確地對地裂縫發(fā)育程度進(jìn)行預(yù)測，并且運(yùn)行效率較高。

3) 通過特征選擇得出：開采層數(shù)、采厚、采寬、采深、砂泥巖比、采長等6項(xiàng)特征為研究區(qū)內(nèi)影響地裂縫發(fā)育程度的主要因素；地質(zhì)構(gòu)造發(fā)育程度和地表出露等2項(xiàng)特征為次要因素；煤層傾角、地形坡度、相對位置等3個特征對研究區(qū)內(nèi)地裂縫發(fā)育程度的預(yù)測沒有明顯的相關(guān)性。