基于遺傳算法的煤礦開采沉陷預測研究

摘 要：由于煤礦開采條件復雜，因此在工程中難以準確地預測實際沉陷情況，導致礦區下沉量原始數據擬合曲線與預測數據擬合曲線偏差大。本文研究基于遺傳算法的煤礦開采沉陷預測方法，通過合理布設沉陷測點獲取準確數據，并綜合考慮地質條件等因素構建預測模型。采用遺傳算法優化模型參數，以提高預測精度。試驗結果顯示，基于遺傳算法的預測方法顯著優于其他方法，預測結果與實際測量值高度一致。當采用該方法處理非線性關系和多變因素時表現優越，為礦區安全開采和環境保護提供了科學依據，具有實際的應用價值。

關鍵詞：遺傳算法；煤礦開采；煤礦開采沉陷；沉陷預測；開采沉陷預測

中圖分類號：TD 32" 文獻標志碼：A

煤炭是傳統的能源支柱，其開采與利用仍然占據舉足輕重的地位。然而，在煤礦開采過程中不可避免出現沉陷問題，不僅威脅礦區的地質安全，也對周邊環境和居民生活造成了極大的影響。因此，準確預測煤礦開采沉陷的發展趨勢，對保障礦區安全、優化開采布局以及制定有效的環境保護措施具有極其重要的意義。文獻[1]采用概率統計法分析煤礦開采沉陷，適用于水平或緩傾斜礦體，但存在局限性。文獻[2]則探索人工神經網絡在沉陷預測中的應用，能處理復雜非線性問題，但預測結果受訓練數據影響。兩者各有優劣，因此為提高預測準確性，需要探索更先進的方法。為增強礦區下沉量原始數據擬合曲線與預測數據擬合曲線效果，本文研究基于遺傳算法的煤礦開采沉陷預測方法。遺傳算法模擬生物進化機制是通過選擇、交叉、變異等操作優化模型參數，提高預測準確性。

1 布設煤礦開采沉陷測點

通過在地表關鍵區域和潛在沉陷區域布設測點，可以實時、準確地收集煤礦開采過程中地表變形的數據。這些測點數據的準確性直接影響到后續預測模型建立和預測結果的可靠性，因此需要充分考慮測點分布的合理性。

針對煤礦開采沉陷預測的必要性，在工作面對應地表布設監測點。本文根據沉陷數據采集的普遍需求，選擇采集裝置設備型號和配置，見表1[3]。

當布設測點時，充分考慮了監測需求以及數據采集裝置的性能和特點，滿足數據采集的精度和實時性要求。

2 建立煤礦開采沉陷預測模型

在成功布設測點并收集到足夠的數據后，本文將利用收集的數據，結合煤礦的實際情況，選擇合適的數學模型來預測沉陷過程。

開采沉陷分為緩慢發展、加速發展和衰退穩定3個階段，開采沉陷預計可以減少開采沉陷帶來的地表損害。而建立預測模型需要充分考慮各種影響因素，這些因素包括但不限于地質結構、開采方法、地下水位等[4]。地質結構決定了煤層的分布和巖石的物理性質，直接影響地表沉陷的程度和范圍。開采方法則決定了煤層的開采速度和開采順序，同樣對地表沉陷有顯著影響。

綜合上述因素，本文選擇合適的編碼方案來表示問題的解空間。設W（x，y，t）為在位置（x，y）和時間t的下沉量，則修正下沉量預測模型可以用公式（1）表示。

式中：W0（x，y，t）為基于初始參數或條件計算的下沉量；fi（x，y，t）為考慮各種影響因素（例如地質結構、開采方法、地下水位等）的修正函數；n為影響因素的數量；αi為各影響因素的參數值[5]。

在構建煤礦開采沉陷預測模型后，還需要不斷調整模型參數，直至模型能夠較為準確地反映實際沉陷過程。

3 遺傳算法優化預測模型參數

在模型建立后，確定預測模型參數是至關重要的一步。預測模型的性能往往取決于其參數設定。因此，在模型建立后，本文利用遺傳算法優化預測模型參數αi，使預測模型能夠更好地擬合實際觀測數據。遺傳算法作為一種強大的優化工具，能夠在復雜的參數空間中尋找最優解。通過不斷地迭代和進化，逐步優化模型的參數，使其更好地擬合實際數據。

由上文可知預測模型有n個待優化的參數，用實數編碼來表示這些參數。每個參數可以看作是一個基因，而所有的參數則構成一個染色體[6]。

獲得適應度函數后，利用遺傳遺傳算法優化預測模型參數，其遺傳算法計算流程如圖1所示。

通過不斷地重復選擇、交叉和變異操作，遺傳算法能夠逐步優化模型的參數。在每一步迭代的過程中，通過選擇、交叉、變異等方法產生新的群體，利用適應值來確定各個體的適應值。隨著迭代進行，種群中的個體逐漸接近最優解，即使最小二乘函數值最小的參數組合。

當種群中個體適應度值連續多次迭代無明顯變化時，遺傳算法會停止，避免不必要迭代，可以提高效率，并防止陷入局部最優。當算法終止時，得到一組最優的模型參數，可以將其用在實際的沉陷預測工作中。

4 輸出開采沉陷預計結果

在確定最優的模型參數后，將模型應用于實際的煤礦開采過程中，對地表沉陷情況進行預測和評估。采用可視化工具和技術手段，將預測結果以圖表、報告等形式展示給相關人員。這些預測結果不僅可以幫助礦區管理者制定更加科學合理的開采計劃，還可以為環境保護和災害防控提供有力的支持。

在沉陷預測完成后，系統將生成沉陷數據文件，涵蓋各方向預計值。各文件均含統一的坐標和預計變形值格式，每個預計結果文件的數據格式均遵循統一的規范，包括觀測點的Y坐標（大地坐標），X坐標（大地坐標）以及對應的預計變形值。這種數據格式便于后續的數據處理和分析工作[8]。

為了提高沉陷預測的精確度，本文引入高斯誤差函數，在特定的預測空間內，將預測區域均勻分割成平行網格，并對每個網格點上的預測結果進行坐標等值計算，其計算過程如公式（3）所示。

式中：f（x）為等值坐標配比結果。在等值計算完成后，利用3D可視化技術，將礦區地質體的三維可視化顯示出來，并將各地區的真實數據輸入到已建立的預測模型中，對其進行逆向驗證。

在反向檢驗過程中，將區域實際數據導入構建的預測模型中，比較預測數值與實際觀測數據的一致性來評估模型的準確性。如果預測數值能夠成功地代入模型并與實際觀測數據相吻合或偏差在可接受范圍內，那么可以認為該預測模型的預測結果能夠為煤礦開采沉陷的預測提供有力的支持[9]。

通過采用高斯誤差函數和坐標等值計算等方法，本文成功地完成了對煤礦開采沉陷的預測工作，并得到了一系列詳盡、準確的預測結果。這些結果將為制定科學合理的開采計劃、實施環境保護和災害防控提供有力支持和指導。

5 試驗

5.1 試驗準備

以某大型露天煤礦為例，該煤礦位于地質條件復雜的山區，其開采作業長期受到地面沉陷困擾。利用本文預測技術來監控和管理地面沉陷。煤礦開采地表案例如圖2所示。

布設測點收集大量的煤礦移動變形的實際數據。這些數據包括不同區域、不同時間段內的地表沉降、裂縫發育以及巖層移動等關鍵指標。通過精心篩選和整理，構建包括豐富信息的學習樣本集。

本文針對煤礦開采沉陷預測系統，選用科達克DL165-780控制器，其快速響應保證系統實時性、準確性。內置高性能DLrawWidget芯片，運算強大且兼容性強，滿足系統在各種環境下的運行需求。

算法實現與調試有以下步驟。1）數據收集與整理：布設測點收集大量的煤礦移動變形的實際數據，包括地表沉降、裂縫發育以及巖層移動等關鍵指標。將這些數據作為模型的輸入和驗證基礎。通過篩選和整理，構建一個包括豐富信息的學習樣本集，用于模型訓練和驗證。2）模型建立：基于收集的數據，利用公式（1）建立修正下沉量預測模型。該模型將基于初始參數或條件計算的下沉量作為基準，并通過修正函數fi（x，y，t）中的地質結構（斷層、褶皺）、開采方法（剝離、挖掘、運輸）、地下水位（12.2m）進行建立。3）遺傳算法優化預測模型參數：將預測模型中的n個待優化參數進行實數編碼，將每個參數視為一個基因，所有參數構成一個染色體。并使用公式（2）定義適應度函數，目標是通過優化找到能使最小二乘函數值最小的參數組合。使用編程語言Python3.8實現遺傳算法的核心部分，設定群體大小、迭代次數、初始群體數目等參數（群體大小100、迭代次數55、初始群體數目20）。對算法進行調試和優化，保證算法的正確性和效率。4）模型訓練與預測：使用構建好的學習樣本集對模型進行訓練，通過遺傳算法不斷調整模型的參數，提高模型的預測能力。在模型參數優化完成后，利用該模型進行下沉量預測。為了提高預測的精確度，引入高斯誤差函數，并在特定的預測空間內將預測區域均勻分割成平行網格。在每個網格點上，利用公式（3）進行等值坐標配比計算，得到更精確的預測結果。5）結果可視化與驗證：使用可視化工具Matplotlib將預測結果以圖表的形式展示，便于理解和分析。同時，利用3D可視化技術將礦區地質體的三維可視化顯示出來，直觀地展示預測結果。

5.2 試驗結果與分析

為驗證本文方法的效果，以礦區下沉量原始數據擬合曲線與預測數據擬合曲線的吻合度為試驗評估指標，將本文方法與文獻[1]概率統計法分析煤礦開采沉陷方法和文獻[2]探索人工神經網絡在沉陷預測中的應用方法進行對比，得到3種方法的礦區下沉量原始數據擬合曲線與預測數據擬合曲線，如圖3所示。

經過對比3種不同預測方法在礦區下沉量預測中的應用效果，本文提出的基于遺傳算法的煤礦開采沉陷預測方法展現出了顯著優勢。該方法通過優化預測模型，提高了對復雜地質條件和多變開采工藝的適應性，預測結果與實際測量值高度吻合，誤差極小。與文獻[1]、文獻[2]的方法相比，本文方法不僅預測精度更高，而且當處理非線性關系和多變因素時表現更出色。因此，本文的煤礦開采沉陷預測方法能夠為煤礦的安全生產、風險評估和環境保護提供更為可靠的技術支持，具有較高的實際應用價值。

6 結語

本研究基于遺傳算法對煤礦開采沉陷進行探索，通過遺傳算法對沉陷預測模型進行優化，提高預測精度和效率。在實際應用中，該模型能夠較為準確地預測煤礦開采過程中的沉陷情況，為煤礦的安全生產和風險評估提供了有力支持。未來，本研究將繼續深化基于遺傳算法的煤礦開采沉陷預測研究，將探索更加先進的優化算法和技術，以進一步提高預測精度和效率，關注多煤礦協同開采和區域整體沉陷預測的研究，為煤礦安全生產和區域可持續發展提供更加全面的技術支持。

參考文獻

[1]薛飛洋.淺談概率積分法在煤礦開采沉陷預測中的適宜性應用[J].能源技術與管理，2023，48（2）：194-196.

[2]李建勛，李旭，李磊.基于人工神經網絡的煤礦開采中沉陷預測系統設計[J].陜西煤炭，2021，40（6）：177-179，192.

[3]沈璐，陳修和，陶文斌，等.基于遺傳算法的BP神經網絡在輕質路基沉降預測中的應用[J].廣西科技大學學報，2024，35（2）：32-39.

[4]宋祥剛.基于遺傳算法優化BP神經網絡的粉煤灰混凝土抗壓強度預測研究[J].新鄉學院學報，2023，40（6）：56-59.

[5]王志彪，趙麗華.遺傳算法與粒子群優化的Elman神經網絡模型預測黃土滑坡變形[J].大地測量與地球動力學，2023，43（7）：679-684.

[6]宋雅慧.煤礦地質中土地沉陷預測[J].西部探礦工程，2023，35（5）：133-135.

[7]牛海軍，蔡來良，魏鵬，等.晉城山區煤礦地表沉陷預計模型[J].礦業安全與環保，2023，50（2）：77-81.

[8]張深.煤礦開采地表沉陷預測及其防治研究[J].能源與環保，2022，44（7）：314-318.

[9]韋周帥，譚毅，李瑞嬌，等.基于遺傳算法優化BP神經網絡的不良路基沉降量預測應用研究[J].西部交通科技，2022（5）：99-101.