金属矿开采岩层移动角预测知识库模型及其工程应用

刘钦^{1, 2}，刘志祥³，李地元³，李威²

(1. 北京科技大学 土木与环境工程学院，北京，100083；

2. 山东黄金集团三山岛金矿，山东 莱州，261442；

3. 中南大学 资源与安全工程学院，湖南 长沙，410083)

摘要：在分析国内外大量充填矿山岩层移动研究成果的基础上，用神经网络建立金属矿充填开采岩层移动角与矿体上下盘围岩性质、地质构造、地下水、开采深度、矿体走向长度、开采厚度及矿体倾角9个影响因素的知识库模型。采用梯度下降法与混沌优化方法相结合，使神经网络知识库模型实现大量样本快速训练的同时，避免陷入局部极小，同时提高了模型计算精度。利用神经网络知识库模型的容错和非线性映射功能，对岩层移动角各影响因素的敏感性进行分析。将知识库模型应用于三山岛金矿新立矿区海下开采岩层移动角预测，分析新立矿区海岸竖井受采动影响的安全范围，并提出保护竖井的安全措施。研究结果表明：矿体上下盘围岩普氏系数是影响岩层移动角的决定因素，地下水和上下盘围岩地质构造是岩层移动角的主要影响因素。

关键词：

岩层移动角；神经网络；知识库模型；

中图分类号：TD8          文献标志码：A         文章编号：1672-7207(2011)08-2446-07

Knowledge bank model to predict motion angle of terrane in metal deposit and its application in engineering

LIU Qin^{1, 2}, LIU Zhi-xiang³, LI Di-yuan³, LI Wei²

(1. School of Civil and Environmental Engineering, Beijing University of Science and Technology, Beijing 100083, China;

2. Sanshandao Gold Mine, Shandong Gold Group, Laizhou 261442, China;

3. School of Resources and Safety Engineering, Central South University, Changsha 410083, China)

Abstract: Based on data of terrane moving angle in domestic and overseas filling mines, a knowledge bank model, which embodies the relations between moving angle of terrane and characters of wall rock on upside and downside deposit, geologic conformation, underground water, mining depth, length towards deposit, mining thickness and deposit angle, was created with a method of neural network. Coupling grading method with chaotic optimization, the neural network model achieved the merit of rapid training and avoided local minimum, a lot of samples were trained, and the calculating precision of model was improved as well. Using the function of permitting fault and mapping of neural network, the sensitivity of per factor to influence moving angle of terrane was analyzed. The knowledge bank model was applied in predicting motion angle of undersea mining in Xinli zone of Sanshandao Gold Mine, and the safe ranges were analyzed, and the safe measures to protect well were put forward. The results show that the Protodrakonov coefficient of wall rock is the first factor to influence moving angle of terrane, and the underground water and geological conformation are the second and the third influencing factors.

Key words: moving angle of terrane; neural network; knowledge bank model

金属矿山开采通常按移动角来圈定岩层和地表移动范围，因此，对开采过程中出现的移动角的正确预测，对金属矿山安全生产有重要意义^[1-2]。与煤矿开采相比，金属矿床中矿体形状通常是不规则的，因而开采区域的形状和范围也千差万别^[3-4]，而且金属矿山地质构造较煤矿更为复杂，致使一些用于煤层开采地表移动规律的预测理论难以直接用于地下金属矿床的预测。目前，金属矿山开采岩层移动理论研究处于起步阶段^[5-6]。本文作者在研究金属矿山岩层移动角影响因素的基础上，总结分析国内外大量充填法开采矿山的岩层移动角研究成果，建立了充填法开采岩层移动角预测的神经网络知识库模型，并将其应用于三山岛金矿新立矿区海下开采岩层移动角预测，确定了新立矿区海底开采竖井受采动影响的保安矿柱预留方案，以便为矿山安全开采提供技术保障。

1  矿床开采岩层移动角影响因素分析

1.1  矿床开采岩层移动特征

矿山开采前，岩体在地应力场作用下处于相对平衡状态。矿石采出后，在岩体内部形成采空区，导致周围岩体应力状态发生变化，从而引起应力重新分布，使岩体产生移动变形和破坏，直到达到新的平衡^[7]。随着矿床矿石的开采，这一过程不断重复。它是一个十分复杂的变化过程，也是岩层产生移动和破坏的过程，这一过程称为岩层移动。在充分采动或接近充分采动条件下，地表移动盆地主断面上3个临界变形点中最外边的一个临界变形点至采空区边界的连线与水平线的夹角称为移动角^[8]。移动稳定后的岩层按其破坏程度，大致可划分为具有代表性的3个移动特征带：冒落带、裂隙带和弯曲带^[9]。

1.2  金属矿山岩层移动角影响因素分析

目前，人们对煤矿开采岩层移动规律研究较为充分，并且这些规律在很多矿山获得成功应用^[10]。然而，地下金属矿山在地层结构、矿体形态、赋存条件以及采矿方法上与煤矿存在着较大差异，影响因素复杂多变，因此，对于金属矿山岩层移动的研究，目前国内外尚没有成熟的理论。通过地下金属矿山和煤矿开采对比分析，地下金属矿山岩层移动角影响因素如下。

(1) 矿石和围岩物理性质。地下金属矿床矿体和围岩物理力学性质比较复杂，表现在矿体和围岩的坚固性、稳固性等，在同一矿山、矿山与矿山之间各不相同，多数地下金属矿床及其围岩非常坚固，硬度较大，一般采用凿岩、爆破方法开采。对于煤矿，围岩性质较简单，一般采取机械切削的综采方法回采。

(2) 地质构造和节理裂隙。地下金属矿床中有断层、褶皱和节理裂隙等地质构造，对岩体稳固性影响大，而且有些断层、褶皱和节理裂隙的分布是不可预见的。它们不仅给采矿和探矿带来很大困难，而且对于岩层的移动、地表的塌陷范围等都是至关重要的影响因素。而煤矿地质构造一般较简单。

(3) 地下水。由于地层和地下水赋存条件的复杂性，地下水对矿床开采岩层稳定性影响较大，表现在使岩体强度降低，因而采空区稳定性变差。对于地下水灾害，金属矿山表现为顶板突水，煤矿大多发生底板突水。

(4) 矿体赋存条件。地下金属矿床的矿体厚度、倾角及矿体几何形态等均不稳定，同一个矿体在走向或倾斜方向上，其厚度、倾角、形状经常发生很大变化；与此相反，煤矿的煤层厚度、倾角及形状均较稳定，通常总是在2个方向上延伸，多为水平层状矿体。

(5) 矿床开采过程。对于地下金属矿床，矿体赋存条件不稳定决定了其开采过程复杂。在矿床开采过程中，围岩受到频繁扰动和破坏；而在煤矿开采过程中，煤层一般是以层状赋存，开采过程为单一推进式开采，上部围岩受到的扰动和破坏比金属矿床所受到的要小得多。

根据已有的研究成果和国家规范标准，遵循重要性、独立性和易测性原则，选取矿体上下盘围岩性质(普氏系数f)、上下盘围岩地质构造特征(分为稳固性差、较稳固、中等稳固、稳固4种情况)、地下水(分为影响程度严重、较严重、中等和无影响4种情况)、开采深度、矿体走向长度、开采厚度、矿体倾角和采矿方法(本文主要研究充填采矿法)作为岩层移动角预测的影响因素。统计国内外充填法开采矿山资料，得到97组不同矿山岩层移动角与其影响因素数据(表1所示为部分统计数据)。

2  岩层移动角预测的知识库模型建立

2.1  神经网络知识库模型

人工神经网络(Artificial neural network，ANN)是对人脑若干基本特性的模拟，具有大规模并行处理，分布式信息存储，以及很强的学习功能^[11]。神经网络的学习过程是一种从输入空间到输出空间的非线性映射函数形成过程^[12]，学习样本间内在规律性及包含的知识结构等通过输入数据与输出数据之间的非线性映射关系来得到体现。正是这种输入输出间非线性映射关系，使得用人工神经网络方法建立庞大的知识库成为可能。

表1  充填法开采矿山岩层移动统计资料

Table 1  Statistical data of ground motion in filling mine

金属矿床开采岩层移动角与矿体上下盘围岩性质(f值)、上下盘围岩地质构造特征、地下水、开采深度、矿体走向长度、开采厚度和矿体倾角9个因素相关，因此，可用神经网络建立金属矿床开采岩层移动角与其影响因素的知识库模型。

2.2  神经网络训练与混沌优化

神经网络训练和学习的BP算法是一种非线性优化问题^[13]，采用梯度下降法，能实现快速学习与误差反向传播，但不可避免地会陷入局部极小、收敛慢等问题。将BP算法应用于有大规模样本训练时，必须寻找快速、全局收敛的算法^[14]。混沌优化(Chaos Optimization)利用混沌具有初始值敏感性、内在随机性及遍历性等特征^[15]，在全局寻优过程中有较高的搜索效率。因此，本文用梯度下降法与混沌优化方法相结合，使神经网络实现快速训练，同时避免陷入局部极小。

梯度下降法与混沌优化相结合的神经网络训练步骤如下：

(1) 根据输入与输出参数，首先采用梯度下降法训练神经网络，设目标函数为β：

                  (1)

式中：e_i为网络的信号误差。

(2) 如果训练过程中，网络收敛比较快，目标函数β≤β_min(β_min为允许最小误差均方)，神经网络训练结束；若训练时网络陷入局部极小或训练到规定的次数后，仍达不到误差要求(即目标函数β＞β_min)，则将混沌优化引入神经网络权值与阀值优化。将神经网络权值与阀值分别移动一个微小区间?W和?b，此时权值的取值范围为(W-?W，W+?W)，阀值取值范围为(b-?b，b+?b)，并记录下此时的权值W和阀值b作为次优解，并设此时的目标函数值为β^*。

(3) 设神经网络权值参数有m₁个，阀值参数有m₂个，任意设定m₁+m₂个(0,1)区间相异的初值(不能为不动点0.25，0.50和0.75)，代入式(2)所示的Logistic迭代方程^[16]，可得到m₁+m₂个不同轨迹的混沌变量。

 n=0, 1, …, N; x∈(0, 1)     (2)

式中：u为控制参量，当u =4时，Logistic映射为(0,1)区间的满映射，系统处于完全混沌状态。

(4) 采用式(3)和(4)，将混沌变量映射到神经网络的权值与阀值取值范围。

         (3)

            (4)

(5) 采用混沌变量迭代搜索，并计算每一步迭代的目标值β。

(6) 若目标函数值β≤β_min，则计算结束，置，，当前权值与阀值对应神经网络的最优解；若β_min＜β＜β^*，则置β^*=β，，，返回第(5)步，继续迭代；若β＞β^*，则放弃与，返回第(5)步，继续迭代。

(7) 进行若干次迭代后，若β保持不变，则继续采用梯度下降法训练神经网络，使网络误差最小。

2.3  知识库模型建立

根据表1国内外近100个充填法开采矿山的岩层移动角数据，用矿体上、下盘围岩普氏系数f、上下盘围岩地质构造特征(稳固性差、较稳固、中等稳固、稳固4种情况对应数值分别为0.2，0.4，0.6和0.8)、地下水(严重、较严重、中等、无影响4种情况对应数值分别为0.2，0.4，0.6和0.8)、开采深度、矿体走向长度、开采厚度和矿体倾角9个因素的数值为输入，上盘和下盘岩层移动角为输出，建立充填采矿法上、下盘岩层移动角与其影响因素的神经网络知识库模型。模型中输入神经元个数为9，输出神经元个数为2，采用表1中1~94号数据进行神经网络训练(95~97号数据用于神经网络模型检验)，神经网络的训练与学习过程中采用梯度下降法与混沌优化相结合的方法。

2.4  知识库模型检验

表1中95~97号数据未参与神经网络模型建立，采用已建立的知识库模型，预测95~97号数据的岩层移动角，得出上下盘岩层移动角。3个矿山预测得出上盘岩层移动角分别为：72.8°，64.3°和63.2°，下盘岩层移动角分别为：74.1°，70.7°和59.6°，与表1中95~97号岩层移动角数据对比，上、下盘岩层移动角预测误差分别为：1.62%，1.07%，1.93%，1.20%，1.00%和0.67%，其中最大误差在2%以内。检验结果表明：岩层移动角知识库模型具有较高的精度，应用该模型可根据岩层地质特征预测岩层移动角，确定矿山开采岩层移动影响范围。

3  基于知识库模型的岩层移动角各影响因素敏感性分析

研究表明：矿床开采岩层移动角与矿体上、下盘围岩普氏系数、上下盘围岩地质构造、地下水、开采深度、矿体走向长度、开采厚度和矿体倾角等诸因素相关，神经网络知识库模型的权值参数反映了岩层移动角与其影响因素的内在规律，基于神经网络的容错和映射功能，可采用神经网络的权值系数对以上因素影响岩层移动角的敏感性进行分析，并将其排序，其原理如下。

对于1个母序列(本例为岩层移动角)：

            (5)

设有m个子序列(本例为岩层移动角各影响因素的权系数)：

, i=1, 2, …, m       (6)

影响的敏感系数可表示为：

    (7)

记，据式(7)有：

      (8)

式中：，为分辨率系数。越小，表明分辨率越大。取值视具体情况而定，一般取值区间为[0，1]，通常取=0.5。

式(8)所计算的是各子序列与母序列在各点的敏感系数，结果较多，信息过于分散，不便于比较，因而，有必要将每一比较序列各个点的敏感系数集中体现，即为敏感度，记为：

                 (9)

对敏感度进行排序，设其排序为：γ₁＞γ₂＞    γ₃＞…＞γ_m，则表明X₁与X₀最接近，或对X₀的影响最大(本例中说明因素X₁对岩层移动角影响最大)，X₂次之，等等。

根据以上原理，编制了Matlab程序，采用训练好的神经网络权系数，计算得出矿体上盘围岩普氏系数、上盘围岩地质构造、地下水、开采深度、矿体走向长度、开采厚度和矿体倾角对上盘围岩岩层移动角影响的敏感系数分别为：0.787 1，0.698 5，0.736 4，0.521 5，0.662 8，0.583 7和0.567 3；矿体下盘围岩普氏系数、下盘围岩地质构造、地下水、开采深度、矿体走向长度、开采厚度和矿体倾角对下盘围岩岩层移动角影响的敏感系数分别为：0.763 9，0.709 2，0.723 1，0.635 9，0.487 2，0.575 2和0.572 8。计算结果表明：矿床开采上下盘岩层移动角影响因素的排序结果均为：矿体围岩普氏系数、地下水、围岩地质构造特征、矿体走向长度、矿体倾角、开采厚度、开采深度。矿体上下盘围岩普氏系数是影响岩层移动角的决定因素，地下水和上下盘围岩地质构造特征是岩层移动角的主要影响因素，矿体走向长度、矿体倾角、开采厚度和开采深度对岩层移动角有一定的影响，但影响程度较小。

4  工程应用

三山岛金矿新立矿区是我国第1个海底开采的硬岩矿山，也是世界上第1个海底开采的黄金矿山，开采意义重大，同时，也面临着相当大的开采难度和开采风险。海底开采势必会形成数量庞大的采空区，这些采空区的上覆岩层在自重、构造应力以及渗流作用下会产生多种形式的岩层变形与破坏(如跨落、断裂、离层、弯曲等)，发展到地表或海底形成一定区域内的沉陷，尤其对海岸竖井稳定性造成一定的影响。为此，有必要预测新立矿区海底开采岩层移动角并提出矿床开采海岸竖井保护措施。

4.1  新立矿区岩层移动角预测

三山岛金矿新立矿区属于“焦家式”破碎蚀变岩型金矿，矿区北临渤海，构造导水不仅对采矿有影响，而且还会影响岩层移动。矿区内出露地层主要为第4系海砂、海泥层，最大厚度为50 m。其上伏地层是太古代至早元古代胶东群，主要岩性有斑状黑云母花岗岩、斜长角闪岩、黑云母片岩及黑云母变粒岩、片麻岩等。新立矿区岩层性质及矿床产出情况如表2所示。

采用本文建立的岩层移动角神经网络知识库模型预测岩层移动角：上盘移动角为71°，下盘移动角为69°。根据预测得到的上下盘移动角可以确定新立矿区开采海底和陆岸地表移动范围。

表2  矿体赋存条件及围岩参数

Table 2  Existent conditions of ore body and parameters of wall rock

4.2  新立矿区海岸竖井保护措施

新立矿区矿体赋存特征是：矿体露头推断在海底，矿体往陆地延伸。矿山主副竖井建设在靠海岸的陆地上，在深度约为900 m处与矿体相交(图1)，矿床后期开采会对竖井稳定性产生影响。根据上盘岩层移动角71°作图分析(图1)，矿床开采至-600 m水平后，要留设竖井保安矿柱。

图1  矿床开采对竖井稳定性分析

Fig.1  Stability analyzing of well in mining deposit

5  结论

(1) 金属矿床开采岩层移动角与矿体上、下盘围岩性质、上下盘围岩地质构造、地下水、开采深度、矿体走向长度、开采厚度、矿体倾角及采矿方法等因素相关，采用神经网络建立了金属矿床开采岩层移动角与其影响因素的知识库模型。采用梯度下降法与混沌优化方法相结合，使神经网络实现快速训练的同时，避免陷入局部极小。验证分析结果表明：上、下盘岩层移动角最大误差在2%以内，岩层移动角知识库模型具有较高的预测精度，应用该模型可根据岩层地质特征预测矿山开采岩层移动影响范围。

(2) 矿体上下盘围岩普氏系数是影响岩层移动角的决定因素，地下水和上下盘围岩地质构造特征是岩层移动角的主要影响因素，矿体走向长度、矿体倾角、开采厚度和开采深度对岩层移动角有一定的影响，但影响程度相对较小。

(3) 将岩层移动角神经网络知识库模型应用于三山岛金矿新立矿区海下开采，提出了新立矿区海岸竖井的安全措施。

参考文献：

[1] 古德生, 李夕兵. 现代金属矿床开采科学技术[M]. 北京: 冶金工业出版社, 2006: 10-35.
GU De-sheng, LI xibing. Modern mining science and technology for metal mineral resources[M]. Beijing: Metallurgical Industry Press, 2006: 10-35.

[2] Cravero M, Iabichino G, Del Greco O. Experiences in the measurement of stresses and displacements in the Masua mine[C]//Proceedings of the 3rd International Symposium on Field Measurements in Geomechanics, Netherlands, 1991: 653-662.

[3] Sakamoto A, Yamada N, Iwaki K, et al. Applicability of recycling materials to cavity filling materials[J]. Journal of the Society of Materials Science, 2005, 54(11): 1123-1128.

[4] 赵静波, 高谦, 李莉. 地下采动岩层移动预测理论分析与研究[J]. 矿冶工程, 2004, 24(3): 1-4.
ZHAO Jing-bo, GAO Qian, LI Li. Prediction of underground-induced strata movement-theoretical analysis and research[J]. Mining and Metallurgical Engineering, 2004, 24(3): 1-4.

[5] Diederichs M S, Kaiser P K. Stability of large excavations in laminated hard rock masses: the voussoir analogue revisited[J]. International Journal of Rock Mechanics & Mining Sciences, 1999, 36(1): 97-117.

[6] 蔡美峰. 金属矿山采矿设计优化与地压控制-理论与实践[M]. 北京: 科学出版社, 2001: 10-55.
CAI Mei-feng. Mining design optimization and stress control in metal mine[M]. Beijing: Science Press, 2001: 10-55.

[7] Lucha P, Cardona F, Gutierrez F. Natural and human-induced dissolution and subsidence processes in the salt outcrop of the Cardona Diapir[J]. Environmental Geology, 2008, 53(5): 1023-1035.

[8] 杨帆, 麻凤海, 刘书贤. 采空区岩层移动的动态过程与可视化研究[J]. 中国地质灾害与防治学报, 2005, 16(1): 84-88.
YANG Fan, MA Feng-hai, LIU Shu-xian. Research on dynamic process and visual simulation of strata movement in mined-out area[J]. The Chinese Journal of Geological Hazard and Control, 2005, 16(1): 84-88.

[9] 李德海. 覆岩岩性对地表移动过程时间影响参数的影响[J]. 岩石力学与工程学报, 2004, 23(22): 3780-3784.
LI De-hai. Influence of cover rock characteristic on time influencing parameters in process of surface movement[J]. Chinese Journal of Rock Mechanics and Engineering, 2004, 23(22): 3780-3784.

[10] 张东明, 尹光志, 魏作安. 煤矿开采中岩层移动的分形特征及其预测[J]. 矿山压力与顶板管理, 2003(2): 98-99.
ZHANG Dong-ming, YIN Guang-zhi, WEI Zuo-an. Fractal characters and its prediction of terrane moving in coal mining[J]. Ground Pressure and Strata Control, 2003(2): 98-99.

[11] Kobayashi M, Hattori M, Yamazaki H. Multidirectional associative memory with a hidden layer[J]. Systems and Computers in Japan, 2002, 33(6): 1-9.

[12] 何国光, 周坚强. 基于前向神经网络的知识获取[J]. 吉首大学学报: 自然科学版, 2002, 23(6): 62-65.
HE Guo-guang, ZHOU Jian-qiang. Study of the knowledge acquirement based on feed-forward neural network[J]. Journal of Jishou University: Natural Science Edition, 2002, 23(6): 62-65.

[13] Sivakumar B, Jayawardena A W, Fernando T M. River flow forecasting: Use of phase-space reconstruction and artificial neural networks approaches[J]. Journal of Hydrology, 2002, 265(1): 225-245.

[14] Kobayashi M, Hattori M, Yamazaki H. Multidirectional associative memory with a hidden layer[J]. Systems and Computers in Japan, 2002, 33(6): 1-9.

[15] Choi C, Lee J. Chaotic local search algorithm[J]. Artificial Life & Robotics, 1998, 2(1): 41-47.

[16] 尤勇, 王孙安, 盛万兴. 新型混沌优化方法的研究及应用[J]. 西安交通大学学报, 2003, 37(1): 69-72.
YOU Yong, WANG Sun-an, SHENG Wan-xing. New chaos optimization algorithm with applications[J]. Journal of Xi'an Jiaotong University, 2003, 37(1): 69-72.

(编辑 赵俊)

收稿日期：2010-09-10；修回日期：2010-11-20

基金项目：国家自然科学基金与上海宝钢集团公司联合资助项目(51074177)；国家重点基础研究计划(“973”计划)项目(2010CB732004)；教育部博士点基金资助项目(200805331147)

通信作者：刘志祥(1967-)，男，湖南宁乡人，博士，副教授，从事采矿与岩石力学研究；电话：13207475458；E-mail: liulzx@csu.edu.cn