Tạp chí
 
Năm 2016
 
Số 5 [10 - 2016], Năm thứ XXX

ứng dung mạng nơ ron nhân tạo dự báo lên bề mặt địa hình do khai thác hầm lò

https://tapchi.hoimovietnam.vn/vi/archives?article=160515

  • Cơ quan:

    Trường Đại học Mỏ - Địa chất

  • Nhận bài: 05-03-2016
  • Chấp nhận: 06-08-2016
  • Ngày đăng: 30-10-2016
Trang: 74 - 79
Lượt xem: 42
Xem onlineXem online
Lượt tải: 1
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

This paper presents the resuíts of assessing the artiíicial neural network usability to predict surface subsidence caused by underground coal mining, where a 2-layer feedforward network are used. Traỉning and testing data are taken from the subsídence íorecast model that has been demonstrated to fit with geological-mining conditions in Quảng Ninh coal seams. Assessment of Predictability of the neural network after traìning period was conducted in 3 geological - mining conditions which absolutely different from the trainirtg conditions. The largest RMS of 3 cases is 0.106, equivalent to 5 % of maximum subsidence, This result is prerequisite for building a subsiđence prediction mođel applied in underground mining in Quảng Ninh coal basin.

Trích dẫn
Nguyễn Quốc Long, 2016. ứng dung mạng nơ ron nhân tạo dự báo lên bề mặt địa hình do khai thác hầm lò, Tạp chí Công nghiệp Mỏ, số XXX, kỳ 5, tr. 74-79.
Tài liệu tham khảo

1. Nguyễn Đình Bé (1977), Nghiên cứu dịch động đất đá khi khai thác vỉa than nghiêng, thoải có đứt gãy kiến tạo, Đại học Mỏ Lêningrad, Liên Xô cũ (Tiếng Nga).

2. Nguyễn Đình Bé, Vương Trọng Kha (2000), Dịch chuyển và biến dạng đất đá trong khai thác mỏ, NXB Giao thông Vận tải, Hà Nội,

3. Phạm Văn Chung (2010), Nghiên cứu xác định các thông số dịch chuyển biến dạng bề mặt đất trong điều kiện địa chất đặc biệt khi khai thác hầm lò bể than Quảng Ninh, Báo cáo đề tài Bộ Công Thương, Hà Nội.

4. Nguỵễn Quốc Long (2015), "Xâỵ dựng hàm dự báo lún bề mặt do khai thác vỉa dốc tại mỏ than Thống Nhất", Tạp chí Công nghiệp Mỏ, Hà Nội, số 4.

5. Quy phạm ngành mò (1981), Qui tắc bảo vệ công trình và đối tượng thiên nhiên chống ảnh hưởng có hại của khai thác hầm lò, Viện VNIMl, Liên bang Nga.

6. Tomaễ Ambroỉiõ, Goran Turk (2003), "Prediction of subsidence due to underground minìng by artiíicial neural netvvorks", Computers & Geosciences, 29 (5), 627-637.

7. Ki-Dong Kim, Saro Lee, Hyun-Joo Oh (2009), "Prediction of ground subsidertce in Samcheok City, Korea using artiíiciai neural netvvorks and GIS", Environmental Geology, 61-70.

8. Saro Lee, Inhye Park, Jong-Kuk Choi (2012), "Spatial Prediction of Ground Subsidence Susceptibility Using an Artificial Neural Network", Environmental Management, 49, 347-358.

9. David J. Reddish, Barry N. VVhittaker (2012), Subsidence: occurrence, prediction and control, Elsevier, England.

10. Weifeng Yang, Xiaohong Xía (2013), "Prediction of mining subsidence under thin bedrocks and thick unconsoiidated layers based on field measurement and artitìcial neural netvvorks", Computers & Geosciences, 49, 199-203.

11. Guoqiang 2hang, B. Eddy Patuvvo, Michael Y. Hu (1998), "Forecasting with artỉíicial neural netvvorks: The State of the art", Internationai Journal of Forecasting, 14, 35-62.

Các bài báo khác