پيش‌بيني نشست در معدن زغال سنگ مزينو طبس با استفاده از الگوريتم ژنتيك (GA)

Predict the subsidence in Tabas Parvadeh Coal Mine using Genetic Algorithm (GA)

پديده نشست زمين شامل فروريزش يا نشست رو به پائين سطح زمين است كه مي تواند داراي مقدار اندك جابجايي افقي باشد و اين حركت از نظرشدت، وسعت و ميزان مناطق درگير محدود نمي باشد. نشست سطح زمين يكي از مشكلات ناخواسته معدنكاري زيرزميني به خصوص در روشهاي استخراج تخريبي است. نشست يك تغيير شكل وابسته به زمان توپوگرافي سطح زمين است كه بر اثر حركت روباره موجود بر روي فضا هاي خالي مانند فضاهاي ايجاد شده بر اثر معدنكاري زيرزميني بوجود مي آيد. پروفيل نهايي نشست سطح زمين در روش جبهه كار طولاني در لايه هاي زغال سنگ شيبدار تفاوت مهمي با لايه هاي افقي دارد و از اين رو، روشهاي پيش بيني نشست مخصوصي را مي طلبد. پيش بيني اين پديده به خصوص هنگاميكه يك سازه در منطقه تاثير نشست واقع شده باشد از اهميت بسزايي برخوردار است. از آنجا كه استخراج يك فرآيند پويا است، حركت و تغيير شكل پوياي سطح زمين مي تواند ساختمان ها و سازه ها را به ميزان قابل توجهي تحت تأثير قرار دهد. تاكنون روشهاي تجربي بسياري براي پيش بيني نشست ارائه شده است، اما اين روش ها براي شرايط معدنكاري و زمين شناسي مختلف انعطاف ناپذيرند. براي پيش بيني ميزان نشست، با توجه به فراواني پارامترهاي موثر در بروز اين پديده و همچنين غير خطي و پيچيده بودن روابط ميان آنها، مي توان از روشهاي هوشمند مثل شبكه هاي عصبي مصنوعي، الگوريتم هاي فراابتكاري، منطق فازي و غيره استفاده كرد. در اين مطالعه به منظور بررسي تأثير پارامترهاي طبقات بالايي لايه زغال شامل مدول الاستيسيته، مقاومت كششي، عمق، نسبت پواسون، ميزان چسبندگي و مقاومت فشاري تك محوره توده سنگ بر ميزان نشست سطح زمين در معدن جبهه كار طولاني زغال سنگ مزينو طبس، دو مدل پيش بيني با استفاده از الگوريتم ژنتيك (GA) و تحليل رگرسيون خطي ارائه شده است. نتايج حاصل از اعتبارسنجي نشان مي دهد كه مدل الگوريتم ژنتيك (GA) نسبت به رگرسيون خطي براي پيش بيني نشست سطحي، محافظت از ساختمان ها و سازه هاي زيرزميني ضمن ارتقاء توسعه پايدار مناطق معدني، از دقت بيشتري برخوردار است. نتايج تحقيق ، رويكرد جديدي را براي بررسي پويايي حركات سطحي ارائه مي دهد.

The phenomenon of land subsidence includes the collapse or subsidence of the earth s surface, which can have a small amount of horizontal displacement, and this movement is not limited in terms of intensity, extent and amount of affected areas. Ground level subsidence is one of the undesirable problems of underground mining, especially in caving extraction methods. The subsidence of a deformation is dependent on the topography time of the earth surface caused by the movement of the overburden on empty spaces , such as the spaces created by underground mining. The final profile of the ground - level subsidence in the longwall method in sloping coal layers is significantly different from the horizontal layers and hence , the prediction methods demand a special subsidence .The prediction of this phenomenon is especially importance when a structure is located in the impact area of the subsidence . So far , many empirical methods have been presented to predict the subsidence , but these methods are uncompromising for different mining and geological conditions . In order to predict the subsidence rate, due to the frequency of effective parameters in the occurrence of this phenomenon as well as non-linear and complex relationships among them, intelligent methods such as artificial neural networks, meta-heuristic algorithms, fuzzy logic, etc. can be used. In this study, to investigate the effect of upper levels parameters of coal layer including elasticity modulus, tensile strength, depth, poisson ratio, cohesion rate and uniaxial compressive strength of rock mass on the subsidence rate of ground level in Tabas Mazino coal longwall mine, two models the subsidence is presented using genetic algorithm (GA) and linear regression analysis. The results of the validation show that the model of genetic algorithm ( GA ) is more accurate than linear regression for subsidence prediction.