Coal mine floor water inrush prediction based on CNN neural network
-
摘要: 为了提高煤层底板突水预测的准确性，建立了基于卷积神经网络的煤层底板突水预测模型。通过综合分析，确定了15个影响煤层底板突水的因素，将这些影响因素进行拼接组合，运用建立的深度计算结构模型对影响因素及其相互联系进行特征提取。用已知的115组数据对模型进行学习训练，并进行了预测。为验证模型的准确性，利用相同的数据对BP神经网络模型和LeNet-5模型进行训练，将建立的模型与BP神经网络模型和LeNet-5模型进行对比。结果表明：该模型通过加深模型的计算深度，综合考虑了影响底板突水因素间的相互联系，提高了突水预测准确性。基于卷积神经网络构建的模型可以对煤层底板突水进行预测，并且准确率相对较高。Abstract: With a view to improving the accuracy of water bursting prediction in coal seam floor, a model based on Convolutional Neural Network (CNN) was established. Through comprehensive analysis of water bursting in coal seam floor, 15 factors affecting water bursting prediction were determined and these factors were combined to stimulate the partial correlation among these factors. These factors and their interrelation on water bursting prediction in coal seam floor were simulated by using the structure model established for depth calculation. Training and prediction were performed by using the known 115 sets of data. To verify the model efficiency, the BP neural network model and the LeNet-5 model were trained by using the same data, and then the established BP neural network model was compared with the LeNet-5 model. The result indicates that the interrelation between factors affecting water bursting prediction is considered comprehensively by deepening the calculation depth of the model, and the accuracy of water bursting prediction is improved. The prediction model of water bursting prediction in coal seam floor based on Convolutional Neural Network (CNN) has high accuracy and small standard error, which improves the accuracy of prediction effectively.
-
0. 引言
三峡工程是当今世界上最大的水利枢纽工程，三峡库区历来就是滑坡地质灾害隐患居多的区域。据统计，三峡水库自2003年首次蓄水以来库区发生了较大变形的滑坡有674处，其中下滑入江的有8个[1-3]。长期以来，国内学者对三峡库区一些重要滑坡的变形破坏特征进行了相关研究，如白水河滑坡、树坪滑坡、卧沙溪滑坡、千将坪滑坡、八字门滑坡、凉水井滑坡、藕塘滑坡、木鱼包滑坡等[4-10]。水土作用对水库堆积层滑坡影响甚大，主要表现为引起滑坡土体物理力学性质的改变与滑坡受力状态的变化。根据水土作用的不同方式变形成因可分为降雨型、浸泡软化型、动水压力型、浮托减重型、复合型五类[11-12]。
石榴树包滑坡是黄蜡石滑坡群中的一个重要滑坡，其长期持续变形对长江航运及人民生命财产安全造成严重威胁，一直以来备受关注。1998年罗先启等[13]采用非线性有限元方法对原石榴树包滑坡在不同运行工况下的位移、应力、塑性区进行了分析。2000年保长汉等[14]采用广义楔形体法对原石榴树包滑坡进行了稳定性计算。杨学堂等[15-16]对原石榴树包滑坡滑体滑动后的速度、滑距及涌浪进行了计算。而后一些学者采用有限元法对原石榴树包滑坡的稳定性及变形规律进行了分析[17-22]。2004年通过削方减载、设置排水等措施对滑坡进行了治理。李秀珍等[23]基于滑坡治理前10多年的变形监测资料，研究了原石榴树包滑坡的影响因素和变形演化特征和规律。钟少波等[24]基于滑坡治理后6年的监测数据，分析了石榴树包滑坡变形监测位移特征及稳定性。以上研究对石榴树包滑坡稳定性进行了分析，对滑坡变形特征分析较少，尤其对滑坡变形机制的研究几乎很少涉及。因此，本章首先通过钻探与物探资料分析石榴树包滑坡滑体的物质结构特征，再通过近两年的自动GPS表面位移、地下水位变化、降雨量等监测对该滑坡的变形特征、变形机理进行深入探讨与研究。
1. 石榴树包滑坡概况
石榴树包滑坡位于湖北省巴东县东瀼口镇黄蜡石村，长江左（北）岸。滑坡原始斜坡坡高约为500 m，斜坡倾向188°，斜坡结构类型为逆向斜坡（图1）。
石榴树包滑坡后缘高程340～350 m，前缘剪出口高程50～60 m，面积约0.25 km2，平均厚度约47.2 m，体积约11.80×106 m3。高程350～250 m间的地形坡角为32°～37°；高程200 m有一平台，为前期治理削方所致，东西长150～170 m，南北宽90～110 m；高程200 m以下地形坡角为30°～45°。石榴树包滑坡边界特征见图2。滑坡左侧边界为一冲沟，左侧边界沟外侧为一小山脊，见图2（a）。滑坡右侧边界为一冲沟，沟中树木茂密，沟外侧可见混凝土护坡，该冲沟将石榴树包滑坡与原台子角滑坡分割开来，见图2（b）。滑坡前缘大部分被江水淹没，出露部分为黏土夹紫红色泥岩、泥质砂岩与粉质砂岩块石，见图2（c）。滑坡后缘地势较为平缓，位于公路下方，与原磨盘湾滑坡的前缘相接，相对中前缘宽度变窄，见图2（d）。由于前期治理，滑坡表面分布有多条排水沟，3个排水平硐。
2. 滑坡物质组成及结构
在石榴树包滑坡建立综合观测站，主剖面上选取适当的6个位置布置钻孔，其中ZK1、ZK2、ZK4、ZK5等4个钻孔为水文孔。滑坡上安装的仪器主要有：GPS自动监测站4个（其中1个基站），地下水位监测仪器8个分布于水文孔中，库水位监测点1个，雨量监测站2个。现场仪器安装布置见图3。
![]()
图 3 石榴树包滑坡勘探及监测仪器布置图Figure 3. Layout of exploration and monitoring instruments for Shiliushubao landslide2.1 钻探结果
石榴树包滑坡所处斜坡结构为逆向坡，结构复杂。根据钻孔资料综合分析，滑体物质主要为第四系崩坡积碎块石土，原岩为三叠系巴东组的岩体，经强烈滑动破坏而成，在总体上显示一定的成层性。表层覆盖少量第四系松散的崩坡积土，厚1.5～2 m，见图4（a）。浅层及后缘滑体物质主要为三叠系巴东组第四段的红色砂泥岩、粉砂岩破坏形成的碎石土；中层主要为三叠系巴东组第三段灰绿色、灰黄泥灰岩、灰岩破坏后的散裂结构块石土，从后到前厚度逐渐增大，见图4（b）；下层有一层三叠系巴东组第二段紫红色泥岩和粉砂岩破坏后形成的碎石土。
滑带物质为土含碎石，位于基覆界面处，厚度一般为1～2 m，碎石含量10%～30%。土主要为灰黄、灰绿色黏土和粉质黏土。碎石以粒径2～10 mm者居多，呈次棱角-次圆状，并具有一定程度的定向排列，岩性主要为来自巴东组第三段的灰色、灰绿色灰岩、泥灰岩，见图4（c）。
滑床物质由下到上可分为三段，巴东组第一段（T2b1）为灰色、浅灰色的泥灰岩、灰岩，厚约30.30 m；巴东组第二段（T2b2）为紫红色泥岩和粉砂岩，厚度为11.07～32.65 m；巴东组第三段（T2b3）为灰绿色、灰黄色的泥灰岩，厚约11.96 m。滑床基岩岩层产状倾向山内，倾角20°～30°左右，见图4（d）。岩层总体产状70°∠20°。根据现场钻孔的工程地质剖面见图5。
2.2 物探测试结果
在三峡水库处于高水位时期（库水位为173 m），对石榴树包滑坡进行高密度电法物探工作。在滑坡体上共布设1横1纵剖面，分别为300 m和280 m，各剖面上分别布设60个电极和56个电极，电极之间间距为5 m，布设的剖面与钻孔剖面吻合，经过每个钻孔。将高密度电法结果与钻孔岩芯进行对比，见图6。
![]()
图 6 石榴树包滑坡电法测量结果与钻孔岩心对比Figure 6. Comparison of electrical survey results and borehole cores of Shiliushubao landslide由图6可以看出：视电阻率呈块团状分布，成层性较差，视电阻率范围约0～800 Ω·m。钻探岩性及物质结构分界面与电阻率分界面较吻合。整体上表层的电阻率值较低，低至20～30 Ω·m，该处泥岩、粉砂岩颗粒粒径较小，土颗粒含量较多所致，与实际情况一致。浅层电阻率值较高的仅分布在钻孔ZK4周边的平台处，电阻率值达500～800 Ω·m，主要为浅灰色泥灰岩夹灰岩碎块石为主。由此可分析得到石榴树包滑坡体结构岩性分布，电阻率值低于50 Ω·m以下的区域主要以泥岩、粉砂岩等黏土岩形成的土石混合体为主，块状分布；电阻率值高于200 Ω·m的区域主要以泥灰岩形成的土石混合体为主，块状分布。50～200 Ω·m的区域主要为前两者的混合物。
根据钻孔资料，结合物探剖面，对石榴树包滑坡体纵剖面物质结构进行了分层，如图7所示。
![]()
图 7 石榴树包滑坡体纵剖面物质结构分层Figure 7. Material structure stratification of longitudinal section of Shiliushubao landslide body3. 滑坡变形特征
3.1 历史变形特征
该滑坡为古滑坡，最早有记录的复活变形出现在1980年煤矿导洞施工，而后多次降雨以及人类工程活动出现较大变形。为此在2003年4月—2004年2月对石榴树包滑坡进行了工程治理，治理工程措施主要包含削方压脚、地下排水、地表排水。目前，前期治理工程部分失效，坡体上排水沟损坏堵塞，排水平硐内部垮塌。根据相关资料，石榴树包滑坡在治理后布置了3条监测剖面，现大部分仪器不能工作[24]。根据原监测数据分析，2004年—2009年期间滑坡变形较明显，前缘变形最大达到1.4 m，变形总体呈阶梯状持续变形，变形时间主要在每年5—8月。
3.2 近期变形特征
石榴树包滑坡3个GPS表面位移监测数据、降雨量、库水位随时间的变化曲线见图8。
![]()
图 8 石榴树包滑坡GPS监测累计位移量-雨量-库水位变化曲线Figure 8. Variation curve of cumulative displacement of GPS monitoring and rainfall and reservoir water level of Shiliushubao landslide由图8可以看出，在库水位下降及低水位运行期间，表面位移增加较大，在库水位升高及高水位运行期间，表面位移也在增加但增加较少。可见，石榴树包滑坡表现出动水压力型滑坡的特征，与收集的前期监测数据在变形时间上表现一致。在库水位较低时期，降雨会使滑坡各部分的位移都有小幅增大。GPS3位移量大于GPS2位移量大于GPS1位移量，可见滑坡变形主要发生在中部与后部，前缘变形较小。前缘变形较小这可能是由于前缘渗透性大，水力梯度较小的原因；中后部变形大可能是中后部渗透性小，水力梯度相对较大的原因。总体上，滑坡累计变形量最大未超过8 cm，位移随时间增加缓慢，可见石榴树包滑坡目前处于蠕动变形阶段。
4. 滑坡变形机理分析
4.1 变形影响因素
石榴树包滑坡前缘直抵长江，为变形提供了良好的地形临空条件。滑坡下伏基岩为三叠系巴东组的紫红色、浅灰色泥岩、粉砂岩、泥灰岩的易滑岩组；滑坡体也为易滑岩组形成的土石混合体，因此本身物质易于受雨水的影响而发生软化泥化。滑坡体前缘坡脚为长江，江水对滑体前缘岸坡不断的冲刷、掏蚀，造成滑坡前缘坍塌，抗滑力减小。库水位下降过程中，由于中后部渗透性不良导致滑体内地下水位下降滞后于库水位，由此产生的较大动水压力使滑坡的整体稳定性减小。滑坡体结构较松散，渗透性相对较大，地表水易于汇集和下渗，每逢暴雨从滑坡后缘汇集来的地表水排泄于滑坡体上，使得堆积体饱水、抗剪强度降低，诱发浅表层变形。松散堆积物与下伏基岩接触面形成潜在滑动面，因坡体渗透性大，降雨也易下渗到滑动带，一方面滑动面长期处于地下水位之下，使滑动带（面）强度弱化；另一方面也使局部水力梯度急剧增大，诱发整体变形。
4.2 地下水的影响
由监测数据可知滑坡变形主要发生在库水位下降阶段及低水位运行期，结合滑坡地质形态，石榴树包滑坡属于动水压力型滑坡，可见地下水对滑坡变形有较大影响。
（1）地下水位监测结果
石榴树包滑坡布设的4个地下水位监测孔于2018年4月27日开始获取监测数据，截至2019年10月30日，经历两次库水位升降过程，地下水位随库水位、降雨变化曲线如下图9所示。
![]()
图 9 石榴树包滑坡地下水位变化曲线Figure 9. Variation curve of groundwater level in Shiliushubao landslide由图9可知，ZK1、ZK2、ZK4孔地下水位的的变化曲线与库水位变化趋势一致，变化幅度是随着离库水越远变化越小，而ZK5孔地下水位的变化曲线与库水位变化曲线无相似之处，说明ZK5孔地下水位变化与库水位无关，库水位的变化的影响范围在ZK4与ZK5孔之间。降雨对ZK2与ZK5孔的地下水位影响较大，对ZK1与ZK4孔的地下水位影响甚小。滑坡体地下水位对降雨的响应在库水位下降及低水位期间明显，在库水位上升及高水位运行期间响应不明显，响应雨量阈值约为40 mm。
①第一次升降过程（2018年4月27日—2018年10月14日）
ZK1孔水位升降最大29.84 m，ZK2水位升降最大27.73 m，ZK4孔水位升降最大8.91 m，ZK5孔里面水位升降最大14.08 m。
②第二次升降过程（2019年4月27日—2019年10月14日）
ZK1孔水位升降最大30.09 m，ZK2水位升降最大28.58 m，ZK4孔水位升降最大9.69 m，ZK5孔里面水位升降最大7.12 m。
（2）水力梯度变化特征
两个库水位升降过程的水力梯度随库水位及时间的变化曲线见图10，水力梯度变化特征见表1。
表 1 水力梯度变化特征Table 1. Variation characteristics of hydraulic gradient项目 水力梯度i2−1 水力梯度i4−2 水力梯度i5−4 高水位时 低水位时 降雨时 高水位 低水位 降雨时 高水位 低水位 降雨时 第一次升降 0.009 0.0068 0.67 0.11 0.465 0.068 0.0095 0.161 0.331 第二次升降 0.0097 0.0078 0.75 0.118 0.43 0.167 0.01 0.154 0.138 ![]()
图 10 石榴树包滑坡水力梯度变化曲线Figure 10. Variation curve of hydraulic gradient of Shiliushubao landslide由图10可见，前三条水力梯度线存在突变，是受降雨影响所致。为便于观察，将受降雨影响小的ZK4与ZK1之间的水力梯度作于图中。可见四条曲线表现出相同的趋势，随着库水位的下降，水力梯度逐步增大，在低水位水力梯度逐渐减小；当库水位上升时，水力梯度快速减小，高水位时趋于稳定。
由表1可知，在剔除降雨影响下，水力梯度i2−1低水位与高水位基本无变化，水力梯度i4−2低水位时约是高水位的4倍，水力梯度i5−4低水位时约是高水位的15倍。当考虑降雨影响时，降雨时的水力梯度i2−1约是高水位的74倍；水力梯度i4−2却在减小，甚至小于高水位的水力梯度；水力梯度i5−4约是高水位的35倍。
综上，在不考虑降雨条件下，在两次循环的下降及低水位过程中，水力梯度i4−2与水力梯度i5−4都较大，水力梯度i2−1较小。在考虑降雨条件下，水力梯度i2−1增大较多，i4−2减小，i5−4增大。说明，滑坡中后部渗透压力较大，前缘在降雨后渗透压力会大幅增大。滑坡体中后部水位比较高，主要受后方山体地下水供给，可见滑坡滑动面大部分都长期处于地下水位以下。
5. 结论
（1）石榴树包滑坡滑坡体物质具有一定成层性，团块状分布，电阻率值低于50 Ω·m以下的区域主要以泥岩、粉砂岩等黏土岩形成的土石混合体为主，电阻率值高于200 Ω·m的区域主要以泥灰岩形成的土石混合体为主。
（2）降雨是石榴树包滑坡复活的主要原因，库水位升降与降雨联合作用使石榴树包滑坡持续变形。库水位下降及低水位运行过程中的变形大于库水位上升及高水位运行过程中的变形。前缘变形较小主要是由于前缘渗透性大，水力梯度较小的原因；中后部变形大主要是由于中后部渗透性小，水力梯度相对较大的原因。
（3）库水位变化主要影响滑坡前缘和中部地下水变化，前缘地下水基本与库水位同步；滑坡后部地下水与库水位基本无关，主要受降雨影响。在不考虑降雨影响下，低水位时水力梯度是高水位时的4～15倍，考虑降雨影响时水力梯度是高水位时的35～74倍，降雨影响较大。
（4）石榴树包滑坡一直处于蠕变阶段，受库水位周期性升降与降雨的影响，其变形将继续发展，还需进一步加强监测。
-
![]()
图 1 BP神经网络与卷积神经网络连接方式示意图
Figure 1. Schematic diagram of connection mode between BP neural network and convolutional neural network
![]()
图 4 接触概率设置对比实验结果
Figure 4. Comparative experimental results of contact probability setting
![]()
图 6 CNN模型在训练集和测试集上的正确率
Figure 6. The accuracy of CNN model on the training set and test set
![]()
图 7 测试集上的预测值与实际值对比
Figure 7. Comparison of predicted and actual values on the test set
表 1 影响煤层底板突水的因素
Table 1 Factors affecting water inrush from coal floor
一级指标 二级指标 含水层因素 单位涌水量(x1) 水压(x2) 含水层厚度(x3) 隔水层因素 隔水层厚度(x4) 隔水层岩石饱和单轴抗压强度(x5) 隔水层岩体完整性指数(x6) 构造因素 单位面积断层条数(x7) 大断层条数(x8) 裂隙发育程度(x9) 煤层因素 煤层埋深(x10) 煤层倾角(x11) 开采因素 底板破坏带深度(x12) 工作面长度(x13) 采高(x14) 开采面积(x15) 
下载: 导出CSV
表 2 不同卷积层的预测结果
Table 2 Prediction results of different convolution layers
编号 卷积层数量/个 准确率/% 标准误差 1 1 67 0.492 2 2 93 0.268 3 3 80 0.385 4 4 73 0.436
下载: 导出CSV
表 3 部分样本数据
Table 3 Part of the sample data
序号 x1/(L·s−1·m−1) x2/MPa x3/m x4/m x5/MPa x6 x7/(条·km−2) x8/条 x9/% x10/m x11/(°) x12/m x13/m x14/m x15/m2 是否突水 1 3.4 2.80 14.35 39.17 34.28 0.64 34.2 4 14.52 347 12 24.33 150 2.75 5 240 是 2 3.5 2.95 14.35 36.11 34.28 0.64 34.2 4 14.52 380 12 24.61 150 2.55 4 260 是 17 0.15 0.73 15 79 42.00 0.80 0.44 1 5 178 13 20.90 200 3.08 8100 否 18 0.15 1.00 15 51 37.12 0.80 0.44 1 5 202 13 18.95 180 1.80 7800 否 53 2.5 1.37 12.54 50.92 38.30 0.53 42.5 5 18.22 332 14 33.17 200 3.50 5 900 是 54 2.6 1.45 13.02 46.23 38.30 0.53 42.5 5 18.22 352 15 33.50 200 3.50 5 400 是 88 1.8 2.25 35.15 30.00 17.38 0.60 21.6 4 16.53 289 13 19.69 100 3.00 1 530 否 89 1.8 2.35 35.15 30.00 17.38 0.60 21.6 4 16.53 323 16 20.47 100 2.75 1 535 否 95 0.16 1.02 70 52 34.60 0.75 0.52 6 11 370 9 12.15 110 2.76 23500 否 111 2.12 2.89 85 67 46.12 0.55 36.11 4 29 351 9 9.84 90 1.56 4180 是 114 0.29 0.84 31 121 38.13 0.80 0.14 1 13 270 4 14.79 150 3.12 8510 否 115 0.29 1.08 31 97 41.89 0.80 0.14 1 13 295 4 15.00 150 1.97 8510 否
下载: 导出CSV
表 4 实验参数
Table 4 Experimental parameters
实验参数 数值 Learning rate 0.00001 Epochs 1800 Batch size 10 Dropout 0.5
下载: 导出CSV
表 5 各个模型的正确率
Table 5 Accuracy of the predicted results
预测模型 训练集准确/% 测试集准确/% 标准误差 BP 74 67 0.450 LeNet-5 83 80 0.430 本文CNN模型 96 100 0.135
下载: 导出CSV
表 6 各个模型的预测结果
Table 6 Testresults of the forecast model
序号 实际情况 BP预测 LeNet-5预测 本文CNN模型 1 不突水 突水 不突水 不突水 2 突水 突水 不突水 突水 3 突水 突水 突水 突水 4 突水 突水 突水 突水 5 不突水 突水 不突水 不突水 6 不突水 突水 不突水 不突水 7 突水 突水 突水 突水 8 突水 突水 突水 突水 9 不突水 不突水 不突水 不突水 10 不突水 不突水 不突水 不突水 11 突水 突水 不突水 突水 12 突水 突水 不突水 突水 13 不突水 突水 不突水 不突水 14 不突水 不突水 不突水 不突水 15 不突水 突水 不突水 不突水
下载: 导出CSV
-
[1] 武强, 涂坤, 曾一凡, 等. 打造我国主体能源(煤炭)升级版面临的主要问题与对策探讨[J]. 煤炭学报,2019,44(6):1625 − 1636. [WU Qiang, TU Kun, ZENG Yifan, et al. Discussion on the main problems and countermeasures for building an upgrade version of main energy(coal)industry in China[J]. Journal of China Coal Society,2019,44(6):1625 − 1636. (in Chinese with English abstract) [2] 施龙青, 谭希鹏, 王娟, 等. 基于PCA_Fuzzy_PSO_SVC的底板突水危险性评价[J]. 煤炭学报,2015,40(1):167 − 171. [SHI Longqing, TAN Xipeng, WANG Juan, et al. Risk assessment of water inrush based on PCA_Fuzzy_PSO_SVC[J]. Journal of China Coal Society,2015,40(1):167 − 171. (in Chinese with English abstract) [3] 张文泉, 张广鹏, 李伟, 等. 煤层底板突水危险性的Fisher判别分析模型[J]. 煤炭学报,2013,38(10):1831 − 1836. [ZHANG Wenquan, ZHANG Guangpeng, LI Wei, et al. A model of Fisher's discriminant analysis for evaluating water inrush risk from coal seam floor[J]. Journal of China Coal Society,2013,38(10):1831 − 1836. (in Chinese with English abstract) [4] 靳德武, 马培智. 华北煤层底板突水的随机—信息模拟及预测[J]. 煤田地质与勘探,1998,26(6):36 − 39. [JIN Dewu, MA Peizhi. Random information simulation and forecast of water inrush through coal seam floor in mining areas of Northern China[J]. Coal Geology & Exploration,1998,26(6):36 − 39. (in Chinese with English abstract) [5] 刘伟韬, 张文泉. 用层次分析—模糊评判进行底板突水安全性评价[J]. 煤炭学报,2000,25(3):278 − 282. [LIU Weitao, ZHANG Wenquan. An evaluation of the safety of floor water irruption using analytic hierarchy process and fuzzy synthesis methods[J]. Journal of China Coal Society,2000,25(3):278 − 282. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-9993.2000.03.013 [6] 武强, 庞炜, 戴迎春, 等. 煤层底板突水脆弱性评价的GIS与ANN耦合技术[J]. 煤炭学报,2006,31(3):314 − 319. [WU Qiang, PANG Wei, DAI Yingchun, et al. Vulnerability forecasting model based on coupling technique of GIS and ANN in floor groundwater bursting[J]. Journal of China Coal Society,2006,31(3):314 − 319. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-9993.2006.03.010 [7] 刘伟韬, 廖尚辉, 刘士亮, 等. 主成分Logistic回归分析在底板突水预测中的应用[J]. 辽宁工程技术大学学报(自然科学版),2015,34(8):905 − 909. [LIU Weitao, LIAO Shanghui, LIU Shiliang, et al. Principal component Logistic regression analysis in application of water outbursts from coal seam floor[J]. Journal of Liaoning Technical University (Natural Science Edition),2015,34(8):905 − 909. (in Chinese with English abstract) [8] 高延法, 章延平, 张慧敏, 等. 底板突水危险性评价专家系统及应用研究[J]. 岩石力学与工程学报,2009,28(2):253 − 258. [GAO Yanfa, ZHANG Yanping, ZHANG Huimin, et al. Research on expert system for risk assessment of water inrush from coal floor and its application[J]. Chinese Journal of Rock Mechanics and Engineering,2009,28(2):253 − 258. (in Chinese with English abstract) DOI: 10.3321/j.issn:1000-6915.2009.02.005 [9] 张和生, 薛光武, 石秀伟, 等. 基于地学信息复合叠置分析对煤层底板突水的预测[J]. 煤炭学报,2009,34(8):1100 − 1104. [ZHANG Hesheng, XUE Guangwu, SHI Xiuwei, et al. Prediction of water inrush from coal seam floor confined based on geo-information composite overlay analysis[J]. Journal of China Coal Society,2009,34(8):1100 − 1104. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-9993.2009.08.019 [10] 肖建于, 童敏明, 姜春露. 基于模糊证据理论的煤层底板突水量预测[J]. 煤炭学报,2012,37(增刊1):131 − 137. [XIAO Jianyu, TONG Minming, JIANG Chunlu. Prediction of water inrush quantity from coal floor based on fuzzy evidence theory[J]. Journal of China Coal Society,2012,37(Sup1):131 − 137. (in Chinese with English abstract) [11] 董东林, 孙文洁, 朱兆昌, 等. 基于GIS—BN技术的范各庄矿煤12底板突水态势评价[J]. 煤炭学报,2012,37(6):999 − 1004. [DONG Donglin, SUN Wenjie, ZHU Zhaochang, et al. Water-inrush assessment of coal 12 floor using a GIS-based Bayesian network for Fangezhuang Coal Mine with collapse column[J]. Journal of China Coal Society,2012,37(6):999 − 1004. (in Chinese with English abstract) [12] 宋国娟. 基于极限学习机的煤矿突水预测及避险路线优化研究[D]. 徐州: 中国矿业大学, 2016. SONG Guojuan. Research on mine water inrush prediction based on extreme learning machine and route optimization[D]. Xuzhou: China University of Mining and Technology, 2016. (in Chinese with English abstract)
[13] 姜谙男, 梁冰. 基于最小二乘支持向量机的煤层底板突水量预测[J]. 煤炭学报,2005,30(5):613 − 617. [JIANG Annan, LIANG Bing. Forecast of water inrush from coal floor based on least square support vector machine[J]. Journal of China Coal Society,2005,30(5):613 − 617. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-9993.2005.05.016 [14] 曹庆奎, 赵斐. 基于模糊-支持向量机的煤层底板突水危险性评价[J]. 煤炭学报,2011,36(4):633 − 637. [CAO Qingkui, ZHAO Fei. Risk evaluation of water inrush from coal floor based on fuzzy-support vector machine[J]. Journal of China Coal Society,2011,36(4):633 − 637. (in Chinese with English abstract) [15] 乔育锋. 遗传算法和BP神经网络在煤矿突水预测中的应用研究[D]. 西安: 西安建筑科技大学, 2011. QIAO Yufeng. Application research of genetic algorithm and artificial neural networks in the prediction of mine water inrush[D]. Xi’an: Xian University of Architecture and Technology, 2011. (in Chinese with English abstract)
[16] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[EB/OL]. 2014: arXiv: 1409.1556[cs. CV]. https://arxiv.org/abs/1409.1556
[17] 刘小安. 卷积神经网络在自然语言处理中的应用研究综述[C]//中国计算机用户协会网络应用分会. 中国计算机用户协会网络应用分会2017年第二十一届网络新技术与应用年会论文集. 北京联合大学北京市信息服务工程重点实验室, 2017: 5. LIU Xiaoan. Application of convolutional neural network in nature language processing[C]//Network application branch of China Computer Users Association. Papers of network application branch of China Computer Users Association at the 21st Annual Meeting of network new technology and application in 2017. Beijing Key Laboratory of information service engineering, Beijing Union University, 2017: 5. (in Chinese)
[18] ER M J, ZHANG Y, WANG N, et al. Attention pooling-based convolutional neural network for sentence modelling[J]. Information Sciences,2016,373:388 − 403. DOI: 10.1016/j.ins.2016.08.084
[19] 吴素雯, 战荫伟. 基于选择性搜索和卷积神经网络的人脸检测[J]. 计算机应用研究,2017,34(9):2854 − 2857. [WU Suwen, ZHAN Yinwei. Face detection based on selective search and Gabor optimizing convolutional neural network[J]. Application Research of Computers,2017,34(9):2854 − 2857. (in Chinese with English abstract) DOI: 10.3969/j.issn.1001-3695.2017.09.064 [20] 秦品乐, 李鹏波, 曾建潮, 等. 基于级联全卷积神经网络的颈部淋巴结自动识别算法[J]. 计算机应用,2019,39(10):2915 − 2922. [QIN Pinle, LI Pengbo, ZENG Jianchao, et al. Automatic recognition algorithm of cervical lymph nodes using cascaded fully convolutional neural networks[J]. Journal of Computer Applications,2019,39(10):2915 − 2922. (in Chinese with English abstract) [21] WALLACH I, DZAMBA M, HEIFETSA. AtomNet: A deep convolutional neural network for bioactivity prediction in structure-based drug discovery[J]. Mathematische Zeitschrift, 2015.
[22] HINTON G E, SRIVASTAVA N, KRIZHEVSKY A, et al. Improving neural networks by preventing co-adaptation of feature detectors[EB]. 2012: arXiv: 1207.0580[cs. NE].
[23] KINGMA D P, BA J. Adam: a method for stochastic optimization[EB]. 2014: arXiv: 1412.6980[cs. LG].
[24] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE,1998,86(11):2278 − 2324. DOI: 10.1109/5.726791
-
期刊类型引用(21)
1. 袁家好，鲁祖德，陈从新，孙朝燚，范凯，刘才华. 含双软弱夹层岩质边坡稳定性上限解. 岩石力学与工程学报. 2024(02): 412-423 . 
百度学术
2. 陈权川，李兰，陈权益. 路堑顺层边坡稳定性分析及支挡防护数值模拟研究. 交通科技. 2024(01): 1-6 . 百度学术
3. 向波，刘正威，张乐，闵祥，邬凯，郭辉，李涛. 含多个软弱夹层缓倾顺层边坡开挖卸荷变形特征. 地质灾害与环境保护. 2024(01): 74-81 . 百度学术
4. 刘正威，邬凯，罗晓龙，闵祥，陈沛，唐爽，李涛. 川西南公路顺层边坡桩锚组合结构加固分析——以乐西高速ZK9+352～ZK9+526边坡为例. 科技和产业. 2024(05): 271-279 . 百度学术
5. 严子元. 缓倾软弱夹层对顺层岩质边坡稳定性的影响. 新乡学院学报. 2024(03): 73-76 . 百度学术
6. 解仁伟. 水平层状岩隧道荷载计算公式修正方法及其应用. 吉林大学学报(地球科学版). 2024(03): 943-953 . 百度学术
7. 徐白璐. 包西铁路受损风沙路基防护林带修复设计研究. 运输经理世界. 2024(11): 166-168 . 百度学术
8. 刘健. 变质岩类顺层边坡破裂迹象及边坡开挖失稳范围研究. 粉煤灰综合利用. 2024(03): 91-96 . 百度学术
9. 刘品，陈权川，龙维. 含软弱夹层顺层岩质边坡开挖稳定性分析. 路基工程. 2024(04): 171-176 . 百度学术
10. 陈伟明，郁金平. 含泥质粉砂夹层的土质边坡稳定性分析. 交通科学与工程. 2024(04): 57-64+92 . 百度学术
11. 段志超，王菁菁，李育红，胡萱苡，关艳丽. 地下水作用下含软弱夹层边坡可靠性分析. 工程勘察. 2024(09): 12-18 . 百度学术
12. 曾秋阳，马国栋. 多道瞬态面波法在软弱夹层探测中的应用. 治淮. 2024(09): 26-27+30 . 百度学术
13. 蒋发森，王思铎，高美奔，熊冰，杨星. 某深挖路堑顺层滑坡成因分析及治理措施. 路基工程. 2024(06): 198-204 . 百度学术
14. 许家臣，夏雨，宋浩然，徐杰，张庆文，徐国林，眭素刚. 强降雨条件下电石渣堆场失稳特性研究. 科学技术与工程. 2023(04): 1675-1682 . 百度学术
15. 赵增辉. 铁路工程路基边坡变形防护施工研究. 工程建设与设计. 2023(08): 28-30 . 百度学术
16. 杨立功. 降雨、水位升降作用下的边坡稳定性研究. 水利科学与寒区工程. 2023(05): 46-49 . 百度学术
17. 陈权川，徐庆方，谢配红，萧诗礼，朱爱军. 含软弱夹层缓倾顺层岩质边坡中抗滑桩-键组合结构的应用. 安全与环境工程. 2023(04): 131-140 . 百度学术
18. 黄其冰. 含多层软弱夹层顺层边坡开挖及支挡防护数值模拟分析. 福建交通科技. 2023(06): 20-24 . 百度学术
19. 何云勇，郭成超，张乐，王复明，向波，李蜀南，马建林. 名山组泥岩顺层边坡原位直剪试验及开挖模拟. 科学技术与工程. 2023(36): 15634-15641 . 百度学术
20. 徐成华，卜争军，眭敏磊，李凯. 壁面强度及粗糙度对含软弱夹层岩体影响研究. 河南科学. 2022(09): 1478-1485 . 百度学术
21. 杨豪，魏玉峰，张御阳，唐珏凌，何宁. 基于离心试验的反倾层状岩质边坡内非贯通性裂缝变形特性分析. 水文地质工程地质. 2022(06): 152-161 . 百度学术
其他类型引用(7)
计量
- 文章访问数: 526
- HTML全文浏览量: 391
- PDF下载量: 322
- 被引次数: 28
邮件订阅
RSS