پیش‌بینی نشست در معدن زغال سنگ مزینو طبس با استفاده از الگوریتم ژنتیک (ga)

پدیده نشست زمین شامل فروریزش یا نشست رو به پائین سطح زمین است که می تواند دارای مقدار اندک جابجایی افقی باشد و این حرکت از نظرشدت، وسعت و میزان مناطق درگیر محدود نمی باشد. نشست سطح زمین یکی از مشکلات ناخواسته معدنکاری زیرزمینی به خصوص در روشهای استخراج تخریبی است. نشست یک تغییر شکل وابسته به زمان توپوگرافی سطح زمین است که بر اثر حرکت روباره موجود بر روی فضا های خالی مانند فضاهای ایجاد شده بر اثر معدنکاری زیرزمینی بوجود می آید. پروفیل نهایی نشست سطح زمین در روش جبهه کار طولانی در لایه های زغال سنگ شیبدار تفاوت مهمی با لایه های افقی دارد و از این رو، روشهای پیش بینی نشست مخصوصی را می طلبد. پیش بینی این پدیده به خصوص هنگامیکه یک سازه در منطقه تاثیر نشست واقع شده باشد از اهمیت بسزایی برخوردار است. از آنجا که استخراج یک فرآیند پویا است، حرکت و تغییر شکل پویای سطح زمین می تواند ساختمان ها و سازه ها را به میزان قابل توجهی تحت تاثیر قرار دهد. تاکنون روشهای تجربی بسیاری برای پیش بینی نشست ارائه شده است، اما این روش ها برای شرایط معدنکاری و زمین شناسی مختلف انعطاف ناپذیرند. برای پیش بینی میزان نشست، با توجه به فراوانی پارامترهای موثر در بروز این پدیده و همچنین غیر خطی و پیچیده بودن روابط میان آنها، می توان از روشهای هوشمند مثل شبکه های عصبی مصنوعی، الگوریتم های فراابتکاری، منطق فازی و غیره استفاده کرد. در این مطالعه به منظور بررسی تاثیر پارامترهای طبقات بالایی لایه زغال شامل مدول الاستیسیته، مقاومت کششی، عمق، نسبت پواسون، میزان چسبندگی و مقاومت فشاری تک محوره توده سنگ بر میزان نشست سطح زمین در معدن جبهه کار طولانی زغال سنگ مزینو طبس، دو مدل پیش بینی با استفاده از الگوریتم ژنتیک (ga) و تحلیل رگرسیون خطی ارائه شده است. نتایج حاصل از اعتبارسنجی نشان می دهد که مدل الگوریتم ژنتیک (ga) نسبت به رگرسیون خطی برای پیش بینی نشست سطحی، محافظت از ساختمان ها و سازه های زیرزمینی ضمن ارتقاء توسعه پایدار مناطق معدنی، از دقت بیشتری برخوردار است. نتایج تحقیق ، رویکرد جدیدی را برای بررسی پویایی حرکات سطحی ارائه می دهد.

predict the subsidence in tabas parvadeh coal mine using genetic algorithm (ga)

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.