پیش‌بینی حداکثر نشست سطح زمین ناشی از عملیات استخراج به روش جبهه‌کار طویل: ارزیابی مقایسه‌ای روابط تجربی و مدل‌های آماری و هوش مصنوعی

نشست سطح زمین ناشی از عملیات استخراج زغال‌سنگ به روش جبهه‌کار طویل، پدیده‌ای اجتناب‌ناپذیر است، اما پیش‌بینی و کنترل آن می‌تواند موجب کاهش میزان نشست و خسارات احتمالی به سازه‌های سطحی و زیرسطحی شود. این تحقیق با دو هدف انجام شده است: نخست، انتخاب مناسب‌ترین روش از میان روابط تجربی موجود برای پیش‌بینی حداکثر نشست سطح زمین (smax) با توجه به پارامترهای هندسی لایه زغال‌سنگ و پهنه استخراجی شامل ضخامت لایه زغال‌سنگ (hs)، عمق روباره (h) و عرض پهنه (lw)؛ و دوم، توسعه و مقایسه مدل‌های داده‌محور شامل جنگل تصادفی (rf) و رگرسیون خطی چندمتغیره (lmr) برای بهبود دقت پیش‌بینی. در این راستا، 85 دسته داده واقعی از منابع معتبر جمع‌آوری و حداکثر نشست سطح زمین با استفاده از هر یک از روابط تجربی موجود محاسبه شد. سپس، بر مبنای چهار شاخص آماری شامل ضریب تعیین (r²)، شمول واریانس (vaf)، میانگین درصد خطای مطلق (mape) و جذر میانگین مربعات خطا (rmse)، ضمن اعتبارسنجی و مقایسه روابط تجربی با یکدیگر، به اولویت‌بندی انتخاب آن‌ها نیز پرداخته شد. در مرحله بعد با تقسیم‌ تصادفی داده‌ها به دو بخش آموزش و تست و سپس بکارگیری الگوریتم جنگل تصادفی (rf) و تحلیل رگرسیون خطی چند متغیره (lmr)، دو مدل‌ جدید برای پیش‌بینی smax توسعه داده شده و مورد اعتبارسنجی و مقایسه با روابط تجربی قرار گرفتند. نتایج نشان داد که مدل rf بالاترین دقت و کارایی را نسبت به سایر مدل‌ها در پیش‌بینی smax دارد؛ به‌طوری که مقادیر شاخص‌های آماری r²، vaf، mape و rmse برای این مدل در مرحله آموزش به ترتیب 0.921، %92.71، %23.34 و 0.287 و در مرحله تست به ترتیب 939/0، %94.11، %13.21 و 0.264 بوده است. مدل lmr نیز با مقادیر شاخص‌های مذکور به ترتیب در مرحله آموزش 0.713، %71.26، 84.47% و 0.57 و در مرحله تست 0.845، %81.47، %22.15 و 0.439 عملکرد قابل‌قبولی نشان داد. در نهایت، نتایج تحلیل حساسیت پارامترهای ورودی با استفاده از روش‌های ارزش شپلی و دامنه کسینوسی نشان داد که ضخامت لایه زغال‌سنگ (hs) بیشترین تاثیر را بر smax دارد، در حالی که عمق روباره (h) کم اهمیت‌ترین پارامتر تاثیرگذار است.

prediction of maximum ground surface subsidence due to longwall mining: a comparative evaluation of empirical equations and statistical and artificial intelligence models

ground surface subsidence caused by longwall coal mining is inevitable، but its prediction and control can help reduce damage to surface and subsurface structures. this study aims to (1) identify the most suitable empirical equation for estimating maximum surface subsidence (smax) based on key geometric parameters of coal seam thickness (hs)، overburden depth (h)، and panel width (lw); and (2) develop and compare two data-driven models: random forest (rf) and linear multivariate regression (lmr). to do so، a collected database consist of 85 real-world cases was analyzed، and smax was computed using each empirical method. four statistical indicators (r²، vaf، mape، rmse) were used to evaluate and rank the empirical models. then، the database was divided into two sets of train and test. the rf model، trained and tested on randomly split data، achieved the highest predictive accuracy، while the lmr model showed acceptable results. specifically، the rf model yielded r² = 0.921، vaf = 92.71%، mape = 23.34%، and rmse = 0.287 in the training phase; and r² = 0.939، vaf = 94.11%، mape = 13.21%، and rmse = 0.246 in the testing phase. finaly، sensitivity analysis revealed that hs has the greatest influence on smax، whereas h plays the least significant role. overall، rf proved to be a promising alternative to empirical methods in practical subsidence prediction.