پیش‌بینی حداکثر نشست سطح زمین ناشی از معدنکاری جبهه‌کار طویل با استفاده از مدل ترکیبی ماشین بردار پشتیبان و الگوریتم فراابتکاری عقاب طلایی

در این مقاله، هدف توسعه مدل‌هایی داده‌محور برای پیش‌بینی حداکثر نشست سطح زمین (smax) ناشی از استخراج زغال‌سنگ به روش جبهه‌کار طویل است؛ پدیده‌ای که از چالش‌های اساسی مهندسی معدن محسوب می‌شود و پیش‌بینی آن می‌تواند در کاهش خسارات اعمالی به سازه‌های سطحی و زیرسطحی مجاور و ارتقاء ایمنی عملیات معدنی موثر باشد. بدین منظور، 46 دسته داده معتبر از مطالعات پیشین شامل سه پارامتر کلیدی ضخامت لایه زغال‌سنگ (hs)، عمق روباره (h) و عرض پهنه استخراجی (lw) گردآوری شد.در ادامه، یک مدل پیش‌بینی‌کننده ترکیبی مبتنی بر رگرسیون ماشین بردار پشتیبان (svr) که با الگوریتم فراابتکاری عقاب طلایی (geo) بهینه‌سازی شده است توسعه یافت. به‌منظور ارزیابی عملکرد این مدل، یک مدل مقایسه‌ای نیز بر پایه رگرسیون چندمتغیره غیرخطی (nlmr) توسعه داده شد. برای ارزیابی تعمیم‌پذیری و پایداری مدل svr geo، از تکنیک اعتبارسنجی متقابل5 بخشی استفاده شد. عملکرد مدل‌های پیشنهادی در مراحل آموزش و تست با بهره‌گیری از دیاگرام تیلور، منحنی مشخصه خطای رگرسیون (rec) و شش شاخص آماری شامل ضریب تعیین (r²)، شمول واریانس (vaf)، a20، جذر میانگین مربعات خطا (rmse)، میانگین قدرمطلق خطا (mae) و میانگین درصد خطای مطلق (mape) مورد ارزیابی و مقایسه با شش رابطه تجربی رایج قرار گرفت. نتایج بدست آمده از دیاگرام تیلور و منحنی مشخصه خطای رگرسیون (rec) حاکی از آن است که مدل svr geo در هر دو مرحله آموزش و تست عملکرد به‌مراتب بهتری نسبت به مدل nlmr و روابط تجربی دارد. همچنین، نتایج بدست آمده براساس شاخص‌های آماری نشان داد که مدل svr geo دارای بالاترین دقت و کمترین میزان خطا نسبت به مدل‌ nlmr و روابط تجربی است؛ به‌طوری‌که مقادیر شاخص‌های r²، vaf، a20، rmse، mae و mape این مدل به ترتیب در مرحله آموزش 0.988، 98.8%، 0.946، 0.134، 0.053 و 5.7% و در مرحله تست 0.942، 93.9%، 0.778، 0.292، 0.235 و 19.7% بدست آمد. در نهایت، نتایج تحلیل حساسیت نشان داد که ضخامت لایه زغال‌سنگ (hs) بیشترین تاثیر را بر smax دارد و پس از آن، عرض پهنه (lw) و عمق روباره (h) در اولویت قرار دارند. بنابراین، مدل پیشنهادی svr geo می‌تواند به‌عنوان ابزاری دقیق، مطمئن و کارآمد برای پیش‌بینی smax در پروژه‌های معدنی به روش جبهه‌کار طویل مورد استفاده قرار گیرد.

prediction of maximum ground surface subsidence induced by longwall mining using a hybrid support vector regression model optimized by golden eagle algorithm

this study aims to develop accurate data driven models for predicting the maximum ground surface subsidence (smax) induced by longwall coal mining، one of the key challenges in mining engineering. accurate prediction of smax is crucial for minimizing damage to surface and subsurface structures and enhancing operational safety. a total of 46 datasets from literature، involving three influential parameters including coal seam thickness (hs)، depth of cover (h)، and panel width (lw)، were collected. two predictive models were developed: a support vector regression (svr) model optimized using the golden eagle optimization (geo) algorithm (svr geo)، and a nonlinear multivariate regression model (nlmr). the generalization ability of svr geo was validated using 5 fold cross validation. models' performance in both training and testing phases was evaluated using taylor diagrams، regression error characteristic (rec) curves، and six statistical indices (r²، vaf، a20، rmse، mae، and mape)، and compared against six empirical equations. results showed that svr geo outperformed both nlmr and empirical models، achieving r² values of 0.988 (training) and 0.942 (testing). sensitivity analysis revealed that coal seam thickness (hs) had the greatest impact on smax، followed by panel width (lw) and depth of cover (h). the svr geo model is proposed as a robust and reliable tool for predicting smax in longwall mining projects.