Prediction model of slope deformation in open pit mines based on GJO-MLP
-
摘要: 露天矿边坡变形受地质结构、水文地质条件、采矿活动等多种因素影响，使得预测模型复杂，难以准确捕捉所有影响因素。目前，大量监测设备部署在露天矿边坡周围，用于实时记录露天矿边坡位移数据，这些数据具有高维度、时序关联性及非线性等特性。如果在其他条件未知而只有数据的情况下，使用传统的边坡稳定性分析方法无法有效进行边坡变形预测，而采用仅基于数据的模型对露天矿边坡位移数据进行预测对边坡稳定性的事前分析十分必要。针对上述问题，提出了一种基于金豺优化多层感知机（GJO−MLP）的露天矿边坡变形预测模型。GJO中各智能体间相互独立，可以通过并行计算加速优化MLP的训练过程；GJO能够结合MLP的非线性建模和特征提取能力，使得优化后的MLP在处理复杂问题时更具优势。为检验GJO−MLP的可行性和有效性，将GJO−MLP分别与基于蚁群算法优化的MLP（ACO−MLP）、基于引力搜索算法优化的MLP（GSA−MLP）及基于差分进化算法优化的MLP（DE−MLP）进行对比分析，在6个数据集上的仿真实验结果表明：在相同实验条件下，相较于其他3种算法，GJO−MLP表现出更好的寻优性能。将基于GJO−MLP的边坡变形预测模型应用于宝日希勒露天矿边坡变形预测和花坪子边坡变形预测中，结果表明：在相同条件下，相较于其他3种算法，基于GJO−MLP的边坡变形预测模型在对边坡变形数据进行预测时不仅表现出更好的预测求解性能，而且还具有更好的可行性和鲁棒性。Abstract: The deformation of open-pit mine slopes is influenced by various factors such as geological structure, hydrogeological conditions, mining activities, etc., making the prediction model complex. It is difficult to accurately capture all influencing factors. At present, a large number of monitoring devices are deployed around the slope of open-pit mines to record real-time displacement data of open-pit mine slopes. The data has the features of high-dimensional, temporal correlation, and nonlinear. Traditional slope stability analysis methods cannot effectively predict slope deformation without knowing other conditions and only data, it is necessary to use a data-based model to predict the displacement data of open-pit mine slopes in advance for slope stability analysis. In order to solve the above problems, a deformation prediction model for open-pit mine slopes based on the golden jackal optimized multilayer perception machine (GJO-MLP) is proposed. Each agent in GJO is independent of each other and can accelerate the training process of optimizing MLP through parallel computing. GJO can combine the nonlinear modeling and feature extraction capabilities of MLP, making the optimized MLP more advantageous in dealing with complex problems. To test the feasibility and effectiveness of GJO-MLP, GJO-MLP is compared and analyzed with ant colony algorithm optimization based MLP (ACO-MLP), gravity search algorithm optimization based MLP (GSA-MLP), and differential evolution algorithm optimization based MLP (DE-MLP). The simulation results on six datasets show that under the same experimental conditions, GJO-MLP shows better optimization performance compared to the other three algorithms. The slope deformation prediction model based on GJO-MLP is applied to the slope deformation prediction of Baorixile open-pit mine and Huapingzi slope deformation prediction. The results show that under the same conditions, compared to the other three algorithms, the slope deformation prediction model based on GJO-MLP not only show better predictive performance in predicting slope deformation data, but also has better feasibility and robustness.
-
0. 引言
目前，对图像去雾技术的研究主要包括基于物理模型的图像增强方法和基于非物理模型的图像复原方法[1-2]。基于物理模型的图像增强方法根据大气散射理论，在各种先验知识（如暗原色先验）约束条件下，精确求解出清晰无雾图像。苏畅等[3]提出了一种基于暗通道图像质心位移量的去雾方案，使用了K均值聚类方法对雾天图像中的暗通道进行深入分析，但去雾效果会受到所设定聚类个数的影响。He Kaiming等[4-5]提出了一种借助暗原色统计特性实施去雾的算法，通过考察图像的暗通道并整合大气散射模型，能够在多数情况下实现较理想的去雾效果。然而，当处理包含较大面积天空区域的画面时，可能会面临颜色失真问题，且该算法计算复杂度较高。郭翰等[6]针对传统暗原色去雾技术在处理天空区域时易产生的“halo”（光晕）效应，采用了导向滤波来调整透射率参数，但该算法对滤波半径参数的选择较为敏感，易导致部分去雾结果存在颜色过饱和或去雾不充分的情况。Meng Gaofeng等[7]提出了一种具有边界约束机制的图像去雾技术，有效缓解了去雾后图像对比度偏低的问题，然而在某些特定区域，仍有出现颜色失真现象的可能性。基于非物理模型的图像复原方法的核心在于通过加强图像整体和各个细节特征的表现力，提高图像的饱和度和对比度。该方法可带来一定程度视觉上的优化，但没有触及雾气对图像实质性的干扰，代表性技术有Retinex理论和直方图均衡化等[8-11]。Lu Kun等[12]提出了双分支曝光融合网络（Two-Branch Exposure-Fusion Network，TBEFN），采用一种简单的平均方法对2幅图像进行融合，并通过1个细化单元进一步细化结果，但网络的训练过程较为复杂。Xue Yu等[13]提出了一种特征融合注意网络，该网络使用通道注意和像素注意对特征图的空间维度和通道维度分配权重，实现了较先进的去雾性能，但算法效率仍有进一步提升空间。E. S. Muhammad等[14]提出了一种利用暗通道和光照计算双传输图的新策略，并利用梯度域引导滤波器对传输图进行细化，去除任何残留的不良影响，但在光照不足的环境下，该算法的实际去雾效果受到较大限制。
在煤矿井下图像去雾方面，龚云等[15]针对煤矿井下图像普遍存在的低亮度和弱对比度问题，提出了一种在六角锥体模型HSV（Hue, Saturation,Value）色彩空间中运用加权分布自适应伽马校正技术的同态滤波方法。该方法有效提升了图像的整体亮度与细节对比度，但仍产生了一定程度的颜色失真。王媛彬等[16]提出了一种基于自适应双通道先验理论的煤矿井下图像去雾技术，通过结合暗通道信息与亮通道特征来建立双通道预设模型以精确估计透射率，并融入了动态调整的权重因子，用梯度导向滤波手段对透射率图进行精细化处理。根据粉尘雾霾导致的图像退化模型原理，实现对原始清晰图像的恢复还原，但该算法在处理不均匀雾霾图像时，仍有部分雾霾残留。上述方法在处理煤矿井下图像时有可能存在细节信息丢失或图像偏暗的问题，主要是因为未能在提取图像深层次特征信息的同时进行光照校正。
针对煤矿井下图像去雾问题，本文提出了一种结合暗通道引导滤波和光照校正的新型单幅煤矿井下图像去雾算法。本算法通过图像分化模块（Image Differentiation Module，IDM）对井下图像进行多层次化处理，从而生成反映全局光照情况的光照图、体现深度信息的暗原色图及记录反射特征的光照反射图，并分别利用暗原色图和光照反射图进行引导滤波和光照校正，有效解决了因雾化导致的颜色失真问题，同时实现了对图像细节的精准重构。
1. 煤矿井下图像去雾模型及原理
1.1 煤矿井下图像去雾模型
基于暗通道引导滤波和光照校正的煤矿井下图像去雾算法的网络结构模型如图1所示，其中“$\oplus $”为2个或多个具有相同维度的张量逐元素相加在一起，生成一个新的张量。首先，将原始图像经过IDM和残差模块，得到光照图、暗原色图和光照反射图，通过图像分化操作使后续网络可处理不同层次的特征信息，并降低对复杂背景噪声的敏感性。其次，在引导滤波模块（Bootstrap Filtering Module，BFM）中将暗原色图作为权重引导参数，对光照反射图进行引导滤波，有利于网络提取深层图像特征和恢复细节信息。然后，经过残差模块进行图像信息补偿，其中残差模块由2层3×3卷积层和ReLU激活函数组成。最后，通过光照校正模块（Lighting Correction Module，LCM）利用光照图和原始图像信息进行多次光照校正和信息补偿，解决图像整体偏暗的问题。
1.2 IDM
IDM可对输入图像进行多层次化处理并分别得到光照图、暗原色图和光照反射图。IDM网络结构如图2所示。原始图像先经过1个3×3卷积层，再经由ReLU激活函数增强非线性特征，最后经过平均池化层以减少参数量并提取图像浅层特征信息。将网络分成2个分支，采用第1分支生成光照反射图，采用第2分支生成光照图和暗原色图。
第1分支首先经过1个3×3卷积层和ReLU激活函数进一步处理图像，其次通过1×1卷积层进行特征降维，并使用Sigmoid函数进行归一化，然后利用双边滤波进行平滑处理，同时结合残差连接和跳跃连接技术，将原始图像与光照图的特征信息进行融合，最后输出光照反射图。光照反射图不仅融合了原始图像的固有结构信息，还具有光照图中光照条件的细致分布，可以更加精确地反映场景中的光照分布。在第1分支中引入双边滤波算法，将图像的灰度信息作为权重参数纳入计算过程。为了实现保边去噪的目标，双边滤波的权重不仅考虑了像素的欧氏距离，还考虑了像素范围域中的辐射差异，权重系数为
$$ \begin{split} & w(i,j,k,l) = {w_{\mathrm{d}}}(i,j,k,l) \times {w_{\mathrm{r}}}(i,j,k,l) = \\&\quad {\mathrm{exp}}\left( { - \frac{{{{(i - k)}^2} + {{(j - l)}^2}}}{{2\sigma _{\mathrm{d}}^2}} - \frac{{\left\| {f(i,j) - f(k,l)} \right\|}}{{2\sigma _{\mathrm{r}}^2}}} \right) \end{split} $$ (1) 式中：$ {w_{\mathrm{d}}}(i,j,k,l) $为邻域内某点$ \left( {k,l} \right) $与中心点$ \left( {i,j} \right) $的欧氏距离决定的空域权重；$ \left( {i,j} \right) $为中心点的坐标；$ \left( {k,l} \right) $为邻域内某点的坐标；$ {w_{\mathrm{r}}}(i,j,k,l) $为邻域内某点$ \left( {k,l} \right) $的灰度值$ f\left( {k,l} \right) $与中心点$ \left( {i,j} \right) $的灰度值$ f\left( {i,j} \right) $之差决定的值域权重；$ \sigma _{\mathrm{d}}^{} $为空间域上高斯核函数的标准差，用于控制像素位置的权值；$ \sigma _{\mathrm{r}}^{} $为像素值域上高斯核函数的标准差，用于控制像素值的权值。
第2分支通过3×3卷积层和ReLU激活函数后，使用Sigmoid函数进行归一化，以进一步提取图像的深层特征信息，并分别经过大气光估计和暗原色处理，得到光照图和暗原色图。暗原色图包含的是在雾气影响下仍能观察到的场景最暗部分的信息。根据大气散射模型来计算大气光估计[17]，有雾图像的描述模型为
$$ I\left(x\right)=J\left(x\right) t\left(x\right)+A\left(1-t\left(x\right)\right) $$ (2) 式中：$ I\left( x \right) $为实际观测的图像；x为图像中的像素点；$ J\left( x \right) $为无雾情况下的理想场景图像；$ t\left( x \right) $为大气介质的透射率，与大气的厚度紧密相关，因此其数值会随像素位置的不同而变化，通常满足$ t\left( x \right) $≤1，表明场景的辐射值随距离呈指数衰减；$ A $为大气光值。
对式（2）进行变形可得
$$ J\left( x \right) = \frac{{I\left( x \right) - A}}{{t\left( x \right)}} + A $$ (3) 对式（3）进行改写，得
$$ {J^c}\left( x \right) = \frac{{{I^c}\left( x \right) - {A^c}}}{{t\left( x \right)}} + {A^c} $$ (4) 式中：$ {J^c}(x) $为像素点位置为x的彩色无雾图像；c为红绿蓝（R，G，B）三色通道中的某一通道；$ {I^c}(x) $为像素位置为x的彩色有雾图像；$ A^{c} $为彩色通道的大气光值。
由式（4）可计算得到图像中各个颜色通道的值。保留每一个像素的红绿蓝三色通道中值最高的通道，再通过最大值滤波得到光照图。
$$ {J^{{\text{light}}}}\left( x \right) = {\text{ma}}{{\text{x}}_{y \in \varOmega \left( x \right)}}\left( {{\text{ma}}{{\text{x}}_{c \in \left\{ {{\mathrm{R,G,B}}} \right\}}}\left( {{J^c}\left( y \right)} \right)} \right) $$ (5) 式中：$ {J^{{\text{light}}}}\left( x \right) $为光照图；$ \varOmega \left( x \right) $为以x为中心的图像块；$ {J^c}\left( y \right) $为像素点位置为y的彩色无雾图像。
第2分支中的暗原色处理利用暗通道先验（Dark Channel Prior，DCP）原理。该原理指出至少有1个颜色通道可能具有极低的值，甚至接近于0。因此，本文算法保留3个颜色通道值最低的通道，即暗通道，再进行最小值滤波，从而得到暗原色图。
$$ J^{\text{dark}}\left(x\right)=\text{mi}\text{n}_{y\in\mathit{\Omega}\left(x\right)}\left(\text{mi}\text{n}_{c\in\left\{\mathrm{R,G,B}\right\}}\left(J^c\left(y\right)\right)\right) $$ (6) 式中$ {J^{{\text{dark}}}}\left( x \right) $为暗原色图。
通过对大量户外无雾图像的观察可知，对于绝大多数无雾的自然场景图像，除去天空区域外，$ {J^{{\text{dark}}}}\left( x \right) $非常低且接近于0。
1.3 BFM
BFM是将引导图I和待处理图P作为输入，计算引导图I的引导权重，并对待处理图P中的像素点进行更新，从而使更新后的图像更接近清晰图像。BFM网络结构如图3所示。
首先采用3×3卷积层、ReLU激活函数、Sigmoid归一化对暗原色图进行预处理，得到引导图I，通过预处理可更好地突出图像的结构信息，便于后续操作。引导图I与待处理图P有相同的梯度，所以滤波时可设置I=P，将暗原色图作为权重引导参数，对光照反射图进行引导滤波，用线性相关的核W去更新像素点，使得待处理图P更接近清晰图像Q。
$$ {q_u} = {a_v}M_{I_u} + {b_v}\quad \forall u \in {\sigma_v} $$ (7) 式中：$ {q_u} $为目标图像在u位置的像素值；u和v为像素的位置；$ {a_v} $为权重；$ M_{I_u} $为引导图I在u位置的像素值；$ {b_v} $为偏置；$ {\sigma _v} $为滤波窗口。
1.4 LCM
通过暗通道引导滤波，可恢复图像细节信息，但整体图像偏暗，因此需进行光照校正。LCM网络结构如图4所示。首先，将经过IDM和BFM处理后的图像输入1个3×3卷积层和ReLU激活函数进行浅层处理。再将图像经过8个相同的校正结构进行校正，每个校正结构均使用光照图作为权重参数，对图像进行光照校正和特征提取。处理完毕后，图像再次通过1个3×3卷积层和ReLU激活函数，进入下一级校正过程。通过以上操作有效地增加了网络深度，将光照信息和退化的图像一起引入到深层次的恢复网络中，可有效解决颜色失真问题，进而去除黑暗区域的退化，实现图像细节的重构。最后由残差模块进行图像信息补偿，得到清晰图像。
1.5 损失函数
损失函数部分使用$ {L_1} $损失函数和Charbonnier损失函数的线性组合。$ {L_1} $损失函数所描述的是真实清晰图像与恢复清晰图像之间的差异，会造成图像过于平滑，缺乏视觉上的真实感。因此，引入Charbonnier损失函数，其在梯度较大时变化更为缓和，对于异常值更加稳健，这使其更适合于处理图像、视频中的边缘信息。
$$ {L_1} = \frac{1}{N}\sum\limits_{n = 1}^N {\left\| {{{\hat J}_n}\left( x \right) - {J_n}\left( x \right)} \right\|} $$ (8) $$ {L_{\mathrm{C}}} = \frac{1}{N}\sum\limits_{n = 1}^N {\sqrt {{{\left( {{{\hat J}_n}\left( x \right) - {J_n}\left( x \right)} \right)}^2} + {\varepsilon ^2}} } $$ (9) $$ {L_{{\text{total}}}} = {L_1} + \lambda {L_{\mathrm{C}}} $$ (10) 式中：N为训练图像的总数量；n为训练图像的数量；$ {\hat J_n}(x) $为生成的清晰图像；$ {J_n}\left( x \right) $为基础真值；$ {L_{\mathrm{C}}} $为Charbonnier损失函数；$ \varepsilon $为很小的整数，用于防止分母为0；Ltotal为总损失函数；$ \lambda $为权重，$ \lambda $=0.5。
2. 实验结果及分析
2.1 数据集与训练准备
实验使用GeForce RTX 3060在Ubuntu 18.04上进行训练，优化器为Adam，批量大小（Batch Size）设为4，共训练60个epoch，学习率为0.001，本文使用煤矿井下图像数据集来训练和测试网络，包含2 800对训练图像和500对测试图像。为验证本文算法有效性，进行主观视觉评价和客观指标评价，与DCP算法[18]、单图像补丁映射网络[19]（Patch Map for Single Images，PMS−Net）、对比度增强和曝光融合（Contrast Enhancement and Exposure Fusion，CEEF）算法[20]、特征融合注意力（Feature Fusion Attention，FFA）算法[21]进行对比。
2.2 主观评价
本文算法和对比算法得到的图像如图5所示。可看出DCP和FFA都没有发挥应有的去雾作用，且图像质量较差；尽管PMS−Net，CEEF算法都能得到清晰的图像，但所得图像都有很强的伪影，且在对背景和灯光进行模糊处理的过程中，往往会损失一些细节，从而导致对图像信息的利用率不高。本文算法在去除雾气的同时，保留了更多的结构纹理及背景细节，使整个图像更加接近于对应的清晰图像。
2.3 客观评价
为了进一步验证本文算法的优势，采用信息熵、标准差、平均梯度3种指标对实验结果进行定量评估，3项评价指标均越大越好。不同算法在合成数据集上的定量对比结果见表1。
表 1 不同算法客观评价结果Table 1. Objective evaluation results of different algorithms算法 训练集 测试集 信息熵 标准差 平均梯度 信息熵 标准差 平均梯度 DCP 5.56 35.89 0.055 5.39 32.69 0.052 PMS−Net 7.55 54.76 0.124 7.32 52.86 0.120 CEEF 6.45 48.86 0.073 6.02 45.39 0.068 FFA 6.14 44.67 0.062 5.59 40.42 0.055 本文算法 7.87 58.34 0.132 7.43 54.75 0.124 由表1可看出，本文算法在训练集上和测试集上的信息熵、标准差、平均梯度均最高。与次优算法PMS−Net相比，本文算法在训练集和测试集上信息熵分别提高了0.32和0.11，标准差分别提高了3.58和1.89，平均梯度分别提高了0.008和0.004，说明本文算法具有更好的去雾效果，且更适用于煤矿环境。
在不同数据集下5种去雾算法的单幅图像的处理速度如图6所示。可看出本文算法在训练集和测试集上的运行速度都优于其他算法，具有较好的实时性。
![]()
图 6 不同算法单幅图像的处理速度对比Figure 6. Comparison of processing speeds for single images using different algorithms3. 消融实验
为验证各网络模块的有效性，对网络进行消融实验，在原网络基础上分别剔除IDM，BFM和LCM，在同等实验环境下使用测试数据集进行实验，得到的实验结果如图7所示，其中，w/o IDM为去除IDM模块剩余的网络结构，w/o BFM为去除BFM模块剩余的网络结构，w/o LCM为去除LCM模块剩余的网络结构。对消融实验结果进行定量评价，结果见表2。
表 2 消融实验结果Table 2. Results of ablation experiments模型 信息熵 标准差 平均梯度 w/o IDM 4.23 40.74 0.063 w/o BFM 5.78 48.94 0.073 w/o LCM 5,27 45.86 0.078 完整网络 7.43 54.75 0.124 消融实验结果表明，在未剔除任何网络模块的情况下，本文算法在测试数据集上的信息熵、标准差、平均梯度均高于其他模型，表明其去雾效果最好，能有效地保留图像细节和边缘信息。
4. 结语
为提升煤矿井下有雾图像在各类机器视觉任务中的适用性和处理质量，提出一种融合传统先验去雾与深度学习技术的煤矿井下图像去雾算法。通过IDM处理显著降低了后续网络的学习难度和对复杂背景噪声的敏感性；而BFM则将暗原色图作为权重来更新像素点，使其更接近清晰图像；残差模块确保在去雾的同时，最大限度地保留并融合了图像原有的空间细节信息；LCM有效增强了网络对雾气特征的识别与抑制效果，并在此基础上实现了网络结构的优化，降低了计算复杂性。实验结果表明所提算法去雾效果较好，能有效地保留图像细节和边缘信息，更适用于煤矿环境。
-
![]()
图 4 各算法在不同数据集上的迭代收敛曲线
Figure 4. Iterative convergence curve of each algorithm under different datasets
![]()
图 5 4种算法对东帮685观测点变形监测预测误差
Figure 5. Prediction error of deformation monitoring of 685 observation points in Dongbang by four algorithms
![]()
图 6 4种算法对花坪子边坡观测点TP02−HPZ的预测结果
Figure 6. Prediction results of TP02-HPZ of Huapingzi slope observation point by four algorithms
![]()
图 7 4种算法对观测点TP02−HPZ的预测绝对误差和
Figure 7. The sum of the forecast absolute errors of the four algorithms for the observation point TP02-HPZ
表 1 数据集详细信息
Table 1 Datasets details
数据集 训练样本数 测试样本数 类别 Balloon 16 16 2 Iris 150 150 3 Breast cancer 599 100 2 Heart 80 187 2 Cosine 31 38 — Sine 126 252 — 
下载: 导出CSV
表 2 算法参数设置
Table 2 Algorithm parameter settings
算法 参数 值 GJO−MLP 种群规模
最大迭代次数30
200ACO−MLP 种群规模
最大迭代次数
初始信息素
信息素指数权重
蒸发率30
200
10
0.3
0.1GSA−MLP 种群规模
最大迭代次数
Rnorm30
200
2DE−MLP 种群规模
最大迭代次数
交叉概率30
200
0.2
下载: 导出CSV
表 3 MLP初始模型结构
Table 3 MLP initial model structure
数据集 属性 MLP结构 Balloon 4 4−9−1 Iris 4 4−9−3 Breast cancer 9 9−19−1 Heart 22 22−45−1 Cosine 1 1−15−1 Sine 1 1−15−1
下载: 导出CSV
表 4 数据集实验结果
Table 4 Classification datasets experimental results
数据集 算法 MSE（AVE±STD） 分类精度/% 测试误差 Balloon GJO−MLP 0.135 2±0.001 5 34.00 — ACO−MLP 0.600 0±1.17×10−16 40.00 — GSA−MLP 0.200 4±0.057 9 6.00 — DE−MLP 0.160 7±0.009 5 13.50 — Iris GJO−MLP 0.056 4±0.017 4 51.67 — ACO−MLP 1.845 7±0.011 8 0 — GSA−MLP 0.286 9±0.139 0 21.87 — DE−MLP 0.146 8±0.024 9 38.33 — Breast cancer GJO−MLP 0.001 7±2.53×10−4 98.00 — ACO−MLP 0.663 2±1.17×10−16 0 — GSA−MLP 0.016 1±0.007 4 50.00 — DE−MLP 0.024 2±0.024 9 6.10 — Heart GJO−MLP 0.112 0±0.013 2 73.75 — ACO−MLP 0.500 0±0 50.00 — GSA−MLP 0.160 3±0.019 4 41.25 — DE−MLP 0.177 3±0.011 2 69.50 — Cosine GJO−MLP 0.177 8±6.151×10−4 — 4.971 6 ACO−MLP 1.080 1±2.62×10−6 — 14.504 2 GSA−MLP 0.296 3±0.070 0 — 7.924 1 DE−MLP 0.181 1±0.001 2 — 6.356 9 Sine GJO−MLP 0.455 3±0.002 4 — 149.421 7 ACO−MLP 1.498 9±8.83×10−7 — 251.958 8 GSA−MLP 0.463 6±0.004 4 — 152.154 0 DE−MLP 0.442 2±0.007 7 — 150.004 5
下载: 导出CSV
表 5 东帮685观测点变形监测数据
Table 5 Deformation monitoring data of Dongbang 685
mm 监测时间 北方向位移 东方向位移 竖直位移 2022−10−01T08:00:00 −55.800 −160.100 −63.500 2022−10−01T16:00:00 −54.700 −159.700 −68.600 2022−10−02T00:00:00 −57.400 −159.000 −64.400 2022−10−02T08:00:00 −54.800 −159.200 −60.900 2022−10−02T16:00:00 −55.900 −160.100 −63.400 2022−10−03T00:00:00 −55.600 −157.800 −63.000 2022−10−03T08:00:00 −54.400 −157.800 −62.800 2022−10−03T16:00:00 −53.600 −158.700 −63.900 2022−10−04T00:00:00 −55.900 −157.400 −63.700 2022−10−04T08:00:00 −56.500 −158.100 −64.800 2022−10−04T16:00:00 −54.700 −161.800 −64.600 2022−10−23T00:00:00 −53.700 −157.400 −65.000 2022−10−23T08:00:00 −56.100 −158.500 −67.600 2022−10−23T16:00:00 −53.800 −161.600 −69.300 2022−10−24T00:00:00 −52.600 −156.700 −63.500 2022−10−24T08:00:00 −55.400 −160.400 −69.100 2022−10−24T16:00:00 −54.400 −160.400 −69.500 2022−10−25T00:00:00 −51.700 −159.600 −67.900 2022−10−25T08:00:00 −55.700 −157.700 −69.300 2022−10−25T16:00:00 −53.000 −159.800 −69.600 2022−10−26T00:00:00 −51.000 −159.000 −65.200 2022−10−26T08:00:00 −54.600 −157.200 −66.500
下载: 导出CSV
表 6 4种算法对东帮685观测点变形监测数据的预测结果
Table 6 Prediction results of deformation monitoring data of 685 observation points in Dongbang by four algorithms
mm 监测时间 实际监测值 GJO−MLP ACO−MLP GSA−MLP DE−MLP 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 2022−10−01T08:00:00 55.800 56.873 1.073 60.500 4.700 58.902 3.102 58.105 2.305 2022−10−01T16:00:00 54.700 57.013 2.313 60.500 5.800 58.369 3.669 58.187 3.487 2022−10−02T00:00:00 57.400 56.238 1.162 60.500 3.100 59.067 1.667 57.941 0.541 2022−10−02T08:00:00 54.800 57.011 2.211 60.500 5.700 58.439 3.639 58.169 3.369 2022−10−02T16:00:00 55.900 56.845 0.945 60.500 4.600 58.918 3.018 58.102 2.202 2022−10−03T00:00:00 55.600 56.920 1.320 60.500 4.900 58.871 3.271 58.111 2.511 2022−10−03T08:00:00 54.400 57.013 2.613 60.500 6.100 58.293 3.893 58.264 3.864 2022−10−03T16:00:00 53.600 56.966 3.366 60.500 6.900 58.203 4.603 58.486 4.886 2022−10−25T00:00:00 51.700 56.571 4.871 60.500 8.800 57.918 6.218 58.597 6.897 2022−10−25T08:00:00 55.700 56.897 1.197 60.500 4.800 58.886 3.186 58.108 2.408 2022−10−25T16:00:00 53.000 56.886 3.886 60.500 7.500 58.118 5.118 58.560 5.560 2022−10−26T00:00:00 51.000 56.431 5.431 60.500 9.500 57.887 6.887 58.599 7.599 2022−10−26T08:00:00 54.600 57.014 2.414 60.500 5.900 58.330 3.730 58.209 3.609
下载: 导出CSV
表 7 4种算法对花坪子边坡TP02−HPZ的预测结果
Table 7 Prediction results of TP02-HPZ of Huapingzi slope by four algorithms
mm 期号 实际监测值 GJO−MLP ACO−MLP GSA−MLP DE−MLP 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 111 53.800 53.754 0.046 54.000 0.200 53.655 0.145 53.716 0.084 112 53.900 53.803 0.097 54.000 0.100 53.688 0.212 53.763 0.137 113 53.900 53.803 0.097 54.000 0.100 53.688 0.212 53.763 0.137 114 53.400 53.443 0.043 54.000 0.600 53.460 0.060 53.439 0.039 115 53.300 53.341 0.041 54.000 0.700 53.391 0.091 53.339 0.039 116 53.200 53.231 0.031 54.000 0.800 53.312 0.112 53.235 0.035 117 53.000 53.021 0.021 54.000 1.000 53.120 0.120 53.016 0.016 118 53.300 53.341 0.041 54.000 0.700 53.391 0.091 53.339 0.039 119 53.200 53.231 0.031 54.000 0.800 53.312 0.112 53.235 0.035 120 53.100 53.124 0.024 54.000 0.900 53.222 0.122 53.126 0.026
下载: 导出CSV
-
[1] 田会,王忠鑫. 露天开采对环境的扰动行为及其控制技术[J]. 煤炭学报,2018,43(9):2416-2421. DOI: 10.13225/j.cnki.jccs.2018.0928 TIAN Hui,WANG Zhongxin. Disturbance behavior of open-pit mine on environment and its control technology[J]. Journal of China Coal Society,2018,43(9):2416-2421. DOI: 10.13225/j.cnki.jccs.2018.0928
[2] 杨朝云,李广悦. 地下转露天开采条件下某露天矿高陡边坡稳定性分析[J]. 有色金属工程,2019,9(3):89-97. YANG Chaoyun,LI Guangyue. Stability analysis of high-steep slope in an open-pit mine under the condition of transferring from underground into open pit mining[J]. Nonferrous Metals Engineering,2019,9(3):89-97.
[3] 吕游. 露天矿高陡边坡变形失稳机理及防治措施[J]. 露天采矿技术,2022,37(6):18-21. LYU You. Instability mechanism and preventive measures of high and steep slope deformation in open-pit mine[J]. Opencast Mining Technology,2022,37(6):18-21.
[4] 杨勇,张忠政,胡军,等. 基于随机权重法改进PSO−ELM的露天矿边坡稳定性分析[J]. 有色金属工程,2022,12(5):128-134. DOI: 10.3969/j.issn.2095-1744.2022.05.016 YANG Yong,ZHANG Zhongzheng,HU Jun,et al. Slope stability analysis of open-pit mine based on improved PSO-ELM with random weight method[J]. Nonferrous Metals Engineering,2022,12(5):128-134. DOI: 10.3969/j.issn.2095-1744.2022.05.016
[5] 曹兰柱,王珍,王东,等. 露天矿滑坡预警理论与方法研究[J]. 中国安全科学学报,2017,27(3):163-168. CAO Lanzhu,WANG Zhen,WANG Dong,et al. Research on theory and method of landslide early warning in open-pit mine[J]. China Safety Science Journal,2017,27(3):163-168.
[6] YANG Yukun,ZHOU Wei,JISKANI I M,et al. Slope stability prediction method based on intelligent optimization and machine learning algorithms[J]. Sustainability,2023,15(2). DOI: 10.3390/su15021169.
[7] 李柱,谢锋. 渗流−应力耦合作用下露天矿边坡稳定性研究[J]. 工矿自动化,2018,44(12):83-88. LI Zhu,XIE Feng. Research on slope stability of open-pit mine under coupled seepage-stress[J]. Industry and Mine Automation,2018,44(12):83-88.
[8] 王文才,李俊鹏,王创业,等. 边帮煤采动影响下边坡变形演化特征及失稳形态分析[J]. 煤炭科学技术,2023,51(7):321-336. DOI: 10.13199/j.cnki.cst.2022-0593 WANG Wencai,LI Junpeng,WANG Chuangye,et al. Analysis of failure mode and deformation evolution characteristics and instability form of slopes under the influences of highwall mining[J]. Coal Science and Technology,2023,51(7):321-336. DOI: 10.13199/j.cnki.cst.2022-0593
[9] 刘善军,吴立新,毛亚纯,等. 天−空−地协同的露天矿边坡智能监测技术及典型应用[J]. 煤炭学报,2020,45(6):2265-2276. DOI: 10.13225/j.cnki.jccs.zn20.0362 LIU Shanjun,WU Lixin,MAO Yachun,et al. Spaceborne-airborne-ground collaborated intelligent monitoring on open-pit slope and its typical applications[J]. Journal of China Coal Society,2020,45(6):2265-2276. DOI: 10.13225/j.cnki.jccs.zn20.0362
[10] 王东,郭富宁,曹兰柱,等. 复合煤层露天矿软岩边坡参数逐阶段优化方法研究[J]. 煤炭科学技术,2019,47(10):75-80. DOI: 10.13199/j.cnki.cst.2019.10.008 WANG Dong,GUO Funing,CAO Lanzhu,et al. Study on stage-by-stage optimization method for slope parameters of soft rock open-pit mine in composite coal seam[J]. Coal Science and Technology,2019,47(10):75-80. DOI: 10.13199/j.cnki.cst.2019.10.008
[11] BAO Min,CHEN Zhonghui,ZHANG Lingfei,et al. Reliability analysis of prestressed anchors in rock slopes of open-pit mines[J]. Journal of Mountain Science,2022,19(7):2100-2110. DOI: 10.1007/s11629-021-7224-2
[12] 杨志勇,佟德君. 复杂地质条件下边坡参数优化及控制技术[J]. 露天采矿技术,2020,35(2):46-48,52. YANG Zhiyong,TONG Dejun. Slope parameters optimization and control technology under complex geological conditions[J]. Opencast Mining Technology,2020,35(2):46-48,52.
[13] 刘玉凤,马明. 顺层蠕滑型露天矿土质边坡滑距预测方法研究[J]. 煤炭科学技术,2019,47(11):84-89. LIU Yufeng,MA Ming. Study on prediction method for sliding distance of soil slope bedding creeping in open pit mine[J]. Coal Science and Technology,2019,47(11):84-89.
[14] 赵理想. 基于机器学习的露天煤矿边坡位移预测模型研究[D]. 徐州:中国矿业大学,2022. ZHAO Lixiang. Research on prediction model of surface coal mine slope displacement based on machine learning[D]. Xuzhou:China University of Mining and Technology,2022.
[15] 康恩胜,赵泽熙,孟海东. 基于EEMD−HW−PSO−ELM耦合模型的排土场边坡位移预测模型[J]. 黄金科学技术,2022,30(4):594-602. KANG Ensheng,ZHAO Zexi,MENG Haidong. Displacement prediction of dump slope based on EEMD-HW-PSO-ELM coupling model[J]. Gold Science and Technology,2022,30(4):594-602.
[16] 陈兰兰,杨雨云,肖海平,等. 基于GA−BP神经网络的露天矿边坡变形预测分析[J]. 有色金属科学与工程,2022,13(6):106-112. DOI: 10.13264/j.cnki.ysjskx.2022.06.014 CHEN Lanlan,YANG Yuyun,XIAO Haiping,et al. Prediction and analysis of open pit slope deformation based on a GA-BP neural network[J]. Nonferrous Metals Science and Engineering,2022,13(6):106-112. DOI: 10.13264/j.cnki.ysjskx.2022.06.014
[17] 张研,范聪,吴哲康,等. 基于PSO−RVM的矿山边坡变形量预测模型[J]. 金属矿山,2022(10):191-196. DOI: 10.19614/j.cnki.jsks.202210027 ZHANG Yan,FAN Cong,WU Zhekang,et al. Forecast model of mine slope deformation based on PSO-RVM[J]. Metal Mine,2022(10):191-196. DOI: 10.19614/j.cnki.jsks.202210027
[18] 金爱兵,张静辉,孙浩,等. 基于SSA−SVM的边坡失稳智能预测及预警模型[J]. 华中科技大学学报(自然科学版),2022,50(11):142-148. JIN Aibing,ZHANG Jinghui,SUN Hao,et al. Intelligent prediction and alert model of slope instability based on SSA-SVM[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition),2022,50(11):142-148.
[19] 胡军,邱俊博,栾长庆,等. 基于IGWO−SVM的露天矿边坡变形预测[J]. 矿冶工程,2022,42(1):15-18. HU Jun,QIU Junbo,LUAN Changqing,et al. Deformation prediction based on IGWO-SVM for open-pit mine slopes[J]. Mining and Metallurgical Engineering,2022,42(1):15-18.
[20] 李达,瞿伟,张勤,等. 融合多层感知机和优化支持向量回归的滑坡位移预测模型[J]. 武汉大学学报(信息科学版),2023,48(8):1380-1388. LI Da,QU Wei,ZHANG Qin,et al. Landslide displacement prediction model integrating multi-layer perceptron and optimized support vector regression[J]. Geomatics and Information Science of Wuhan University,2023,48(8):1380-1388.
[21] 李建新. 基于小波支持向量机的边坡变形预测研究[D]. 南昌:江西理工大学,2020. LI Jianxin. Research on slope deformation prediction based on wavelet support vector machine[D]. Nanchang:Jiangxi University of Science and Technology,2020.
[22] DEWI S K,UTAMA D M. A new hybrid whale optimization algorithm for green vehicle routing problem[J]. Systems Science & Control Engineering,2021,9(1):61-72.
[23] CHOPRA N,ANSARI M M. Golden jackal optimization:a novel nature-inspired optimizer for engineering applications[J]. Expert Systems with Applications,2022,198. DOI: 10.1016/j.eswa.2022.116924.
[24] YUAN Chao,MOAYEDI H. The performance of six neural-evolutionary classification techniques combined with multi-layer perception in two-layered cohesive slope stability analysis and failure recognition[J]. Engineering with Computers,2020,36:1705-1714. DOI: 10.1007/s00366-019-00791-4
[25] RATHER S A,BALA P S. A hybrid constriction coefficient-based particle swarm optimization and gravitational search algorithm for training multi-layer perceptron[J]. International Journal of Intelligent Computing and Cybernetics,2020,13(2):129-165. DOI: 10.1108/IJICC-09-2019-0105
[26] SAFARZADEH A,ZAJI A H,BONAKDARI H. 3D flow simulation of straight groynes using hybrid DE-based artificial intelligence methods[J]. Soft Computing,2019,23:3757-3777. DOI: 10.1007/s00500-018-3037-9
[27] 孙华芬. 尖山磷矿边坡监测及预测预报研究[D]. 昆明:昆明理工大学,2014. SUN Huafen. Research on monitoring and forecasting of Jianshan Phosphate Mine slope[D]. Kunming:Kunming University of Science and Technology,2014.
计量
- 文章访问数: 943
- HTML全文浏览量: 59
- PDF下载量: 37
