The subsidence of the surface due to mining activities is a significant issue in mining areas. Therefore, predicting surface subsidence is a necessary task to ensure safety and production efficiency. This article applied an Artificial Neural Network (ANN) model to predict surface subsidence resulting from underground mining operations in the Mong Dương mine. The ANN model proposed in this research uses a recursive multi-step forecasting model, where the predicted value at the previous step is added to the time series to forecast the next value. The experimental dataset consists of 12 monitoring cycles over 24 months, with a 2-month interval, divided into a training set containing the first 9 measurement cycles and a test set containing the last 3 cycles. First, the K-fold cross-validation method is applied to the training set to determine the best parameters for the model. Then, these parameters are used to predict surface subsidence for the values in the test set. The prediction error depends on the time gap between the last measurement cycle and the forecasting cycle. The relative errors in the tenth cycle for the four points are 0.9%, -1.7%, -1.7%, and 1.4%. These error values increase to 1.4%, -1.8%, -1.8%, and -1.7% in the eleventh cycle and further to 2.0%, -2.2%, -2.2%, and 2.5% in the twelfth cycle. The absolute errors are determined to be small, within the range of 20 mm. These results demonstrate that the proposed method and ANN model are suitable for the time-series monitoring data in mining areas.
Osuwanie się powierzchni z powodu działalności górniczej jest istotnym problemem w obszarach górniczych. Dlatego przewidywanie osiadania powierzchni jest niezbędnym zadaniem, aby zapewnić bezpieczeństwo i efektywność produkcji. W tym artykule zastosowano model sztucznej sieci neuronowej (ANN) do przewidywania osiadania powierzchni wynikającego z podziemnych operacji górniczych w kopalni Mong Dương. Proponowany w tym badaniu model ANN wykorzystuje rekurencyjny model prognozowania wieloetapowego, w którym przewidywana wartość z poprzedniego kroku jest dodawana do szeregu czasowego, aby prognozować następną wartość. Zbiór danych eksperymentalnych składa się z 12 cykli monitorowania w ciągu 24 miesięcy, z dwumiesięcznym odstępem, podzielonych na zestaw treningowy zawierający pierwsze 9 cykli pomiarowych i zestaw testowy zawierający ostatnie 3 cykle. Najpierw metoda walidacji krzyżowej K-fold jest stosowana do zestawu treningowego, aby określić najlepsze parametry dla modelu. Następnie te parametry są uży-wane do przewidywania osiadania powierzchni dla wartości w zestawie testowym. Błąd prognozy zależy od przerwy czasowej między ostatnim cyklem pomiarowym a cyklem prognozowania. Błędy względne w dziesiątym cyklu dla czterech punktów wynoszą 0,9%, -1,7%, -1,7% i 1,4%. Te wartości błędów wzrastają do 1,4%, -1,8%, -1,8% i -1,7% w jedenastym cyklu i dalej do 2,0%, -2,2%, -2,2% i 2,5% w dwunastym cyklu. Błędy bezwzględne są określane jako małe, w zakresie 20 mm. Wyniki te pokazują, że proponowana metoda i model ANN są odpowiednie dla danych monitorowania szeregów czasowych w obszarach górniczych.
Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).
