基于组合预测模型的露天矿高陡边坡滑坡变形研究

金属矿山 ›› 2014, Vol. 43 ›› Issue (04): 169-171.

基于组合预测模型的露天矿高陡边坡滑坡变形研究

肖海平¹，杨旺生²，肖岚³，郭钟群¹，曹希西¹

1．江西理工大学建筑与测绘工程学院，江西赣州 341000；2．东华理工大学勘测设计研究院于都测绘分院，江西赣州 341000；3．赣州市国土局测绘科，江西赣州 341000

出版日期:2014-04-15 发布日期:2014-09-05
基金资助:
* 江西省教育厅科技计划项目(编号：GJJ11472)，江西理工大学科研基金项目(编号：jxxj12013)。

Research on Landslide Deformation of High and Steep Slope in Open-pit Mine based on Combination Prediction Model

Xiao Haiping¹，Yang Wangsheng²，Xiao Lan³，Guo Zhongqun¹，Cao Xixi¹

1.School of Architectural and Surveying & Mapping Engineering，Jiangxi University of Science and Technology，Ganzhou 341000，China；2.Yudu Branch of School of Surveying and Design，East China Institute of Technology，Ganzhou 341000，China；3.Department of Surveying，Ganzhou Land and Resources Bureau，Ganzhou 341000，China

Online:2014-04-15 Published:2014-09-05

摘要/Abstract

摘要： 随着露天矿山开采规模及深度的不断扩大，致使矿山边坡变陡、变高，而形成高陡边坡，但由于地质条件以及矿山施工等因素的影响，高陡边坡经常发生崩塌、滑坡等比较严重的地质灾害。因此，为加强对露天矿山高陡边坡的变形预测，应及时研究滑坡的变化趋势，开展滑坡预警，指导矿山生产，保障人民的生命财产安全。建立了一种能够更加有效地反映出变形体变化趋势的组合预测模型，并介绍了其建模思想及计算方法，在此基础上，依据某高陡边坡实际监测数据，将其预测结果与独立预测模型的预测结果进行分析比较，结果显示，其精度要优于独立预测模型的精度，且可靠性更高，具有较强的适用性。

关键词: 组合预测模型, 灰色模型, 线性回归, 神经网络

Abstract: In order to strengthen the deformation prediction of high and steep slope in open-pit mine，and timely obtain the trend of the landslide，the landslide pre-warning was conducted，which guided the mine production and ensured the safety of people′s life and property.A combined prediction model was established，and the modeling ideas and calculating methods were introduced in the paper.On this basis，according to the actual monitoring data of a high and steep slope，the predicted results were analyzed and compared with the predictions of the independent model.The results showed that the precision of the combined model is superior to that of the independent model with higher reliability.Therefore，it owns strong applicability.

Key words: Combined prediction model, Grey model, Linear regression model, Neural network

肖海平, 杨旺生, 肖岚, 郭钟群, 曹希西. 基于组合预测模型的露天矿高陡边坡滑坡变形研究[J]. 金属矿山, 2014, 43(04): 169-171.

XIAO Hai-Ping, YANG Wang-Sheng, XIAO Lan, GUO Zhong-Qun, CAO Xi-Xi. Research on Landslide Deformation of High and Steep Slope in Open-pit Mine based on Combination Prediction Model[J]. Metal Mine, 2014, 43(04): 169-171.

[1]	郑伦川, 梁新元, 袁乖宁. 基于集成神经网络和改进极限学习机的矿井移动机器人故障检测[J]. 金属矿山, 2024, 53(6): 159-.
[2]	徐志华, 杨　旭, 孙钱程, 何钰铭, 张国栋, 叶义成. 基于多变量自优化动态神经网络的“ 阶跃型” 滑坡变形预测[J]. 金属矿山, 2024, 53(3): 74-.
[3]	姜　燕, 连　晗, 席东河. 地表沉陷预测的改进BP 神经网络模型[J]. 金属矿山, 2024, 53(2): 205-.
[4]	聂雅琳, 王海军, 石念峰, 刘保罗. 融合深度卷积神经网络和Swin Transformer 的露天矿遥感图像超分辨率重建[J]. 金属矿山, 2024, 53(12): 240-.
[5]	苗作华, 陈澳光朱良建赵成诚刘代文. 基于自适应CKF的改进LANDMARC井下定位算法研究[J]. 金属矿山, 2024, 53(01): 158-164.
[6]	江松, 孔若男, 李鹏程, 卢才武, 章赛, 李萌. 融合 Swin Transformer 与 CNN 的露天矿车前障碍物智能检测算法[J]. 金属矿山, 2023, 52(05): 228-236.
[7]	李如仁孙加瑶. 融合 SBAS-InSAR 与 GS-LSTM 的尾矿库沉降监测与预测[J]. 金属矿山, 2023, 52(01): 102-109.
[8]	杨梅, 陈勇, 周皓, 梁雅琪, 杨金凤, 黄锦. 矿区农地重金属污染风险农户认知状况———基于 FCM 法的案例研究[J]. 金属矿山, 2022, 51(11): 222-228.
[9]	郑海青, 赵越磊, 宗广昌, 孙晓云, 靳强. 融合自注意力机制的 Conv-LSTM 边坡位移预测方法[J]. 金属矿山, 2022, 51(11): 193-197.
[10]	秦学斌, 李明桥, 申昱瞳, 杨培娇, 胡佳琛, 刘浪. 基于ECT技术的充填管道内固液两相流仿真方法研究[J]. 金属矿山, 2022, 51(09): 31-36.
[11]	吴满毅, 徐良骥, 张坤. 基于 SSA-BP 神经网络的概率积分法预计参数求取研究[J]. 金属矿山, 2022, 51(08): 182-189.
[12]	张劲满, 阎跃观, 李杰卫, 徐瑞瑞, 王芷馨, 张坤, 岳彩亚. 概率积分预计参数的ENN优化算法[J]. 金属矿山, 2022, 51(05): 170-176.
[13]	赵奎, 宋林, 曾鹏, 谢文健, 龚囱, 伍文凯, 刘宇. 单轴压缩条件下充填体—砂岩组合体破坏过程及前兆特征声发射试验研究[J]. 金属矿山, 2022, 51(05): 70-76.
[14]	郭义, 李昕昊, 王创业, 韩天宇, 游茹, 于波. 类岩石材料脆性特征与配合比方案试验研究[J]. 金属矿山, 2022, 51(02): 48-53.
[15]	毕永升, 谭卓英, 丁宇. 基于有限元的钻进参数相互影响机理研究[J]. 金属矿山, 2022, 51(02): 19-28.

扫码分享