Method of Predicting Surface Subsidence Caused by Underground Mining: A Review

• Autorzy: Nguyen Huy Dinh , Tran Trong Dinh , Le Canh Van

Identyfikatory

DOI

10.29227/IM-2024-01-91

Warianty tytułu

PL

Metoda przewidywania osiadań powierzchni spowodowanych eksploatacją podziemną: przegląd

• Języki publikacji: EN

Abstrakty

EN

In recent years, there has been a global increase in energy demand, with the extraction of underground mineral energy sources such as coal playing a significant role in the energy supply. However, the extraction of these natural resources always faces many challenges and risks. This process has created large voids, causing an imbalance in the original stress state within the earth and resulting in surface terrain deformations. Therefore, ensuring efficient extraction must be accompanied by safety measures. Among these, predicting surface subsidence due to underground mining is a crucial task. This paper presents an overview of the current method of predicting mining subsidence and their application scope. The result synthesizes various methodologies applied to different regions worldwide. Finally, the findings of this research can provide guidelines for establishing essential requirements for the application of surface displacement forecasting technologies due to underground mining.

PL

W ostatnich latach nastąpił globalny wzrost zapotrzebowania na energię, a wydobycie podziemnych mineralnych źródeł energii, takich jak węgiel, odgrywa znaczącą rolę w zaopatrzeniu w energię. Jednak wydobycie tych zasobów naturalnych zawsze wiąże się z wieloma wyzwaniami i ryzykiem. W procesie tym powstały duże puste przestrzenie, powodując brak równowagi pierwotnego stanu naprężeń w ziemi i powodując deformacje terenu na powierzchni. Dlatego zapewnieniu skutecznej ekstrakcji muszą towarzyszyć środki bezpieczeństwa. Wśród nich kluczowym zadaniem jest przewidywanie osiadań powierzchni na skutek eksploatacji podziem-nej. W artykule przedstawiono przegląd dotychczasowych metod prognozowania osiadań górniczych oraz zakres ich zastosowania. W rezultacie dokonano syntezy różnych metodologii stosowanych w różnych regionach świata. Wreszcie, wyniki tych badań mogą dostarczyć wskazówek do ustalenia zasadniczych wymagań dotyczących stosowania technologii prognozowania przemieszczeń powierzchni w wyniku górnictwa podziemnego.

Słowa kluczowe

EN

subsidence prediction; underground mining; artificial neural networks

PL

predykcja osiadań; górnictwo podziemne; sztuczne sieci neuronowe

• Wydawca: Polskie Towarzystwo Przeróbki Kopalin
• Czasopismo: Inżynieria Mineralna
• Rocznik: 2024
• Tom: Vol. 2, no. 1
• Strony: 41--46
• Opis fizyczny: Bibliogr. 21 poz., rys., zdj.

Twórcy

autor

Nguyen Huy Dinh

• Faculty of Bridges and Roads, 55 Giai Phong Street, Hanoi University of Civil Engineering, Hanoi, Vietnam

• https://orcid.org/0000-0002-2049-3338

autor

Tran Trong Dinh

• Faculty of Geomatics and Land Administration, 18 Vien street, Hanoi University of Mining and Geology, Hanoi, Vietnam

• https://orcid.org/0000-0002-3838-9950

autor

Le Canh Van

• Faculty of Bridges and Roads, 55 Giai Phong Street, Hanoi University of Civil Engineering, Hanoi, Vietnam

• https://orcid.org/0000-0002-8113-9949

Bibliografia

• 1. Long N.Q (2019), PhD thesis, Hanoi University of Miningand Geology (in Vietnamese).
• 2. Акимов А.Г.и др (1970), "Cдвижениже горных пород при подземной pазработке угольных и сланцевых месторождений", “Недра”, Москва.
• 3. Kha V.T, Long N.Q (2011), Research on selecting optimal methods for forecasting the displacement and surface deformation variables affected by the coal mining process in Thong Nhat coal mine., Journal of Mining and Earth Sciences, No. 34 (in Vietnamese).
• 4. Cui X.M, X.X, M., & J.A, W. (2000). Improved prediction of differential subsidence caused by underground mining. International Journal of Rock Mechanics and Mining Sciences, 37(4), 615-627.
• 5. Nie Lei, Hongfei, W., Yan, X., & Zechuang, L. (2014). A new prediction model for mining subsidence deformation: the arc tangent function model. Natural Hazards, 75(3), 2185-2198. doi:10.1007/s11069-014-1421-z.
• 6. Ki-Dong Kim, Lee, S., & Oh, H.-J. (2009). Prediction of ground subsidence in Samcheok City, Korea using artificial neural networks and GIS. Environmental Geology, 61-70.
• 7. Knothe S (2004), Prognozowanie wpływów eksploatacji górniczej. Wyd.Ślask., Poland.
• 8. Ambrožič Tomaž, & Goran, T. (2003). Prediction of subsidence due to underground mining by artificial neural networks. Computers & Geosciences, 29(5), 627-637.
• 9. Zhao Kang, & Si-ni, C. (2011). Study on Artificial Neural Network Method for Ground Subsidence Prediction of Metal Mine. Procedia Earth and Planetary Science, 2, 177-182. doi:10.1016/j.proeps.2011.09.029.
• 10. Hejmanowski Ryszard, & T., W. W. (2015). Suitability assessment of artificial neural network to approximate surface subsid-ence due to rock mass drainage. Journal of Sustainable Mining, 14(2), 101-107. doi:10.1016/j.jsm.2015.08.014.
• 11. Kim Yangkyun, Min, S., Hyun-Koo, M., & Seung-Ah, L. (2017). A study on the development of an artificial neural network model for the prediction of ground subsidence over abandoned mines in Korea. Geosystem Engineering, 20(3), 163-171. doi:10.1080/12269328.2016.1254573.
• 12. Lee Saro, Inhye, P., & Jong-Kuk, C. (2012). Spatial Prediction of Ground Subsidence Susceptibility Using an Artificial Neural Network. Environmental Management, 49(2), 347-358. doi:10.1007/s00267-011-9766-5.
• 13. Mahdevari Satar, Kourosh, S., Mostafa, S., & Dwayne, T. (2017). Stability prediction of gate roadways in longwall mining using artificial neural networks. Neural Computing and Applications, 28(11), 3537-3555. doi:10.1007/s00521-016-2263-2.
• 14. Long N.Q, V.C, M., & B.K, L. (2016). Divergency verification of predicted values and monitored deformation indicators in specific condition of Thong Nhat underground coal mine (Vietnam). Geoinformatica Polonica, 2016(2016)), 15-22.
• 15. Khanh, P. Q., & Long, N. Q. (2015). Research on the application of the Kalman filter method for predicting vertical surface displacement in mines. Mining Industry Journal, No. 5 (in Vietnamese).
• 16. Long Quoc Nguyen, Tam Thanh Thi Tam, Trong Gia Nguyen, Dinh Trong Tran (2023). Prediction of underground mine’s surface subsidence using a recursive multi-step forecasting model with an Artificial Neural Network. Mining of Mineral Deposits, 17(4), pp 45-52.
• 17. Reddish D.J, Whittaker B.N (2012), Subsidence: occurrence, prediction and control, Elsevier, England..
• 18. Vardoulakis I., Graf B., Gudehus G. (1981), "Trap‐door problem with dry sand: A statical approach based upon model test kinematics", International Journal for Numerical and Analytical Methods in Geomechanics, 5 (1), 57-78.
• 19. Zhao Kang, Chen Si-ni (2011), "Study on Artificial Neural Network Method for Ground Subsidence Prediction of Metal Mine", Procedia Earth and Planetary Science, 2, 177-182.
• 20. Heaton Jeff (2008), Introduction to neural networks with Java, Heaton Research, Inc.
• 21. Fausett Laurene (1994), Fundamentals of neural networks: architectures, algorithms, and applications, Prentice-Hall, Inc.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).