Prediction of Underground Mine’s Surface Subsidence using a Recursive Multi-Step Forecasting Model with an Artificial Neural Network

• Autorzy: Le Tam Thanh Thi , Nguyen Trong Gia , Pham Chung Van , Le Canh Van , Nguyen Huy Dinh

Identyfikatory

DOI

10.29227/IM-2024-01-116

Warianty tytułu

PL

Prognozowanie osiadania powierzchni kopalni podziemnej przy użyciu rekurencyjnego modelu prognozowania wieloetapowego z wykorzystaniem sztucznej sieci neuronowej

• Języki publikacji: EN

Abstrakty

EN

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.

PL

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.

Słowa kluczowe

EN

surface subsidence; underground mine; artificial neural network; subsidence prediction

PL

osiadanie powierzchni; kopalnia podziemna; sztuczna sieć neuronowa; prognozowanie osiadania

• Wydawca: Polskie Towarzystwo Przeróbki Kopalin
• Czasopismo: Inżynieria Mineralna
• Rocznik: 2024
• Tom: Vol. 2, no. 1
• Strony: 257--262
• Opis fizyczny: Bibliogr. 23 poz., rys., tab., wykr.

Twórcy

autor

Le Tam Thanh Thi

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

• https://orcid.org/0009-0001-5400-1776

autor

Nguyen Trong Gia

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

autor

Pham Chung Van

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

autor

Le Canh Van

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

autor

Nguyen Huy Dinh

• Faculty of Bridges and Roads, Hanoi University of Civil Engineering, Hanoi, Vietnam

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

Bibliografia

• 1. Amari, S. (1993). Backpropagation and stochastic gradient descent method. Neurocomputing, 5(4), 185-196. doi:10.1016/0925-2312(93)90006-O
• 2. Ambrožič, T., & Turk, G. (2003). Prediction of subsidence due to underground mining by artificial neural networks. Computers & Geosciences, 29(5), 627-637. doi:10.1016/S0098-3004(03)00044-X
• 3. Dorband, I. I., Jakob, M., & Steckel, J. C. (2020). Unraveling the political economy of coal: Insights from Vietnam. Energy Policy, 147, 111860. doi:10.1016/j.enpol.2020.111860
• 4. Fushiki, T. (2011). Estimation of prediction error by using K-fold cross-validation. Statistics and Computing, 21(2), 137-146. doi:10.1007/s11222-009-9153-8
• 5. Kim, K.-D., Lee, S., & Oh, H.-J. (2009). Prediction of ground subsidence in Samcheok City, Korea using artificial neural networks and GIS. Environmental Geology, 61-70.
• 6. Lee, S., Park, I., & Choi, J.-K. (2012). Spatial Prediction of Ground Subsidence Susceptibility Using an Artificial Neural Network. Environmental Management, 49, 347-358.
• 7. Long, N. Q., Bui, X.-N., Bui, L. K., Huynh, K. D. V., Van Le, C., Buczek, M., & Nguyen, T. P. (2017). A Computational Tool for Time-Series Prediction of Mining-Induced Subsidence Based on Time-Effect Function and Geodetic Monitor-ing Data. Paper presented at the International Conference on Geo-Spatial Technologies and Earth Resources.
• 8. Long, N. Q., My, V. C., & Luyen, B. K. 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.
• 9. Long Quoc Nguyen, T. T. T. L., Trong Gia Nguyen, Dinh Trong Tran. (2023). Prediction of underground mining-induced subsidence: Artificial neural network based approach. Mining of Mineral Deposits, 17(4).
• 10. Ma, C., Li, H., & Zhang, P. (2017). Subsidence prediction method of solid backfilling mining with different filling ratios under thick unconsolidated layers. Arabian Journal of Geosciences, 10(23), 511. doi:10.1007/s12517-017-3303-7
• 11. Marschalko, M., Yilmaz, I., Křístková, V., Fuka, M., Kubečka, K., Bouchal, T., & Bednarik, M. (2012). Optimization of building site category determination in an undermined area prior to and after exhausting coal seams. International Journal of Rock Mechanics and Mining Sciences, 54, 9-18. doi:10.1016/j.ijrmms.2012.05.021
• 12. Mohsin, M., Zhu, Q., Naseem, S., Sarfraz, M., & Ivascu, L. (2021). Mining Industry Impact on Environmental Sustainability, Economic Growth, Social Interaction, and Public Health: An Application of Semi-Quantitative Mathematical Approach. Processes, 9(6), 972. doi:10.3390/pr9060972
• 13. Nguyen, B. N., Boruff, B., & Tonts, M. (2017). Mining, development and well-being in Vietnam: A comparative analysis. The extractive industries and society, 4(3), 564-575. doi:10.1016/j.exis.2017.05.009
• 14. Nguyen, B. N., Boruff, B., & Tonts, M. (2021). Looking through a crystal ball: Understanding the future of Vietnam's minerals and mining industry. The extractive industries and society, 8(3), 100907. doi:10.1016/j.exis.2021.100907
• 15. NGUYEN, H. V., LE, D. Q., NGUYEN, L. Q., & LIPECKI, T. (2023). Prediction of Road Subsidence Caused by Underground Mining Activities by Artificial Neural Networks. Inżynieria Mineralna, 52(2).
• 16. Nguyen, L. Q. (2016). Sectional diagram of dynamic subsidence trough at the Mong Duong coal mine: Evaluation and prediction. Journal of Mining and Earth Sciences Vol, 56, 58-66.
• 17. Nguyen, L. Q. (2020). A novel approach of determining the parameters of Asadi profiling function for predictiong ground subsidence due to inclied coal seam mining at Quang Ninh coal basin.
• 18. Nguyen, L. Q., Le, T.T.T., Nguyen, T.G., & Tran, D.T. . (2023). Prediction of underground mining-induced subsidence: Artificial neural network based approach. Mining of Mineral Deposits, 4(17), 45-52. doi: https://doi.org/10.33271/min-ing17.04.045
• 19. Nguyen, Q., Nguyen, Q., Tran, D., & Bui, X. Prediction of ground subsidence due to underground mining through time using multilayer feed-forward artificial neural networks and back-propagation algorithm–case study at Mong Duong underground coal mine (Vietnam). MINING SCIENCE ANDTECHNOLOGY (Russia), 241.
• 20. Nguyen, Q. N., Nguyen, V. H., Pham, T. P., & Chu, T. K. L. (2021). Current Status of Coal Mining and Some Highlights in the 2030 Development Plan of Coal Industry in Vietnam. Inżynieria Mineralna. doi:10.29227/IM-2021-02-34
• 21. Reddish, D. J., & Whittaker, B. N. (2012). Subsidence: occurrence, prediction and control. England: Elsevier.
• 22. Yang, W., & Xia, X. (2013). Prediction of mining subsidence under thin bedrocks and thick unconsolidated layers based on field measurement and artificial neural networks. Computers & Geosciences, 52, 199-203. doi:10.1016/j.cageo.2012.10.017
• 23. Zou, J., Han, Y., & So, S.-S. (2009). Overview of Artificial Neural Networks. In D. J. Livingstone (Ed.), Artificial Neural Networks: Methods and Applications (pp. 14-22). Totowa, NJ: Humana Press.

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).