Predicción del coeficiente de estabilidad de abierto.

Scientific Reports volumen 13, Número de artículo: 12017 (2023) Citar este artículo

238 Accesos

1 altmétrica

Detalles de métricas

La explotación de minas a cielo abierto está muy extendida en China y hay muchos casos de accidentes por deslizamientos de tierra. Por tanto, se destaca el problema de la estabilidad de los taludes. La estabilidad del talud es un factor que incide directamente en la eficiencia minera y la seguridad de todo el proceso minero. Según las estadísticas, existe un 15 por ciento de posibilidades de encontrar riesgo de deslizamientos de tierra en las minas a gran escala de China. Y debido a la expansión de la escala minera de la empresa, el problema de la estabilidad de las pendientes se ha vuelto cada vez más evidente, lo que se ha convertido en un tema importante en el estudio de la ingeniería minera a cielo abierto. Para predecir mejor el coeficiente de estabilidad de taludes, este estudio toma como caso una mina en China para discutir en profundidad la precisión de diferentes algoritmos en el cálculo de la estabilidad, y luego utiliza un algoritmo de aprendizaje profundo para estudiar la estabilidad en condiciones de lluvia. El cambio del coeficiente y el cambio del coeficiente de estabilidad antes y después del tratamiento del talud se estudian experimentalmente con el desplazamiento del punto de seguimiento. El resultado muestra que el coeficiente de seguridad calculado por el algoritmo de este artículo es aproximadamente un 7% menor que el del algoritmo tradicional. En el análisis de estabilidad de taludes antes del tratamiento, el factor de seguridad calculado por el algoritmo de este artículo es 1,086, y el algoritmo de este artículo está más cerca de la realidad. En el análisis de estabilidad del talud después del tratamiento, el factor de seguridad calculado por el algoritmo de este artículo es 1,227 y el factor de estabilidad cumple con los requisitos de la especificación. También muestra que el algoritmo de aprendizaje profundo mejora efectivamente la eficiencia de la predicción del factor de estabilidad de pendientes y mejora la seguridad durante el desarrollo del proyecto.

Durante la excavación de minas a cielo abierto, se formarán taludes laterales muy pronunciados. De esta manera, se destruye el estado de equilibrio original del terreno y el macizo rocoso también se verá desplazado debido a la fuerza, lo que hace que la pendiente pierda especialmente fácilmente su estabilidad. La estabilidad del talud de una mina a cielo abierto puede afectar directamente la seguridad de la fuente de la mina, así como los beneficios económicos de la fuente de la mina. De hecho, cuanto mayor sea la estabilidad de la pendiente, mejor. Debe seguir los principios de economía y seguridad y determinar un ángulo de pendiente razonable. Si la estabilidad es demasiado alta, aumentará la extracción de la fuente minera, reduciendo así los beneficios económicos de la mina. Si la estabilidad es demasiado baja, la ladera se volverá inestable y se requerirá refuerzo adicional, lo que no solo afecta la producción sino que también aumenta el costo. Sólo obteniendo un factor de estabilidad económico y seguro se puede garantizar la seguridad de todo el proyecto, garantizar la eficiencia de la producción y ahorrar costos. Aunque la tecnología de selección de minas también se optimiza con el progreso de la sociedad, siempre es una industria de alto riesgo, y la cuestión de la seguridad del coeficiente de estabilidad durante el proceso de excavación también es un problema que los estudiosos han estado discutiendo. En términos generales, cuando la estabilidad de una pendiente está controlada por la misma superficie de deslizamiento inclinada, la influencia de la altura de la pendiente sobre su estabilidad es mayor que la de la pendiente de la pendiente. Por lo tanto, el autor intenta estudiar el problema de la predicción del coeficiente de estabilidad de taludes en minas a cielo abierto desde la perspectiva del algoritmo de aprendizaje profundo de inteligencia artificial, con la esperanza de obtener un efecto ideal.

Con la implementación de la política nacional de desarrollo de minas, cada vez más académicos han prestado atención a las cuestiones de seguridad en el proceso de desarrollo y han realizado muchas investigaciones sobre la estabilidad de los taludes a cielo abierto. Entre ellos, Zhu, et al. utilizaron el método de simulación numérica para estudiar la influencia de las fracturas hidráulicas en la estabilidad de taludes de la fracturación de pozos de metano de lechos de carbón a cielo abierto1. Pero el algoritmo que adoptó en este artículo no es muy adecuado para calcular el ángulo de extracción. Antes, Besimbaeva, et al. evaluaron la estabilidad del talud de la mina de barita a cielo abierto ubicada en la provincia minera oriental de Anjing y estudiaron las características de resistencia del macizo rocoso utilizando dos métodos2. Pero el sistema de evaluación aplicado en este artículo no es muy completo. Posteriormente, Kang, et al. realizó una evaluación de estabilidad de taludes para la mina de oro y analizó su evaluación probabilística y sensibilidad3. Sin embargo, no analizó con más detalle el método de clasificación por escala adoptado en el artículo. Christian introdujo la evaluación de la estabilidad de un talud escalonado en una mina a cielo abierto en Perú y obtuvo la función de densidad de probabilidad de los parámetros del plano estructural4. Pero los experimentos que realizó en el artículo no tuvieron en cuenta posibles factores.

Después de consultar los resultados de la investigación de otros académicos, Dehghan y Khodaei calcularon el factor de seguridad mínimo de 1,20, lo que proporcionó un diseño óptimo estable para la pendiente límite de la mina a cielo abierto5. Pero no se refirió a la influencia del factor de seguridad a la hora de calcular el desplazamiento horizontal del modelo. Du y Ye propusieron combinar el número difuso de intervalo con su confiabilidad para obtener información mixta y luego utilizaron la medida de similitud para tomar decisiones sobre la estabilidad de pendientes6. Sin embargo, cuando define la relación lógica, el contenido de la elaboración no es muy detallado. Singh, et al. Se utilizó un software de simulación para evaluar el factor de estabilidad general del botadero de sobrecarga7. Pero no incluyó el impacto del suelo débil en su conclusión. El daño natural y artificial a las laderas del suelo es un fenómeno complejo que puede causar daños graves en muchos países del mundo. Como resultado, se destruyeron propiedades públicas y privadas por valor de millones de dólares. Es necesario comprender el proceso que conduce al colapso de taludes y predecir su vulnerabilidad para mitigar adecuadamente el riesgo de colapso de taludes. Suman intentó utilizar métodos de inteligencia artificial desarrollados recientemente, como redes funcionales (FN), múltiples splines de regresión adaptativa (MARS) y programación genética multigénica (MGGP) para predecir el factor de seguridad de las pendientes8. El rendimiento de estas tecnologías de IA se ha evaluado según diferentes parámetros estadísticos, como el error absoluto promedio, el error absoluto máximo, el error cuadrático medio y el coeficiente de correlación, y el coeficiente de eficiencia de Nash Sutcliffe. El análisis de la estabilidad de taludes es uno de los temas más importantes en ingeniería geotécnica. El desarrollo del análisis de estabilidad de taludes sigue de cerca el desarrollo de la ingeniería geotécnica computacional. Das discutió la aplicación de diferentes modelos de redes neuronales artificiales desarrollados recientemente en el análisis de estabilidad de taludes basados ​​en las bases de datos de fallas de taludes reales disponibles en la literatura9. Desarrolló diferentes modelos de redes neuronales artificiales para clasificar pendientes como estables o inestables (fallo) y predecir factores de seguridad.

La popularidad de la inteligencia artificial ha sido muy amplia y el aprendizaje profundo es en realidad una nueva dirección de investigación del aprendizaje automático. Es el algoritmo que más se acerca al objetivo de la inteligencia artificial en el aprendizaje automático. Y ha obtenido muchos resultados en la minería de datos y otros campos, y puede ayudar a las personas a resolver muchos problemas. La innovación de este artículo radica en el uso de un método novedoso, el algoritmo de aprendizaje profundo, para estudiar el coeficiente de estabilidad de taludes en minas a cielo abierto. En el proceso de investigación se utiliza un método muy sencillo pero eficaz para obtener una gran cantidad de datos relevantes para el análisis. Espero poder brindar apoyo para futuros trabajos de excavación de minas.

Cuando se desarrollan minas a cielo abierto, la limitación de la seguridad de los taludes de roca es la principal razón que afecta la eficiencia de la producción minera. La proporción de minería a cielo abierto en China es realmente muy grande. La extracción de mineral de hierro y materias primas fósiles se realiza casi siempre en forma de minería a cielo abierto. Durante el proceso minero, la seguridad del cuerpo del talud es lo más importante. Por lo tanto, en el proceso minero, es necesario aumentar el ángulo final del talud y asegurar la estabilidad del talud. Habrá una contradicción muy marcada en el proceso de minería, es decir, cuanto mayor sea el ángulo de pendiente final, más inestable será la pendiente. Si este problema no se maneja adecuadamente, afectará gravemente la seguridad de la producción de la mina y los beneficios económicos de la mina. Y es muy probable que la explotación de minas a cielo abierto haga que el entorno circundante se vuelva inseguro. Por lo tanto, durante la minería, es necesario garantizar la seguridad sin reducir la velocidad de extracción y reducir el impacto en el medio ambiente. Comprometidos con lograr un ratio de decapado económico y eficiente10. La explotación de la mina a cielo abierto se muestra en la Fig. 1.

Explotación de una mina a cielo abierto.

Como se muestra en la Fig. 1, en el proceso de extracción de la mina, se deben utilizar herramientas profesionales como excavadoras11. Y formará una pendiente de primer orden. De hecho, las minas a cielo abierto en China siguen siendo relativamente comunes y hay muchas minas en Mongolia Interior y Xinjiang. Estas minas tienen problemas de estabilidad muy graves y se han producido muchos deslizamientos de tierra importantes. Esto ha causado muchas pérdidas económicas a las minas. De modo que la cuestión de la estabilidad siempre ha sido una cuestión esencial. Al mismo tiempo, debido a que los recursos poco profundos son desarrollados por personas, están disminuyendo constantemente. Por lo tanto, se han creado nuevas tecnologías para desarrollar recursos profundos. Sin embargo, esta tecnología tendrá un impacto muy grande en toda la formación rocosa de la mina, el medio ambiente también se verá afectado y la seguridad y la estabilidad también se verán reducidas. Aunque muchos estudiosos han mejorado la estabilidad de la minería de diferentes maneras, la estabilidad de cada mina es una cantidad independiente y tienen características diferentes. Por lo tanto, es necesario determinar qué método utilizar para la predicción de acuerdo con la evaluación in situ de la mina. Por lo tanto, se necesita más investigación para encontrar mejores formas de explotar las minas12.

Si la estabilidad del talud no es buena, es fácil que se produzca un desastre por deslizamiento de tierra, lo cual es un problema muy grave13. Amenaza la propiedad y la vida de las personas. La ocurrencia de deslizamientos de tierra generalmente se debe a la destrucción de laderas rocosas. Los deslizamientos de rocas y los deslizamientos de rocas son los principales tipos de daños en las pendientes rocosas, como se muestra en la Imagen 2:

Como se muestra en la Fig. 2, existen dos tipos principales de deslizamientos de tierra14. El primero son los aludes de rocas. Ocurre principalmente en pendientes muy empinadas donde la roca se rompe en pedazos y luego colapsa, cayendo hacia adelante. El cuerpo de roca en la cima muchas veces se desprende y luego se cae por algunos factores, y se acumula al pie de la pendiente. Estas situaciones suelen ocurrir cuando hay grietas en la parte superior de la pendiente. Las grietas también se crean por la erosión de la roca con el tiempo o por la intrusión de agua de lluvia y el remojo prolongado. Sin embargo, también es posible que debido a los cambios de temperatura, las altas temperaturas o la sombra hagan que la roca se afloje. Las medidas de protección adoptadas por los expertos en general consisten en utilizar materiales de construcción reforzados artificialmente, es decir, cables de anclaje. De esta manera, se puede minimizar la fuerza de impacto del colapso y deslizamiento del macizo rocoso. El segundo es el deslizamiento de rocas, que es un fenómeno en el que el macizo rocoso se desliza a lo largo de una determinada superficie15. De hecho, la razón principal del deslizamiento de rocas es el exceso de lluvia. Después de que el agua superficial se filtre en las grietas, generará presión hidrostática, que es la fuerza que promueve el deslizamiento de la pendiente del suelo y es perjudicial para la estabilidad de la pendiente del suelo. Debido a la infiltración de agua de lluvia, el aumento del nivel del agua de los ríos o el embalse de embalses, el nivel del agua subterránea aumenta, provocando que la presión estática del agua actúe sobre la superficie estructural impermeable del talud. Actúa perpendicular a la superficie estructural y actúa sobre el talud, debilitando los esfuerzos normales generados por el peso de la masa deslizante sobre la superficie, reduciendo así la resistencia antideslizante del suelo. Hay varios tipos de deslizamientos de rocas, por lo que no los presentaré uno por uno aquí. En términos generales, el deslizamiento de rocas es un deslizamiento plano. Significa que cuando la roca se desliza a lo largo del plano, el plano es más propenso a deslizarse cuando el ángulo de inclinación de la superficie de deslizamiento es mayor que el ángulo de fricción interna. Se deben cumplir dos condiciones para el deslizamiento plano del macizo rocoso del talud, es decir, superar la resistencia en ambos lados y la resistencia en el fondo. En roca blanda, cuando el ángulo de inclinación del fondo del macizo rocoso del talud es mucho mayor que el ángulo de fricción interna del macizo rocoso en el macizo rocoso del talud de una mina a cielo abierto, la restricción lateral del macizo rocoso no puede proporcionar suficiente fuerza para evitar la que la roca se dañe. Se desprenderá del macizo rocoso de la pendiente para producir un deslizamiento plano. En el macizo rocoso de la pendiente de roca dura, solo cuando la superficie discontinua del macizo rocoso de la pendiente cruza la parte superior de la pendiente y la roca en la pendiente está separada de la roca en ambos lados, el macizo rocoso de la pendiente sin restricción lateral también puede deslizarse. en un avión16.

Tipos de deslizamientos de tierra.

Las características del macizo rocoso son otra herramienta para clasificar los taludes, especialmente en las minas. SMR es el esquema de clasificación más común y, a menudo, lo utilizan diferentes investigadores para analizar la estabilidad de los taludes de corte en diferentes minas. La calificación de la calidad de los taludes es la principal herramienta para comprender el comportamiento del macizo rocoso de los taludes de las minas a cielo abierto. Debido al aumento de la profundidad y del ángulo de la pendiente, la calificación de la calidad de la pendiente siempre trae serios problemas. Debido a diversas complejidades geológicas, los problemas de estabilidad son más graves. El análisis de estabilidad del talud en movimiento se realizó mediante el diagrama de Stereonet. Es una herramienta sencilla para analizar fallas de cuñas en taludes planos y rocosos. Estos datos estructurales se trazan geométricamente para establecer la probabilidad de falla de la red de áreas iguales en el patrón17. También hay muchas formas de controlar la pendiente, generalmente existen tres métodos. Como se muestra en la Fig. 3.

Métodos de tratamiento de pendientes.

En la Fig. 3 se puede ver claramente que estos tres métodos de gestión de pendientes18. El primer método es desenterrar y recuperar. El significado general es que habrá muchos macizos rocosos con poca estabilidad cerca de la parte superior de la pendiente. Estos macizos rocosos con poca estabilidad pueden ser excavados, transportados al pie de la pendiente y compactados. Esto puede mejorar efectivamente la estabilidad. Sin embargo, debido a que la tracción entre los macizos rocosos sigue siendo muy fuerte, sólo se pueden excavar los macizos rocosos con poca estabilidad. El segundo método es el drenaje. Porque la lluvia es un motivo esencial para afectar la estabilidad. La acumulación de agua de lluvia afectará el deslizamiento de las grietas de la superficie de la roca, provocando la aparición de deslizamientos de tierra. Especialmente en el tratamiento de pendientes altas, empinadas y grandes, el drenaje es particularmente importante. El tercer método consiste en utilizar estructuras artificiales como refuerzo. Los cables de anclaje se utilizan generalmente para protección y refuerzo. Por supuesto, también existen muros de contención y pilotes antideslizantes. Los tres métodos funcionan bien. A la hora de controlar pendientes, se pueden utilizar en combinación para lograr mejores resultados19.

Además, el material del talud es importante o la geometría del talud es importante. Clasificado por litología estratigráfica: se puede dividir en taludes de suelo y taludes de roca. (a) Según la estructura de la roca, se divide en pendiente de estructura en capas, pendiente de estructura de bloques y pendiente de estructura de red; (b) Según la relación entre la inclinación de los estratos rocosos y la dirección de la pendiente, se puede dividir en pendiente directa, pendiente inversa y pendiente vertical. Toda inestabilidad de taludes implica la falla de la roca del talud y del suelo bajo esfuerzo cortante. Por lo tanto, todos los factores que afectan el esfuerzo cortante y la resistencia al corte de la roca y el suelo afectan la estabilidad del talud.

El aprendizaje profundo es en realidad un tipo de método de aprendizaje automático, y su predecesor es el aprendizaje automático y la red neuronal artificial20. Sin embargo, debido al paso del tiempo, este método se desarrolla y optimiza constantemente, y sus campos de aplicación también son muy amplios. Específicamente como se muestra en la Fig. 4.

Áreas de aplicación del aprendizaje profundo.

Como se muestra en la Fig. 4, este método tiene muchos campos de aplicación. El autor enumera nueve áreas en total. En primer lugar, en el campo de la visión por computadora, este método puede ayudar a las computadoras a procesar datos de imágenes o reconocer texto y convertir estas imágenes o texto, lo cual es muy inteligente y conveniente21. En el campo del reconocimiento de voz, con el apoyo de este algoritmo, la eficiencia del reconocimiento de voz ha mejorado enormemente. Al igual que el procesamiento de datos de imágenes en visión por computadora, el método puede convertir sonidos en modelos reconocibles muy rápidamente. En el campo del reconocimiento de audio, este método también se utiliza para mejorar la eficiencia del reconocimiento de audio. En términos de filtrado de redes sociales, los componentes de la red son muy desordenados y hay todo tipo de información, pero este método es muy bueno para clasificar información, por lo que este método también es muy adecuado para filtrar redes sociales. En términos de traducción automática, el uso de este método puede mejorar la calidad de la traducción automática y hacer que la traducción automática se acerque más al nivel de traducción de una persona común. En el diseño de fármacos, este método puede ayudar al desarrollo de fármacos de moléculas pequeñas, proporcionar nuevas decisiones computacionales para los productos farmacéuticos y procesar más información de datos químicos. En bioinformática, el uso de este método puede traer nuevos cambios a la disciplina. Debido a que el método es tan bueno para extraer datos, es muy adecuado para resolver problemas genómicos. En el campo del análisis de imágenes médicas, tras aplicar este método se puede realizar mejor un análisis rápido y muy detallado de las imágenes médicas. Porque este método ya ha logrado buenos resultados en la segmentación de imágenes. Por tanto, también es muy adecuado para el análisis de imágenes en el campo de las imágenes médicas22.

El método de aprendizaje profundo no solo tiene una amplia gama de aplicaciones, sino que también tiene muchas ventajas, como se muestra en la Fig. 5.

Ventajas del aprendizaje profundo.

Como se muestra en la Fig. 5, su primera ventaja es su gran versatilidad. Generalmente, los datos que manejamos son datos ordenados multidimensionales y luego, debido al rápido desarrollo del big data, el aprendizaje profundo se ha aplicado muy bien en varios campos23. Además del reconocimiento de voz y la clasificación de imágenes, también tiene muy buen rendimiento en minería y procesamiento de datos y predicción de datos, por lo que su versatilidad es alta. La segunda ventaja es la robustez, lo que significa que el método es más inteligente y estable24. Puede ajustar automáticamente los parámetros de acuerdo con los cambios de datos y adaptarse automáticamente a los cambios de datos. La tercera ventaja es una buena generalización. Una vez que se aumentan los datos, aún pueden tener una buena capacidad de generalización y el rendimiento no se debilita en absoluto, sino que se mejora. La cuarta ventaja es la escalabilidad, porque cuando la red neuronal se apila demasiado, el gradiente desaparecerá o explotará, y este método puede resolver muy bien este problema. Y este método tiene muy buena escalabilidad en el número de capas y parámetros estructurales y se puede combinar libremente para lograr un mejor efecto de aprendizaje25.

Además, el método se puede generalizar a estructuras de redes neuronales entrenadas en diferentes campos y también puede tener un buen efecto de entrenamiento en caso de datos insuficientes. Podemos comparar el rendimiento del aprendizaje automático y el aprendizaje profundo en el momento del entrenamiento, como se muestra en la Fig. 6.

La relación entre la cantidad de datos de entrenamiento y el rendimiento del entrenamiento.

Como se muestra en la Fig. 6, es obvio que el aprendizaje automático anterior tiene muy pocos parámetros y, cuando aumentan los datos de entrenamiento, la capacidad de generalización disminuirá26. En el método propuesto en este artículo, cuando aumentan los datos de entrenamiento, la capacidad de generalización es mejor. Esto muestra que el método propuesto en este artículo no sólo tiene buena estabilidad en el procesamiento de datos, sino que también puede procesar datos muy bien al mismo tiempo. No se ve afectado por el tamaño del volumen de datos.

Dado que el aprendizaje profundo se utiliza ampliamente, los académicos también han introducido su marco. El código del marco en sí es muy conciso, los tipos de lenguaje admitidos son bastante ricos, la documentación técnica está completa y el mantenimiento y la operación están en buenas condiciones. A continuación enumeraré cinco marcos más populares, como se muestra en la Tabla 1.

Como se muestra en la Tabla 1, en realidad existen muchos marcos principales, pero para facilitar el análisis, el autor enumera los cinco marcos más populares. El primer marco es Tensor Flow y su código principal está escrito en C++. Esto se utiliza generalmente para tratar con vectores multidimensionales. Este marco también cuenta con herramientas de visualización que pueden mostrar completamente la estructura y el flujo de datos de la red neuronal. Contiene muchos algoritmos convencionales y todo el proceso de diseño también es completo, lo que es muy adecuado para la predicción en la industria. El segundo marco es Caffe, que define cada red neuronal. Después de garantizar el acoplamiento normal, el trabajo de construcción de la red consiste simplemente en apilar cada capa. Y puede participar en el entrenamiento siempre que el modelo esté definido y el rendimiento del entrenamiento sea muy bueno. El tercer marco es Torch, cuya popularidad se debe principalmente al apoyo de Facebook. Este marco admite gran parte de la informática científica y, en general, es la primera opción para la investigación científica en el mundo académico. El cuarto es CNTK, presentado por Microsoft. También hay muchas características, principalmente la estructura de la red es muy fina, el código es a nivel de producto y se puede entrenar en una variedad de hardware. El quinto marco es Keras. Sus componentes están altamente encapsulados. Generalmente lo utilizan principiantes y es relativamente rápido comenzar. Después de comprender el principio, inicialmente podrá construir una red.

(1) Red neuronal recurrente (rnn).

Es principalmente una red neuronal generada para procesar datos de secuencia.

Suponiendo que el tiempo es Y, puede obtener el resultado del modelo como:

Cuando el modelo predice el valor de salida en el momento Y, analizamos la función de pérdida y la retropropagación comienza desde el valor de pérdida final. Luego, durante la propagación hacia atrás, R representa la función de costo y la función objetivo definida es:

La fórmula de peso E se puede actualizar ajustando la función de costo para que sea más pequeña:

ρ representa la eficiencia del aprendizaje, que puede controlar la velocidad de actualización de los parámetros. Si no se controla adecuadamente, la velocidad de optimización no se mantendrá. Entonces, para calcular el gradiente, el error se puede formular como:

Luego, calcúlelos recursivamente y la nueva fórmula se puede obtener como:

Y representa el último punto de tiempo, en el que la capa oculta se puede expresar como:

Al derivar esta fórmula, la fórmula del error en otros momentos se puede obtener como:

Las fórmulas de error en la capa de salida y la capa oculta son:

Representa el error en el momento Y y representa el error en el momento Y + 1.

De esta forma, los pesos de la capa de salida se pueden actualizar como:

Los pesos de la capa de entrada se pueden actualizar como:

Los pesos de la capa recurrente se pueden actualizar como:

(2) Red neuronal de memoria a corto plazo (lstm)

Aunque es similar en estructura a RNN, cambiará el estado celular aumentado en la estructura de acuerdo con el tiempo de existencia, y este estado celular es una memoria a largo plazo27. El algoritmo LSTM se utiliza a menudo para realizar operaciones como la predicción de diversos datos o el reconocimiento de imágenes. Su puerta del olvido determina si el conocimiento que ya he aprendido es útil y qué parte quiero descartar; la puerta de entrada determina si el conocimiento que otros me dicen es útil para mí y qué conocimiento quiero recibir; Al integrar mi conocimiento actual a través de la puerta de salida, algunos conocimientos determinan qué informar a los demás28. La teoría y el proceso de aprendizaje de LSYM son valiosos y tiene una buena capacidad de resolución de problemas al resolver algunos problemas prácticos.

Si es un parámetro en la puerta de salida, es la salida de la capa oculta. La fórmula de la puerta de entrada se puede obtener como:

En este momento, si desea actualizar el estado de la celda, la fórmula se puede expresar como:

Calculado de acuerdo con el estado de la hora actual, se puede obtener el valor de salida final.

Según la información obtenida, se han utilizado numerosos algoritmos para predecir la estabilidad de taludes. Entonces los comparamos con nuestro algoritmo en el conjunto de prueba para comparar el rendimiento de la predicción. Los resultados se muestran en la Tabla 2.

Como se muestra en la Tabla 2, la precisión y estabilidad de cada algoritmo se calcula cuando se utilizan la línea de base y los puntos de corte de Youden. Se puede observar que el rendimiento del límite de Youden es generalmente mejor que el del límite de referencia. La precisión promedio de todos los algoritmos aumenta en un 4,8% desde el punto de corte de referencia hasta el punto de corte de Youden. El mayor aumento en la precisión se logra mediante el algoritmo DT y, después de usar Youden, la precisión aumenta del 79 al 90%. Hay un aumento del 0,2% en la precisión en el mejor algoritmo LR en el límite de Youden, mientras que el mejor algoritmo DL no tiene cambios en la precisión. La mayor precisión se logró con el algoritmo DT óptimo con el límite de Youden; en este caso, 43 de 45 casos de pendiente se predijeron correctamente. La precisión del mejor algoritmo DT y del mejor algoritmo DL para el límite de Youden es superior al 90%.

Finalmente, su rendimiento predictivo se compara mediante la tasa de verdaderos positivos y la tasa de verdaderos negativos que muestran en el conjunto de prueba. Los resultados se muestran en la Fig. 7.

Rendimiento de la prueba.

Como puede verse en la Fig. 7, el mejor algoritmo de clasificación para predecir correctamente pendientes estables es el algoritmo DL. Con ambos algoritmos, las 20 pendientes estables se miden correctamente y se comparan con el DT óptimo que pasa el punto de corte. El algoritmo logra la predicción óptima de la estabilidad de pendientes y predice correctamente todos los casos de pendientes inestables. La línea de base y el punto de corte de Youden no tienen ningún efecto sobre el desempeño del modelo DL óptimo en este artículo29.

Para verificar mejor la racionalidad y confiabilidad del algoritmo DL utilizado en este artículo, el autor utiliza tres métodos para calcular el factor de seguridad para los ejemplos de pendiente en muchas literaturas. Los resultados del cálculo se muestran en la Tabla 3.

Se puede ver en la Tabla 3 que el valor del factor de seguridad del algoritmo DL está entre la fuerza máxima y la fuerza residual del algoritmo tradicional. En el ejemplo 1, los valores del factor de seguridad del algoritmo tradicional para las dos fortalezas son 1,315 y 1,121, respectivamente. El factor de seguridad del algoritmo de este artículo es 1,236. En el Ejemplo 2, los valores del factor de seguridad del algoritmo tradicional son 1,03 y 0,534, respectivamente. El factor de seguridad del algoritmo de este artículo es 0,958. En el Ejemplo 3, los valores del factor de seguridad del algoritmo tradicional son 1,404 y 1,083, y el valor del factor de seguridad del algoritmo de este documento es 1,2973. La investigación muestra que el factor de seguridad obtenido por el algoritmo tradicional es en realidad muy peligroso en la aplicación práctica al utilizar la fuerza máxima, y ​​el factor de seguridad obtenido por el algoritmo tradicional al usar la resistencia residual es relativamente conservador30.

La Carretera Nacional (NH-305) es crucial ya que se utiliza como única conexión alternativa para el transporte de material militar y otros materiales durante el cierre de otras carreteras. En el pasado se han reportado muchos derrumbes de pendientes, por lo que se desarrollaron mapas de zonificación de peligros utilizando cinco parámetros comúnmente utilizados para identificar áreas potencialmente vulnerables. Posteriormente, se llevó a cabo una investigación detallada en el sitio para recopilar parámetros de ingeniería de rocas y clasificación geomecánica. Se identificaron varias ubicaciones a partir del mapa de zonificación de peligros y de las investigaciones posteriores en el sitio para el análisis de estabilidad. La clasificación de la zona de peligro clasifica claramente la pendiente pronunciada en la margen derecha del río Sutlej como zona de daño potencial, lo que también se confirma por la baja calificación de calidad de la pendiente. Posteriormente se utilizó el método de los elementos finitos para estudiar los mecanismos de deformación relacionados con la falla de dichos taludes. El alto valor del factor de seguridad indica la estabilidad del talud, pero el contorno de desplazamiento y la concentración de la deformación cortante cerca del pie del talud indican que este no es el caso31. Tomamos una mina a cielo abierto como ejemplo y utilizamos el algoritmo de este artículo para predecir, calcular y analizar el coeficiente de estabilidad del talud. Primero, asegúrese de que la pendiente esté en un estado estable después del tratamiento y luego analice la estabilidad de la pendiente bajo fuertes lluvias32.

De acuerdo con la forma del deslizamiento de tierra y la dirección de deslizamiento principal del deslizamiento de tierra, la línea 129 de la sección de deslizamiento principal del deslizamiento de tierra se selecciona como sección de cálculo, y la superficie de deslizamiento expuesta mediante perforación se utiliza como superficie de deslizamiento de cálculo. El agua en el sitio es principalmente agua estancada de la capa superior poco profunda y agua de fisuras profundas del lecho rocoso. Según la medición de cada pozo en el estudio del sitio de la mina Jiepailing, el nivel de agua subterránea estable mixta se encuentra a una profundidad enterrada de aproximadamente 24 m. La sección calculada del deslizamiento de tierra antes del tratamiento y la sección calculada después de que el deslizamiento de tierra se haya reducido a + 521 m se muestran en la Fig. 8.

Vista seccional antes y después del tratamiento de deslizamientos.

Estudiamos la variación del factor de seguridad de la pendiente y la profundidad de infiltración con la duración de la lluvia utilizando el algoritmo DL en dos condiciones de lluvia. Los resultados obtenidos se muestran en la Fig. 9.

Predicción del factor de seguridad de pendientes bajo lluvia.

En el caso de considerar la succión de la matriz, el factor de seguridad inicial del talud antes de la lluvia aumentó de 1,25 a 2,4. Se puede observar que la succión de la matriz puede hacer una gran contribución a la estabilidad del talud, y el cálculo de la estabilidad del talud sin considerar la succión de la matriz es conservador. Bajo las dos condiciones de lluvia, el factor de seguridad disminuye rápidamente con el tiempo de lluvia. Se puede observar que las lluvias tienen un impacto obvio en la estabilidad de la pendiente y es probable que las lluvias prolongadas provoquen deslizamientos de tierra. Esto también refleja que el algoritmo DL es muy adecuado para calcular la predicción del coeficiente de estabilidad de taludes.

Para verificar la confiabilidad del método de análisis, se adopta la validez del método de predicción de datos de monitoreo del proyecto existente. Tome los datos de un proyecto como fuente de datos. Utilización de la plataforma experimental de monitoreo y análisis de datos del sistema IoT basada en el algoritmo de aprendizaje profundo para estudiar la ley de variación del desplazamiento de pendientes altas y pronunciadas. Considerando la influencia del macizo rocoso del talud por la minería subterránea y en yacimientos, se instalaron un total de 2 puntos de monitoreo para monitorearlo en tiempo real mediante una estación total. El modelo DL se utiliza para modelar y analizar el desplazamiento medido en tiempo real del punto de monitoreo de pendiente, y los resultados se muestran en la Fig. 10.

Valores medidos y previstos de los puntos de seguimiento.

La deformación estructural de la ingeniería minera que involucra pendientes altas y pronunciadas tiene las características de ambigüedad y no linealidad. Es difícil expresar y predecir con precisión la tendencia de evolución de la deformación y el área y el tiempo de ocurrencia del estado de inestabilidad mediante análisis numérico y experimentos con modelos similares. Se reflejará de manera integral en la deformación del punto de monitoreo. El algoritmo DL puede resolver muy bien los problemas de muestras pequeñas, no linealidad y alta dimensionalidad, y el modelo DL formado tiene una alta precisión de predicción. Como puede verse en la Fig. 10, el modelo DL puede ajustarse con precisión al conjunto de datos de muestra y tiene la capacidad de predecir la misma serie de tiempo que los datos de muestra. Utilizando diez días de datos medidos para construir muestras de aprendizaje para modelar y predecir la estabilidad de los puntos de monitoreo, se encontró que el error máximo es del 3,12%. Se puede ver que la predicción de estabilidad basada en el algoritmo DL puede cumplir plenamente con los requisitos de ingeniería de precisión, mejorar la eficiencia del desarrollo minero y proporcionar una referencia de seguridad para el desarrollo minero.

A continuación, utilizaremos el algoritmo DL para analizar los resultados del cálculo de estabilidad de una mina. El factor de seguridad del talud se calcula utilizando el algoritmo tradicional y el algoritmo de este trabajo, respectivamente. Los resultados se muestran en la Tabla 4.

Se puede ver en la Tabla 4 que el factor de seguridad calculado por el algoritmo en este artículo es aproximadamente un 7% menor que el del algoritmo tradicional. En el análisis de estabilidad del talud antes del tratamiento, los factores de seguridad calculados por el algoritmo tradicional y el algoritmo de este artículo son 1,167 y 1,086, respectivamente. El primero es más alto que el requisito del factor de seguridad de 1,15 especificado en la especificación, pero la pendiente real está dañada, lo que demuestra que el método de equilibrio límite de destrucción progresiva es relativamente seguro y el algoritmo de este documento está más cerca de la realidad. En el análisis de estabilidad del talud después del tratamiento, los coeficientes de seguridad calculados por el algoritmo tradicional y el algoritmo en este artículo son 1.303 y 1.227, respectivamente, y los coeficientes de estabilidad cumplen con los requisitos de la especificación, lo que indica que el plan de tratamiento para la reducción del talud y la reducción de carga ha logrado resultados notables.

Además de la comparación entre el algoritmo tradicional y el algoritmo en este artículo. También predijimos el sistema de estabilidad del deslizamiento utilizando el algoritmo DL en condiciones de lluvia. Los resultados se muestran en la Tabla 5.

Se puede ver en la Tabla 5 que el factor de seguridad de la pendiente es inferior a 1,15 después de que la intensidad de la lluvia de los Esquemas 1, 2 y 3 dura 24 h, e incluso inferior a 1 en los Esquemas 2 y 3, la pendiente es aproximadamente fracasar y es necesario tomar las medidas correspondientes. Esto también muestra que la aplicación del algoritmo DL es muy adecuada para la predicción del coeficiente de estabilidad de taludes. Y el valor previsto está en consonancia con la situación real.

Para comparar los cálculos de error, este artículo realiza comparaciones experimentales entre el modelo LSTM existente y STL-LSTM, así como el modelo de aprendizaje profundo propuesto. Este artículo construye conjuntos de datos para d = 1, 2 y 3, respectivamente, los resultados del ángulo de pendiente previsto se muestran en la Fig. 11 y los resultados del cálculo del error se muestran en la Tabla 6.

El ángulo de pendiente previsto es el resultado del aprendizaje profundo en este artículo.

En la Fig. 11, se puede ver que el valor predicho del ángulo de pendiente básicamente no es significativamente diferente del valor real, y cuando d = 1, el valor predicho es básicamente igual al valor real, lo que puede probar la usabilidad de el modelo de aprendizaje profundo desarrollado en este artículo.

En este artículo, el algoritmo de aprendizaje profundo se utiliza para estudiar y analizar la tendencia de predicción del coeficiente de estabilidad de taludes en minas a cielo abierto. La predicción de la estabilidad es un vínculo esencial en el desarrollo de la mina, que afectará la eficiencia de producción y el factor de seguridad de toda la mina. Por lo tanto, conviene intentar utilizar algoritmos de aprendizaje profundo para los cálculos al realizar predicciones de estabilidad, de modo que los resultados obtenidos se acerquen más a la realidad. Se puede observar que el rendimiento del límite de Youden es generalmente mejor que el del límite de referencia. Debido al espacio limitado del artículo, no puede cubrir todos los aspectos. Al mismo tiempo, no se utilizan muchos ejemplos en el estudio. Este algoritmo se basa en algoritmos de aprendizaje profundo de inteligencia artificial y se basa en ciertos supuestos. Si estos supuestos no son ciertos, afectará la capacidad predictiva del modelo. Esta es también la limitación de este artículo. En el futuro, el autor espera utilizar más datos reales para realizar investigaciones más profundas para excavar más y predecir pendientes.

Los conjuntos de datos utilizados y/o analizados durante el presente estudio están disponibles del autor correspondiente previa solicitud razonable.

Zhu, Q. y col. Efecto de la fractura de pozos de metano en capas de carbón sobre la estabilidad de taludes de una mina de carbón a cielo abierto: un estudio de caso de shengli east no. 2 minas de carbón a cielo abierto. Adv. Civilización. Ing. 2020(3), 1–16 (2020).

Google Académico

Besimbaeva, OG, Khmyrova, EN, Nizametdinov, FK & Oleinikova, EA Evaluación y predicción de la estabilidad de taludes en la mina a cielo abierto kentobe. J. Min. Ciencia. 54, 988–994 (2018).

Artículo de Google Scholar

Kang, K., Fomenko, IK, Wang, J. y Nikolskaya, OV Evaluación probabilística de la estabilidad de taludes rocosos en chaarat de una mina a cielo abierto utilizando el criterio generalizado de Hoek-Brown. J. Min. Ciencia. 56(5), 7 (2020).

Artículo de Google Scholar

Obregon, C. & Mitri, H. Enfoque probabilístico para el análisis de estabilidad de taludes en bancos a cielo abierto: un estudio de caso de una mina. En t. J. Min. Ciencia. Tecnología. 29(4), 629–640 (2019).

Artículo de Google Scholar

Dehghan, AN & Khodaei, M. Análisis de estabilidad y diseño óptimo del talud final de una mina a cielo abierto: un estudio de caso. Geotecnología. Geol. Ing. 40(4), 1789–1808 (2021).

Artículo de Google Scholar

Du, C. y Ye, J. Estrategia de toma de decisiones para la estabilidad de pendientes utilizando medidas de similitud entre conjuntos de credibilidad difusa valorados por intervalos. Suave. Computadora. 26(11), 5105–5114 (2022).

Artículo de Google Scholar

Singh, UC y cols. Efecto del vertimiento disperso de suelo blando en vertederos de minas de carbón: un análisis probabilístico. Geotecnología india. J. 52 (3), 735–741 (2022).

Artículo de Google Scholar

Suman, S., Khan, SZ, Das, SK & Chand, SK Análisis de estabilidad de taludes mediante técnicas de inteligencia artificial. Nat. Peligros 84, 727–748 (2016).

Artículo de Google Scholar

Das, SK, Biswal, RK, Sivakugan, N. & Das, B. Clasificación de pendientes y predicción del factor de seguridad mediante redes neuronales de evolución diferencial. Reinar. Ciencia de la Tierra. 64, 201–210 (2011).

ADS del artículo Google Scholar

Weis, CA y cols. Evaluación de patrones morfológicos glomerulares mediante algoritmos de aprendizaje profundo. J. Nefrol. 35(2), 417–427 (2022).

Artículo PubMed PubMed Central Google Scholar

Deng, C., Wu, K. y Wang, B. Detección de electrodomésticos residenciales mediante una red neuronal convolucional profunda basada en la atención. CSEE J. Sistema de energía eléctrica. 8(2), 621–633 (2020).

Google Académico

Tang, H. y col. Diagnóstico de metástasis en ganglios linfáticos en carcinoma de células escamosas de cabeza y cuello mediante aprendizaje profundo. Laringosc. Investigar. Otorrinolaringol. 7(1), 161–169 (2022).

Artículo de Google Scholar

Alijani, S., Tanha, J. y Mohammadkhanli, L. Un conjunto de algoritmos de aprendizaje profundo para la predicción de la popularidad de imágenes de Flickr. Multimed. Herramientas Aplica. 81(3), 3253–3274 (2022).

Artículo de Google Scholar

Salunkhe, SS y cols. Optimización energética para controles can bus y media en vehículos eléctricos mediante algoritmos de aprendizaje profundo. J. Supercomputadora. 78(6), 8493–8508 (2022).

Artículo de Google Scholar

Mahaur, B., Singh, N. y Mishra, KK Detección de objetos en la carretera: un estudio comparativo de algoritmos basados ​​en aprendizaje profundo. Multimed. Herramientas Aplica. 81(10), 14247–14282 (2022).

Artículo de Google Scholar

Roul, RK Impacto de la técnica de mapeo de características ELM multicapa en algoritmos de aprendizaje supervisados ​​y semisupervisados. Suave. Computadora. 26(1), 423–437 (2022).

Artículo MathSciNet Google Scholar

Verma, D., Thareja, R., Kainthola, A. y Singh, TN Evaluación del análisis de estabilidad de taludes de minas a cielo abierto. En t. J. Ciencias de la Tierra. Ing. 4(4), 590–600 (2011).

Google Académico

Zhou, C., Huang, B. y Fränti, P. Una revisión de algoritmos de planificación de movimiento para robots inteligentes. J. Intel. Fabricante. 33(2), 387–424 (2022).

Artículo de Google Scholar

Ibrahim, MH, Hacibeyoglu, M., Agaoglu, A. & Ucar, F. Diagnóstico de la enfermedad de glaucoma con un algoritmo de aprendizaje profundo basado en algas artificiales. Medicina. Biol. Ing. Computadora. 60(3), 785–796 (2022).

Artículo PubMed Google Scholar

Zhou, Y., Huang, K., Cheng, C., Wang, X. y Liu, X. LightAdam: Hacia un algoritmo en línea de impulso adaptativo rápido y preciso. Cogn. Computadora. 14(2), 764–779 (2022).

Artículo de Google Scholar

Sah, M. & Direkoglu, C. Un estudio de métodos de aprendizaje profundo para la identificación de la esclerosis múltiple mediante imágenes de resonancia magnética cerebral. Computación neuronal. Aplica. 34(10), 7349–7373 (2022).

Artículo de Google Scholar

Chen, G., Teng, S., Lin, M., Yang, X. & Sun, X. Detección de grietas basada en redes generativas adversarias y aprendizaje profundo. KSCE J. Civilización. Ing. 26(4), 1803–1816 (2022).

Artículo de Google Scholar

Chen, LC et al. Detección de defectos en paneles de madera encolados mediante aprendizaje profundo. Ciencia de la madera. Tecnología. 56(2), 477–507 (2022).

Artículo CAS Google Scholar

Devamane, SB & Itagi, RL Análisis de rendimiento de algoritmos de decodificación polar basados ​​en redes neuronales con diferentes velocidades de código Irán. J. Computación. Ciencia. 5(1), 83–97 (2022).

Google Académico

Ho, TT, Kim, GT, Kim, T., Choi, S. & Park, EK Clasificación de desgarros del manguito rotador en imágenes de ultrasonido utilizando modelos de aprendizaje profundo. Medicina. Biol. Ing. Computadora. 60(5), 1269–1278 (2022).

Artículo PubMed Google Scholar

Gautam, S. y col. Predicción de varios tamaños de partículas en una mina de cobre a cielo abierto profunda utilizando una red neuronal recurrente: una máquina. J.Inst. Ing. Ser. https://doi.org/10.1007/s40030-021-00589-y (2021).

Artículo de Google Scholar

Kumar, D., Samui, P., Kim, D. y Singh, A. Una metodología novedosa para clasificar la licuefacción del suelo mediante el aprendizaje profundo. Geotecnología. Geol. Ing. 39, 1049-1058 (2021).

Artículo de Google Scholar

Samui, P. Análisis de estabilidad de taludes: un enfoque de máquina de vectores de soporte. Reinar. Geol. 56, 255–267 (2008).

ADS del artículo Google Scholar

Samui, P., Lansivaara, T. y Kim, D. Máquina de vectores de relevancia de utilización para el análisis de confiabilidad de pendientes. Aplica. Computación suave. 11(5), 4036–4040 (2011).

Artículo de Google Scholar

Samui, P. Análisis de pendiente del clasificador de vectores de soporte. Geomat. Nat. Peligros Riesgo 4(1), 1–12 (2013).

Artículo de Google Scholar

Mahanta, B., Singh, HO, Singh, PK, Kainthola, A. y Singh, TN Análisis de estabilidad de zonas potenciales de falla a lo largo de Nh-305 India. Nat. Peligros 83, 1341-1357 (2016).

Google Académico

Kumar, M., Samui, P. y Naithani, AK Determinación de la estabilidad de pendientes de rocas epimetamórficas utilizando una máquina de probabilidad minimax. Geomat. Nat. Haz. Riesgo 7(1), 186–193 (2016).

Artículo de Google Scholar

Descargar referencias

Proyecto de Guardería Juvenil del Departamento de Educación Provincial de Liaoning (Investigación sobre la construcción de un campo de velocidad de onda del cual la trayectoria del rayo y el tiempo de viaje son independientes y el método de ubicación de la fuente sísmica en él. (LJ2020QNL010).

Escuela de Ingeniería Civil, Universidad Técnica de Liaoning, Fuxin, 123000, Liaoning, China

Shuai Wang, Zongbao Zhang y Chao Wang

Facultad de Minería, Universidad Técnica de Liaoning, Fuxin, 123000, Liaoning, China

Shuai Wang

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

SW y ZZ escribieron el texto principal del manuscrito y la operación experimental de CW y el análisis estático de datos. Todos los autores revisaron el manuscrito. Todos los autores leyeron y aprobaron el manuscrito final.

Correspondencia a Shuai Wang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Wang, S., Zhang, Z. y Wang, C. Predicción del coeficiente de estabilidad de la pendiente de una mina a cielo abierto basado en un algoritmo de aprendizaje profundo de inteligencia artificial. Informe científico 13, 12017 (2023). https://doi.org/10.1038/s41598-023-38896-y

Descargar cita

Recibido: 25 de febrero de 2023

Aceptado: 17 de julio de 2023

Publicado: 25 de julio de 2023

DOI: https://doi.org/10.1038/s41598-023-38896-y

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.