基于InSAR-COMSOL的露天矿边坡稳定性分析及形变预测

露天矿地表形变特征的快速、准确分析及形变趋势精准预测是推进矿山绿色安全生产的重要保障。针对当前形变监测技术存在的时空采样率低、成本高,预测模型参数难确定等问题,以东鞍山露天铁矿为工程背景,提出了一种融合短基线子集干涉测量(SBAS-InSAR)技术和COMSOL有限元模拟的边坡稳定性分析和形变预测一体化方法。首先,利用SBAS-InSAR技术处理2018年5月—2020年6月获取的62景Sentinel-1A升轨SAR数据,获取了该区域2 a内地表形变时间序列,分析了其形变时空演化特征。然后,采用COMSOL Multiphysics软件模拟外界强降雨影响下的典型沉降区域边坡稳定性状况,探讨了坡体损伤裂化规律及形变机理。基于此,利用粒子群算法(PSO)优化长短期时间记忆(LSTM)网络,搭建了形变时序预测最优模型,开展典型沉降区的形变时序预测,并引入平均绝对误差和均方根误差作为预测精度评价指标。结果表明:矿区西部沉降相对严重,年均沉降速率高达47.8 mm/a,形变速率与区域降雨量存在显著相关性。相较于传统形变预测模型,PSO-LSTM模型的2种误差至少降低了14%和36%,且能够有效反映采区地表形变波动趋势,为滑坡灾前预警提供了新思路。

融合SBAS-InSAR与GS-LSTM的尾矿库沉降监测与预测

尾矿库作为一种危险源,需对其进行长期监测及预警,但目前针对尾矿库的监测方法费时费力且预警模型较少,为此提出了一种基于小基线集(SBAS-InSAR)技术、长短期记忆(LSTM)神经网络以及网格搜索(GS)算法相结合的尾矿库沉降预测模型,实现了尾矿库沉降监测与预测的一体化。首先,以60景Sentinel-1A影像作为数据源,采用SBAS-InSAR技术监测鞍山市西果园尾矿库动态沉降过程,获取该尾矿库2018—2020年内时间序列沉降信息,将其与GPS技术获取的测量结果进行对比,发现时序In SAR监测精度较高。然后将降雨量与沉降量关联分析,得到尾矿库沉降的波动规律,构建LSTM神经网络沉降预测模型,再利用GS算法将模型中的超参数进行全局寻优。最后将监测数据划分为训练集与测试集,与传统预测模型进行对比。试验结果表明:GS-LSTM模型在西果园尾矿库沉降预测中呈现出了较好的预测精度,3个测试点中最大平均绝对误差(MAE)为2.51 mm,最大均方根误差(RMSE)为2.90 mm,可以较为精准地反映出具有尾矿库沉降特点的波动和趋势,为尾矿库灾害预警及治理提供了理论依据。