矿山地质灾害治理方案研究

摘 要：为了确定矿山地质灾害的治理方案，提出一种面向对象的矿山地址灾害评估和治理框架，管理和复用灾害治理模型。该框架将几种常用的灾难评估模型封装为模型类，并为对象的模型实例。该框架充分利用地理信息系统（GIS）的空间数据处理能力对矿山地址灾害空间进行分析和预测。本文将该框架应用于某矿山的重开采区域，结果表明所提出的模型具有较强的可操作性和实用价值，可为煤矿区地质灾害治理提供预警。

关键词：矿山；地质灾害；治理框架

中图分类号：P 69" " " " " " " " " " " " " " 文献标志码：A

矿产资源的开发可以创造巨大的经济效益，对国家的经济和社会发展起到重要作用[1]。人类采矿和自然地质对地质环境的影响导致了矿山地质灾害，严重限制了经济和社会的可持续发展[2]。因此，有必要对这些地质灾害进行风险评估，以此预防和合理规划矿区开发[3]。

1 煤矿区地质灾害评价模型

目前，有关矿区地质灾害风险评估和预防的研究日益增加[4]。这些方法通常是针对某种灾害而构建的[5-6]，因此，本文构建了矿山地质灾害评价模型基础框架，以快速构建、调用和复用这些模型，为防灾提供决策支持。该框架将GIS的空间分析能力与数理统计分析模型相结合，对各种模型的评估结果进行可视化展示、比较和风险分析。

1.1 单因素模型

概率指数是所有位置的灾区与子部分总面积的比值。首先，需要获取研究区发生的地质灾害分布图，选择地质灾害影响因子，其次，对因子的值进行分级。通过在因子类集X中将最大灾区密度设置为100%，来计算评估因子的概率指数。最后，计算因子水平X中灾难发生的概率如公式（1）所示。

（1）

式中：GWarea（i）为因子水平Xi的灾害发生概率；Darea（i）为因子水平Xi的灾害面积密度，计算因子水平Xi的灾害发生面积如公式（2）所示。

（2）

式中：Area（SXi）为Xi因子级灾害区；Area（Xi）为Xi因子级灾害。

在具体地质灾害评价过程中，根据专家经验，通过地质环境提供的实际信息，将地质灾害评价因素的实际数据转化为能够反映实际地质灾害信息的信息量数据。计算的信息量可以作为判断评价因素对地质灾害破坏程度影响的依据。在计算信息量的过程中，假设选择地质灾害类型和某个评价因子X，研究区域内的总像元数为A，已知选定灾害像元数为S，分类Xi中的像元数Ai，在因子分类条件下灾害的单元数为Si以及因子分类Xi的信息量由公式（3）表示。

（3）

使用异常指数作为指标来评估地质灾害发生的可能性。对评价因子进行分类，并在每个因子分类中统计分析灾区的面积密度。将各因子断面灾区平均密度值作为基础值，计算灾区密度与各小区段平均值之差。当因子分类产生正异常时，地质灾害的概率更大。当因子分类产生负异常时，灾害发生的概率相对较小。

首先，选择要评价的地质灾害类型和评价因子X。其次，对评价因子的数据进行分级，最后，计算因子段X的灾区密度之差X和所有因子的平均灾区密度如公式（4）所示。

（4）

式中：Warea（i）为因子Xi发生灾害的概率；Darea（i）为Xi灾区的面积密度，指灾害发生区域。

1.2 多因素模型

层次分析模型（AHP）：矿区地质灾害评价指标很多，包括坡度、高程、距道路距离、距煤矿区距离、岩性、粗糙度等。对不同类型的地质灾害来说，每个评价因素的影响程度不同。在地质灾害评价的层次结构中采用两层模型，即目标层和评价指标层。

AHP首先选择要评价的地质灾害类型，其次利用n个评价因子形成n×n的矩阵，并根据这些评价因素，得出一个矿山地质灾害的相对重要性的构造矩阵，判断构造矩阵的一致性。如果不满足一致性要求，那么专家需要对这些因素进行重新评分。如果矩阵满足一致性要求，那么计算评估因子的权重系数。最后生成层次结构分析和评估模型并将其存储在模型库中。

AHP是每个因素影响程度组合的结果，用于评价地质灾害评价的综合影响指标。评估模型的形式如公式（5）所示。

（5）

式中：am为第m个评价因子的权重系数；wm为第m次评价因子的值；P为综合影响指数的值。评估的结果是一个线性函数，它是评估因子及其权重系数的乘积。

用网络分析预测样本中神经元间的关联程度，根据神经元之间的相关程度计算未来数据。选择要评估的地质灾害类型，并选择对地质灾害类型影响较大的评价因素，为评价因素选择数据类型，训练网络输出评估结果。

2 模型建立

本文设计了一个独立的模型库，可以动态管理模型因素、方法和灵活组合参数，可以根据评价需求快速形成新的模型。它包括与模型相关的各种信息，以便系统可以保存和使用模型案例来查询模型的内容。模型库的存储部分包括模型主体和模型字典。模型主体主要包括模型的编码、模型的名称、模型公式、矿区、灾害类型、评价因素、模型方法、适用的数据类型等。模型字典库保存模型中的参数描述，可以便于查询和检索模型。

地质灾害评价中使用的数据主要是空间数据。为便于计算，将矢量数据转换为网格数据，叠加分析数据。模型库框架的构建过程如图1所示。

在分析矿区地质灾害形成机理的基础上，确定评价因素和评价方法，以此建立评价模型。单因素评估模型可以独立运行，也可以用作多因素模型的评估因子和数据。多因素模型需要设置或计算模型的权重，可以通过选择样本训练来确定神经网络模型的参数。当应用模型基础框架时，可以根据地质灾害类型和评价方法自动检索模型数据库。模型的结果是网格数据，表明某个区域地质灾害的敏感性，值越大，越危险。可以通过GIS模块和分类渲染直观地显示评估结果。通过叠加分析、偏差计算与历史灾害分布数据对不同模型的评价结果进行评估。通过对比分析得到最适合矿区的评价模型。由于模型存储是独立的，因此可以通过接口调用模型，从而允许模型共享和复用，进而降低建模成本。提出的模型库框架可以通过搜索相关条件来检索相似的矿区模型，为新矿区地质灾害防治和监测提供依据。

3 案例研究

3.1 案例概述

采用模型库框架对某矿山重开采面积进行评估，该矿区面积约30km2，横跨3个行政区域。该地区的山脉长而陡峭，煤矿资源丰富，交通便利，开采煤炭资源的利润十分丰厚。这些因素导致了许多无序和非法煤矿的出现，且开采煤矿时并不重视环境保护。无序开采和过度开采会导致边坡和矿体不平衡，这些变化引起山体滑坡、地裂缝、崩塌和沉降破坏以及其他类型的地质灾害。其中，滑坡、崩塌引起的滑体已成为潜在的地质灾害。因此，须对地质灾害模型进行试验，防止灾害再次发生。

3.2 研究结果

在本文中，将单因素模型的结果作为多因素评估模型的数据。基于评估因素数据的每个子节的灾害密度计算单因素评估模型。以地基裂缝计算的坡度概率指标为例，根据自然分割法可将坡度图数据分为5个部分。单因子模型的不同段数的结果见表1。

表1 坡度图分段的单因素模型结果

分段序号 初始值 终止值 概率指数 异常指数 信息量

1 0.000 32.829 0.874 8.664 -0.013

2 32.829 51.463 1 10 0.12

3 51.463 64.235 0.0335 -2.140 -0.97

4 64.235 73.350 0 -8.852 0

5 73.350 84.845 0 -8.852 0

以崩塌地质灾害为例，对矿区影响较大的评价因素包括坡度（SL）、距煤区距离（DM）、距道路距离（DR）、岩性（LI）、距结构距离（DS）和粗糙度（RoughN）。将以上因子作为评价因子的指标层，以坍塌灾害评价结果为目标层。选择评价因子后，建立层次分析模型的判断矩阵，并按顺序列出评估因子。通过专家评估方法建立矩阵，如图2所示。

上述数据的各评价因子的权重系数：DM为0.302，SL为0.2，DR为0.275，LI为0.117，DS为0.083，RoughN为0.022。因此，影响坍塌危险的最主要因素是DM，其次是DR。粗糙度对灾害的影响相对较小，矿井地质灾害的层次分析过程（AHP）如公式（6）所示。

P=0.302·DM+0.2·SL+0.275·DR+0.117·LI+0.083·DR+0.022·RoughN （6）

AHP数值越大，坍塌的可能性就越大，结果如图3所示。图中的框内部分为历史上发生过坍塌的区域，取值为1，表明历史塌陷区均位于评价结果图的高风险区。

为训练神经网络模型，选取坡度、坡向、粗糙度、岩性、高程等作为评价因子。在崩塌灾害分布图中随机均匀选取采样点，其中10000个点为灾害发生地，10235个采样点为无灾害区。每个选定的历史灾害采样点对应每个单因素评估结果图上的一个网格点，该网格点由1组样本值组成，每组样本的值包括评估因子的值，通过此操作获得的神经网络模型训练矩阵的数值如下。

隐藏层的训练矩阵=

输出层的训练矩阵=[-31.32 48.86" 65.71 -55.36 -2527]

隐藏层的阈值矩阵=[-3.6 4.36 11.78 -27.10 11.90]

神经网络计算的结果和相应的评价因子数据如图4所示，颜色越深的地方，塌陷的可能性越大。图中的框内部分为发生历史崩溃的区域，表示历史崩塌区域位于评价结果图的高风险区。

3.3 多因素评估模型的比较

上述模型的输出为栅格数据，每个格网的值为矿山地质灾害风险。每个值为0～1，值越大，该区域越危险。使用GIS技术根据临界值以等级呈现结果，并直观地显示潜在地质灾害的分布区域。这些不同模型的结果表明，历史上发生的地质灾害位于风险值较大的区域，说明模型评价结果可用于分析和评价矿区易发生危险地质灾害的区域。

将不同模型的结果与历史灾害分布数据叠加。间隙越小，精度越高。在历史灾害分布数据中，灾害的网格值为1，无地质灾害的网格值为0。计算预警区风险值与历史灾区风险值之差的平方和。此偏差表示模型结果的差异，如公式（7）所示。

（7）

式中：ai为评估结果图中第i个网格点的值；εi为历史灾害分布图中第i个网格点；δ为评估结果图和历史灾害分布图间的差异。

使用公式（7）可以发现AHP、神经网络模型的评价结果与历史灾害数据的偏差分别为10.95和157.56。AHP结果偏差最小，其预警精度高于神经网络过程。结果表明层次分析模型更适合分析和预测该区域崩溃的可能性。

4 结论

本文所提出的模型库不仅能进行模型训练、权重计算、集中存储和共享，还能对不同模型、不同参数、不同权重的矿区地质灾害进行评价和分析。通过对比分析不同模型的预测结果，选择最优模型来预测采矿活动可能引发的地质灾害，输出矿区地质灾害的风险分布图。模型库获得的矿山地质灾害风险分布图可为矿山地质灾害监测与防治提供决策依据。

参考文献

[1]郭勇.突发性矿山地质灾害的应急治理方案研究[J].建材与装饰，2020（19）：239-240.

[2]王磊.矿山地质灾害治理方案研究[J].中国金属通报，2023（3）：168-170.

[3]沈应龙.矿山地质灾害治理及生态环境修复措施的应用研究[J].世界有色金属，2023（10）：211-213.

[4]陈像，杨毅.矿山地质灾害治理及生态环境修复探讨[J].中国井矿盐，2022，53（2）：28-30.

[5]张世珍，王建国，柴海瑞.乐都柳湾沙沟青草哇石英岩矿矿山地质灾害治理与土地复垦分析[J].中国矿业，2020，29（增刊2）：111-116.

[6]孙玮，付广磊.矿山地质灾害治理与绿水青山的共建[J].中国地名，2020（3）：55-56.