幸贞雄　谢振华

(1.贵州省劳动保护科学技术研究院　贵州遵义 563000；　2.中国劳动关系学院安全工程系　北京 100048)



基于案例推理的露天矿山排土场滑坡事故预警方法研究*

幸贞雄1谢振华2

(1.贵州省劳动保护科学技术研究院贵州遵义 563000；2.中国劳动关系学院安全工程系北京 100048)

通过整理100组排土场滑坡的案例库，提出了基于案例推理(CBR)的排土场滑坡中长期预警方法，采用框架法表示滑坡案例，RBF神经网络和欧式距离相结合实现案例的检索，由用户和专家来完成案例的修正与调整。在高村排土场进行了实际应用，通过案例检索获得了相似的案例，确定了预警等级及合理的处置方案，为排土场滑坡事故预防提供了科学指导。

排土场滑坡案例推理(CBR)RBF神经网络欧式距离

0　引言

中国是世界上第一大露天矿采选固体废弃物排放大国，排土场的占地面积约为全矿用地面积的50%，并以每年300多 km2的速度增长[1]。排土场下游一般为农田和村庄，其安全稳定性在矿山生产期间乃至闭坑后相当长时间内都会对矿山企业产生深远的影响。滑坡事故是排土场灾害的主要形式，危害较大，不容忽视[2]。

排土场稳定性的研究始于20世纪70年代，国内在80年代末开始在个别冶金矿山进行排土场稳定性及滑坡预防方面的科研，但到目前为止排土场滑坡预警方面的研究非常少。排土场是一种松散的堆积体，其力学性质不同于岩石边坡，若仅从力学的角度来分析预警，准确度不高；监测系统的准确度虽高，但花费巨大，一般矿山企业很少采用高端监测仪器来预报排土场的滑坡灾害。因此，缺少一种简便、可行的预警方法来指导矿山企业的安全生产。

本文在露天矿排土场稳定性分析的基础上，建立预警指标体系，采用基于案例推理(CBR)的方法进行排土场滑坡预警，并将模型和方法应用于高村排土场的实例中，效果较好，为矿山企业的安全生产提供信息化、科学化、智能化的管理平台。

1　排土场滑坡事故案例库的建立与表示

1.1案例来源

通过参考文献资料和相应的研究报告，整理了100组我国露天矿山排土场的边坡实例数据。数据主要包括排土场滑坡的8个中长期预警指标，以及案例所对应的预警等级，预警等级确定的依据是边坡的稳定状态和滑坡事故的危害[3]。

1.2案例表示

结合排土场滑坡事故案例的特点，应用框架表示法来对事故进行描述。通过对事故案例的分析，总结归纳出排土场滑坡的事故特征要素，主要包括案例基本信息、特征信息、处置信息。排土场滑坡事故的案例框架划分为3个“槽”，每个“槽”根据需要又分别划分为不同层级的“侧面”，如图1所示。

图1排土场滑坡事故案例框架表示图

1.3案例库的建立

根据文献分析和现场调研，建立了100组排土场边坡实例数据库。边坡实例中预警指标的取值以定性描述居多，表1是对排土场典型的滑坡案例中8个中长期预警指标的具体情况描述。为方便案例推理的计算，根据案例中预警指标的描述情况，依据中长期预警指标的预警准则，对预警指标进行打分，分值采用百分制。

表1　排土场典型滑坡案例的特征信息表

本文采用基于案例推理(CBR)的方法进行排土场滑坡预警。CBR案例库建立的同时也包括案例的学习和存储，案例的学习是案例库中不断增加新案例和完善旧案例的过程。

2　排土场滑坡事故案例的检索

2.1案例检索方法

为了提高案例检索的效率和精度，本文提出了基于欧式距离和RBF神经网络的混合检索方法。首先通过RBF神经网络将案例按照滑坡预警等级分为5个等级，再利用RBF网络检索[3-4]，把检索范围缩小到某一个预警等级。

RBF网络检索模型是一个3层径向基函数的网络，包括输入层、隐含层和输出层，利用样本数据对网络模型进行学习，得出网络模型的结构，即隐含层的数量[5]；利用建立好的网络模型进行训练，并计算其误差，如果误差在可接受范围内，网络训练成功，可用于实际预测。RBF网络检索模型建立的流程如图2所示。

2.1.1RBF网络输入、输出层的确定

根据排土场滑坡的中长期预警指标，RBF网络模型的输入层神经元个数为8个，分别为粘聚力、内摩擦角、边坡角度、基底承载力、地震烈度、降雨条件、排土工艺和乱采乱挖。

RBF网络模型的输出变量为排土场滑坡的预警等级，共分为Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级和Ⅴ级5个等级，神经元个数为5个，输出变量用向量(0,1)的组合来表示，它的输出数值为[1,5]之间的整数，即向量(0,1)中1向量所在列的位置，这个具体的数值与排土场滑坡的预警等级一一对应，如表2所示。

图2　建立RBF网络检索模型的流程图

预警等级ⅠⅡⅢⅣⅤ预警名称红色预警橙色预警黄色预警蓝色预警无警输出向量[00001][00010][00100][01000][10000]输出数值54321

2.1.2样本数据的选取

为了减小RBF网络的误差值，选取100组边坡实例数据中的90组数据作为样本数据，完成RBF神经网络的学习，剩余10组数据作为测试数据。如果原始数据的输入向量是以分值表示的，需要利用Matlab程序语言对其进行归一化处理。

2.1.3RBF网络的创建

建立的RBF网络检索模型，主要用到Matlab神经网络工具箱中许多RBF网络工具函数[5-6]。排土场滑坡的中长期预警指标与排土场滑坡预警等级之间建立了非线性的映射关系，则RBF神经网络模型的学习过程结束。

2.1.4RBF网络的测试

用剩余的10组样本数据测试已经训练好的

RBF神经网络模型，在Matlab中编写程序代码，输入误差曲线图，将输出结果与实际值进行误差比较。

根据欧氏距离方法进行最相似检索：一个滑坡案例是数据库中的一条记录，案例相似检索只取案例库中案例的特征信息，即只取案例库中描述排土场滑坡的8个中长期预警指标的分值作为检索条件和相似度计算的属性项。输入向量为经过归一化的8个预警指标值，输出向量为预警等级。

2.2检索的实现

检索的实现需要CBR案例的调整和修正。本文在CBR案例的调整和修正中主要采用“用户人为调整”的方法[7]，用户主要是领域内的专家，也可以包括矿山企业的使用者。借助专家的知识和经验对检索出来的案例进行调整和修正来匹配目标案例，同时在案例检索的过程中，对被检索到的案例进行排序，与问题案例比较接近的案例的解决方案同样对新问题具有一定的参考意义。

CBR调整的基本过程是：首先，检索出与目标案例最相似的案例和次相似的案例；然后，专家对新案例中的各个特征属性进行分析，根据检索出的最相似和次相似案例特征对应项的内容进行修改。

3　基于CBR的工程应用

3.1工程概况

高村排土场是马钢矿业有限公司高村采场重要的排土场地，排土场西南方向为高村采场，南帮(老脉岘水库下游)存在村庄。若排土场产生大规模泥石流和滑坡等地质灾害，势必危及到下游采场及村庄安全，影响矿山的正常生产。

3.2目标案例

以高村排土场边坡的实际情况为目标案例，进行案例推理的应用。首先，通过调研资料对高村排土场的实际情况进行详细分析，然后，征求马钢矿业有限公司和马鞍山矿山研究院的专家意见，分别根据高村排土场的西侧和南侧的具体情况，对高村排土场滑坡的8个预警指标的现状进行打分。高村排土场西侧和南侧边坡的8个预警指标的打分情况如表3所示，为便于计算，需要对预警指标的具体数值进行归一化计算，计算结果如表4所示。

表3　高村排土场滑坡案例的预警指标打分

表4　高村排土场滑坡案例的预警指标打分归一化

3.3案例检索

根据输入的目标案例，在排土场边坡实例数据库中进行案例检索。由仿真结果可知，输出值为1和3，由1向量所在列的位置判断对应的输出向量为[1 0 0 0 0]和[0 0 1 0 0]，说明高村排土场的西侧边坡和南侧边坡滑坡预警等级为Ⅴ级和Ⅲ级，即无警和黄色预警，这与高村排土场的实际情况基本一致。

根据RBF神经网络的检索结果，对于无警的西侧边坡和黄色预警的南侧边坡，从排土场边坡实例数据中，筛选出滑坡预警等级为Ⅴ级和Ⅲ级的案例数据，再一次进行基于欧式距离的案例相似度计算，高村排土场西侧边坡案例的相似度计算结果如表5所示，可以看出，目标案例与源案例(39)最相似，相似度为0.966，次相似案例为源案例(41)，相似度为0.931；同理，计算得出高村排土场南侧边坡案例的最相似案例为源案例(16)，案例相似度为0.956；次相似案例为源案例(17)，案例相似度为0.947。

表5　高村排土场西侧滑坡案例的相似度计算

3.4结果分析

根据预警结果，需要对高村排土场南侧边坡的预警结果进行分析，表6为高村排土场南侧边坡最相似和次相似案例的预警信息和处置方案。

表6　相似案例的预警信息和处置方案

高村排土场南侧边坡的滑坡预警等级为Ⅲ级，即黄色预警，需要采取相应预防措施。结合高村排土场的实际情况和领域专家意见，高村排土场南侧边坡的处置措施为：疏排水，清理库区内乱采乱挖现象，对下游居民普及排土场安全知识，监测排土场边坡位移量的变化。

4　结论

(1)建立了100组排土场边坡滑坡案例库，采用框架表示排土场滑坡事故案例，框架分为3个槽，每个槽有相应的侧面。

(2)提出了基于欧式距离和RBF神经网络的CBR案例混合检索方法，应用Matlab建立RBF网络检索模型，给出适合于排土场滑坡中长期预警的CBR案例的修正方法和学习规则。

(3)选取高村排土场西侧和南侧边坡的两组实际数据进行工程实例应用，通过RBF网络检索出两组数据的预警等级分别为Ⅴ级和Ⅲ级，即无警和黄色预警，与实际情况基本吻合。利用欧式距离计算得到相似案例，针对黄色预警的南侧边坡给出了科学、实用的处置措施。

[1]郝哲，孙俊红，冯鸿宽,等．弓长岭铁矿排土场边坡稳定性评价[J]．矿业工程研究，2012,27(2):58-63.

[2]栾婷婷，谢振华．露天矿排土场滑坡的可拓评价预警研究[J]．中南大学学报，2014,45(4):1274-1280.

[3]XIONG T, BAO Y K, HU Z Y, et al. Forecasting interval time series using a fully complex-valued RBF neural network with DPSO and PSO algorithms [J]. Information Sciences, 2015,305:77-92.

[4]DING Shifei, MA Gang, SHI Zhongzhi. A rough rbf neural network based on weighted regularized extreme learning machine [J]. Neural Processing Letters, 2014,40(3):245-60.

[5]谢振华，梁莎莎，张雪冬．基于RBF神经网络的露天矿山边坡失稳预警方法[J]．金属矿山，2014，9(9)：7-10．

[6]包艳飞，崔文东．MATLAB神经网络在湖库富营养化程度评价中的应用[J]．华北水利水电学院学报，2011,32(6):155-160.

[7]龚玉霞，王殿华．基于案例推理的食品安全突发事件风险预警系统探索[J]．食品科技，2012,37(7):311-315.

谢振华，男，1968年生，博士，教授，主要研究方向为矿山安全技术、安全管理。

Research on Early Warning Method of Open-pit Dump Landslide Accidents Based on Case-based Reasoning

XING Zhenxiong1XIE Zhenhua2

(1.GuizhouInstituteforLabourProtectionScienceandTechnologyZunyi,Guizhou563000)

This paper has collected 100 sets of waste dump landslide accident cases and given the mid-and-long term early-warning method of waste dump landslide based on case-based reasoning (CBR), in which the frames are used to express cases, the RBF neural network and the Euclidean distance are combined to realize the case retrieval and the case revision and adjustment is completed by users and experts. In the application of engineering example of Komura dump, a similar case is obtained by case retrieval, the early warning level is determined and the following reasonable treatments are put forward, which can provide a scientific guidance for proper preventive measures.

dump landslidecase-based reasoningRBF neural networkEuclidean distance

2015-11-25)

贵州省科技厅项目(黔科合服企[2015]4006)。

幸贞雄，男，仡佬族，1965年生，高级工程师，贵州省安全生产专家，主要工作方向为安全评价和安全管理。