下沉係數

下沉係數，又稱下沉活化係數，是采動影響區地表移動變形預測的重要參數。下沉係數是指充分采動時，地表最大下沉值Wcm與煤層法線采厚M在鉛垂方向投影長度的比值。其預測的準確程度，直接影響到地表移動變形及采動影響區建築群(物)破壞程度的預計，對村鎮布局和抗變形建築設計也有重要意義。

基本介紹

• 中文名：下沉係數
• 外文名：subsidence factor
• 又稱：下沉活化係數
• 條件：充分采動時
• 公式：q=Wcm/(M·cosα)
• 學科：冶金

地表下沉係數計算方法

地表下沉係數q是開採沉陷和建(構)築物下採煤進行地表移動變形預計時的重要參數，q值確定得正確與否直接影響地表移動變形預計成果的準確性，長期以來國內外學者對地表下沉係數的研究都很重視。

下沉係數是指在充分采動時{ 即當採空區尺寸（長度和寬度）相當大時}，地表最大下沉值Wcm與煤層法線采厚M在鉛垂方向投影長度的比值，又稱下沉活化係數。其大小主要與上覆岩層的性質、地層結構、採煤方法、頂板管理方法和采動性質等地質採礦因素有關。

計算方法

q=Wcm/(M·cosα)

若開採厚度為M，而不是單元厚度，頂板岩石將冒落、碎脹，充填採空區，採空區頂板不再能下沉M，只能下沉Mq，q為機率積分法的一個預計參數，稱為下沉係數，其值一般小於1。採空區頂板下沉的過程還受煤層傾角的影響，頂板的計算下沉量應為Mqcosα 。這就是說，儘管煤層實際開採厚度為M，在計算時的采厚只能取Mqcosα。

影響地表下沉係數的主要因素

通過對大量實測資料以及理論分析，地表下沉係數主要影響因素有採礦方法、頂板管理方法、總開採厚度和開採深度、工作面尺寸、上覆岩層岩性、土層與岩層的厚度比例、鬆散層厚度、是否為重複采動、煤層傾角、工作面的推進速度等10個因素。

基本結論

(1)地表下沉係數 q 的主要影響因素為覆岩的豎向彈性模量 E 。當上覆岩層中無鬆散層或鬆散層厚度較小時 ，取 E 中 =3.6GPa；若鬆散層厚度較大時 ，取 E 中 =1.4GPa。

(2)地表下沉係數 q 與 ρH 和深厚比 H/m 的組合 ρH2/(E 中 m)有關 ，但其影響不太明顯 。

地表下沉係數計算的人工神經網路方法

在綜合分析地表下沉係數影響因素的 基礎上，採用人工神經網路方法建立了地表下沉係數 的計算模型，運用 我國典型的地表移動觀測站資料作為網路模型的學習訓練樣本和測試樣本，對網路模 型的計算 結果與 實測值進行了對比。結果 表明，用人工 神經網路方法求算地表下沉係數考慮的因素更為全面，結果準確可靠，更接近於實際，為地表下沉係數的理論計算探索出一種新方法。

地表下沉係數的影響因素分析

（1）上覆岩層岩性。覆岩強度對煤層開採以後上覆岩層及地表的下沉值起著重要作用。統計規律表明，下沉係數與上覆岩層的性質密切相關，覆岩岩性越堅硬，下沉係數越小，反之越大。

（2)開採深度H和開採厚度M。開採深度越大，開採厚度越小，地表下沉係數就越小。資料表明，初次采動時地表下沉係數與深厚比有關。

（3)鬆散層厚度δ。采動破裂岩體碎脹或離層是使地表最大下沉值小於采厚的主要原因。開採影響下鬆散層的移動主要表現為彎曲下沉，基本無碎脹性或離層特徵，因此，表現為鬆散層厚度越大，地表下沉係數也越大。有關資料表明：如果上覆岩層中以第四紀土層為主或其厚度很大時，地表下沉係數在初次采動時可接近甚至大於1。

(4)覆岩中堅硬岩層所占的比例。根據關鍵層理論，堅硬岩層在岩層移動過程中起著重要的控制作用。它不僅反映了上覆岩層的強度性質，更重要的是反映了地層結構和地表下沉模式。統計表明，堅硬岩層在上覆岩層中所占的比例越大，地表下沉係數就越小。

(5)是否為重複采動。由於上覆岩層在受到初次采動時已破裂、離層而“軟化”，使得重複采動時岩體的碎脹量減小，或者重複采動引起老採空區的“活化”，地表移動變形增大。

(6)頂板管理方法。頂板管理方法對上覆岩層及地表下沉值起著至關重要的作用，不同的頂板管理方法下沉係數差別很大，如採用水砂充填時下沉係數就很小。

（7)工作面尺寸。工作面沿走向和傾向的尺寸分別反映了兩個方向的采動程度，非充分采動時下沉係數隨采動程度的增大而增大。充分采動時下沉係數不隨工作面尺寸而變化。

(8)採煤方法。我國普遍採用的採煤方法是長壁式採煤法，並且大部分地表移動觀測站是建立在長壁開採工作面之上。

（9）煤層傾角α。煤層傾角的變化對岩層和地表沉陷有明顯影響，而且影響是多方面的。

（10）工作面的推進速度。在采動過程中，工作面推進速度的快慢，對於上覆岩層的沉陷及至土體的應力分布均有較大影響，並且會影響到地表的最大下沉值。

人工神經網路模型的建立

1、 BP 神經網路學習算法及其改進：

BP 神經網路模型具有自學習、自組織、強容錯性、計算簡單、並行處理速度快等優點， 並且它在理論上可以任意逼近任何非線性映射， 因此套用最為廣泛。

2、網路模型結構：

BP 網路是通過將網路輸出誤差反饋來對網路參數進行修正， 從而實現網路的非線性映射能力。Robet-Nielson 證明了具有 1 個隱含層的 3 層 BP 網路模型可以有效地逼近任意連續函式， 即包含輸入層、隱含層和輸出層。

3、網路的學習訓練：

根據樣本的數據特點， 將它們進行歸一化處理到[ 0， 1] 區間內， 在 BP 網路學習算法改進的基礎上， 對網路進行學習訓練。