• Development of Mining Ground Subsidence Prediction Model Using Group-wise Parallel Structure

    폐광산 지반침하 예측을 위한 인공신경망 모델링 및 정보군별 분석

    Minkoan Kim

    김민관

    This study proposes a multi-layer artificial neural network (MSA: Mines Subsidence Artificial neural network) model to effectively predict ground subsidence in abandoned …

    본 연구에서는 폐광산 지반침하를 효율적으로 예측하기 위하여 다층 인공신경망(MSA, Mines Subsidence Artificial neural network) 모델을 제안하고, 석탄광과 일반광의 구분에 따른 특성 차이를 …

    + READ MORE
    This study proposes a multi-layer artificial neural network (MSA: Mines Subsidence Artificial neural network) model to effectively predict ground subsidence in abandoned mines. To account for the differing characteristics of coal and non-coal mines, the input variables were grouped into Rock, Mining, and Subsidence datasets, and prediction accuracy was verified for each group. Analysis of 247 subsidence cases showed that the proposed model, which adopts a two-hidden-layer structure (30-45 nodes), achieved an average inference error rate of 19% and a high correlation coefficient (R2 up to 0.87), indicating its potential for ground stability assessment in abandoned mines. By mine type, coal mines exhibited slightly higher prediction errors than non-coal mines, presumably due to the complex geology and irregular subsidence mechanisms within coal seams. Among the information groups, the Rock group recorded the lowest error rate (8-9%), whereas the Subsidence group showed the highest (17-19%). Furthermore, the relatively low correlation (R2=0.45) for the Subsidence group suggests a need for more detailed classification of that parameter and additional data collection.


    본 연구에서는 폐광산 지반침하를 효율적으로 예측하기 위하여 다층 인공신경망(MSA, Mines Subsidence Artificial neural network) 모델을 제안하고, 석탄광과 일반광의 구분에 따른 특성 차이를 반영하기 위해 암반(Rock), 채광(Mining), 침하(Subsidence) 정보군으로 나누어 예측 정확도를 검증하였다. 총 247개 침하 사례 분석 결과, 제안된 모델은 2개의 은닉층(30-45노드) 구조에서 평균 추론 오차율 19%와 높은 상관계수(R2 최대 0.87)를 보여 폐광산 지반안정성 평가에 대한 적용 가능성을 확인하였다. 광종별로는 석탄광이 일반광보다 예측 오차가 다소 크게 나타났는데, 이는 석탄층의 복잡한 지질구조 및 불규칙한 침하 메커니즘에 기인하는 것으로 추정된다. 또한 정보군별로는 암반 정보군에서 가장 낮은 오차율(8-9%), 침하 정보군에서 가장 높은 오차율(17-19%)을 보였으며, 침하정보(R2=0.45)에서 상대적으로 낮은 상관성을 보여 해당 인자의 세분화 및 추가 데이터 확보가 필요한 것으로 판단되었다.

    - COLLAPSE
    PDFXMLCitation
    ReferencesInformation
    1 April 2025
리스트형 보기썸네일형 보기
Journal Informaiton Journal of the Korean Geo-Environmental Society Journal of the Korean Geo-Environmental Society
Online Submission
  • NRF
  • KOFST
  • KISTI Current Status
  • KISTI Cited-by
  • orcid
Journal Informaiton Journal Informaiton - close