文献

J-GLOBAL ID：202102232608815178   整理番号：21A0615523

鉱山地盤沈下の予測における改良Knothe時間関数モデルの適用:中国,山東省,Heze市からの事例研究【JST・京大機械翻訳】

Application of the Improved Knothe Time Function Model in the Prediction of Ground Mining Subsidence: A Case Study from Heze City, Shandong Province, China

著者 (5件)： Zhang Liangliang (School of Civil Engineering and Architecture, Anhui University of Science and Technology, Huainan 232001, China) ,  Cheng Hua (School of Civil Engineering and Architecture, Anhui University of Science and Technology, Huainan 232001, China) ,  Cheng Hua (School of Resources and Environmental Engineering, Anhui University, Hefei 230022, China) ,  Yao Zhishu (School of Civil Engineering and Architecture, Anhui University of Science and Technology, Huainan 232001, China) ,  Wang Xiaojian (School of Civil Engineering and Architecture, Anhui University of Science and Technology, Huainan 232001, China)
資料名： Applied Sciences (Web)  (Applied Sciences (Web))
巻： 10  号： 9  ページ： 3147  発行年： 2020年 
JST資料番号： U7135A  ISSN： 2076-3417  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 地下採掘によって引き起こされた動的表面沈下を予測するKnothe時間関数モデルの不十分さを考慮して,新しい仮説を提案して,改良Knothe時間関数モデルを確立した。理論解析は,改良モデルが表面沈下動的変化,速度変化,および加速度変化規則とよく一致することを示した。現場測定データと組み合わせて,確率積分法,二重媒質法,および最小二乗法を採用して,時間影響パラメータCとモデル次数nを決定した。Shandong(山東)省,Heze市からのGuotun炭鉱沈下盆地の4つのモニタリングステーションからのモニタリングデータに基づいて,Knothe時間関数と改良モデルの精度を比較し,分析した。結果は,改良モデルが採掘時間によって動的表面沈下過程と沈下速度を正確に記述できることを示した。予測値と測定値の間の平均相対標準誤差はKnothe時間関数モデルよりも4.8%だけ低く,改良モデル精度と信頼性を検証した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最小二乗法 ,  信頼性 ,  加速度 ,  炭鉱 ,  *地盤沈下 ,  媒質 ,  *鉱山 ,  採掘 ,  *事例研究 ,  確率積分 ,  盆地
準シソーラス用語： 標準誤差 ,  現場測定 ,  予測値 ,  モニタリングステーション , 【Automatic Indexing@JST】

著者キーワード (4件)： 表面沈下 ,  Knothe時間関数 ,  沈下予測 ,  パラメータ計算法

分類 (1件)： 鉱害  (UA04050Z)

引用文献 (30件)：

• Alam, M.S.; Kumar, D.; Chatterjee, R.S.; Upreti, V. Assessment of land surface subsidence due to underground metal mining using integrated spaceborne repeat-pass differential interferometric synthetic aperture radar (DInSAR) technique and ground based observations. J. Indian Soc. Remote Sens. 2018, 46, 1569-1580.
• Kim, Y.; Lee, S.S. Application of Artificial Neural Networks in Assessing Mining Subsidence Risk. Appl. Sci. 2020, 10, 1302.
• Gueguen, Y.; Deffontaines, B.; Fruneau, B.; Al Heib, M.; De Michele, M.; Raucoules, D.; Guise, Y.; Planchenault, J. Monitoring residual mining subsidence of Nord/Pas-de-Calais coal basin from differential and Persistent Scatterer Interferometry (Northern France). J. Appl. Geophys. 2009, 69, 24-34.
• Hejmanowski, R. Modeling of time dependent subsidence for coal and ore deposits. Int. J. Coal Sci. Technol. 2015, 2, 287-292.
• Bai, E.; Guo, W.; Tan, Y.; Huang, G.; Guo, M.; Ma, Z. Roadway Backfill Mining with Super-High-Water Material to Protect Surface Buildings: A Case Study. Appl. Sci. 2019, 10, 107.

タイトルに関連する用語 (9件)： 鉱山 ,  地盤沈下 ,  予測 ,  関数 ,  モデル ,  中国 ,  山東省 ,  市 ,  研究