[科普中国]-下沉系数

下沉系数，又称下沉活化系数，是采动影响区地表移动变形预测的重要参数。下沉系数是指充分采动时，地表最大下沉值Wcm与煤层法线采厚M在铅垂方向投影长度的比值。其预测的准确程度，直接影响到地表移动变形及采动影响区建筑群(物)破坏程度的预计，对村镇布局和抗变形建筑设计也有重要意义。

地表下沉系数计算方法地表下沉系数q是开采沉陷和建(构)筑物下采煤进行地表移动变形预计时的重要参数，q值确定得正确与否直接影响地表移动变形预计成果的准确性，长期以来国内外学者对地表下沉系数的研究都很重视。

下沉系数是指在充分采动时{ 即当采空区尺寸（长度和宽度）相当大时}，地表最大下沉值Wcm与煤层法线采厚M在铅垂方向投影长度的比值，又称下沉活化系数。其大小主要与上覆岩层的性质、地层结构、采煤方法、顶板管理方法和采动性质等地质采矿因素有关。1

计算方法q=Wcm/(M·cosα)

若开采厚度为M，而不是单元厚度，顶板岩石将冒落、碎胀，充填采空区，采空区顶板不再能下沉M，只能下沉Mq，q为概率积分法的一个预计参数，称为下沉系数，其值一般小于1。采空区顶板下沉的过程还受煤层倾角的影响，顶板的计算下沉量应为Mqcosα 。这就是说，尽管煤层实际开采厚度为M，在计算时的采厚只能取Mqcosα1。

影响地表下沉系数的主要因素通过对大量实测资料以及理论分析，地表下沉系数主要影响因素有采矿方法、顶板管理方法、总开采厚度和开采深度、工作面尺寸、上覆岩层岩性、土层与岩层的厚度比例、松散层厚度、是否为重复采动、煤层倾角、工作面的推进速度等10个因素。1

基本结论(1)地表下沉系数 q 的主要影响因素为覆岩的竖向弹性模量 E 。当上覆岩层中无松散层或松散层厚度较小时 ，取 E 中 =3.6GPa；若松散层厚度较大时 ，取 E 中 =1.4GPa。

(2)地表下沉系数 q 与 ρH 和深厚比 H/m 的组合 ρH2/(E 中 m)有关 ，但其影响不太明显 。1

地表下沉系数计算的人工神经网络方法在综合分析地表下沉系数影响因素的 基础上，采用人工神经网络方法建立了地表下沉系数 的计算模型，运用 我国典型的地表移动观测站资料作为网络模型的学习训练样本和测试样本，对网络模 型的计算 结果与 实测值进行了对比。结果 表明，用人工 神经网络方法求算地表下沉系数考虑的因素更为全面，结果准确可靠，更接近于实际，为地表下沉系数的理论计算探索出一种新方法。2

地表下沉系数的影响因素分析（1）上覆岩层岩性。覆岩强度对煤层开采以后上覆岩层及地表的下沉值起着重要作用。统计规律表明，下沉系数与上覆岩层的性质密切相关，覆岩岩性越坚硬，下沉系数越小，反之越大。

（2)开采深度H和开采厚度M。开采深度越大，开采厚度越小，地表下沉系数就越小。资料表明，初次采动时地表下沉系数与深厚比有关。2

（3)松散层厚度δ。采动破裂岩体碎胀或离层是使地表最大下沉值小于采厚的主要原因。开采影响下松散层的移动主要表现为弯曲下沉，基本无碎胀性或离层特征，因此，表现为松散层厚度越大，地表下沉系数也越大。有关资料表明：如果上覆岩层中以第四纪土层为主或其厚度很大时，地表下沉系数在初次采动时可接近甚至大于1。

(4)覆岩中坚硬岩层所占的比例。根据关键层理论，坚硬岩层在岩层移动过程中起着重要的控制作用。它不仅反映了上覆岩层的强度性质，更重要的是反映了地层结构和地表下沉模式。统计表明，坚硬岩层在上覆岩层中所占的比例越大，地表下沉系数就越小。2

(5)是否为重复采动。由于上覆岩层在受到初次采动时已破裂、离层而“软化”，使得重复采动时岩体的碎胀量减小，或者重复采动引起老采空区的“活化”，地表移动变形增大。

(6)顶板管理方法。顶板管理方法对上覆岩层及地表下沉值起着至关重要的作用，不同的顶板管理方法下沉系数差别很大，如采用水砂充填时下沉系数就很小。

（7)工作面尺寸。工作面沿走向和倾向的尺寸分别反映了两个方向的采动程度，非充分采动时下沉系数随采动程度的增大而增大。充分采动时下沉系数不随工作面尺寸而变化。2

(8)采煤方法。我国普遍采用的采煤方法是长壁式采煤法，并且大部分地表移动观测站是建立在长壁开采工作面之上。

（9）煤层倾角α。煤层倾角的变化对岩层和地表沉陷有明显影响，而且影响是多方面的。

（10）工作面的推进速度。在采动过程中，工作面推进速度的快慢，对于上覆岩层的沉陷及至土体的应力分布均有较大影响，并且会影响到地表的最大下沉值。2

人工神经网络模型的建立1、 BP 神经网络学习算法及其改进：

BP 神经网络模型具有自学习、自组织、强容错性、计算简单、并行处理速度快等优点， 并且它在理论上可以任意逼近任何非线性映射， 因此应用最为广泛。2

2、网络模型结构：

BP 网络是通过将网络输出误差反馈来对网络参数进行修正， 从而实现网络的非线性映射能力。Robet-Nielson 证明了具有 1 个隐含层的 3 层 BP 网络模型可以有效地逼近任意连续函数， 即包含输入层、隐含层和输出层。

3、网络的学习训练：

根据样本的数据特点， 将它们进行归一化处理到[ 0， 1] 区间内， 在 BP 网络学习算法改进的基础上， 对网络进行学习训练。2

本词条内容贡献者为:

胡启洲 - 副教授 - 南京理工大学