刘建坡, 武峰, 王人, 张俊杰
东北大学 深部金属矿山安全开采教育部重点实验室, 辽宁 沈阳 110819
收稿日期：2021-07-01
基金项目：山东省自然科学基金重大基础研究项目(ZR2021ZD36)；国家自然科学基金资助项目(52174142, 51974059)。
作者简介：刘建坡(1982-)，男，河北保定人，东北大学教授，博士生导师。

摘要：深部金属矿地质条件和开采过程的复杂性导致巷道破坏时空分布复杂.以阿舍勒铜矿深部采区为研究对象, 综合考虑地质赋存条件、开采影响和微震监测数据三方面的评价指标开展巷道围岩破坏风险定量评估研究.采用熵权法确定了不同评价指标的权重分配, 权重占比前五的评价指标均为微震参数, 其权重占比和超过80%, 表明微震参数在巷道破坏风险评估中占主导作用.基于模糊综合评价方法的巷道破坏样本数据的评估准确率接近90%, 能够实现大范围区域性巷道破坏风险定量评估, 满足深部金属矿山区域性地压灾害防控与系统性开采过程优化调控的需要.
关键词：深部金属矿巷道破坏模糊综合评价风险评估微震
Quantitative Risk Assessment for Deep Tunnel Failure Based on Fuzzy Comprehensive Evaluation
LIU Jian-po, WU Feng, WANG Ren, ZHANG Jun-jie
Key Laboratory of Ministry of Education on Safe Mining of Deep Metal Mines, Northeastern University, Shenyang 110819, China
Corresponding author: LIU Jian-po, E-mail: liujianpo@mail.neu.edu.cn.

Abstract: The spatial and temporal distribution of tunnel failure is very complex due to geologic heterogeneity and mining processes variability in deep metal mines. The quantitative risk assessment for deep tunnel failure was performed at the Ashele copper mine, and the risk assessment was completed by comprehensively considering the evaluation indexes of geological conditions, mining process, and microseismic data. A weighted distribution of evaluation indexes was determined by implementation of an entropy weight method. The results showed that the five largest weights of the model are attributed to microseismic(MS)indexes, accounting for more than 80% of the total weight, which indicates that the MS indexes play a dominant role in the risk assessment of tunnel failure. The evaluation accuracy rate of tunnel failure sample data based on the fuzzy comprehensive evaluation method is close to 90%. Which can realize the quantitative risk assessment for regional deep tunnel failure, and meet the needs of the prevention and control of regional ground pressure hazards as well as the systematic optimization of mining process in deep metal mines.
Key words: deep metal minestunnel failurefuzzy comprehensive evaluationrisk assessmentmicroseismic
我国未来十年将有超过30 % 的金属矿山进入千米采深, 深部开采已成为金属矿山资源开发的新常态.随着开采深度的增加, 在高应力条件下, 频繁的开采扰动所导致的巷道片帮、冒落、坍塌等岩体破坏问题日益突出.
由于开采系统复杂、开采规模大、爆破扰动强, 深部金属矿山巷道围岩破坏在时间、空间、频度和强度等方面具有复杂性和不确定性.因此, 在深部金属矿山围岩破坏风险评估过程中需要考虑与围岩破坏相关的多种指标, 并采用能够评估巷道围岩发生破坏概率和风险等级不确定性的数学方法.
深部金属矿山巷道破坏的诱发因素和评价指标众多, 合理的指标体系是保证巷道破坏风险评估准确性的前提条件.岩性、地应力分布规律等地质赋存条件是巷道破坏的内在因素^[1-2], 开采过程的卸荷效应和爆破扰动是诱发金属矿巷道破坏的外在条件^[3-5].此外, 巷道破坏过程中的岩体响应信息, 例如变形、波速和微震等信息, 也是评估巷道稳定性的重要指标.微震监测技术利用岩体受力变形和破坏过程中释放出的弹性波来监测工程岩体稳定性, 相对于传统的应力、变形等局部“点、线、面”观测范围来说, 微震监测技术可以为岩体力学工作者提供更为全面的三维实时“体”数据, 在深部金属矿山地压灾害监测与发生风险评估方面发挥越来越重要的作用^[6-11].
目前, 地下工程巷道围岩破坏评估方法可分为两类: 基于有监督或无监督模型的机器学习综合评估方法和基于围岩破坏评价指标判据的综合评估方法.基于机器学习综合评估方法包括神经网络、支持向量机、Bayes判别分析等; 基于围岩破坏评价指标判据方法包括Delphi法、主成分分析法、灰色关联分析、理想解法、模糊综合评价法、功效系数法、未确知测度理论、集对分析法、云模型、D-S证据理论等.巷道围岩破坏的形成条件十分复杂, 受采场回采导致的岩体应力重分布、爆破扰动造成岩体内部裂纹萌生、扩展、贯通等影响, 诱发巷道发生破坏的因素多且具有很大的不确定性, 考虑单一因素影响不能对巷道破坏做出准确评估.模糊综合评价法是以向量的形式反映各个评估等级的可能性, 按照最大隶属度原则选取最优评估结果, 具有一定的科学性, 所计算的评价结果蕴含丰富信息, 可更好地了解目标问题的本质.
本文针对阿舍勒铜矿深部开采系统复杂性、巷道破坏呈现大范围开采区域内的空间分散性和时间随机性的问题, 综合考虑巷道围岩破坏影响因素, 选取微震监测数据、地质赋存条件、开采扰动三方面的评价指标, 基于熵权法确定巷道围岩破坏风险评价指标权重, 采用模糊综合评价方法建立了巷道破坏评估方法, 并在阿舍勒铜矿进行了应用研究, 为矿山针对性的支护措施和系统性的开采过程调控提供依据.
1 模糊综合评价方法模糊综合评价法是从模糊数学发展而来, 将一些边界模糊、难以划分明显界限的定量数据或描述不清晰的自然语言以定量化集合表示, 根据各种因素的影响程度大小对评价对象的隶属等级进行模糊关系合成, 最后通过最大隶属原则或者加权平均等方法进行综合评判.
本文基于模糊数学理论^[12], 将巷道破坏风险的评价问题作为一个复杂系统, 利用模糊综合评价法, 对影响破坏的多种指标进行隶属关系转化并根据指标权重进行综合评价, 确定巷道围岩破坏等级, 进而判断巷道破坏的发生风险.具体步骤^[13]为: ①确定因素集U与评价集V; ②计算各评价指标权重向量A; ③构造模糊评判矩阵R; ④进行综合评判, 并得出综合评价集B={b₁, b₂, …, b_l}(b_i为综合隶属度, i=1, …, l).
在评估过程中, 为避免受决策人主观影响, 使计算的指标权重值更具客观性, 本文采用熵权法^[14]计算各项评价指标权重值; 参考了中心极限定理^[15-16], 应用中间型正态模糊分布隶属函数确定评价指标隶属度.

(1)

2 巷道破坏风险评估指标体系阿舍勒铜矿位于新疆阿勒泰地区, 铜工业储量近92万吨, 为我国第2大铜矿, 采深近千米.在频繁爆破扰动下, 深部巷道变形破坏严重, 支护困难, 返修率高.本文在阿舍勒铜矿深部巷道破坏调查基础上, 综合考虑巷道围岩破坏等级分级标准, 确定适用于阿舍勒铜矿巷道破坏发生风险的评价指标, 并系统分析了相关评价指标的可靠性、权重值和特征值.
2.1 巷道围岩破坏等级在系统分析关于金属矿山巷道围岩破坏判别标准^[17-18]基础上, 考虑阿舍勒铜矿深部巷道破坏实际, 本文将巷道的破坏程度划分为四个等级, 详见表 1.
表 1(Table 1)

表 1 巷道破坏等级分级特征描述Table 1 Description of the different damage level of the tunnel 破坏程度 破坏等级 巷道破坏特征描述 无破坏 Ⅰ 巷道无变形或出现轻微变形, 支护体能保持围岩稳定, 墙角无破坏, 巷道围岩稳固. 轻微破坏 Ⅱ 巷道发生变形, 支护体零星脱落, 帮壁部分鼓出, 仅有个别岩块掉落, 进行简单的修复可满足生产需要. 中等破坏 Ⅲ 支护体脱落明显, 巷道围岩部分区域破坏严重, 可用普通的支护对巷道岩体进行重新支护和修复, 清理掉落的岩块即可使用. 严重破坏 Ⅳ 巷道完整性遭到严重破坏, 出现整体性相对位移, 支护体严重脱落.普通的支护对巷道岩体变形和破坏不能起到良好的作用, 清理坍塌岩块较为困难, 应进行二次补强支护并进行重点区域监测.

表 1 巷道破坏等级分级特征描述 Table 1 Description of the different damage level of the tunnel

通过阿舍勒铜矿巷道围岩破坏系统性调研(图 1), 发现: 350 m中段(采深565 m)至0 m中段(采深915 m)巷道均出现不同程度围岩破坏, 包括支护体脱落、墙角开裂、帮壁鼓出等; 破坏等级以轻微破坏和中等破坏为主, 且轻微破坏占比最高.巷道破坏特征主要体现以下四个方面: ①埋深越大, 巷道破坏区域、破坏等级整体呈现增大的趋势, 其中50 m中段沿脉巷道发生大面积连续破坏; ②巷道破坏与最大主应力方向密切相关, 大部分破坏出现在与最大主应力垂直的沿脉巷道, 与最大主应力平行的穿脉巷道中围岩的稳定性较好; ③巷道破坏受开采扰动影响较大, 部分穿脉巷道距离采场较近的区域, 出现不同程度的破坏; ④岩性条件和节理裂隙的发育程度对巷道破坏具有重要影响, 例如节理裂隙较为发育的上盘黄铁矿中, 巷道内出现中等破坏的比例较高.
图 1(Fig. 1)

图 1 阿舍勒铜矿巷道不同等级破坏分布图Fig.1 Distribution of tunnel damage with different levels in Ashele copper mine

2.2 评价指标选择综合考虑工程布置条件、监测信息完整性和巷道的破坏特征, 确定阿舍勒铜矿大范围巷道破坏风险的评估指标体系包括地质赋存条件、开采影响和微震数据(图 2)三个方面9个指标, 其中: 地质赋存条件包括巷道与最大主应力夹角(以下简称夹角)、埋深和岩性条件; 开采影响条件主要为巷道与最近采场的距离(以下简称距离); 微震参数包括累积微震事件数、累积释放能量、微震事件密度、位移和视应力.
图 2(Fig. 2)

图 2 阿舍勒铜矿深部采区微震事件分布图Fig.2 Distribution of microseismic events within the deep mining area of Ashele copper mine

阿舍勒铜矿巷道破坏风险评估方法建立采用100个样本数据(2017年4月至2018年6月), 其中: 无破坏样本数据24个, 轻微破坏样本数据48个, 中等破坏样本数据28个.随机选择90个样本数据进行建模, 其余10个数据进行模型泛化能力测试.
2.3 评价指标与破坏等级的相关性指标选取是否可靠直接影响评估结果的准确性.本文采用定性和定量分析方法对9个评价指标与巷道破坏发生等级的相关性进行了研究.
由于夹角(0°和90°)和岩性条件(黄铁矿和凝灰岩)两个指标的细化分类较少, 因此只做定性分析.表 2为不同破坏样本数据的夹角和岩性两个评价指标的统计结果, 从中可知: 凝灰岩中的轻微破坏数量稍高于黄铁矿, 与之相反的是黄铁矿中的中等破坏样本数量略高于凝灰岩; 对于三种破坏等级来说, 巷道与最大主应力夹角为90°时的破坏样本数目显著高于夹角为0°的情况, 表明巷道破坏等级与“巷道-最大主应力”夹角呈现较强的相关性.
表 2(Table 2)

表 2 不同夹角和岩性条件的破坏统计结果Table 2 Statistics results of the damage levels at the different angle and lithology 破坏等级 岩性 夹角 黄铁矿 凝灰岩 0° 90° 无破坏 13 11 5 19 轻微破坏 21 23 5 39 中等破坏 13 9 3 19

表 2 不同夹角和岩性条件的破坏统计结果 Table 2 Statistics results of the damage levels at the different angle and lithology

巷道埋深、巷道与最近采场的距离、累积微震事件数、累积释放能量、微震事件密度、位移和视应力7个评价指标量值分布较广, 可以与不同破坏等级样本数据进行定量分析.图 3所示的箱线图直观展示了这7个评价指标的分布范围与分布形态.为了便于在一张图中显示7个指标, 将埋深、视应力、位移三项指标数据进行了数量级调整.由图 3可以看出: 累积能量和累积事件数在箱体线上部存在较多离群点, 说明这两项指标中的部分数据显著偏离整体数据形态, 这些数据在用于巷道破坏风险评估过程中会影响计算结果.为减少评价指标中离群点对于最终评估结果的影响, 本文以5 % 的比例将各评价指标的最大和最小数据样本剔除.表 3为不同破坏等级条件下7个评价指标的统计分布参数表, 其中5 % 修整均值为剔除评价指标量值两端各5 % 数据后的平均值.由表可以看出: 各评价指标在三种破坏风险等级间边界模糊.由于评价指标的属性不同, 各指标均方差具有很大差异, 评价指标的量值范围相互交叉, 不存在明显界限.
图 3(Fig. 3)

图 3 7个评价指标量值分布范围和分布形态箱线图Fig.3 Box plot of the distribution of the seven evaluation indexes

表 3(Table 3)

表 3 不同破坏等级的评价指标统计分布参数表Table 3 Statistical distribution parameters table of evaluation indicators for different damage levels 破坏程度 统计参数 评价指标 累积事件数 累积能量 距采场距离 视应力 位移 事件密度 埋深 无破坏(样本数24) 最小值 0 0 24.95 0 0 0 559 最大值 6 22.7 175.2 2.13 0.004 7.58 909 5%修整均值 1.43 4.5 88.87 0.42 0.001 3 0.82 650.9 均方差 1.72 5.82 49.07 0.6 0.001 4 1.97 103.95 轻微破坏(样本44) 最小值 3 9.08 21.24 0.01 0.001 1.73 558 最大值 23 40.8 162.74 1.12 0.014 19.78 910 5%修整均值 9.8 25.67 58.85 0.52 0.004 7 8.75 730.49 均方差 2.96 5.67 34.34 0.29 0.002 7 3.54 104.44 中等破坏(样本22) 最小值 8 28.8 20.11 0.03 0.003 3.58 609 最大值 65 192.7 139.83 1.61 0.019 34.63 910 5%修整均值 26.52 79 53.91 0.69 0.006 7 12.21 797.32 均方差 19.35 51.93 29.5 0.39 0.003 8 8.05 73.46

表 3 不同破坏等级的评价指标统计分布参数表 Table 3 Statistical distribution parameters table of evaluation indicators for different damage levels

不同破坏等级与评价指标关系散点图见图 4.累积事件数、累积能量和事件密度三项指标在不同破坏等级中也存在一定的重叠现象, 但是整体呈现相对明显的分级聚集状态, 说明这三项指标与破坏等级的相关性较强, 用于巷道破坏风险等级评估效果较好.埋深与采场距离两项评价指标数据分布相对离散, 各破坏等级条件下的分布特征相差不大, 理论上应用于破坏风险等级评估效果较差.总体来说, 各项指标的数据分布与破坏等级之间具有一定的相关关系, 但在各破坏等级间存在部分数据重叠.采用单一指标对巷道围岩破坏等级进行评估存在不确定性.综合考虑不同评价指标, 可以改善由单一指标进行巷道围岩破坏等级评估的局限性, 提高评估结果的准确性.
图 4(Fig. 4)

图 4 不同破坏等级与评价指标关系图Fig.4 Relationship between the evaluation indexes and the damage levels. 注：等级1—无破坏, 等级2—轻微破坏, 等级3—中等破坏.

2.4 评价指标权重分析在综合考虑多指标的巷道破坏风险评估过程中, 需要将各项评价指标赋予一定的权重值.根据熵权法^[14]计算所得的评价指标赋权结果(图 5)可知: 各指标权重分配较为平均, 单一指标不具备主导性作用, 仅靠单一指标并不能满足巷道围岩破坏风险评估的需要.在所有的评价指标中, 累积能量和累积事件数的权重最高, 分别为0.211和0.21, 在巷道破坏风险评估过程中对于结果的影响最大.权重最小的指标为巷道埋深, 仅为0.002.该指标在不同破坏风险等级中相对分散且存在较为明显的重叠现象.值得注意的是, 权重占比前五的评价指标均为微震参数, 其权重占比和达83.8 %, 表明微震参数在巷道破坏风险评估中占主导作用.
图 5(Fig. 5)

图 5 9个评价指标权重值Fig.5 Weight of the nine evaluation indexes

3 巷道破坏风险评估方法在计算评价指标隶属度过程中, 巷道埋深、巷道与最近采场的距离、累积微震事件数、累积能量、事件密度、位移和视应力等7个指标依据式(1)采用中间型正态模糊分布隶属函数进行计算, 各指标隶属函数的期望和方差见表 4, 进而获得样本数据对于7个指标的隶属度.对于岩性和夹角两项指标, 则通过统计实例样本数据获得对应的隶属度(表 5).
表 4(Table 4)

表 4 不同评价指标相对于不同破坏等级隶属函数的方差和期望Table 4 The expectations and variances of membership functions of the evaluation indexes to different damage level 评价指标 无破坏 轻微破坏 中等破坏 c σ2 c σ2 c σ2 累积事件数 1.43 2.95 9.8 8.74 26.52 374.45 累积能量 4.5 33.88 25.67 32.21 79 2 697.21 距采场距离 88.86 2 408.28 58.85 1 178.96 53.91 870.05 视应力 0.42 0.36 0.52 0.085 0.69 0.15 位移 0.001 3 0.000 001 9 0.004 7 0.000 007 2 0.006 7 0.000 015 密度 0.82 3.9 8.75 12.53 12.21 64.78 埋深 650.9 10 804.96 730.49 10 907.72 797.32 5 395.99

表 4 不同评价指标相对于不同破坏等级隶属函数的方差和期望 Table 4 The expectations and variances of membership functions of the evaluation indexes to different damage level

表 5(Table 5)

表 5 岩性和夹角指标的隶属度Table 5 Degree of membership of lithology and angle 破坏等级 评价指标 岩性 夹角 黄铁矿 凝灰岩 0° 90° 无破坏 统计数量 13 11 5 19 隶属度 0.28 0.26 0.38 0.25 轻微破坏 统计数量 21 23 5 39 隶属度 0.44 0.53 0.38 0.5 中等破 统计数量 13 9 3 19 隶属度 0.28 0.21 0.24 0.25

表 5 岩性和夹角指标的隶属度 Table 5 Degree of membership of lithology and angle

在样本数据隶属度确定的基础上, 以9个评价指标作为因素集U={累积微震事件数, 累积能量, 距采场距离, 视应力, 位移, 微震事件密度, 埋深, 主应力与巷道夹角, 岩性}, 以巷道破坏等级作为评价集V={无破坏, 轻微破坏, 中等破坏}, 根据模糊综合评价法^[12]可以获得100个数据样本的综合隶属度b, 依据最大隶属原则可以确定破坏等级(表 6和表 7).经与实际破坏等级对比发现, 90个建模数据的评估准确率为88.9 %, 其中: 轻微破坏样本准确率最低, 44个样本中有6个结果为中等破坏; 中等破坏样本准确率较高, 仅1个样本被误分为轻微破坏.对于10个测试数据, 评估准确率为90 %.
表 6(Table 6)

表 6 阿舍勒铜矿巷道破坏数据样本的评估结果Table 6 Example of evaluation results of damage data sample in Ashele copper mine 样本编号 综合隶属度b 最大隶属等级 无破坏 轻微破坏 中等破坏 1 0.20 0.46 0.34 0.46(轻微破坏) 2 0.76 0.11 0.13 0.76(无破坏) 3 0.55 0.22 0.23 0.55(无破坏) 4 0.20 0.24 0.56 0.56(中等破坏) 5 0.15 0.49 0.36 0.49(轻微破坏) 6 0.14 0.48 0.38 0.48(轻微破坏) 7 0.19 0.42 0.39 0.42(轻微破坏) 8 0.12 0.18 0.70 0.70(中等破坏) 9 0.15 0.52 0.33 0.52(轻微破坏) 10 0.17 0.53 0.30 0.53(轻微破坏)

表 6 阿舍勒铜矿巷道破坏数据样本的评估结果 Table 6 Example of evaluation results of damage data sample in Ashele copper mine

表 7(Table 7)

表 7 基于模糊综合评价法的评估结果统计Table 7 Evaluation results by using the fuzzy comprehensive evaluation method 实际破坏等级 数据类别 评估结果 无破坏 轻微破坏 中等破坏 无破坏 建模数据(24) 22 1 1 测试数据(0) 0 0 0 轻微破坏 建模数据(44) 1 37 6 测试数据(4) 0 4 0 中等破坏 建模数据(22) 0 1 21 测试数据(6) 0 1 5

表 7 基于模糊综合评价法的评估结果统计 Table 7 Evaluation results by using the fuzzy comprehensive evaluation method

为保证矿山人员的安全与开采过程的顺利进行, 建立定量的巷道破坏风险评估方法是必要的.在前述研究基础上, 本文在开展巷道破坏风险评估应用实践时, 将计算获得的无破坏、轻微破坏和中等破坏三种破坏等级分别定义为无风险、低风险和中风险三种巷道破坏风险等级.
4 工程应用基于以上研究方法, 在阿舍勒铜矿开展了定期(每6个月)的巷道破坏风险评估研究.巷道破坏风险评估结果通过插值计算方法在三维地质模型上实现可视化展示, 以期为阿舍勒铜矿深部回采过程调控和区域地压灾害防控提供支撑.
图 6为2018年12月阿舍勒铜矿深部巷道破坏风险评估结果, 从中可以看出: 中风险区域主要集中在150 m中段下盘巷道左侧区域、100 m中段下盘巷道中部区域、50 m中段下盘巷道右侧区域, 该区域约占总长度的2 %, 这是目前巷道应重点监测与防护的区域.低风险区域主要集中在150 m中段上盘巷道左侧区域与下盘大部分区域、100 m中段下盘巷道左侧区域、50 m中段上盘巷道左侧区域、0 m中段下盘巷道中间区域, 该区域约占总长度的9 %.现场部分位置的破坏调查也验证了评估结果的准确性.基于深部巷道破坏风险评估结果, 对于中风险发生区域加强支护, 有效降低了阿舍勒铜矿深部开采地压灾害发生风险, 保证了开采工作的正常运行.
图 6(Fig. 6)

图 6 阿舍勒铜矿深部巷道围岩破坏风险等级评估结果Fig.6 The assessment result of tunnel failure risk in Ashele copper mine

5 结论1) 地质赋存条件、开采影响和微震数据三方面的评价指标在巷道破坏风险评估中的贡献度不同.基于熵权法的评价指标权重值结果表明仅靠单一指标并不能满足巷道围岩破坏风险评估的需要.在本文考虑阿舍勒工程实际情况所确定评价指标中, 累积能量和累积事件数的权重占比最高, 巷道埋深的权重占比最低.权重占比前五的评价指标均为微震参数, 其权重占比和达83.8 %, 表明微震参数在巷道破坏风险评估中占主导作用.
2) 经与实际破坏情况对比发现, 基于模糊综合评价方法的巷道破坏样本数据的评估准确率近90 %, 且轻微破坏的评估准确率较低, 中等破坏的评估准确率较高.
3) 阿舍勒铜矿工程应用结果表明巷道破坏风险预测方法能够实现深部金属矿山大范围区域性的巷道破坏风险定量评估, 对于深部金属矿区域地压分布及演化规律研究具有重要意义.
参考文献

[1]	杨志国, 于润沧, 郭然, 等. 基于微震监测技术的矿山高应力区采动研究[J]. 岩石力学与工程学报, 2009, 28(sup2): 3632-3638. (Yang Zhi-guo, Yu Run-cang, Guo Ran, et al. Research of mining based on microseismic monitoring technology in high-stress area[J]. Chinese Journal of Rock Mechanics and Engineering, 2009, 28(sup2): 3632-3638.)
[2]	张润来, 罗周全. 基于组合赋权与有限区间云模型的巷道冒顶预测研究[J]. 矿冶工程, 2019, 39(4): 11-14, 19. (Zhang Run-lai, Luo Zhou-quan. Research on roadway roof fall prediction based on combined weighting and finite interval cloud model[J]. Mining and Metallurgical Engineering, 2019, 39(4): 11-14, 19.)
[3]	Li X B, Li C J, Cao W Z, et al. Dynamic stress concentration and energy evolution of deep-buried tunnels under blasting loads[J]. International Journal of Rock Mechanics and Mining Sciences, 2018, 104: 131-146. DOI:10.1016/j.ijrmms.2018.02.018
[4]	Zhu W C, Li Z H, Zhu L, et al. Numerical simulation on rockburst of underground opening triggered by dynamic disturbance[J]. Tunnelling and Underground Space Technology, 2010, 25(5): 587-599. DOI:10.1016/j.tust.2010.04.004
[5]	Liu J P, Zhang C Y, Si Y T, et al. Temporal-spatial evolution of acoustic emission during progressive fracture processes around tunnel triggered by blast-induced disturbances under uniaxial and biaxial compression[J]. Tunnelling and Underground Space Technology Incorporating Trenchless Technology Research, 2020, 96: 103329.
[6]	Mendecki A J. Seismic monitoring in mines[M]. Dordrecht: Springer, 1997.
[7]	Liu J P, Feng X T, Li Y H, et al. Studies on temporal and spatial variation of microseismic activities in a deep metal mine[J]. International Journal of Rock Mechanics and Mining Sciences, 2013, 60: 171-179. DOI:10.1016/j.ijrmms.2012.12.022
[8]	Feng X T, Liu J P, Chen B R, et al. Monitoring, warning, and control of rockburst in deep metal mines[J]. Engineering, 2017, 3(4): 538-545. DOI:10.1016/J.ENG.2017.04.013
[9]	Feng G L, Xia G Q, Chen B R, et al. A method for rockburst prediction in the deep tunnels of hydropower stations based on the monitored microseismicity and an optimized probabilistic neural network model[J]. Sustainability, 2019, 11(11): 1-17.
[10]	Ji B, Xie F, Wang X P, et al. Investigate contribution of multi-microseismic data to rockburst risk prediction using support vector machine with genetic algorithm[J]. IEEE Access, 2020, 8: 58817-58828. DOI:10.1109/ACCESS.2020.2982366
[11]	Hu Y X, Li X B. Bayes discriminant analysis method to identify risky of complicated goaf in mines and its application[J]. Transactions of Nonferrous Metals Society of China, 2012, 22(2): 425-431. DOI:10.1016/S1003-6326(11)61194-1
[12]	Zadeh L A. Fuzzy sets[J]. Information and Control, 1965, 8(3): 338-353. DOI:10.1016/S0019-9958(65)90241-X
[13]	李灿希. 模糊数学方法及应用[M]. 北京: 化学工业出版社, 2016. (Li Can-xi. Fuzzy mathematics method and application[M]. Beijing: Chemical Industry Press, 2016.)
[14]	冯杰. 熵理论下对于工期风险等级的模糊评判[D]. 大连: 大连理工大学, 2019. (Feng Jie. Fuzzy judgment of the risk level of construction period under entropy theory[D]. Dalian: Dalian University of Technology, 2019. )
[15]	Li D Y, Liu C Y, Gan W Y. A new cognitive model: cloud model[J]. International Journal of Intelligent Systems, 2009, 24(3): 357-375. DOI:10.1002/int.20340
[16]	Wang G Y, Xu C L, Li D Y. Generic normal cloud model[J]. Information Sciences, 2014, 280: 1-15. DOI:10.1016/j.ins.2014.04.051
[17]	Ke J K. Blasting vibration failure criterion of granite body and rock cave[J]. Explosion and Shock Waves, 1987, 2: 117-122.
[18]	田昌贵, 陈世华. 工程岩体分级标准在地下采矿工程中的应用[J]. 采矿技术, 2005(4): 89-93. (Tian Chang-gui, Chen Shi-hua. Application of standard for engineering classification of rock masses in underground mining engineering[J]. Mining Technology, 2005(4): 89-93.)