CC BY
41
УДК 622.268.13:622.281.5
С.С. Кубрин, Е.И. Журавлев
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРОГНОЗА ОПАСНОСТИ ДИНАМИЧЕСКИХ ЯВЛЕНИЙ НА ПРОИЗВОДСТВЕННЫХ УЧАСТКАХ УГОЛЬНЫХ ШАХТ
Рассмотрено, как можно использовать нейросетевые технологии для прогноза геодинамических явлений на угольных шахтах. Последовательно рассказано, как осуществляется прогноз опасных явлений в углевмещающем массиве и как необходимо формировать структуру нейронной сети для обеспечения оптимального прогноза геодинамических явлений с максимальной точностью и достоверностью. Применение нейросетевых технологий для прогнозирования обусловлено большей точностью расчетов по сравнению с методами экстраполяции на больших интервалах прогнозирования (более 2—3 суток). Нейронные сети позволяют добиваться заданной точности прогнозирования при различных интервалах прогнозирования, таких как 10-ти минутные интервалы или же недельные интервалы за счет проведения автоматического обучения нейронной сети при снижении заданного порога достоверности прогноза. Специально разработанные инструменты не дают допустить переобучение нейронной сети и всегда поддерживают искусственную сеть в рабочем состоянии. Процесс автоматизации обучения нейронной сети помимо этого дает возможность контролировать процесс обучения сети на новых данных при изменении горно-геологических условий в связи с ведение горных работ.
Ключевые слова: интеллектуальные горные системы, нейронная сеть, геодинамические явления, прогноз опасности.
Обеспечение безопасных условий ведения подземных горных работ является одной из приоритетных задач для работы угольной шахты. Прогноз опасности динамических явлений должен обеспечивать заблаговременное предупреждение работников шахты о возможном возникновении неблагоприятных геодинамических явлений. Обеспечивать
DOI: 10.25018/0236-1493-2018-3-0-40-45
достаточный уровень достоверности и точности прогноза геодинамических явлений необходимо с помощью интеллектуальной системы прогноза, которая включает в себя нейросетевые технологии прогнозирования [2]. Различные подходы к автоматизации сетевых технологий рассмотрены в зарубежной литературе [10—14]. С учетом того, что да-
ISSN 0236-1493. Горный информационно-аналитический бюллетень. 2018. № 3. С. 40-45. © С.С. Кубрин, Е.И. Журавлев. 2018.
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 Нейросетевыетехнологии 2 ^—Методыэкстраполяции Время,ч
Рис. 1. Изменение точности прогнозирования в зависимости от интервала прогноза
же в условиях одной шахты могут быть различные горно-геологические условия за счет неоднородностей в угольном пласте, поэтому для обеспечения точности прогноза необходимо использовать автоматизированные системы с возможностью автоматического изменения параметров прогноза при изменении условий ведения горных работ. К таким автоматизированным системам можно отнести интеллектуальные системы прогноза, в которых нейронная сеть способна корректировать свои расчеты в зависимости от уровня точности прогноза.
Прогноз геодинамических явлений на угольных шахтах зависит от множества параметров: количество угольных пластов в свите, расстояние между пластами, мощность пластов угля и слоев пород, глубина залегания, угол падения, вид геологических нарушений (пликатив-ные, дизъюнктивные), обводненность месторождения и характер подземных вод (пластовые, трещинные, карстовые), естественная температура; крепость, об-рушаемость, трещиноватость, степень метаморфизма, склонность угля к окислению, взрывоопасность пыли, доля свободного диоксида кремния, склонность к горным ударам [1]. Среди всех этих параметров необходимо выделить те, которые могут быть автоматически учтены при ведении автоматизированного мониторинга опасности геодинамических явлений в массиве горных пород, с учетом их влияния они делятся на ло-
кальные и региональные факторы. К региональным факторам относятся: «Количество энергии в единицу времени», «Зона опасного влияния», «Пространственное распределение очагов» и «Пространственное распределение энергии». К локальным факторам относятся: «Интенсивность подвигания забоя», «количество импульсов в единицу времени», «Количество энергии в единицу времени», «Превышение количества интервалов времени по количеству импульсов», «Превышения интервалов времени по количеству энергии» и «АЧХ искусственного сигнала».
По каждому из наблюдаемых локальных участков или по шахтному полю в целом на основе анализа пространственного распределения очагов динамических явлений, а также с учетом регистрируемых в режиме реального времени сейсмических и сейсмоакустических активностей применяя методы экстраполяции и нейросетевые технологии вычисляется прогнозные значения возникновения очагов геодинамических явлений. Затем учитывая местоположение и энергию каждого из очагов все очаги зарегистрированные в поле шахты разбиваются на группы по степени их опасного влияния на производственные участки шахты. Для обеспечения безопасных условий ведения горных работ прогноз геодинамических явлений необходимо вести на сменные и суточные интервалы, при этом уточнение прогноза необходимо
осуществлять на основе 10-ти минутных и часовых интервалов.
К сожалению, методы экстраполяции имеют значительное снижение точности прогноза при увеличении интервала прогнозирования, поэтому их необходимо применять на малых интервалах прогнозирования, тогда как нейросетевые технологии при больших интервалах прогнозирования. На рис. 1 показано, как снижается точность прогнозирования методов экстраполяции и нейросетевых технологий, в зависимости от увеличения интервалов прогнозирования.
Точность и достоверность прогноза геодинамических явлений на основе применения нейронной сети зависит от ее архитектуры [3, 5, 9]: количества нейронов в скрытом слое и количества скрытых слоев, а также от функции активации нейрона. Функция активации нейрона
может быть трех видов: линейная, когда она представлена в виде взвешенной суммы входных сигналов; пороговой, когда влияющее воздействие нейрона осуществляется только после достижения определенного заранее заданного значения для конкретного нейрона и сигмовидной, когда влияющее значение нейрона зависит от сложной математической функции.
Структура входных и выходных слоев нейронной сети для решения задачи прогноза геодинамических явлений определяется количеством входных влияющих факторов — 7 и выходных возможных значений состояния опасности — 4. Количество скрытых слоев и нейронов в скрытом слое определяется при обучении нейронной сети по количеству максимальному положительному исходу оценки состояния опасности геодинами-
Рис. 2. Структура нейронной сети в интеллектуальной системе прогноза опасности геодинамических явлений
ческих явлений [3, 4]. В ходе обучения было выявлено, что оптимальная конфигурация скрытых нейронов нейронной сети с шестью скрытыми нейронами в одном скрытом слое, структура полученной нейронной сети представлена на рис. 2.
Прогноз геодинамических явлений, их последующий анализ с точки зрения опасности для персонала на производственных участках угольной шахты производится в следующей последовательности. На основе анализа зарегистрированных данных о местоположении, энергии и времени возникновения очагов геодинамических явлений формируется обучающая выборка для нейронной сети. Затем происходит обучение нейронной сети с последующим прогоном на тестовых выборках для определения пригодности сконфигурированной архитектуры нейронной сети для прогноза геодинамических явлений на заданные интервалы прогнозирования с фиксированными погрешностями в прогнозе [6, 8].
Если при тестировании ошибки не превышают заданный уровень, то производится корректировка весовых коэффициентов нейронов. Если же ошибки
превышают заданный уровень, то производится переконфигурация нейронной сети, т.к. при изменении горно-геологических условий в связи с ведением горных работ нейронная сеть должна быть перестроена под новые условия. После того, как получена оптимальная конфигурация нейронной сети вычисляется прогноз геодинамических явлений для каждого из локальных участков шахты. На основе апостериорного анализа ошибок прогноза либо прогноз утверждается, либо производится очередная корректировка весовых коэффициентов для уменьшения ошибки прогноза.
Применение прогноза геодинамических явлений при ведении горных работ на угольной шахте дает возможность заблаговременно предупреждать персонал шахты о возможных неблагоприятных геодинамических проявлениях быстро-протекающих явлений в массиве горных пород.
Все перечисленные влияющие факторы геодинамических явлений и их параметры создают множество ситуаций для моделирования в нейронной сети при учете параметров технологических участков предприятия угольной промышленности [5, 7].
СПИСОК ЛИТЕРАТУРЫ
1. Аксенов В. К., Курленя М.В. Некоторые особенности техники измерения напряжений в породном массиве гидравлическими датчиками / Измерение напряжений в массиве горных пород. - Новосибирск, 1972. - С. 159-167.
2. Бажова Ю. Сети. - М.: Центрполиграф, 2013. - 480 с.
3. Боровиков В. П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. - М.: Горячая Линия - Телеком, 2008. - 392 с.
4. Галушкин А. И. Нейронные сети. Основы теории. - М.: Горячая Линия - Телеком, 2012. -496 c.
5. Еремин Д. М., Гарцеев И. Б. Искусственные нейронные сети в интеллектуальных системах управления. - М.: МИРЭА, 2004. - 75 с.
6. Редько В. Г. Эволюция, нейронные сети, интеллект. Модели и концепции эволюционной кибернетики. - М.: Либроком, 2013. - 224 с.
7. Хайкин С. Нейронные сети: полный курс. 2-е изд. - М.: Вильямс, 2006. - 1104 с.
8. Ширяев В. И. Финансовые рынки. Нейронные сети, хаос и нелинейная динамика. - М.: Либроком, 2013. - 232 с.
9. Ясницкий Л.Н. Введение в искусственный интеллект. - М.: Издат. центр «Академия», 2005. - 176 с.
10. Hertz J., Palmer Richard G., Krogh Anders S. Introduction to the theory of neural computation. - Addison-Wesley, 1991. - 487 p.
11. MacKay David J. C. Information Theory, Inference, and Learning Algorithms. — Cambridge University Press, 2003. — 117 p.
12. Sutskever I., Martens J., Dahl G., Hinton G. On the importance of initialization and momentum in deep learning // J. of Machine Learning Research, 2013, Vol. 28, No 3, pp. 1139—1147.
13. Ripley Brian D. Pattern Recognition and Neural Networks. — Cambridge University Press, 2007. — 197 р.
14. Wiley J. Signal and image processing with neural networks: a C++ sourcebook. — Timothy, 1994. — 214 p. ЕШ
КОРОТКО ОБ АВТОРАХ
Кубрин Сергей Сергеевич1 — доктор технических наук, профессор, зав. лабораторией, e-mail: s_kubrin@mail.ru, Журавлев Евгений Игоревич1 — кандидат технических наук, ведущий инженер, e-mail: engene@mail.ru, 1 Институт проблем комплексного освоения недр РАН.
ISSN 0236-1493. Gornyy informatsionno-analiticheskiy byulleten'. 2018. No. 3, pp. 40-45.
S.S. Kubrin, E.I. Zhuravlev
INTELLIGENT DYNAMIC HAZARD PREDICTION SYSTEM FOR PRODUCTION AREAS IN COAL MINES
The author illustrates application of neural networking technologies for prediction of gas-dynamic events in coal mines. The way of predicting hazardous events in coal and host rock mass and structuring neural nets to ensure optimal prediction of gas-dynamic events at the maximum precision and reliability is described. Neural networking technologies in predictions allow higher accuracy as compared with the extrapolation methods given long prediction intervals (more than 2-3 days). Neural nets ensure reaching assigned precision at different prediction intervals such as 10 min-long or week-long intervals owing to automated learning of neural networks under reduction of pre-assigned limit of the prediction reliability.
The dedicated tools prevent from over-learning and keep the artificial network running. Automation of learning enables control over network learning using new data under mining-induced variation in geological conditions.
Key words: intelligent mine systems, neural network, geodynamic events, hazard prediction.
DOI: 10.25018/0236-1493-2018-3-0-40-45
AUTHORS
Kubrin S.S.1, Doctor of Technical Sciences, Professor, Head of Laboratory, e-mail: s_kubrin@mail.ru, Zhuravlev E.I.1, Candidate of Technical Sciences, Leading Engineer, e-mail: engene@mail.ru,
1 Institute of Problems of Comprehensive Exploitation of Mineral Resources of Russian Academy of Sciences, 111020, Moscow, Russia.
REFERENCES
1. Aksenov V. K., Kurlenya M. V. Izmerenie napryazheniy v massive gornykh porod (Stress measurement in rock mass), Novosibirsk, 1972, pp. 159—167.
2. Bazhova Yu. Seti (Networks), Moscow, Tsentrpoligraf, 2013, 480 p.
3. Borovikov V. P. Neyronnye seti. Statistica Neural Networks. Metodologiya i tekhnologii sovremennogo analiza dannykh (Methodology and technologies of the modern data analysis), Moscow, Goryachaya Liniya — Telekom, 2008, 392 p.
4. Galushkin A. I. Neyronnye seti. Osnovy teorii (Neural networks. Theoretic framework), Moscow, Goryachaya Liniya — Telekom, 2012, 496 p.
5. Eremin D. M., Gartseev I. B. Iskusstvennye neyronnye seti v intellektual'nykh sistemakh up-ravleniya (Artificial neural networks in intelligent control), Moscow, MIREA, 2004, 75 p.
6. Red'ko V. G. Evolyutsiya, neyronnye seti, intellekt. Modeli i kontseptsii evolyutsionnoy kiber-netiki (Evolution, neural networks, intellect. Models and conceptions of evolutionary cybernetics), Moscow, Librokom, 2013, 224 p.
7. Khaykin S. Neyronnye seti: polnyy kurs. 2-e izd. (Neural networks: complete course, 2nd edition), Moscow, Vil'yams, 2006, 1104 p.
8. Shiryaev V. I. Finansovye rynki. Neyronnye seti, khaos i nelineynaya dinamika (Financial markets. Neural networks, chaos and nonlinear dynamics), Moscow, Librokom, 2013, 232 p.
9. Yasnitskiy L. N. Vvedenie v iskusstvennyy intellekt (Introduction into artificial intellect), Moscow, Izdat. tsentr «Akademiya», 2005, 176 p.
10. Hertz J., Palmer Richard G., Krogh Anders S. Introduction to the theory of neural computation. Addison-Wesley, 1991. 487 p.
11. MacKay David J. C. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003. 117 p.
12. Sutskever I., Martens J., Dahl G., Hinton G. On the importance of initialization and momentum in deep learning. J. of Machine Learning Research, 2013, Vol. 28, No 3, pp. 1139—1147.
13. Ripley Brian D. Pattern Recognition and Neural Networks. Cambridge University Press, 2007. 197 p.
14. Wiley J. Signal and image processing with neural networks: a C++ sourcebook. Timothy, 1994. 214 p.
FIGURES
Fig. 1. Change of prediction accuracy as function of prediction interval.
Fig. 2. Configuration of neural network in the intelligent system of gas-dynamic hazard prediction.
^_
ОТДЕЛЬНЫЕ СТАТЬИ ГОРНОГО ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОГО БЮЛЛЕТЕНЯ
(СПЕЦИАЛЬНЫЙ ВЫПУСК)
СБОРНИК НАУЧНЫХ РАБОТ ПРЕПОДАВАТЕЛЕЙ И АСПИРАНТОВ СКГМИ (ГТУ)
(2017, № 12, СВ 30, 160 с.)
Коллектив авторов
Рассмотрен широкий круг актуальных вопросов, связанных с добычей и переработкой золота коренных и техногенных месторождений, ведением горных работ в сложных горногеологических и горнотехнических условиях, и намечены направления эффективного и безопасного освоения недр. Представлены новые результаты фундаментальных и прикладных исследований в области создания и совершенствования горно-обогатительного оборудования, играющих важную роль для эффективного освоения недр.
COLLECTION OF SCIENTIFIC WORKS OF TEACHERS AND GRADUATE STUDENTS OF NORTH CAUCASUS MINING-AND-METALLURGY INSTITUTE
Team of authors
They discussed a wide range of topical issues associated with the extraction and processing of gold indigenous and man-made deposits mining in complex geological and mining conditions and directions of effective and safe development of mineral resources. Presents new results of fundamental and applied research in the field of creation and improvement of mining equipment that play an important role for effective development of mineral resources.
