CC BY
13
УДК 004.383.8: 006.88
ИСПОЛЬЗОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ ФАКТОРОВ, ВЛИЯЮЩИХ НА СНИЖЕНИЕ НЕСЧАСТНЫХ СЛУЧАЕВ НА ПРОИЗВОДСТВЕ
В.В. Кукарцев, С.А. Замолоцкий, В.В. Храмков
Горнодобывающая промышленность - важная отрасль, которая играет решающую роль в добыче природных ресурсов. Однако эта работа часто может быть опасной и представлять значительный риск для здоровья и безопасности работников. Компаниям очень важно уделять приоритетное внимание безопасности работников и внедрять самые эффективные профилактические меры для смягчения последствий. Для улучшения условий труда и снижения рисков проведено исследование с целью выявить факторы, наиболее влияющие на смертность и создать модель для прогнозирования. Обработан и визуализирован набор данных из одиннадцати бинарных, целочисленных и рациональных признаков и бинарной выходной переменной. Проведён эксперимент, исследующий прогнозы с помощью дерева принятия решений, который показывал более высокую точность после отбора признаков. В результате выявлены наиболее значимые факторы влияния; также предложены два классификатора, которые можно использовать для предсказания смертности, что улучшит условия труда на производстве и повысит эффективность горнодобывающей отрасли.
Ключевые слова: машинное обучение, анализ данных, горная промышленность
1. Введение
Горнодобывающая промышленность - жизненно важная отрасль, которая играет решающую роль в добыче природных ресурсов. Однако эта работа часто может быть опасной и представлять значительный риск для здоровья и безопасности работников [1, 2].
Одной из самых больших опасностей, с которыми сталкиваются работники, является воздействие пыли и других частиц, находящихся в воздухе. Кроме того, уровень шума на производстве часто высок [3, 4]. Также сердечно-сосудистые заболевания являются одной из самых частых причин смерти во всем мире. Сердечная недостаточность является распространенным сердечно-сосудистым заболеванием.
Следует отметить, что работа в горнодобывающей промышленности создает многочисленные угрозы как физическому, так и психическому благополучию [5 - 7]. Компаниям важно уделять приоритетное внимание безопасности работников и внедрять эффективные профилактические меры для смягчения последствий [8 - 10].
Для решения проблемы применяются методы анализа данных. Известно, что при помощи исследований в этой области можно построить модель оценки для анализа воздействия различных факторов на интеллектуальное строительство угольных шахт [11], на безопасность в горнодобывающей промышленности открытым способом. Также можно заметить
влияние публикаций в социальных сетях на безопасность на производстве [12 - 14]. Проводятся расчёты контроля температуры в шахтах, а также исследования, выявляющие взаимосвязь между различными факторами и состоянием сердечно-сосудистой системы.
Были проанализированы причины аварий на производстве, связанные с выбросом аварийно-химически опасных веществ [15, 16].
2. Описание методологии
Для визуализации многомерного массива используется метод главных компонент для дальнейшей классификации по двум классам [17, 18].
В качестве одного из методов анализа данных используются деревья принятия решений. Дерево решений представляет собой набор узлов, на которых записано значение целевой функции и связей между ними, обозначающих входной признак [19, 20].
В качестве другого метода классификации применяются искусственные нейронные сети - вычислительные модели, которые способны "обучаться" по примеру человеческого мозга, выявляя зависимости между данными [4, 21, 22].
3. Описание набора данных
В качестве исследуемых данных был взят набор "Heart Failure Prediction" с ресурса Kaggle, содержащий следующие входные признаки: возраст - age; анемия - anaemia; креатинкиназа - creatinine_phosphokinase; диабет - diabetes; фракция выброса - ejection_fraction; гипертензия -high_blood_pressure; тромбоциты - platelets; уровень сывороточного креа-тинина в крови - serum_creatinine; уровень натрия в сыворотке крови -serum_sodium; пол - sex; курение - smoking.
- age - целое число из интервала [40, 95], математическое ожидание: 60.8, стандартное отклонение: 11.9;
- anaemia - бинарное значение {0, 1} - отсутствие/наличие, математическое ожидание: 0.4, стандартное отклонение: 0.5;
- creatinine_phosphokinase - целое число из интервала [23, 7861] , математическое ожидание: 581.8, стандартное отклонение: 970.2;
- diabetes - бинарное значение {0, 1} - отсутствие/наличие, математическое ожидание: 0.4, стандартное отклонение: 0.5;
- ejection_fraction - целое число из интервала [14, 80] , математическое ожидание: 38.1, стандартное отклонение: 11.8;
- high_blood_pressure - бинарное значение {0, 1} - отсутствие/наличие, математическое ожидание: 0.4, стандартное отклонение: 0.5;
- platelets - рациональное число из интервала [25100.0, 850000.0], математическое ожидание: 263358.0, стандартное отклонение: 97804.2;
- serum_creatinine - рациональное число из интервала [0.5, 9.4], математическое ожидание: 1.4, стандартное отклонение: 1.0;
- serum_sodium - целое число из интервала [113, 148], математическое ожидание: 136.6, стандартное отклонение: 4.4;
- sex - бинарное значение {0, 1} - женский/мужской, математическое ожидание: 0.6, стандартное отклонение: 0.5;
- smoking - бинарное значение {0, 1} - некурящий/курящий, математическое ожидание: 0.3, стандартное отклонение: 0.5.
Выходная переменная обозначает зафиксированное событие смерти и представляет собой бинарное значение {0, 1} - не произошло / произошло.
Всего набор данных включает 299 измерений: 96 - со значением выходной переменной 1, 203 - со значением выходной переменной 0.
4. Настройка параметров
Для визуализации данных был выбран метод главных компонент -отображение комбинации признаков в двумерном пространстве (рис. 1). При этом выборка сдвигает ее так, чтобы средние значения были равны 0.
Рис. 1. Визуализация методом главных компонент
Для того чтобы выбрать наиболее значимые факторы, проведён корреляционный анализ. Корреляционный анализ представлен на рис. 2.
DEATH. EVENT
age 0.253729
anaemia 0.066270
с reati n i ri e_ p hosp h o k i na se 0.062 7 23
diabetes -0.001943
ejection_fraction -0.268603
high_blood_pres5ure 0.079351
platelets -0.049139
serum_creatinine 0.2 942 73
serum_sodium -0.195204
sex -0.0043J6
smoking -0.012623
Рис. 2. Корреляционный анализ
Корреляция показывает зависимость между двумя признаками. Значимыми выбраны те факторы, абсолютное значение корреляции которых больше 0,1.
Среди более значимых факторов выбраны: age, ejection_fraction, se-rum_creatmrne, serum_sodium. Среди менее значимых факторов выбраны: anaemia, creatinine_phosphokinase, diabetes, high_blood_pressure, platelets, sex, smoking.
5. Анализ через дерево решений
Первый метод анализа данных - дерево решений. Для исследования строятся прогнозы выходной переменной по всем признакам и по наиболее значимым. Визуализация фрагмента (глубиной 3) дерева представлена на рис. 3 и 4 для всех признаков и их части соответственно.
Составляется 10 прогнозов с различным разбиением исходной выборки на тренировочную и тестовую. Средняя точность прогнозов по всем признакам - 0.659. Средняя точность прогнозов по значимым признакам -0.672. Можно заметить, что точность незначительно повысилась.
Рис.3. Фрагмент дерева решений по всем признаков
Рис. 4. Фрагмент дерева решений по наиболее значимым признакам
6. Анализ через нейросеть
Следующий используемый метод анализа данных - анализ через нейросеть. Нейросеть представляет собой перцептрон с тремя слоями по 128, 64 и 32 элемента. На первом слое настроено исключение 20 %; на последнем - пакетная нормализация.
Для исследования также строятся прогнозы выходной переменной по всем признакам и по наиболее значимым. Графики зависимости ошибки от номера эпохи представлены на рис. 5 и 6 для всех признаков и их части соответственно.
Также составляются 10 прогнозов с различным разбиением исходной выборки на тренировочную и тестовую.
Средняя точность прогнозов по всем признакам - 0.663.
Средняя точность прогнозов по значимым признакам - 0.767.
Можно заметить, что точность повысилась, причём более значительно.
0.85 "
0.80 "
0.75 -
g 0.70 -
0.65 -
0.60 -
0.55 i
0 2 4 6 8 10 12 14 16 IB 20 22 24 26
Epoch Number
Рис. 5. Графики ошибки по всем признакам
Epoch Number
Рис. 6. Графики ошибки по наиболее значимым признакам
Заключение
Горнодобывающая промышленность является жизненно важной частью экономики, обеспечивающей сырьем различные отрасли промышленности, такие как строительство, электроника и обрабатывающая промышленность, но при этом связанная с большими рисками для человека.
При добыче полезных ископаемых следует уделять приоритетное внимание безопасности путем внедрения строгих протоколов и процедур, которым должны следовать работники. Это включает в себя надлежащее обучение безопасному использованию оборудования, регулярное техническое обслуживание техники и оперативное реагирование на чрезвычайные ситуации. Охрана труда - важный аспект деятельности любой компании, обеспечивающий безопасность и благополучие ее сотрудников при одновременном повышении производительности и результативности.
Компаниям следует инвестировать в современные технологии, которые могут помочь предотвратить несчастные случаи, такие как машины с дистанционным управлением или носимые устройства, контролирующие состояние здоровья работников. [10, 14, 23]
Современные технологий позволяют провести исследование, способное улучшить условия труда. С помощью корреляционного анализа были выявлены наиболее влиятельные факторы. Был проведён эксперимент, исследующий прогнозы с помощью дерева решений, который показывал более высокую точность после отбора признаков. Далее проводи-
лись исследования прогнозов с помощью многослойного перцептрона, который также показывал более высокую точность после отбора признаков.
Предложены два классификатора, которые можно использовать для предсказания смертности, что улучшит условия труда на производстве и повысит эффективность горнодобывающей отрасли.
Список литературы
1. Review of Methods for Improving the Energy Efficiency of Electrified Ground Transport by Optimizing Battery Consumption / N.V. Martyushev [and others] // Energies. 2023. 16. 729. DOI: 10.3390/en16020729.
2. The Impact of Coal Generation on the Ecology of City Areas / K. Moiseeva [et al.] // 22nd International Symposium INFOTEH-JAHORINA (IN-FOTEH). 2023. Р. 1-6.
3. Skeeba, V.Y.; Ivancivsky, V.V.; Martyushev, N.V. Peculiarities of High-Energy Induction Heating during Surface Hardening in Hybrid Processing Conditions // Metals. 2021. 11. 1354. DOI: 10.3390/met11091354.
4. Optimum planning of experimental research at the biogas plant / V.A. Lomazov [et al.] // IOP Conference Series: Earth and Environmental Science, 2021. 659(1). 012111.
5. Bukhtoyarov V. V. A Study on a Probabilistic Method for Designing Artificial Neural Networks for the Formation of Intelligent Technology Assemblies with High Variability // Electronics. 2023. Т. 12. №. 1. Р. 215.
6. Environmental Behavior of Youth and Sustainable Development / A. Shutaleva [et al.] // Sustainability. 2022. 14. 250. DOI: 10.3390/su14010250.
7. Paired Patterns in Logical Analysis of Data for Decision Support in Recognition / I. S. Masich [et al.] // Computation, 2022. 10(10. 185.
8. Barantsov I. A. Classification of Acoustic Influences Registered with Phase-Sensitive OTDR Using Pattern Recognition Methods // Sensors. 2023. Vol. 23. №. 2. P. 582.
9. Kukartsev V. Methods and Tools for Developing an Organization Development Strategy // IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). 2022. P. 1-8.
10. Dmitriev M.G., Lomazov V.A. Estimation of the linear convolution sensitivity of particular criteria during the expert determination of weight factors // Scientific and Technical Information Processing. 2014. Vol. 41. № 6. P. 400403
11. Rassokhin A., Ponomarev A., Karlina A. Nanostructured highperformance concretes based on low-strength aggregates // Magazine of Civil Engineering. 2022. Vol. 110. №. 2. P. 11015
12. Tailings Utilization and Zinc Extraction Based on Mechanochemi-cal Activation / V.I. Golik [et al.] // Materials. 2023, 16. 726. DOI: 10.3390/ma16020726.
13. Classification of Acoustic Influences Registered with PhaseSensitive OTDR Using Pattern Recognition Methods / I. A. Barantsov [et al.] // Sensors. 2023. Vol. 23. №. 2. P. 582
14. Intellectual support for the analysis of the implementation of innovative development programs of the regional agro-industrial cluster / V.A. Lom-azov [et al.] // IOP Conference Series: Earth and Environmental Sciencethis link is disabled, 2021. 839(2). 022068.
15. Balanovskiy A. E. Determination of rail steel structural elements via the method of atomic force microscopy // CIS Iron Steel Rev. 2022. Vol. 23. P. 86-91.
16. Kukartsev V. Analysis of Data in solving the problem of reducing the accident rate through the use of special means on public roads // IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). 2022. P. 1-4
17. Pashkov E., Martyushev N., Masson I. Vessel ellipticity and eccentricity effect on automatic balancing accuracy // IOP Conference Series: Materials Science and Engineering, 2014. 66. 012011. DOI: 10.1088/1757-899X/66/1/012011.
18. Determination of Inactive Powers in a Single-Phase AC Network / N.I. Shchurov [et al.] // Energies. 2021. 14. 4814. DOI: 10.3390/en14164814.
19. Prediction of Critical Filling of a Storage Area Network by Machine Learning Methods / I. S. Masich [et al.] // Electronics, 2022. 11(24). 415.
20. Kireev T. Analysis of the Influence of Factors on Flight Delays in the United States Using the Construction of a Mathematical Model and Regression Analysis // IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). 2022. P. 1-5.
21. Mikhalev A. S. The Orb-Weaving Spider Algorithm for Training of Recurrent Neural Networks // Symmetry. 2022. Vol. 14. №. 10. P. 2036
22. Methods of Forecasting Electric Energy Consumption: A Literature Review / R.V. Klyuev [et al.] // Energies. 2022. 15. 8919. DOI: 10.3390/en15238919.
23. Improvement of Hybrid Electrode Material Synthesis for Energy Accumulators Based on Carbon Nanotubes and Porous Structures / B.V. Maloz-yomov [et al.] // Micromachines. 2023. 14. 1288. DOI: 10.3390/mi14071288.
Кукарцев Владислав Викторович, доц., vlad_saa_2000@mail.ru, Россия, Красноярск, Сибирский федеральный университет,
Замолоцкий Семен Андреевич, лаборант, dlioqury492@mail.ru, Россия, Красноярск, Сибирский федеральный университет,
Храмков Владимир Владимирович, асп., vlad_saa_2000@mail.ru, Россия, Красноярск, СибГУим. М.Ф. Решетнева
IDENTIFICATION OF FACTORS INFLUENCING HEART FAILURE MORTALITY USING
MACHINE LEARNING METHODS
V.V. Kukartsev, S.A. Zamolockiy, V. V. Khramkov
Mining is an important industry that plays a crucial role in the extraction of natural resources. However, this work can often be hazardous and pose significant risks to worker health and safety. It is very important for companies to prioritize worker safety and implement the most effective preventative measures to mitigate the effects. To improve working conditions and reduce risks, a study was conducted to identify the factors most influencing fatalities and create a model for prediction. A dataset, of eleven binary, integer and rational attributes and a binary output variable was processed and visualized. An experiment was conducted investigating the predictions using a decision tree, which showed higher accuracy after feature selection. As a result, the most significant influencing factors were identified; also proposed two classifiers that can be used for mortality prediction, which will improve the working conditions in the workplace and increase the efficiency of the mining industry.
Key words: Machine learning, data analysis, mining industry.
Kukartsev Vladislav Viktorovich, associate professor, vlad_saa_2000@mail.ru, Russia, Krasnoyarsk, Siberian Federal University,
Zamolotsky Semyon Andreevich, laboratory assistant, dlioqury492@,mail. ru, Russia, Krasnoyarsk, Siberian Federal University,
Khramkov Vladimir Vladimirovich, postgraduate, vlad_saa_2000@mail.ru, Russia, Krasnoyarsk, SibGU named after M.F. Reshetnev
Reference
1. Review of Methods for Improving the Energy Efficiency of Electri-fied Ground Transport by Optimizing Battery Consumption / N.V. Martyushev [and others] // Energies. 2023. 16. 729. DOI: 10.3390/en16020729.
2. The Impact of Coal Generation on the Ecology of City Areas / K. Moiseeva [et al.] // 22nd International Symposium INFOTEH-JAHORINA (INFOTEH). IEEE, 2023. pp. 1-6.
3. Skeeba, V.Y.; Ivancivsky, V.V.; Martyushev, N.V. Peculiarities of High-Energy Induction Heating during Surface Hardening in Hybrid Processing Conditions // Metals. 2021. 11. 1354. DOI: 10.3390/met11091354.
4. Optimum planning of experimental research at the biogas plant / V.A. Lomazov [et al.] // IOP Conference Series: Earth and Environmental Science, 2021. 659(1). 012111.
5. Bukhtoyarov V. V. A Study on a Probabilistic Method for Designing Artificial Neural Networks for the Formation of Intelligent Technology Assemblies with High Variability // Electronics. 2023. Vol. 12. No. 1. S. 215.
6. Environmental Behavior of Youth and Sustainable Development / A. Shutaleva [et al.] // Sustainability. 2022. 14. 250. DOI: 10.3390/su14010250.
7. Paired Patterns in Logical Analysis of Data for Decision Support in Recognition / I. S. Masich [et al.] // Computation, 2022. 10(10.185.
8. Barantsov I. A. Classification of Acoustic Influences Registered with PhaseSensitive OTDR Using Pattern Recognition Methods // Sensors. 2023. Vol. 23. No. 2. S. 582.
9. Kukartsev V. Methods and Tools for Developing an Organization Development Strategy // IEEE International IOT, Electronics and Mechatronics Conference (IEMTRON-ICS). IEEE, 2022.C. 1-8.
10. Dmitriev M.G., Lomazov V.A. Estimation of the linear convolu-tion sensitivity of particular criteria during the expert determination of weight factors // Scientific and Technical Information Processing. 2014. V. 41. No. 6. S. 400-403
11. Rassokhin A., Ponomarev A., Karlina A. Nanostructured high-performance concretes based on low-strength aggregates // Magazine of Civil Engineering. 2022. Vol. 110. No. 2. S. 11015
12. Tailings Utilization and Zinc Extraction Based on Mechanochemical Activation / V.I. Golik [et al.] // Materials. 2023, 16.726. DOI: 10.3390/ma16020726.
13. Classification of Acoustic Influences Registered with Phase-Sensitive OTDR Using Pattern Recognition Methods / I. A. Barantsov [et al.] // Sensors. 2023. Vol. 23. No. 2. S. 582
14. Intellectual support for the analysis of the implementation of innovative development programs of the regional agro-industrial cluster / V.A. Lomazov [et al.] // IOP Conference Series: Earth and Environmental Sciencethis link is disabled, 2021. 839(2). 022068.
15. Balanovskiy A. E. Determination of rail steel structural elements via the method of atomic force microscopy // CIS Iron Steel Rev. 2022. V. 23. P. 86-91.
16. Kukartsev V. Analysis of Data in solving the problem of reducing the accident rate through the use of special means on public roads // IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). IEEE, 2022. pp. 1-4
17. Pashkov E., Martyushev N., Masson I. Vessel ellipticity and eccentricity effect on automatic balancing accuracy // IOP Conference Series: Materials Science and Engineering, 2014. 66. 012011. DOI: 10.1088/1757-899X/66/1 /012011.
18. Determination of Inactive Powers in a Single-Phase AC Network / N.I. Shchurov [et al.] // Energies. 2021. 14. 4814. DOI: 10.3390/en14164814.
19. Prediction of Critical Filling of a Storage Area Network by Ma-chine Learning Methods / I. S. Masich [et al.] // Electronics, 2022. 11(24). 415.
20. Kireev T. Analysis of the Influence of Factors on Flight Delays in the United States Using the Construction of a Mathematical Model and Regres-sion Analysis // IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). IEEE, 2022, pp. 1-5.
21. Mikhalev A. S. The Orb-Weaving Spider Algorithm for Training of Recurrent Neural Networks // Symmetry. 2022. Vol. 14. No. 10. S. 2036
22. Methods of Forecasting Electric Energy Consumption: A Literature Review / R.V. Klyuev [et al.] // Energies. 2022. 15. 8919. DOI: 10.3390/en15238919.
23. Improvement of Hybrid Electrode Material Synthesis for Energy Accumulators Based on Carbon Nanotubes and Porous Structures / B.V. Malozyomov [et al.] // Micromachines. 2023. 14. 1288. DOI: 10.3390/mi14071288.
