CC BY
164
Список литературы
1. Аэрогазодинамика углекислотообильных шахт/ Н.М. Качурин [и др.] // М.: Изд-во МГГУ. 2005. 345 с.
2. Качурин Н.М. Перенос газа в породоугольном массиве / Известия ВУЗов. Горный журнал. 1991. № 1. С. 43-47.
3. Лыков А.В. Тепло-массообмен. Справочник. М.: Энергия, 1978.
480 с.
4. Качурин Н.М., Борщевич А.М., Бухтияров А.А. Прогноз выделения метана с поверхности обнажения разрабатываемого угольного пласта и нагрузка на лаву при интенсивной выемке угля. Безопасность жизнедеятельности. 2010. №5. С. 19-24.
N.M. Kachurin, N.O. Kaledina, A.N. Kachurin
METHANE EMANATION FROM COAL SEAM SIDE FACE INTO DEVELOPMENT WORKING
The results of theoretical analysis and foundation on basic regularity for forecasting methane emanation from coal seam side face into development workings were represented. The physical model of the process was based and mathematical description for forecasting methane emanation from coal seam side face by the high advance rate of development face was shown and results of calculation experiments were shown too.
Key words: development gallery, methane, filtration, coal seam, gas emanation, mathematical model, forecasting.
Получено 20.04.11
УДК 622.807:004.032.26
Э.В. Рощупкин, канд. техн. наук, доц., (4872) 35-37-60, roeduardo@mail.ru (Россия, Тула, ТулГУ)
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ФОРМИРОВАНИЯ ПРОГНОЗА ВЫДЕЛЕНИЯ ПЫЛИ С ПОВЕРХНОСТИ ТЕРРИКОНА
Предложено использовать нейронные сети для формирования прогноза выделения пыли с поверхности отвала шахтной породы в зависимости от времени суток, периода года.
Ключевые слова: прогноз, пост наблюдения, временной ряд, мониторинг, моделирование, нейронная сеть, обучение, ошибка.
При построении карты рассевания вредных веществ в атмосфере с помощью системы экологического мониторинга, необходимо иметь информацию о выбрасываемом компоненте, которую получают с датчика, реагирующего на измеряемый компонент [1]. Измерение вредного вещества пыли осуществляется с помощью специального прибора - пылемера. На
выходе прибора имеем некий временной ряд (зависимость концентрации пыли от времени). Для анализа параметров и значений временного ряда удобно воспользоваться нейронными сетями.
Нейронные сети представляют собой некий математически аппарат, который на основе обобщения исходных данных позволяет выявить скрытые закономерности, не видимые не вооруженным взглядом [2]. Нейросети успешно применяются во многих областях: экономика и бизнес, медицина, управлении, связи, Интернете, социологических опросах, распознавании образов, геологоразведке и др.
Нейросетевые технологии появились на стыке таких наук, как нейробиология, химия, физика, математика, информатика, философия, психология и др. Искусственные нейронные сети состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу, например, они обучаются на основе опыта, обобщают данные и извлекают свойства из поступающей информации, содержащей излишние данные.
Каждый нейрон сети можно считать своеобразным процессором: он суммирует с соответствующими весами сигналы, приходящие от других нейронов, выполняет нелинейную решающую функцию и передает результирующее значение связанным с ним нейронам. В соответствии с действующим правилом «все или ничего» в простейших моделях нейронов выходной сигнал принимает двоичные значения: 0 или 1. Значение 1 соответствует превышению порога возбуждения нейрона, а значение 0 -возбуждению ниже порогового уровня.
Основной проблемой прогнозирования временных рядов является выявление неточности прогноза. Большинство задач прогнозирования можно свести к предсказанию временного ряда, с помощью процедуры погружения ряда в многомерное пространство, т. е. к решению задачи интерполяции функции многих переменных. Нейросеть можно использовать для восстановления этой неизвестной функции по набору примеров, заданных историей данного временного ряда.
Особенностью временных рядов концентраций токсичных веществ, в данном случае пыли является определенная повторяемость характеризующих их выборок в зависимости от различных факторов, таких как время суток, период года и метеорологических условий (рисунок).
Процесс прогнозирования с помощью нейронных сетей состоит из выбора архитектуры нейронной сети, обучения, тестирования нейронной сети и при необходимости ее дообучения. Для качественного прогноза необходим большой объем исходных данных. Обученная сеть способна давать достоверный краткосрочный прогноз. По истечении времени прогноза необходимо сравнить прогнозное значение с реально измененными значениями для уточнения математической модели с помощью дообучения ней-
роннои сети на уточненных последних данных, и в случае не возможности дообучения произвести изменение структуры нейронной сети и ее последующее обучение и дообучения. Этот процесс повторяется постоянно, т.е. нейронная сеть постоянно дообучается на непрерывно поступающих уточненным данным, которые меняются в зависимости от перечисленных выше условий.
Структура модели прогноза на основе нейронной сети
Для формирования краткосрочных прогнозов, в основном используются нейронные сети на базе многослойного персептрона с нелинейной сигмоидальной функцией активации. Для обучения нейронной сети существует множество коммерческих нейросетевых программных продуктов для построения прогнозов, одним из российских разработчиков является фирма BaseGroup и её программный продукт DEDUCTOR [3].
Список литературы
1. Рощупкин Э.В. Система распределенного автоматизированного мониторинга загрязнения атмосферного воздуха промышленных регионов// Безопасность жизнедеятельности. №5. 2010. С. 46-52.
2. Оссовский С. Нейронные сети для обработки информации/ пер. с польского И.Д. Рудинского. М.: Финансы и статистика. 2002. 344 с.
3. Фирма BaseGroup. URL.: http://www.basegroup.ru/ (дата обращения 20.04.11).
E.V. Roshchupkin
USAGE OF NEURAL NETWORKS FOR FORMATION OF THE FORECAST
OF SELECTION OF THE DUST FROM THE WASTE HEAP SURFACE
It is offered to use neural networks for formation of the forecast of selection of a dust from a surface of a sailing of mine breed depending on time of days, the period of year.
Key words: the forecast, an observation post, a time series, monitoring, modeling, a neural network, training, an error.
Получено 20.04.11
