CC BY
31
The article analyzes the methods of electronic document management and identifies their shortcomings, selected tools, developed an algorithm scheme of software module. As a result of the study, a software module was developed to eliminate these shortcomings. It is planned that development will reduce the time from the start of design to the production of microcircuits.
Key words: microcircuit, electronic document management, LSI evaluation, «Kovcheg» CAD, LSI documentation.
Aleshina Valentina Ivanovna, senior software engineer, aleshfam@,list. ru, Russia, Moscow, Scientific-Manufacturing Complex «Technology Center»,
Gavrilov Sergey Vladimirovich, head of scientific research laboratory, s.gavrilov@tcen.ru, Russia, Moscow, Scientific-Manufacturing Complex «Technology Center»,
Bolotin Yuri Sergeevich, student, bolotin99@inbox. ru, Russia, Moscow, National Research University of Electronic Technology, Scientific-Manufacturing Complex «Technology Center»
УДК 004.032.26
ВЫБОР СТРУКТУРЫ И ПАРАМЕТРОВ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ КОНЦЕНТРАЦИИ МЕТАНА
В УГОЛЬНОМ ЗАБОЕ
Д.М. Шпрехер, Г.И. Бабокин, Е.Б. Колесников
Рассмотрена проблема возможности непрерывного прогнозирования концентрации метана в рабочем забое угольной шахты с целью повышения безопасности проведения работ в лаве и увеличения объема добываемого угля за счет сокращения времени простоя очистного комбайна по газовому фактору. Проводится анализ существующих аналитических и статистических методов и моделей для прогнозирования опасности ситуации с метаном, которые не нашли практического применения. Предлагается решить эту проблему с помощью цифровых технологий, основанных на использовании искусственного интеллекта, в частности нейронных сетей. Показано, что для прогнозирования уровня концентрации метана в забое необходимо измерить концентрацию метана не менее чем в трех точках отработанного воздуха, а также параметры режима работы комбайна и его расположения в лаве. Представлен результат прогнозирования уровня концентрации метана для выбранной структуры нейронной сети. Анализ полученных графиков свидетельствует о приемлемости результата, точность прогнозирования составляет 93%. Внедрение предлагаемой технологии для прогнозирования уровня концентрации метана в лаве рабочего участка шахты увеличит безопасность операций при проведении добычных работ, а также увеличит количество добываемого угля за счет сокращения времени простоя комбайна по газовому фактору.
Ключевые слова: концентрация, метан, очистной комбайн, уголь, прогнозирование, нейронная сеть, среднеквадратичная ошибка прогнозирования.
В настоящее время одной из важнейших проблем горной промышленности, является повышение производственной безопасности, особенно шахт категорийных по метану. Метановыделение при проведении горных
работ требует значительных затрат на проветривание выработок и дегазацию пластов, создает реальную угрозу возникновения пожаров и взрывов в зонах его скопления.
Образование опасной концентрации метана при работе очистного механизированного комплекса происходит в результате выделения метана из пласта, добываемого угля, транспортируемого угля, а также суфлярные выделения метана [1].
Выделение метана из пласта происходит постоянно и зависит от крепости, мощности и газообильности разрабатываемого пласта [2, 3, 4]. Выделение метана из угля, добываемого очистным комбайном в основном зависит от скорости его перемещения вдоль забоя. Объем метана, (сорбированного газа) выделяющегося из отбитого и транспортируемого угля скребковым конвейером лавы на порядок меньше объема метана выделяющегося при выемке угля комбайном и не оказывает существенного влияния на общую концентрацию метана в очистном забое. Суфлярные выделения метана изменяются случайно и трудно предсказуемы [5, 6, 7].
Основные методы обеспечения безопасной работы очистного забоя и исключения взрывов метана - это проведение дегазации пластов; совершенствование систем проветривания забоя; применение цифровых систем газового контроля концентрации метана в струе воздуха на вентиляционном штреке.
Применяемые системы контроля концентрации метана обеспечивают отключение системы электроснабжения очистного забоя и остановку его работы при превышении фактической концентрации метана заданного максимального значения и возобновление работы забоя через паузу после снижения концентрации метана ниже допустимой за счет проветривания забоя.
На практике, учитывая, что отбитый уголь главный источник газовыделения в очистном забое, применяют метод снижения скорости подачи комбайна, поддерживая концентрацию метана на уровне, меньшем, чем опасный. Это позволяет повысить безопасность работ в лаве угольной шахты, а также увеличить объем добываемого угля за счет сокращения простоев лавы.
Однако для поддержания безопасной по метану скорости подачи комбайна в таком режиме необходим точный прогноз концентрации метана на время, необходимое для принятия технологических решений.
В связи с изложенным для повышения безопасной по метану работы очистного забоя актуальна разработка системы текущего прогноза концентрации метана в струе воздуха вентиляционного штрека с применением интеллектуальных средств.
Постановка задачи исследования. В работах [4, 5] установлено, что на величину и интенсивность метановыделения в пределах выемочного участка существенно влияет местоположение, направление и скорость движения очистного комбайна вдоль линии очистного забоя. Экспериментальные наблюдения за метановыделением из обнаженной поверхности угольного пласта показывают существенные различия концентрации метана при неработающем комбайне и при его работе.
Поэтому, повысить эффективности работы газоопасных очистных забоев можно, наряду с обязательным применением средств вентиляции и дегазации, управляя газовыделением, путем регулирования скорости подачи угольного комбайна [6]. Это позволит повысить нагрузку на очистной забой и предотвратить простои из-за газового фактора следующим образом: при безопасной концентрации работа комбайна не останавливается, а его скорость максимально возможная; если концентрация переходит на уровень, приближающийся к опасной концентрации, то скорость движения комбайна уменьшается; если концентрация опасная - происходит отключение электроэнергии.
Опыт работы современных шахт показывают, что газовая ситуация при угледобыче изменяется от допустимой до предельной в течение нескольких минут. Поэтому возникает необходимость перехода от статического к динамическому принципу оценки газоопасности современных очистных забоев с учетом нестационарности добычи угля и выделения метана [7].
Оценить газоопасность очистного забоя возможно путем прогноза концентрации метана. Современные компьютерные системы аэро-газового контроля [8, 9], используемые на шахтах, не предусматривают возможность прогноза содержания метана в режиме онлайн. Это приводит к тому, что меры, направленные на предотвращение аварий или снижение их последствий, могут быть реализованы слишком поздно.
Прогноз концентрации метана должен осуществляется в реальном времени с использованием текущей исходной информации: концентрации метана в исходящих струях лавы и добычного участка, из выработанного пространства; количества проходящего воздуха; положения комбайна в лаве; нагрузки на очистной забой; данных сейсмоакустической активности пласта, дебита метана, извлекаемого дегазационными системами. Но данная задача сложная, так как необходимо учитывать множество факторов, оказывающих влияние на концентрацию метана на выходе из забоя [10].
Методы прогноза опасности ситуации по метану представляют собой предсказания его концентрации или оценки риска взрыва газа. Для этой цели используются различные способы и методы прогноза: статистические модели [11]; аналитические [12]; численные [13]; краткосрочные прогнозы [14]. Предпринимались также попытки описать газодинамику добычного забоя путем применения стохастической модели с использованием экспериментально определенных характеристик сигналов от датчиков, измеряющих параметры шахтного воздуха [15, 16]. Для ускоренного прогноза концентрации метана на выходе из лавы также применялись методы машинного обучения [17, 18].
Эти методы различаются с точки зрения их эффективности. В ряде случаев полученные результаты являются неудовлетворительными и существенно отличаются от реальных и на данный момент не нашли практического применения.
Цель работы - обоснование структуры и параметров искусственной нейронной сети (ИНС) для прогнозирования концентрации метана в исходящей струе очистного забоя при выемке угля комбайном в режиме онлайн с заданной точностью.
Метод и объект исследования. Объектом исследования является процесс изменения концентрации метана в исходящей струе очистного забоя при выемке угля комбайном в условиях шахты. Метод исследования -моделирование нейросетевого способа прогнозирования концентрации метана. Для решения поставленной задачи необходимо: определить тип и структуру ИНС для прогнозирования; обучить ИНС и выполнить численные исследования.
Основное содержание. Для прогноза концентрации метана использовались экспериментальные показатели, полученные от датчиков метана и скорости перемещения комбайна системы мониторинга параметров шахтной среды выемочного участка 26-28 ООО «Шахта «Есаульская», Кузбасс [19].
На рис. 1 приведен график, характеризующий газовую обстановку на исследуемом выемочном участке 26-28 при ритмичной работе очистного комбайна. Расположение датчиков для измерения параметров концентрации метана в внутризабойном пространстве представлено на рис. 2.
Задача прогнозирования уровня концентрации метана в зависимости скорости перемещения комбайна в работе решается с применением цифровых технологий на базе применения искусственного интеллекта, в частности искусственных нейронных сетей (ИНС) [20].
ИНС представляют собой универсальную аппроксимационную систему, позволяющую воспроизводить многомерные наборы данных и способную обучаться и адаптироваться к изменяющимся условиям внешней среды, а также обобщать полученные знания, формируя тем самым систему искусственного интеллекта [17, 21].
Для эксперимента, у нас есть набор данных временных рядов, содержащий 11522 значения, который дает информацию о режиме работы комбайна: его месторасположения, скорости и направления перемещения вдоль лавы, также значений показаний трех датчиков метана, расположенных: 1- в кутке, 2- на выходе лавы, 3 - на выходе участка (рис. 2).
Эксперимент выполнялся в среде MATLAB R2018b, установленной на операционной системе Windows 8, в частности в пакете расширения Neural Network Toolbox, содержащий средства для проектирования, моделирования, разработки и визуализации нейронных сетей [22].
Для анализа были выбраны четыре типа ИНС: нелинейная авторегрессионная сеть (Nonlinear Autoregressive Network, NARX -сеть); сеть Эл-мана - частный случай многослойной рекуррентной сети (Layer-Recurrent Network - LRN -сеть); сеть прямого распространения (Feed-Forward Network - FFN -сеть) и нейросеть с задержкой по времени (TDNN), которая является динамической (с временной задержкой) нерекуррентной многослойной сетью.
■снц,% (()
0,1 1-----1-------
D 4-1------1-1-----
О 2 4 6 8 10 12 14 16 18 20 22 24
а
-Скорость, MlMUH (t)
iliii
i ■ ц- 1 1,1,11 n h У
1 WW ] V J! 1 P w \ 1
J ill II r 111 III JI /IJ к I
О 2 4 6 8 10 12 14 16 18 20 22 24
б
Рис. 1. Графики трендов содержания метана в исходящей струе очистного забоя (а) и динамики скорости движения комбайна (б)
без учета проветривания
Для анализа были выбраны четыре типа ИНС: нелинейная авторегрессионная сеть (Nonlinear Autoregressive Network, NARX -сеть); сеть Эл-мана - частный случай многослойной рекуррентной сети (Layer-Recurrent Network - LRN -сеть); сеть прямого распространения (Feed-Forward Network - FFN -сеть) и нейросеть с задержкой по времени (TDNN), которая является динамической (с временной задержкой) нерекуррентной многослойной сетью.
Куток
Выработанное пространство
Комбайн
У Лава
£
Куток
-Г©
4D
Рис. 2. Схема расстановки датчиков метана
50
Сеть Элмана имеет один внутренний слой, сигмоидальную функцию активации нейронов первого слоя, линейную функцию активации нейронов выходного слоя. Архитектура сети представлена на рис. 3, где D - временная задержка на один шаг. В MatLab обучение сети Элмана возможно только с помощью алгоритма градиентного спуска [23].
Далее приняты следующие обозначения на структурных схемах нейронных сетей: IW - матрица весов входа; LW- матрица весов нейронов промежуточного слоя; p - вектор входов; y - выход сети; TDL ( Tapped Delay Line ) - линии задержки. Линии задержки определим вектором L = (lm, lout), где lm, lout - длины входной и выходной линий соответственно [24].
№ к / 81(к) = у
J -'к 1 w
/
v_
J
J
Input Recurrent tansig layer Output purelm layer
Рис. 3. Архитектура нейронной сети Элмана
Нелинейная авторегрессионная сеть (NARX -сеть) представляет собой модель нелинейной авторегрессии [25] с внешними входами, рис. 4.
Рис. 4. Схема ИНС нелинейной авторегрессии с внешними входами
(ШЯХ)
Нейронная сеть прямого распространения (БЕК -сеть) имеет архитектуру, представленную на рис. 5. [26].
Нейронная сеть прямого распространения с задержкой по входу (ТБКК - сеть), представлена на рис. 6
Критерием выбора структуры модели сети было минимальная среднеквадратичная ошибка прогноза, что означает выбор таких значений па-
1 2
раметров синаптических коэффициентов и , которые обеспечивают
минимум разности выхода по модели и желаемого выхода:
51
MSE =
к
Et y - di] i=1
2
к
® шт
где к - количество тестовых реализаций, у - прогноз, полученных по модели (выход НС), dj - желаемый прогноз.
Input
Hidden Layer
Output Layer
Я1 = С1гш1д (-Шир! я: =ригеМп [Т.ТЛ':.К11 +Ы,)
Рис. 5. Архитектура 7<77Л/- сети прямого распространения
Рис. 6. Архитектура ТБМ сети прямого распространения
с задержкой по входу
Предложена методология обоснования структуры и параметров ИНС прогнозирования уровня концентрации метана в зависимости от режима работы угольного комбайна с использованием методов ИНС, включающая следующие этапы: съем экспериментальных данных; сглаживание данных; разделение набора данных (сглаженные входные переменные) на обучающие данные, тестовые данные и данные проверки; проектирование вариантов сети; обучение сети и проверка качества прогнозирования; выбор лучшей сети, имеющей самую низкую ошибку прогнозирования.
После сглаживания наборы исходных данных были разделены на три подмножества: данные обучения (70% случаев), данные испытаний (15% случаев) и данные проверки (15% случаев) [27]. Подмножество обучающих данных используется для обучения сети, тогда как тестовый набор данных используется для проверки процесса обучения сети
Последний набор, а именно набор проверки, позволяет оценить качество сети и сравнить различные варианты сети, применяемые для конкретного анализа.
В таблице приведены сравнительные характеристики результатов прогнозирования для выбранных ИНС. Количество нейронов входного слоя соответствует количеству входных параметров. В качестве входных
52
параметров использовались следующие данные: 1- текущего времени работы комбайна в течение рабочей смены, 2- местоположения комбайна в лаве относительно номера секции, 3 - скорости перемещения комбайна, 4 -информации в какую сторону относительно лавы перемещается комбайн (в бинарном: «1» - перемещается условно «вперед», «-1» - перемещается условно «назад», «0»- стоит). В качестве выходных параметров для прогнозирования, использовались значения концентрации метана, снимаемые в трех точках, согласно расположения датчиков, как показано на рис. 3, а именно: в кутке х1, исходящий лава (на выходе лавы) х2, исходящий участок (на выходе рабочего участка) х3.
Результаты прогнозирования концентрации метана нейронными
сетями
' --------- Сеть ТОМЫ ЬЯЫ ЫЛЯХ ГГЫ
Критерий " " ____
Наличие обратной связи нет да да нет
Задержка во входном слое да нет да нет
Среднеквадратичная ошибка прогноза (МБЕ) 0,16 0,14 0,02 0,11
Из данных таблицы следует что сеть ЫЛЯХ обеспечивает наименьшую среднюю квадратичную ошибку прогноза, поэтому она была рекомендована для решения задачи прогнозирования. Точность прогноза у этой сети равна
5 (%) = (100 - МЖ%) = (100 - 2) = 98 % Модель нейронной сети типа ЫЛЯХ описывается следующими уравнениями:
М (0) М (0) +М (!) ^(п) = /(1Ц + I А(п - (/ -1)) + I *#У2)(и - 01;
" * =1 " * =М (°) +1 "
у ;
у(2)(п) = /(2)[Ь(2) + ^ ^2)у(1)(и)1,
(=1
где N(к)- количество нейронов в к -м слое, М(к) - задержка в к -м слое; w(f)(n) - вес связи от нейрона в момент времени п - (( -1) к j-му нейрону
в первом слое в момент времени и, м(2^(п)- вес связи от ( -го нейрона к
нейрону во втором слое в момент времени и; у(\п) -выход у-го нейрона в
первом слое; у(2)(и)- выход нейрона во втором слое; /(к)- функция активация нейронов к-го слоя (гиперболический тангенс).
На рис.7, в качестве примера представлен график зависимости значений уровня концентрации метана снятого экспериментально и спрогнозированного (рассчитанного) нейронной сетью в точке измерения куток х1
53
за одну смену (24 ч). По горизонтальной оси отложено время в ч (за рабочую смену), по вертикальной оси значения в % уровня концентрации метана измеренные (real) и спрогнозированные НС (forecast).
Результат прогноза дает возможность диспетчеру шахты эффективно осуществлять мониторинг безопасности работы в очистном забое, что должно уменьшить число автоматических отключений электрической энергии по причине превышения допустимой концентрации метана и создать систему управления комбайна, обеспечивающую его работу по критерию минимизации времени принудительной остановки по газовому фактору.
Выводы.
1. Установлена необходимость прогнозирования концентрации метана в струе на выходе очистного забоя для повышения безопасности ведения горных работ и обеспечения регулирования скорости подачи и производительности очистного комбайна по объему метановыделения.
2. Разработана методология обоснования структуры и параметров ИНС прогнозирования концентрации метана в очистном забое, включающая: съем и сглаживание экспериментальных данных о концентрации метана в трех точках контроля и скорости и положения очистного комбайна в лаве; разделение их на обучающие, тестовые и проверочные; проектирование вариантов сети; обучение и прогнозирование с помощью ИНС концентрации метана для выбора лучшей сети по критерию минимальной ошибки прогнозирования.
The sensor of methane "In the lifesavlng niche" (%) In testing data
0.6 г
о
о (U
О -1-1-1-1-1-1
О 2000 4000 3000 flOOO 10000 12000
Time (hour)
Рис. 7. Результат прогнозирования концентрации метана с датчика
«куток»
3. В результате математического моделирования процесса прогнозирования концентрации метана в очистном забое 26-28 ООО «Шахта «Есаульская», ОАО «Кузбассуголь» установлено, что ИНС типа NARX, имеющая обратную связь и задержку во входном сигнале, обеспечивает прогноз ожидаемой концентрации метана в зависимости от режима работы очистного комбайна с достоверностью до 98 %.
54
Список литературы
1. Дацюк Н.М., Алтухов Е.И. Увеличение эффективности работы угледобывающих машин с помощью компьютерных систем контроля ме-тановыделения // Материалы конференции «Энергетика. Экология. Человек». Киев: КПИ им. И. Сикорского, 2012. С. 279-286.
2. Шевченко Л. А., Зубарева В. А. Влияние технологического цикла в очистном забое на газообильность выемочного участка шахты // XII Международная научно-практическая конференция «Безопасность жизнедеятельности в промышленно развитых районах». Кемерово. 2017. С. 2011 -2018.
3. Сапрыкина Т.В. Сравнительная оценка применения очистных комбайнов в метаноопасных лавах // Технические науки: теория и практика: материалы III Междунар. науч. конф. Чита: Издательство Молодой ученый, 2016. С. 105-108.
4. Болгожин Ш.А., Карабаев Г.И., Хакимжанов Т.Е. Анализ газовыделения в очистных забоях с переходом на узкозахватную выемку // Горное дело. Алма-Ата: МВиССО КазССР, 1968. Вып. 3. С. 34-37.
5. Калиев С.Г. Управление газовыделением на угольных шахтах. / С.Г. Калиев, Е.И. Преображенская, В.А. Садчиков и др. М: Недра, 1980. 221 с.
6. Абдугалиева Г.Ю. Оценка влияния скорости движения угольного комбайна на интенсивность газовыделения в лаву // Труды Международной научно-практической конференции «Стратегия развития горнометаллургического комплекса Казахстана», посвященной 100-летия со дня рождения И. А. Онаева. Алма-Ата: КазНТУ, 2013. С. 19 - 24.
7. Колмаков В. А., Чередниченко М.В. Метод оценки интенсивности добычи угля комбайнами в метаноопасных очистных выработках // Вестник Кузбасского государственного технического университета, 2010. №6. С. 20-22.
8. Брюханов А.М., Иванов Ю.А., Силаков С.М. Создание современной системы комплексной безопасности: сб. науч. тр. МакНИИ // Способы и средства создания безопасных и здоровых условий труда в угольных шахтах. Макеевка-Донбасс, 2007. Вып. 20. C. 7-15.
9. Радченко В.В., Малеев Н.В., Мартынов А.А., Захаров В.С., Шевцов В.А. Перспективы повышения уровня промышленной безопасности угольных шахт при использовании системы диспетческого контроля (УТАС) // Горный информационно-аналитический бюллетень, 2005. № 2(12). С. 32-44.
10. Bojko B. The Analysis of Acquired Measurements of Methane Concentration in Mine Galleries - Selected Examples, Proceedings of 3rd School of Mine Ventilation, Zakopane, 2004.
11. Dixon W.D. A statistical analysis of monitored data for methane prediction, PhD Thesis, University of Nottingham, Dept. of Mining Engineering, 1992.
12. Krause E., Krzystolik P., Lukowicz K. Recognition, Forecasting, Control and Combating Methane Hazard in Hard Coal Mines; GIG: Katowice, Poland, 2001.
13. Brodny J., Tutak M., John A. Analysis of Influence of Types of Rocks Forming the Goaf with Caving on the Physical Parameters of Air Stream Flowing Through These Gob and Adjacent Headings. Mechanics 2018, 24. P. 43-49.
14. Badura H. Short-Term Prediction Methods for Methane Concentrations at the Outlets from Caving Longwall Areas at Coal Mines. Politechnika SXska: Gliwice, Poland, 2013.
15. Firganek B. Stochastic Model of Methane Emission in Longwall Faces // Proceedings of 29th International Conference of Safety in Mines Research Institutes. Szczyrk, Poland, 2001. Vol. 1.
16. Novoselov S., Popov V., Filatov Yur., Hee Lee, Golik A. Problem of methane-air mixture explosions in working faces of coal mines at mining intensification and ways of its solution // The Second International Innovative Mining Symposium. E3S Web of Conf erences 21, 01034 (2017). P. 1-5. DOI: https://doi.org/10.1051/e3sconf/20172101034.
17. Tutak M., Brodny J. Predicting Methane Concentration in Longwall Regions Using Artificial Neural Networks // International Journal of Environmental Research and Public Health, 2019. 16(8). P.2-21. https://doi.org/ 10.3390 /ijerph16081406.
18. Borowski M., Szl^zak N. Predicting the release of methane into the longwall workings in Polish coal mines using neural networks // International Mining Conference 2014 «Theory and Technique of Coal Mining and Disaster Prevention in Deep Mines», 2014. P. 1-7. https://www.researchgate.net/ publication/272480802.
19. Поздеев И.А. Обоснование параметров, взаимодействующих геомеханических и газофильтрационных процессов в углепородном массиве в окрестности движущегося очистного забоя: дис. канд. техн. наук. Новокузнецк, 2018. 194 с.
20. Хайкин С. Нейронные сети. Полный курс 2-е изд. Пер. с англ. М.: Издательский дом «Вильямс», 2006. 1104 с.
21. Джова Ю.Л. Розробка нейромережевого способу прогнозу вмюту метану в прничих виробках // Технологический аудит и резервы производства, 2015. № 5/6(25). С. 60-62.
22. Саяпина И. А. Нейросетевое моделирование аппаратуры рельсовых цепей // Инфрмационно-управляющие системы на железнодорожном транспорте, 2014. № 1 (104). С. 83-87.
23. Карпенко А.П., Косоруков К.Н., Сабуров А. А., Чернецов С. А. Нейросетевое прогнозирование уровня глюкозы в крови больных сахарным диабетом I типа // Наука и образование. Научное издание МГТУ им. Н.Э. Баумана, 2011. № 7. С. 1-31.
24. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применение. Харьков: Телетех, 2004. 304 с.
25. Кретов Д. А., Рузанов Р.В. Прогнозирование электропотребления энергосбытовой компании с использованием искусственной нейронной сети // Инженерный вестник Дона, 2015. №2. С. 20.
26. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая Линия - Телеком, 2010. 56 с.
27. Дерябин В.В. Алгоритмы обучения нейросетевой системы счисления пути судна // Вестник Государственного университета морского и речного флота им. адмирала С.О. Макарова, 2016. 3(37). С. 23-33.
Шпрехер Дмитрий Маркович, д-р техн. наук, доцент, shpreher-d@yandex. ru, Россия, Тула, Тульский Государственный Университет,
Бабокин Геннадий Иванович, д-р техн. наук, профессор, babokingi-nov@yandex.ru, Россия, Москва, Национальный исследовательский технологический университет «МИСиС»Г, орный институт,
Колесников Евгений Борисович, канд. техн. наук, доцент, kolesnikov55@,mail. ru, Россия, Новомосковск, Российский химико-технологический университет имени Д. И. Менделеева, Новомосковский институт (филиал)
SELECTION OF THE STRUCTURE AND PARAMETERS OF A NEURAL NETWORK FOR FORECASTING METHANE CONCENTRATION IN COAL FACE
D.M. Shprekher, G.I. Babokin, E.B. Kolesnikov
The problem of the possibility of continuous forecasting the concentration of methane in the working face of a coal mine with the aim of increasing the safety of working in the lava and increasing the volume of coal produced by reducing the idle time of the shearer by the gas factor is considered. An analysis is made of existing analytical and statistical methods and models to predict the dangers of the situation with methane, which have not found practical application. It is proposed to solve this problem using digital technologies based on the use of artificial intelligence, in particular neural networks. It is shown that in order to predict the level of methane concentration in the face, it is necessary to measure the methane concentration in at least three points of the exhaust air, as well as the parameters of the operation mode of the combine and its location in the lava. The result of predicting the level of methane concentration for the selected structure of the neural network is presented. The analysis of the obtained graphs indicates the acceptability of the result, the forecasting accuracy is 93%. The introduction of the proposed technology to predict the level of methane concentration in the lava of the mine working section will increase the safety of operations during mining operations, as well as increase the amount of coal mined by reducing the downtime of the combine by the gas factor.
Key words: concentration, methane, shearer, coal, forecasting, neural network, mean square error of forecasting.
Shprekher Dmitry Markovich, doctor of technical science, docent, shpreher-d@yandex.ru, Russia, Tula, Tula State University,
Babokin Gennady Ivanovich, doctor of technical sciences, professor, babokingi-nov@yandex.ru, Russia, Moscow, National research technological University "MISIS", Mining Institute,
Kolesnikov Evgeny Borisovich, candidate of technical science, docent, kolesni-kov55@mail. ru, Russia, Novomoskovsk, Novomoskovsk branch (institute) of D. Mendeleyev University of Chemical Technology of Russia
