Predictive regression models of monthly seismic energy emissions induced by longwall mining

• Autorzy: Jakubowski J. , Tajduś A.

Identyfikatory

DOI

10.2478/amsc-2014-0049

Warianty tytułu

PL

Regresyjne modele predykcyjne miesięcznej emisji energii sejsmicznej indukowanej eksploatacją w ścianie

• Języki publikacji: EN

Abstrakty

EN

This article presents the development and validation of predictive regression models of longwall mining-induced seismicity, based on observations in 63 longwalls, in 12 seams, in the Bielszowice colliery in the Upper Silesian Coal Basin, which took place between 1992 and 2012. A predicted variable is the logarithm of the monthly sum of seismic energy induced in a longwall area. The set of predictors include seven quantitative and qualitative variables describing some mining and geological conditions and earlier seismicity in longwalls. Two machine learning methods have been used to develop the models: boosted regression trees and neural networks. Two types of model validation have been applied: on a random validation sample and on a time-based validation sample. The set of a few selected variables enabled nonlinear regression models to be built which gave relatively small prediction errors, taking the complex and strongly stochastic nature of the phenomenon into account. The article presents both the models of periodic forecasting for the following month as well as long-term forecasting.

PL

W artykule przedstawiono budowę i walidację predykcyjnych modeli regresyjnych sejsmiczności indukowanej eksploatacją w ścianie, opartych na obserwacjach w 63 ścianach kopalni Bielszowice prowadzonych w 12 pokładach w latach 1992-2012. Zmienna prognozowaną jest logarytm miesięcznej sumy energii sejsmicznej wstrząsów w ścianie. Zestaw predyktorów składa się z siedmiu zmiennych ilościowych i jakościowych opisujących wybrane czynniki górnicze i geologiczne w ścianach. Do budowy modeli zastosowano dwie metody uczenia się maszyn: drzewa wzmacniane oraz sieci neuronowe. Zastosowano dwa rodzaje walidacji modeli: na losowej próbie walidacyjnej oraz na czasowej próbie walidacyjnej. Zestaw kilku wybranych zmiennych pozwolił na zbudowanie nieliniowych modeli regresyjnych, które, biorąc pod uwagę złożoną i silnie stochastyczną naturę zjawiska, dają względnie małe błędy pro gnozy. W artykule przedstawiono zarówno modele do prognozy okresowej na kolejny miesiąc jak i do prognozy długoterminowej.

Słowa kluczowe

EN

induced seismicity; mining tremors; rockburst hazard; longwall mining; boosted trees; neural networks; data mining; regression models; predictive models

PL

sejsmiczność indukowana; wstrząsy górnicze; zagrożenie tąpaniami; eksploatacja ścianowa; drzewo wzmacniane; sieci neuronowe; data mining; modele regresyjne; modele predykcyjne

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2014
• Tom: Vol. 59, no. 3
• Strony: 705--720
• Opis fizyczny: Bibliogr. 29 poz., rys., tab., wykr.

Twórcy

autor

Jakubowski J.

• AGH University of Science & Technology, Department of Geomechanics, Civil Engineering & Geotechnics; al. A. Mickiewicza 30, 30-059 Krakow, Poland

autor

Tajduś A.

• AGH University of Science & Technology, Department of Geomechanics, Civil Engineering & Geotechnics; al. A. Mickiewicza 30, 30-059 Krakow, Poland

Bibliografia

• [1] Barański A., Drzewiecki J., Kabiesz J., Konopko W., Kornowski J., Krzyżowski A., Mutke G., 2007. Zasady stosowania metody kompleksowej i metod szczegółowych oceny stanu zagrożenia tapaniami w kopalniach wegla kamiennego. GIG Seria Instrukcje, No 20, Katowice.
• [2] Berry M., Linoff G., 2000. Mastering Data Mining. Wiley, Hoboken, NJ.
• [3] Cabena P., Hadjinian P., Stadler R., Verhees J., Zanasi A. 1998. Discovering Data Mining: From Concept to Implementation. Prentice Hall, NY.
• [4] Cianciara A. Cianciara B., 2005. Method of evaluation of mining tremors prediction on the basis of the analysis of asymmetry of seismoacoustic signals emission. Arch. Min. Sci., Vol. 50, No 3, p. 317-326.
• [5] Cianciara A. Cianciara B., 2006. The meaning of seismoacoustic emission for estimation of time of mining tremors occurrence. Arch. Min. Sci., Vol. 51, No 4, p. 563-575.
• [6] Dubinski J., Konopko W., 2000. Tąpania. Ocena, prognoza, zwalczanie. GIG Katowice.
• [7] Gibowicz S. J., Kijko A., 1994. An Introduction to Mining Seismology. Academic Press, San Diego.
• [8] Gibowicz S. J., Lasocki S., 2001. Seismicity induced by mining: Ten years later. Adv. Geophys., 44, 39-181.
• [9] Głowacka E., 1993. Application of the extracted volume as a measure of deformation for the seismic hazard evaluation in mines. Tectonophysics, 202, 285-290.
• [10] Gołda I., Kornowski J., 2011. Zastosowanie rozkładu Gutenberga-Richtera do prognozy zagrożenia sejsmicznego, wraz z oceną jego niepewności. Górnictwo i Geologia, 6(3), p. 49-62.
• [11] Hand D., Mannila H., Smyth P., 2001. Eksploracja danych. MIT Press, WNT.
• [12] Idziak A., Sagan G., Zuberek W. M., 1991. An analysis of frequency distributions of shocks from the Upper Silesian Coal Basis. Publ. Inst. Geophys. Pol. Acad. Sci., M-15(235), 163-182.
• [13] Idziak, A., Zuberek, W. M., 1995. Fractal analysis of mining induced seismicity in the Upper Silesia Coal Basin. [In:] Mechanics of Jointed and Faulted Rocks (H. P. Rossmanith, ed.). Balkema, Rotterdam, 1995, 679-682.
• [14] Jakubowski J., 2014. A predictive model of daily seismic activity induced by mining developed with data mining methods. Geoinformatica Polonica, 13.
• [15] Kabiesz J., 2008. Badanie kategoryzacji zagrożenia tąpaniami z wykorzystaniem sieci neuronowych. Górnicze zagrożenia naturalne 2008. Prace naukowe GIG. Górnictwo i Środowisko 7, GIG, Katowice.
• [16] Kornowski J., Kurzeja J., 2008. Krótkookresowa prognoza zagrożenia sejsmicznego w górnictwie. Główny Instytut Górnictwa, Katowice.
• [17] Larose D. T., 2008. Metody i modele eksploracji danych. PWN, Warszawa.
• [18] Lasek M., 2002. Data mining. Zastosowania w analizach i ocenach klientów bankowych. BMiB, Warszawa.
• [19] Lasocki S., 1992. Weibull distribution for time intervals between mining tremors. Publ. Inst. Geophys. Polish Acad. Sci., M-16 (245), 241-260.
• [20] Lasocki S., 1993. Statistical prediction of strong mining tremors. Acta Geophys., Pol. 41, 1993, 1197-234.
• [21] Lasocki S., Orlecka-Sikora B., 2008. Seismic hazard assessment under complex source size distribution of mining-induced seismicity. Tectonophysics, 456, 2008, 28-37.
• [22] Leśniak A., Isakow Z., 2009. Space-time clustering of seismic events and hazard assessment in the Zabrze-Bielszowice coal mine, Poland. International Journal of Rock Mechanics & Mining Sciences, 46, 918-928.
• [23] Marcak H., 1993. The use of pattern recognition method for predicting of the rockbursts. [In:] R. R Young, (ed.) Rockbursts and Seismicity in Mines. Balkema, Rotterdam, 222-226.
• [24] Migut G., Harańczyk G., 2011. Zastosowanie statystyki i data mining w badaniach naukowych i inne materiały. StatSoft Polska, Kraków.
• [25] Orlecka-Sikora B., 2008. Resampling methods for evaluating the uncertainty of the nonparametric magnitude distribution estimation in the Probabilistic Seismic Hazard Analysis. Tectonophysics, 456, 38-51.
• [26] Sikora M., 2011. Induction and pruning of classification rules for prediction of microseismic hazards in coal mines. Expert Systems with Applications, 38, 6748-6758.
• [27] StatSoft, Inc., 2011. STATISTICA (data analysis software system), version 10.
• [28] Stec K., 2008. Statystyczna zależność aktywności sejsmicznej górotworu od parametrów eksploatacji w kopalniach Górnośląskiego Zagłębia Węglowego. Przegląd Górniczy, 64, 4, 26-34.
• [29] Tadeusiewicz R., Gąciarz T., Borowik B., Leper B., 2007. Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#. Wydawnictwo PAU, Kraków.