PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Ocena przydatności wybranych metod sztucznej inteligencji w prognozach przemieszczeń spowodowanych odwodnieniem górotworu na terenach górniczych

Autorzy
Treść / Zawartość
Identyfikatory
Warianty tytułu
EN
Assessment of suitability of selected approaches of artificial intelligence in the prediction of surface subsidence due to rock mass drainage in mining areas
Języki publikacji
PL
Abstrakty
PL
W publikacji przedstawiono problem osiadań powierzchni spowodowanych przez odwodnienie górotworu, obserwowanych na terenach górniczych. Przedstawiono możliwość prognozowania tych ruchów z wykorzystaniem narzędzi sztucznej inteligencji. Omówiono dwie metody obliczeniowe: wielowarstwową sieć perceptronową oraz metodę wektorów podtrzymujących. Proces uczenia sieci wykonano na zestawie danych reprezentujących jeden z polskich terenów górniczych. Uzyskane wyniki zaprezentowano w postaci wykresów korelacyjnych danych prognozowanych przez sieci oraz oczekiwanych odpowiedzi (dane wysokościowe). Weryfikację poprawności wytrenowania sieci przeprowadzono na próbce danych nieuczestniczących we wcześniejszej procedurze obliczeniowej. Zaprezentowano najlepsze rezultaty z procesu uczenia sieci MLP oraz SVM. W podsumowaniu wskazano możliwości dalszego rozwoju badań w zakresie wykorzystania sztucznej inteligencji w zagadnieniu osiadań odwodnieniowych obserwowanych na terenach górniczych.
EN
This paper presents a phenomenon of surface subsidence caused by dewatering of rock mass observed in mining areas. The possibility of forecasting these movements by the use of artificial intelligence tools was presented, and two calculation methods discussed: Multilayer Perceptron Network (MLP) and the Support Vectors Machines (SVM). The teaching process of the network was performed on the basis of a data set, representing one of the Polish mining areas. Obtained results were presented in the form of correlation graphs of data forecasted by neural networks and expected responses (elevation data). Verification of network training correctness was conducted on a sample of data not involved in the earlier calculation procedure. The best results of the learning process of MLP and SVM networks were presented. The summary indicated the possibility of further development of research in terms of using artificial intelligence in the issue of drainage subsidence observed in mining areas.
Czasopismo
Rocznik
Strony
88--94
Opis fizyczny
Bibliogr. 20 poz., wykr.
Twórcy
  • AGH w Krakowie
Bibliografia
  • 1. Ambrozic T., Turk G.: Prediction of subsidence due to underground mining by artificial neural networks. Computers & Geosciences, 2003, T. 29, no. 5, p. 627-637. DOI 10.1016/S0098- 3004(03)00044-X
  • 2. Bishop Ch.M.: Neural networks for pattern recognition, Oxford, Clarendon Press, 1996.
  • 3. Chih-Chung Ch., Chih-Jen L.: LIBSVM : a library for support vector machines, ACM Transactions on Intelligent Systems and Technology, 2:27:1-27:27, 2011. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm.4
  • 4. Galloway D.L., Burbey T.J.: Review: Regional land subsidence accompanying groundwater extraction, „Hydrogeology Journal", 2011, vol.19, iss. 8, pp. 1459-1486.
  • 5. Geertsma J., Van Opstal G.: A numerical technique for predicting subsidence above compaction reservoirs, based on the nucleus of strain concept. Verhandelingen Kon. Ned. Geol. Mijnbouwk. Gen. vol. 28, 1973, s. 63-78.
  • 6. Hejmanowski R.: Zur Vorausberechnung Förderbedingter Bodensenkungen Über Erdöl- und Erdgaslegerstätten. Praca doktorska, Technische Universität Clausthal 1993.
  • 7. Hejmanowski R., Sopata R., Stoch T., Wójcik A., Witkowski W.T.: Wpływ odwodnienia górotworu węglowego na osiadanie powierzchni terenu [Impact of coal rock mass drainage on surface subsidence], „Przegląd Górniczy" 2013, t. 69, nr 8, pp. 38-43.
  • 8. Hejmanowski R., Witkowski W.T.: Suitability assessment of artificial neural network to approximate surface subsidence due to rock mass drainage, Journal of Sustainable Mining, 2015 vol. 14 iss. 2, pp. 101-107, DOI 10.1016/j.jsm.2015.08.014.
  • 9. Knothe S.: Równanie profilu ostatecznie wykształconej niecki osiadania. „Archiwum Górnictwa i Hutnictwa", t. 1, vol.1, 1953.
  • 10. Kim K.D., Lee S., Oh H.J.: Prediction of ground subsidence in Samcheok City, Korea using artificial neural networks and GIS. Environmental Geology, 2008, T. 58, nr 1, s. 61-70. DOI 10.1007/s00254-008-1492-9.
  • 11. Kumar M., Raghuwanshi N.S., Singh R.: Artificial neural networks approach in evapotranspiration modeling: a review. Irrigation Science, 2010, T. 29, nr 1, s. 11-25. DOI 10.1007/s00271-010-0230-8.
  • 12. Lee S., Park I., Choi J.K.: Spatial prediction of ground subsidence susceptibility using an artificial neural network. Environmental management, 2012, T. 49, nr 2, s. 347-358. DOI 10.1007/s00267-011-9766-5.
  • 13. Osowski S.: Sieci neuronowe do przetwarzania informacji (wyd. II). Oficyna Wydawnicza PW, Warszawa 2006.
  • 14. Popiolek E. i inni: Analiza rozwoju i prognoza niecki obniżeniowej ze szczególnym uwzględnieniem rejonów projektowanej eksploatacji górniczej, Kraków 2003, 2005, 2007, 2009 i 2011 (materiały niepublikowane).
  • 15. Steinwart I., Christmann A.: Support Vector Machines, Springer 2008.
  • 16. Vapnik V: Statistical Learning Theory, Wiley, New York, NY, 1998.
  • 17. Wilk Z., Bocheńska T.: Hydrogeologia polskich złóż kopalin i problemy wodne górnictwa, t. 2, Wydawnictwo AGH, Kraków 2003.
  • 18. Witkowski W.T.: Review of computational models using to subsidence prediction due to fluid withdrawal, 15. Geokinematischer Tag : 15-16 May 2014, TU Bergakademie Freiberg, Germany pp. 117-127.
  • 19. Witkowski W.T.: Artificial intelligence in modelling of surface subsidence due to water withdrawal in underground mining, International Multidisciplinary Scientific GeoConference SGEM, 18-24 June 2015, Albena, Bulgaria, pp.503-510.
  • 20. Zhi-xiang T., Pei-xian L., Li-li Y., Ka-zhong D.: Study of the method to calculate subsidence coefficient based on SVM, Procedia Earth and Planetary Science, 2009, vol.1, iss. 1, pp. 970-976.
Uwagi
Publikacja powstała w ramach projektu Narodowego Centrum Nauki nr 2014/13/N/ST10/02845
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-87c0737f-a8be-4acd-9b04-97b2fcbeb775
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.