Neural networks in mining sciences – general overview and some representative examples

• Autorzy: Tadeusiewicz R.

Identyfikatory

DOI

10.1515/amsc-2015-0064

Warianty tytułu

PL

Sieci neuronowe w naukach górniczych – ogólne omówienie i kilka reprezentatywnych przykładów

• Języki publikacji: EN

Abstrakty

EN

The many difficult problems that must now be addressed in mining sciences make us search for ever newer and more efficient computer tools that can be used to solve those problems. Among the numerous tools of this type, there are neural networks presented in this article – which, although not yet widely used in mining sciences, are certainly worth consideration. Neural networks are a technique which belongs to so called artificial intelligence, and originates from the attempts to model the structure and functioning of biological nervous systems. Initially constructed and tested exclusively out of scientific curiosity, as computer models of parts of the human brain, neural networks have become a surprisingly effective calculation tool in many areas: in technology, medicine, economics, and even social sciences. Unfortunately, they are relatively rarely used in mining sciences and mining technology. The article is intended to convince the readers that neural networks can be very useful also in mining sciences. It contains information how modern neural networks are built, how they operate and how one can use them. The preliminary discussion presented in this paper can help the reader gain an opinion whether this is a tool with handy properties, useful for him, and what it might come in useful for. Of course, the brief introduction to neural networks contained in this paper will not be enough for the readers who get convinced by the arguments contained here, and want to use neural networks. They will still need a considerable portion of detailed knowledge so that they can begin to independently create and build such networks, and use them in practice. However, an interested reader who decides to try out the capabilities of neural networks will also find here links to references that will allow him to start exploration of neural networks fast, and then work with this handy tool efficiently. This will be easy, because there are currently quite a few ready-made computer programs, easily available, which allow their user to quickly and effortlessly create artificial neural networks, run them, train and use in practice. The key issue is the question how to use these networks in mining sciences. The fact that this is possible and desirable is shown by convincing examples included in the second part of this study. From the very rich literature on the various applications of neural networks, we have selected several works that show how and what neural networks are used in the mining industry, and what has been achieved thanks to their use. The review of applications will continue in the next article, filed already for publication in the journal „Archives of Mining Sciences“. Only studying these two articles will provide sufficient knowledge for initial guidance in the area of issues under consideration here.

PL

Liczne i trudne problemy, jakie muszą być obecnie rozwiązywane w naukach górniczych, skłaniają do poszukiwanie i wypróbowywania wciąż nowszych i bardziej sprawnych narzędzi informatycznych, które mogą być wykorzystane do rozwiązywania tych problemów. Wśród narzędzi tego typu, które wprawdzie jeszcze powszechnie wykorzystywane nie są, z pewnością zasługują na uwagę, warto rozważyć przedstawiane w tym artykule sieci neuronowe. Sieć neuronowa, której schemat przedstawiony jest na rysunku 1, jest narzędziem tak zwanej sztucznej inteligencji, wywodzącym się z prób modelowania struktury i funkcji biologicznych systemów nerwowych. Początkowo budowane i badane wyłącznie z ciekawości naukowej, jako komputerowe modele fragmentów ludzkiego mózgu, sieci neuronowe nieoczekiwanie okazały się skutecznym narzędziem w wielu zastosowaniach: w technice, w medycynie, w ekonomii a nawet w naukach społecznych. Mogą one dostarczać pojedynczych rozwiązań (wartości oszacowań poszukiwanych parametrów, lub przesłanek do podjęcia określonych decyzji), bądź całych wektorów rozwiązań – jakkolwiek w tym drugim przypadku celowe jest rozważenie kwestii, czy zastosować jedną sieć o wielu wyjściach, czy kilka sieci mających pojedyncze wyjście (Rys. 2). Przy tworzeniu sieci neuronowych trzeba wybierać stopień złożoności jej struktury, co nie jest łatwe, ponieważ sieć o zbyt ubogiej strukturze (zwłaszcza dysponująca zbyt mała liczbą tak zwanych neuronów ukrytych) może nie podołać rozwiązaniu bardziej złożonego zadania, natomiast sieć mająca zbyt skomplikowaną i bogatą strukturę zawsze sprawia kłopoty podczas procesu uczenia. Proces uczenia jest kluczem do wszystkich zastosowań sieci neuronowych. Kluczem do skutecznego nauczenia sieci rozwiązywania jakiejś klasy zadań jest posiadanie tak zwanego zbioru uczącego, to znaczy zbioru przykładowych zadań wraz z ich prawidłowymi rozwiązaniami (Rys. 4). Wprowadzając na wejście sieci dane stanowiące przesłanki do rozwiązania zadania i porównując odpowiedź sieci z prawidłową odpowiedzią zapisaną w zbiorze uczącym można na podstawie wykrytego błędu automatycznie korygować parametry sieci, co prowadzi zwykle do tego, że sieć po pewnym czasie sama nauczy się rozwiązywania rozważanej klasy zadań. Dzięki korzystaniu z procesu uczenia (opartego na przykładach, a nie na regułach) sieć neuronowa może rozwiązywać zadania, dla których my (użytkownicy sieci) nie dysponujemy wiedzą, jak te zadania należy rozwiązywać (Rys. 6). Dzięki temu sieć neuronowa może służyć jako model dowolnego złożonego procesu, co pozwala na wykonywanie dla tego procesu wielu istotnych czynności (Rys. 7). Niestety, mimo niewątpliwych zalet sieci neuronowych w naukach górniczych są one stosowane raczej rzadko. Prezentowany artykuł ma przekonać Czytelników, że sieci neuronowe mogą się okazać bardzo przydatne także w naukach górniczych. Artykuł stanowi również użyteczne wstępne wprowadzenie do wiedzy o sieciach neuronowych. Praca zawiera bowiem informacje o tym, jak są zbudowane nowoczesne sieci neuronowe, jak one działają i jak można ich używać. To wstępne omówienie przedstawione w artykule może pomóc w tym, by Czytelnik wyrobił sobie opinię, czym jest to narzędzie, jakie ma właściwości i w związku z tym do czego może mu się przydać. Oczywiście skrótowe wprowadzenie do problematyki sieci neuronowych zawarte w prezentowanym artykule nie wystarczy tym Czytelnikom, którzy dadzą się przekonać i naprawdę będą chcieli użyć sieci neuronowych. Będą oni potrzebowali jeszcze sporej porcji szczegółowej wiedzy, żeby mogli zacząć samodzielnie tworzyć takie sieci i ich używać w praktyce. Jednak jeśli decyzja o wypróbowaniu możliwości sieci neuronowych będzie pozytywna, to zainteresowany Czytelnik będzie mógł w artykule znaleźć odnośniki do pozycji literatury, pozwalających szybko i sprawnie poznać technikę sieci neuronowych na poziomie wystarczającym do rozpoczęcia własnych prac z tym wygodnym narzędziem. Będzie to tym łatwiejsze, że obecnie dostępnych jest sporo gotowych programów komputerowych pozwalających szybko i bez wysiłku tworzyć sztuczne sieci neuronowe, uruchamiać je, uczyć i wykorzystywać praktycznie. Oczywiście kluczową sprawą jest kwestia, jak tych sieci używać w naukach górniczych. O tym, że jest to możliwe i celowe przekonują jednak przykłady zawarte w drugiej części opracowania. Z przebogatej literatury, dotyczącej różnych zastosowań sieci neuronowych, wybrano kilkanaście prac, które pokazują, jak i do czego sieci neuronowych w górnictwie użyto i co zostało osiągnięte dzięki ich zastosowaniu. Ten przegląd zastosowań będzie kontynuowany w następnym artykule, zgłoszonym już do publikacji w czasopiśmie „Archiwum Górnictwa” i dopiero przestudiowanie obydwu tych artykułów dostarczy wiedzy wystarczającej do wstępnej orientacji w obszarze rozważanej tu problematyki.

Słowa kluczowe

EN

neural networks; applications in mining sciences; process modeling; systems modeling; machine learning; modeling of the oil mining process; forecasting of reservoir properties

PL

sieci neuronowe; zastosowania w naukach górniczych; modelowanie procesów; modelowanie systemów; uczenie maszyn; modelowanie procesu wydobycia ropy naftowej; przewidywanie właściwości zbiornikowych pokładów geologicznych

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2015
• Tom: Vol. 60, no. 4
• Strony: 971--984
• Opis fizyczny: Bibliogr. 23 poz., rys.

Twórcy

autor

Tadeusiewicz R.

• AGH University of Science and Technology, Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering, al. A. Mickiewicza 30, 30-059 Krakow, Poland

Bibliografia

• [1] Ahmadi M.A., 2015. Developing a robust surrogate model of chemical flooding based on the artificial neural network for enhanced oil recovery implications. Mathematical Problems in Engineering, 706897 (9 pp.) doi:http://dx.doi.org/10.1155/2015/706897.
• [2] Aliouane L., Ouadfeul SA., Boudella A., 2013. Fractal analysis based on the continuous wavelet transform and lithofacies classification from well-logs data using the self-organizing map neural network. Arabian Journal of Geosciences, 6(6), 1681-1691.
• [3] Asoodeh M., Shadizadeh S.R., Zargar G., 2015. The Estimation of Stoneley Wave Velocity from Conventional Well Log Data: Using an Integration of Artificial Neural Networks. Energy Sources, Part A (Recovery, Utilization, and Environmental Effects), vol. 37, no. 3, 309-317.
• [4] Baijie Wang; Xin Wang; Zhangxin Chen, 2013. A hybrid framework for reservoir characterization using fuzzy ranking and an artificial neural network. Computers-and-Geosciences, 57, 1-10.
• [5] Dali Guo, Kai Zhu, Liang Wang, Jiaqi Li, Jiangwen Xu, 2014. A new methodology for identification of potential pay zones from well logs: Intelligent system establishment and application in the Eastern Junggar Basin, China. Petroleum Science, vol.11, no.2, June, 258-264.
• [6] Fegh A., Riahi M.A., Norouzi G.H., 2013. Permeability prediction and construction of 3D geological model: application of neural networks and stochastic approaches in an Iranian gas reservoir. Neural Computing and Applications. 23(6): 1763-1770.
• [7] Ghavipour M., Ghavipour M., Chitsazan M., Najibi S.H., Ghidary S.S., 2013. Experimental study of natural gas hydrates and a novel use of neural network to predict hydrate formation conditions. Chemical Engineering Research and Design, vol. 91, no. 2, Feb., 264-273.
• [8] Ghiasi Freez J., Kadkhodaie Ilkhchi A., Ziaii M., 2012. The Application of Committee Machine with Intelligent Systems to the Prediction of Permeability from Petrographic Image Analysis and well logs Data: a case Study from the South pars gas Field, South Iran. Petroleum Science and Technology, 30(20), 2122-2136.
• [9] Ghiasi M.M., Bahadori A., Zendehboudi S., Chatzis I., 2015. Rigorous models to optimise stripping gas rate in natural gas dehydration units. Fuel, 140, 421-428.
• [10] Jiuyong Li, Longbing Cao, Can Wang, Kay Chen Tan, Bo Liu, Jian Pei, Tseng VS, 2013. Ensemble learning model for petroleum reservoir characterization: a case of feed-forward back-propagation neural networks. Trends and Applications in Knowledge Discovery and Data Mining. LNCS 7867. Springer-Verlag, 71-82.
• [11] Konate’ A.A., Heping Pan, Sinan Fang, Asim S., Ziggah Y.Y., Chengxiang Deng. Khan N., 2015. Capability of self-organizing map neural network in geophysical log data classification: Case study from the CCSD-MH. Journal of Applied Geophysics, vol.118, July, 37-46.
• [12] Lee S., Hyun Joo Oh, 2011. Application of Artificial Neural Network for Mineral Potential Mapping. Artificial Neural Networks Application, 67-104.
• [13] Li Yang; Lixue Chen; Xinyu Gen; Lin Wang; Jun Zhang, 2012. Application of factor neural network in multi-expert system for oil-gas reservoir protection. Journal of Theoretical and Applied Information Technology, 46(1), 303-308.
• [14] Morshedi S., Torkaman M., Sedaghat M.H., Ghazanfari M.H., 2014. The simulation of microbial enhanced oil recovery by using a two-layer perceptron neural network. Petroleum Science and Technology, vol. 32, no. 22, 2700-2707.
• [15] Nooruddin H.A., Anifowose F., Abdulraheem A., 2014. Using soft computing techniques to predict corrected air permeability using Thomeer parameters, air porosity and grain density. Computers & Geosciences, vol. 64, March, 72-80.
• [16] Olatunji S.O., Selamat A., Abdul Raheem A.A., 2013. Extreme Learning Machines Based Model for Predicting Permeability of Carbonate Reservoir. International Journal of Digital Content Technology and its Applications, 7(1), 450-459.
• [17] Silva A.A., Lima Neto I.A., Missa’gia R.M., Ceia M.A., Carrasquilla A.G., Archilha N.L., 2015. Artificial neural networks to support petrographic classification of carbonate-siliciclastic rocks using well logs and textural information. Journal of Applied Geophysics, vol. 117, June, 118-125.
• [18] Tadeusiewicz R., Chaki R., Chaki N., 2014. Exploring Neural Networks with C#. CRC Press, Taylor & Francis Group, Boca Raton.
• [19] Torabi F., Jamaloei B.Y., Zunti C.J., Markwart C.C., 2014. The Prediction of Viscosity, Formation Volume Factor, and Bubble Point Pressure of Heavy Oil Using Statistical Analysis, Artificial Neural Networks, and Three-dimensional Modeling: A Comparative Evaluation. Energy Sources, Part A (Recovery, Utilization, and Environmental Effects), vol. 36, no. 8, 874-889.
• [20] Torppa J., Nykanen V., 2013. Using self-organizing maps in mineral potential studies. Bulletin – Geological Survey of Finland, vol.198, 185-186.
• [21] Wei Zheng, Xiuwen Mo, 2014. Complex lithology automatic identification technology based on fuzzy clustering and neural networks. 11th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). IEEE, 227-231.
• [22] Wei-Zhang, Yibing-Shi, Yanjun-Li, 2014. An effective detection method based on IPSO-WNN for acoustic telemetry signal of well logging while drilling. International-Conference-on-Information-Science,-Electronics-and-Electrical-Engineering-ISEEE, 49-53.
• [23] Wonseok-Lee, Hochang-Jang, Jeonghwan-Lee, 2014. Development and application of the artificial neural network based technical screening guide system to select production methods in a coalbed methane reservoir. Energy-Exploration-and-Exploitation. 32(5): 791-804.