Application of rule induction algorithms for analysis of data collected by seismic hazard monitoring systems in coal mines

• Autorzy: Sikora M. , Wróbel Ł.

Warianty tytułu

PL

Zastosowanie algorytmów indukcji reguł do analizy danych gromadzonych przez systemy monitorowania zagrożeń sejsmicznych w kopalniach węgla kamiennego

• Języki publikacji: EN

Abstrakty

EN

The article presents the results of application of rule induction algorithms for predictive classification of states of rockburst hazard in a longwall. Used in mining practice computer system which is a source of valuable data was described at the beginning of this article. The rule induction algorithm and the way of improving classification accuracy were explained in the theoretical part. The results of analysis of data from two longwalls were presented in the experimental section.

PL

W artykule przedstawiono możliwości zastosowania metody maszynowego uczenia, jaką jest indukcja reguł, do rozwiązania problemu predykcji stanu zagrożenia sejsmicznego w wyrobisku górniczym. Przedstawiono algorytm indukcji reguł, a także wyniki eksperymentów przeprowadzanych na danych pochodzących z dwóch ścian KWK Wesoła. Źródłem danych był system wspomagania stacji geofizyki górniczej Hestia. Przed przystąpieniem do analizy, dane zostały poddane agregacji tak, aby opisywały godzinowe i zmianowe przedziały czasu. W rozdziale czwartym umieszczono wyniki obrazujące dokładność proponowanych algorytmów w realizacji zadań predykcji zagrożeń sejsmicznych. Zadania predykcji definiowano w różny sposób (jako predykcję sumarycznej energii, jako predykcję zjawisk o określonej energii), różne były także rozważane horyzonty prognozy (zmianowy i godzinowy). Uzyskane wyniki wykazują, że przedstawiona metoda jest interesującą alternatywą dla innych metod opisanych w literaturze.

Słowa kluczowe

EN

microseismic hazard prediction; classification; rule-based systems

PL

predykcja zagrożeń sejsmicznych; klasyfikacja; systemy regułowe

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2010
• Tom: Vol. 55, no 1
• Strony: 91--114
• Opis fizyczny: Bibliogr. 38 poz., rys., tab., wykr.

Twórcy

autor

Sikora M.

autor

Wróbel Ł.

• Institute of Informatics, Silesian University of Technology, Akademicka 16, 44-100 Gliwice, Poland

Bibliografia

• Ajdukiewicz K., 1974. Logika pragmatyczna. PWN, Warszawa.
• An A., Cercone N., 2001. Rule quality measures for rule induction systems – description and evaluation. Computational Intelligence, Vol. 17, 409-424.
• 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 tąpaniami w kopalniach węgla kamiennego. Główny Instytut Górnictwa, Seria Instrukcje, No 20, Katowice.
• Bazan J., Szczuka M., Wróblewski J., 2002. A new version of rough set exploration system. Lecture Notes in Komputer Sciences, Springer, Vol. 2475, 397-404.
• Bodri B., 2001. A neural-network model for earthquake occurrence. Journal of Geodynamics, Vol. 32, No 3, 289-310.
• Breiman L., Friedman J., Olshen R., Stone R., 1984. Classification and Regression Trees. Wadsworth & Brooks/Cole Advanced Books & Software, Pacific Grove.
• Bruha I., 1997. Quality of Decision Rules: Definitions and Classification Schemes for Multiple Rules. In Nakhaeizadeh, G., Taylor, C.C. (Eds.) Machine Learning and Statistics, The Interface. John Wiley & Sons, New York, 107-131.
• Cianciara A., Cianciara B., 2006. The meaning of seismoacoustic emission for estimation of time of the mining tremors occurrence. Archives of Mining Sciences, Vol. 51, No 4, 563-575.
• Cichosz P., 2000. Systemy uczące się. WNT, Warszawa.
• Dubiński J., Lurka A., Mutke I., 1998. Zastosowanie metody tomografii pasywnej do oceny zagrożenia sejsmicznego w kopalniach. Przegląd Górniczy, No 3, 1-7.
• Grzymała-Busse J., 1992. LERS – a system for learning from examples based on rough sets. In: Słowiński, R. (Ed.) Intelligent Decision Support. Handbook of applications and advances of the rough set theory. Kluwer Academic Publishers, Dordrecht, Boston, London, 3-18.
• Grzymała-Busse J., Stefanowski J., Wilk S., 2005. A comparison of two approaches to data mining form imbalanced data. Journal of Intelligent Manufacturing, Vol. 16, 565-573.
• Grzymała-Busse J., Wang C. P., 1996. Classification Methods in Rule Induction. Intelligent Information Systems. Proceedings of the Workshop held in Dęblin, Poland, 2-5 June, 120-126.
• Guillet F., Hamilton H.J. (Eds.), 2007. Quality Measures in Data Mining. Computational Intelligence Series, Springer.
• Kabiesz J., 2005. Effect of the form of data on the quality of mine tremors hazard forecasting using neural networks. Geotechnical and Geological Engineering, Vol. 24, No 5, 1131-1147.
• Kowalik S., 1999. Prognosis of Strong Tremors in a Mine with the Application of Fuzzy Numbers. Proceedings of the European Symposium on Intelligent Techniques, Chania, Greece, 3-4 June, 47-49.
• Kubat M., Bratko I., Michalski R., 1998. Machine learning and data mining; Methods and applications. John Wiley and Sons.
• Kornowski J., 2003a. Linear prediction of aggregated seismic and seismoacustic energy emitted from a mining longwall. Acta Montana Ser. A, No 22 (129), 4-14.
• Kornowski J., 2003b. Linear prediction of hourly aggregated AE and tremors energy emitted form a longwall and its performance in practice. Archives of Mining Sciences, Vol. 48, No 3, 315-337.
• Külahcıa F., Inceözb M., Doğrua M., Aksoyb E., Baykarac O., 2008. Artificial neural network model for earthquake prediction with radon monitoring. Applied Radiation and Isotopes, Vol. 67, 212-219.
• Łęski J., 2008. Systemy neuronowo-rozmyte. WNT, Warszawa.
• Michie D., Spiegelhalter D. J., Taylor C. C., 1994. Machine Learning, neural and statistical classification. Ellis Horwood Limited, England.
• Pawlak Z., 1991. Rough sets: Theoretical aspects of reasoning about data. Kluwer Academic Publishers, Dordrecht.
• Rudajev V., Číž R., 1999. Estimation of Mining Tremor Occurrence by Using Neural Networks. Pure and Applied Geophysics, Vol. 154, No 1, 57-72.
• Salzberg S.L., 1997. On Comparing Classifiers: Pitfalls to Avoid and a Recommended Approach. Data Mining and Knowledge Discovery, Vol. 1, 317-328.
• Sikder I.U., Munakata T., 2007. Application of rough set and decision tree for characterization of premonitory factors of low seismic activity. Expert System with Application, Vol. 36, No 1, 102-110.
• Sikora M., 2003. System wspomagania pracy stacji geofizycznej – Hestia. Mechanizacja i Automatyzacja Górnictwa, No 12/395, Katowice, 15-20.
• Sikora M., 2006. Rule quality measures in creation and reduction of data rule models. Lecture Notes in Artificial Intelligence, Vol. 4259, Springer-Verlag, Berlin Heidelberg, 716-725.
• Sikora M., 2007. Application of machine learning and soft computing techniques in monitoring systems’ data analysis by example of dewater pumps monitoring system. Archives of Control Sciences, Vol. 17, No 4, 369-391.
• Sikora M., 2010. Decision rules-based data models using TRS and NetTRS – methods and algorithms. Transactions on Rough Sets XI, LNCS 5946, 130-160.
• Sikora M., Krzystanek Z., Bojko B., Śpiechowicz K., 2008. Hybrid adaptative system of gas concentration prediction in hard-coal mines. Proceedings of the International Conference On Systems Engineering (IEEE Proc. Press), Las Vegas, USA, 19-21 August, 159-164.
• Sikora M., Sikora B., 2006. Application of Machine Learning for prediction a methane concentration in a coal-mine. Archives of Mining Sciences, Vol. 51, No 4, 475-492.
• Sikora M., Wróbel Ł., 2009. Wyniki stosowania algorytmów indukcji reguł do klasyfikacji stanu zagrożenia tąpaniami w kopalniach węgla kamiennego. Mechanizacja i Automatyzacja Górnictwa, No 5/459, Katowice, 5-13.
• Skowron A., Rauszer C., 1992. The Discernibility Matrices and Functions in Information systems. In Słowiński R. (ed.): Intelligent Decision Support. Handbook of Applications and Advances of the Rough Sets Theory. Kluwer Academic Publishers, Dordrecht, 331-362.
• Stefanowski J., 1998. Rough set based rule induction techniques for classification problems. Proceedings of the 6th European Congress of Intelligent Techniques and Soft Computing, Achen, Germany, 107-119.
• Stefanowski J., Vanderpooten D., 2001. Induction of decision rules in classification and discovery-oriented perspectives. International Journal of Intelligent Systems, Vol. 16, No 1, 13-28.
• Weiss S. M., Kulikowski C. A., 1991. Computer Systems That Learn. Morgan Kaufmann, San Mateo.
• Zhong N., Skowron A., 2001. A rough set-based knowledge discovery process. International Journal of Applied Mathematics and Computer Sciences, No 11, 603-619.