Zastosowanie sieci neuronowych do modelowania deformacji górniczych

• Autorzy: Gruszczyński W.

Warianty tytułu

EN

Using neural nets for mining deformations modelling

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wyniki badań nad zastosowaniem sieci neuronowych do modelowania deformacji powierzchni wywołanych podziemną eksploatacją górniczą. Sieci neuronowe zastosowano bezpośrednio przy modelowaniu obniżeń, zaś nachylenia i krzywizny obliczano z użyciem wzorów stosowanych przy opracowywaniu wyników pomiarów geodezyjnych. Doświadczenia obejmowały jedynie wartości wskaźników deformacji dla asymptotycznych stanów niecek obniżeniowych. Badania przeprowadzono w trzech etapach, starając się sukcesywnie zawężać możliwości dotyczące sposobu wstępnego przetworzenia danych, architektury sieci i procesu ich uczenia. Pierwsze dwa etapy badań wykorzystywały dane symulowane z użyciem modelu Knothego i dotyczyły wyłącznie obniżeń, trzeci zaś wykorzystywał dane z linii obserwacyjnych z rejonu Górnego Śląska. Uzyskane wyniki wskazują na przydatność sieci neuronowych do modelowania wskaźników deformacji. Opracowana metoda jest względnie prosta w zastosowaniu i możliwa do zautomatyzowania.

Results of research on neural nets using for surface deformation modelling caused by underground mining exploitation. The neural nets have been directly used for modelling of subsidence, while slopes and curvatures have been calculated using formulas used at surveying results working out. Experiments included only values of deformation indices for asymptotic states of subsidence troughs. Research has been carried out in three stages, trying to successively narrow down possibilities referring to the way of data processing, network archite cture and teaching process. The first two stages of research used simulated data with use of Knothe model and exclusively referred to subsidence, while the third used the data from the observation lines from the Upper Silesian region. The obtained results show usefulness of neural nets for deformation indices modelling. The worked out method is relatively simple in use and possible for automation.

Słowa kluczowe

PL

deformacje powierzchni terenów górniczych; modelowanie obniżeń; sieci neuronowe; pomiary geodezyjne

EN

mining areas surface deformation; subsidence modelling; neural nets; surveying

• Wydawca: Stowarzyszenie Inżynierów i Techników Górnictwa
• Czasopismo: Przegląd Górniczy
• Rocznik: 2010
• Tom: T. 66, nr 7-8
• Strony: 7--11
• Opis fizyczny: Bibliogr. 17 poz., il.

Twórcy

autor

Gruszczyński W.

• Akademia Górniczo-Hutnicza, Kraków

Bibliografia

• 1. Ambrožič T., Turk G.: Prediction of subsidence due to underground mining by artificial neural networks. Computers & Geosciences, t. 29 s. 627÷637, 2003.
• 2. Białek J.: Algorytmy i programy komputerowe do prognozowania deformacji terenu górniczego. Wyd. 1. Gliwice, Wydawnictwo Politechniki Śląskiej, 2003.
• 3. Bishop Ch. M.: Neural Networks for Pattern Recognition. Wyd. 13. Oxford, Oxford University Press, 2005.
• 4. Borecki M. i in.: Ochrona powierzchni przed szkodami górniczymi. Wyd. 1. Katowice, Wydawnictwo „Śląsk”, 1980.
• 5. Dunis Ch. L., Jalilov J.: Neural network regression and alternative forecasting techniques for predicting financial variables. Neural Network World, 2002, z. 12, s. 113÷139, 2002.
• 6. Gruszczyński S.: The assessment of variability of the concentration of chromium in soils with the application of neural networks. Polish Journal of Environmental Studies, z. 14(6) s. 743÷751, 2005.
• 7. Hejmanowski R.: Prognozowanie deformacji górotworu i powierzchni terenu na bazie uogólnionej teorii Knothego dla złóż surowców stałych, ciekłych i gazowych. Wyd. 1. Kraków, IGSMiE PAN, 2001.
• 8. Hejmanowski R.: Czasoprzestrzenny opis deformacji górotworu wywołanych filarowo-komorową eksploatacją złoża pokładowego. Wyd. 1. Kraków, Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH, 2004.
• 9. Husmeier D.: Modelling Conditional Probability Densities with Neural Network. [Praca Doktorska]. Londyn, University of London, King’s College London, Wydział Matematyki, 1997.
• 10. Kemsley E. K.: Discriminant analysis of high-dimensional data: a comparision of principal components analysis and partial least squares data reduction methods. Chemimetrics and Intelligent Laboratory Systems, z. 33 s. 47÷61, 1996.
• 11. Knothe S.: Prognozowanie wpływów eksploatacji górniczej. Wyd. 1. Katowice, Wydawnictwo „Śląsk” , 1984.
• 12. Kwiatek J. i in.: Ochrona obiektów budowlanych na terenach górniczych. Katowice, Wydawnictwo Głównego Instytutu Górnictwa, 1997.
• 13. Maqsood I., Khan M. R., Huang H., Abdalla R.: Application of soft computing models to hourly weather analysis in southern saskatchewan. Engineering Applications of Artificial Inteligence, z. 18 s. 115÷125, 2005.
• 14. Pawluś D.: Badania nad wykorzystaniem sieci neuronowych do wyznaczania profilu niecki osiadania. Geotechnika i budownictwo specjalne, XXIX Zimowa Szkoła Mechaniki Górotworu i Geoinżynierii, s. 647÷656, 2006.
• 15. Popiołek E.: Metoda wyznaczania parametrów rozproszenia statystycznego poziomych odkształceń właściwych terenu z obserwacji geodezyjnych. Prace Komisji Górniczo-Geodezyjnej PAN, Geodezja z. 22, 1972.
• 16. Tadeusiewicz R.: Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Wyd. 1. Warszawa, Akademicka Oficyna Wydawnicza PLJ, 1998.
• 17. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe. Wyd. 1. Warszawa, Wydawnictwo Naukowe PWN, 1996.