Metoda oceny zagrożenia zawałowego w kopalniach LGOM z użyciem sztucznych sieci neuronowych

• Autorzy: Małkowski Piotr , Juszyński Dariusz

Warianty tytułu

EN

The method of roof fall hazard assessment in the LGCD mines with the use of artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono nową metodę oceny zagrożenia zawałowego dla polskich kopalń miedzi. W tym celu wykorzystano wiele różnych mierzonych przez służby kopalniane parametrów pochodzących z działu górniczego, geologicznego i działu obudowy, jak np.: wytrzymałość skał na rozciąganie, obecność spękań pionowych, rozwarstwienie stropu, zawodnienie górotworu, jego uwarstwienie, postęp frontu eksploatacyjnego, czy też opadnięcie wskaźników SRS. Wieloparametrowa analiza przeprowadzona za pomocą sztucznych sieci neuronowych SSN pozwoliła na predykcję zaistniałych zawałów z 82-procentową skutecznością. Zaproponowana metoda jest metodą dwuetapową, w której należy wyznaczyć dwa wskaźniki: skłonność górotworu do zawału - wskaźnik CP RF , oraz możliwość utrzymania wyrobiska o danej geometrii, obudowie i przewidywanym czasie jego użytkowania - wskaźnik CM RF . Podczas analizy pierwszego wskaźnika należy wziąć pod uwagę 12 czynników, a podczas analizy drugiego dodatkowe 4 (razem 16 czynników). Na podstawie wskaźnika CM RF wyróżniono cztery kategorie zagrożenia zawałowego od I do IV. Na obu etapach analizy i wyznaczania wskaźników CP RF i CMRF podano zakres zalecanych działań inżynierskich, które mogą pomóc w ograniczeniu zagrożenia, lub też w jego właściwym monitorowaniu. Przedstawiona metoda może być dobrym narzędziem do oceny zagrożenia zawałowego w warunkach polskich kopalń miedzi dla inżynierów. Jest łatwa i szybka, a do obliczenia obu wskaźników wystarczy np. arkusz obliczeniowy w programie Excel z obsługą makr.

EN

This paper presents a novel method of roof fall hazard assessment in copper mines in Poland. Various information, that are routinely collected by the mine geological and survey service, mining and support divisions, were used for this purpose. The data included e.g. rock tensile strength, presence of vertical fracturing, splitting of roof rocks, water condition in rock mass, rock mass stratification, excavation advance, and observations from Roof Splitting Indicators (SRS). Multiparameter analysis was carried out with the use of Artificial Neural Network (ANN), and allowed for prediction of the recorded roof falls with confidence as high as 82%. The proposed method involves two stages in which two indexes are determined: the CP RF , index that characterizes the susceptibility of rock mass to collapse, and the CM RF index that quantifies the standing up ability of the working of the specific geometry, specific support pattern and predicted time of its using. The determination of the first index requires analysis of 12 factors, and additional four factors for the second index (altogether 16 factors). Four categories, from I to IV, of roof fall hazard were distinguished based on the CM RF index. Through the two-stage analysis for CP RF and CM RF determination, there was also indicated a range of recommended engineering actions to reduce the rock fall hazard and to improve its monitoring. The presented method is a potentially useful engineering tool for roof fall hazard assessment in the conditions of Polish copper mines. It is uncomplicated and quick, and the computation of the two indexes can be performed on MS Excel worksheet with the use of Macros.

Słowa kluczowe

PL

zagrożenie zawałowe; sztuczne sieci neuronowe; ocena zagrożenia zawałowego; wskaźniki stanu zagrożenia zawałowego

EN

roof fall hazard; Artificial Neural Networks; roof fall hazard prediction; roof fall hazard indices

• Wydawca: Stowarzyszenie Inżynierów i Techników Górnictwa
• Czasopismo: Przegląd Górniczy
• Rocznik: 2020
• Tom: T. 76, nr 4
• Strony: 10--21
• Opis fizyczny: Bibliogr. 24 poz., fot., rys., tab., wykr.

Twórcy

autor

Małkowski Piotr

• AGH Akademia Górniczo-Hutnicza w Krakowie

autor

Juszyński Dariusz

• Okręgowy Urząd Górniczy, Wrocław

Bibliografia

• [1] BUTRA J. 2010 - Eksploatacja złoża rud miedzi w warunkach zagrożenia tąpaniami i zawałami. Wyd. Centrum Badawczo-Rozwojowe „Cuprum”, Wrocław.
• [2] BUTRA J., DĘBKOWSKI R., OSADCZUK T. 2000 - Nowa klasyfikacja skał stropowych w kopalniach LGOM. „Cuprum”, nr 17, s. 1-26.
• [3] DEMUTH H., BEALE M. 2002 - Neural Network Toolbox. For use with Mathlab. Release 13. The MathWorks, Inc.
• [4] IANNACHIONE A., BAJPAYEE T., ESTERHUIZEN G., PROSSER L. 2007 - Methods for determining roof fall risk in underground mines. Mining Engineering, vol. 59, no 11, November, s. 47-53.
• [5] IANNACCHIONE A.T., ESTERHUIZEN G.S., PROSSER L.J., BAJPAYEE T.S. 2007 - Technique to assess hazards in underground stone mines: The roof fall risk index (RFRI). Mining Engineering, Vol. 59, No. 1, January, s. 49-57.
• [6] JUSZYŃSKI D., PODOLSKI R., WOWCZUK G., PĘCZEK D. 2018 - Bezpieczeństwo użytkowania wyrobisk w warunkach zagrożenia zawałami i obrywaniem się skał w zakładach górniczych LGOM w świetle nowych przepisów. „Przegląd Górniczy” nr 2, s. 36-41.
• [7] KAPAGERIDIS I.K. 2002 - Artificial neural network technology in mining and environmental applications. Mine Planning and Equipment Selection 2002.
• [8] KŁECZEK Z. 1992 - Geomechaniczne formy utraty stateczności wyrobisk górniczych. Wyd. CPPGSMiE PAN, Kraków.
• [9] KONATE’ A.A., PAN H., FANG S., ASIM S., ZIGGAH Y.Y., DENG C., 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, s. 37-46.
• [10] MAJDI A., REZAEI M. 2013 - Prediction of unconfined compressive strength of rock surrounding a roadway using artificial neural network. Neural Computing and Applications, 23(2), s. 381-389.
• [11] MAŁKOWSKI P. 2017 - Zarządzanie monitoringiem zagrożeń w górnictwie. „Inżynieria Mineralna”, vol. 40, nr 2, s. 215-224.
• [12] MAŁKOWSKI P., JUSZYŃSKI D. 2019 - Ocena zagrożenia zawałowego w zakładach górniczych LGOM. „Przegląd Górniczy”, nr 1, s. 16–26.
• [13] MARK C., MOLINDA G. 2003 - The Coal Mine Roof Rating in Mining Engineering Practice. 2003 Coal Operators’ Conference, 12-14 February 2003, University of Wollongong Research Online, s. 50-62.
• [14] MATUSZ C., SZCZERBIŃSKI K. 2013 - Zwalczanie skutków zawałów skał oraz działania mające na celu zmniejszenie ilości zawałów i wypadków w kopalni „Polkowice-Sieroszowice”. „Cuprum” nr 1, vol. 66, s. 33-44.
• [15] MOLINDA G., MARK C. 2010 - Ground Failures in Coal Mines with Weak Roof. Electronic Journal of Geotechnical Eng.
• [16] MOLINDA G., MARK C., DEBASIS 2001 - Using the coal mine roof rating (CMRR) to assess roof stability in U.S. coal mines. Journal of Mines, Metals and Fuels, vol. 49, no 8, s. 314-321.
• [17] PŁANETA S., BILIŃSKI M., BUTRA J. 2000 - Sposoby klasyfikacji masywów skalnych, oceny stateczności wyrobisk i doboru obudów. „Cuprum”, nr 17, s. 9-27.
• [18] PYTEL W. 2012 - Geomechaniczne problemy doboru obudowy kotwowej dla wyrobisk górniczych. Wyd. KGHM Cuprum Wrocław.
• [19] REZAEI M., HOSSAINI M., MAJDI A., NAJMODDINI I. 2017 - Determination of the height of destressed zone above the mined panel: An ANN model. International Journal of Mining and Geo-Engineering, nr 51-1, s. 1-7, DOI: 10.22059/ijmge.2017.62147.
• [20] SHAHRIAR K., ORAEE K., BAKHTAVAR E. 2009 - Roof falls: An inherent risk in underground coal mining. The 28th International Conference on Ground Control in Mining, July 28 - 30, 2009, Lakeview Scanticon Resort & Conference, Morgantown, WV, USA.
• [21] SIRAT M., TALBOT C.J. 2001 - Application of artificial neural networks to fracture analysis at the Aspo HRL, Sweden, fracture sets classification. International Journal of Rock Mechanics & Mining Sciences, nr 38, s. 621-639.
• [22] SONMEZ H., GOKCEOGLU C., NEFESLIOGLU H.A., KAYABASI A. 2006 - Estimation of rock modulus: For intact rocks with an artificial neural network and for rock masses with a new empirical equation. International Journal of Rock Mechanics & Mining Sciences, vol. 43, issue 2, s. 224-235.
• [23] TADEUSIEWICZ R. 2015 - Neural networks in mining sciences - general overview and some representative examples. Arch. Min. Sci., nr 60, s. 971-984.
• [24] WANG J., MILNE D., PAKALNIS R. 2002 - Application of a neural network in the empirical design of underground excavation spans. Mining Technology Transactions of the Institutions of Mining and Metallurgy: Section A, Vol. 111, Issue 1, s. 73-81, doi: 10.1179/mnt.2002.111.1.73.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).