Wyniki wyszukiwania - BazTech

1

Multivariate linear regression and CART regression analysis of TBM performance at Abu Hamour phase - I tunnel

Jakubowski J., Stypulkowski J. B., Bernardeau F. G.

Archives of Mining Sciences

|

2017

|

Vol. 62, no. 4

825--841

EN

The first phase of the Abu Hamour drainage and storm tunnel was completed in early 2017. The 9.5 km long, 3.7 m diameter tunnel was excavated with two Earth Pressure Balance (EPB) Tunnel Boring Machines from Herrenknecht. TBM operation processes were monitored and recorded by Data Acquisition and Evaluation System. The authors coupled collected TBM drive data with available information on rock mass properties, cleansed, completed with secondary variables and aggregated by weeks and shifts. Correlations and descriptive statistics charts were examined. Multivariate Linear Regression and CART regression tree models linking TBM penetration rate (PR), penetration per revolution (PPR) and field penetration index (FPI) with TBM operational and geotechnical characteristics were performed for the conditions of the weak/soft rock of Doha. Both regression methods are interpretable and the data were screened with different computational approaches allowing enriched insight. The primary goal of the analysis was to investigate empirical relations between multiple explanatory and responding variables, to search for best subsets of explanatory variables and to evaluate the strength of linear and non-linear relations. For each of the penetration indices, a predictive model coupling both regression methods was built and validated. The resultant models appeared to be stronger than constituent ones and indicated an opportunity for more accurate and robust TBM performance predictions.

PL

Pierwszy etap budowy systemu odpływowego Abu Hamour został ukończony na początku roku 2017. Tunel o długości 9,5 km i średnicy 3,7 m przeprowadzono z zastosowaniem dwóch maszyn drążących z równoważeniem ciśnienia gruntu (EPB TBM), wyprodukowanych przez Herrenknechta. Przebieg pracy maszyn TBM był monitorowany i zapisywany przez automatyczny system zbierania danych. Autorzy połączyli te dane z dostępnymi informacjami o właściwościach masywu skalnego, oczyścili dane, uzupełnili zmiennymi wtórnymi oraz zagregowali tygodniami i zmianami roboczymi. Zbadano korelacje i statystyki opisowe. Metodami liniowej regresji wielorakiej i regresji CART zbudowano modele łączące wskaźniki wydajności drążenia (PR, PPR, FPI) z ich charakterystykami operacyjnymi oraz charakterystykami geotechnicznymi słabego masywu skalnego rejonu Doha, w którym prowadzono tunel. Obydwie zastosowane metody regresji dają interpretowalne modele oraz stosują odmienne algorytmy obliczeniowe, co pozwala na wzbogacenie wyników. Głównym celem analizy było znalezienie możliwie najlepszych podzbiorów zmiennych objaśniających oraz ocena siły znalezionych związków liniowych i nieliniowych. Dla każdego wskaźnika wydajności zbudowano też model predykcyjny wykorzystujący obydwie metody regresji. Zbudowane w ten sposób modele wynikowe okazały się silniejsze od modeli składowych. To wskazuje drogę możliwej poprawy dokładności i stabilności przewidywań wskaźników wydajności TBM.

2

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

Tadeusiewicz R.

Archives of Mining Sciences

|

2015

|

Vol. 60, no. 4

971--984

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.

3

Tagowanie i dezambiguacja morfosyntaktyczna : przegląd metod i oprogramowania

Dębowski Ł.

Prace Instytutu Podstaw Informatyki Polskiej Akademii Nauk

|

2001

|

Nr 934

1-31

PL

Przedstawiono aktualne metody i dostępne oprogramowanie do automatycznego tagowania i uczenia się tagerów. Omówiono skuteczność zastosowań przedstawionych metod i oprogramowania do dezambiguacji morfosyntaktycznej tekstów w językach naturalnych.

EN

We present state-of-the-art methods and available software for automatic tagging and tagger learning. Furthermore, we discuss applicability of presented methods and software for morphosyntactic disambiguation of texts in natural languages.

4

Elementy konstruktywnej indukcji w systemie INLENStar

Dramiński M.

Prace Instytutu Podstaw Informatyki Polskiej Akademii Nauk

|

2001

|

Nr 930

1-22

PL

Eksploracja wiedzy jest to szukanie relacji i ogólnych wzorców istniejących w dużych bazach danych. Ta praca daje pogląd na eksplorację wiedzy jako działu uczenia się maszyn ze szczególnym naciskiem na konstruktywną indukcję. Konstruktywna indukcja redukuje wrażliwość algorytmów indukcyjnych na ich słownik poprzez udostępnienie algorytmowi stworzenia nowych zmiennych. Konstruktywna indukcja umożliwia dużo szybszą drogę do przeszukiwania przestrzeni możliwych słowników. Praca prezentuje trzy algorytmy, które zostały zaimplementowane w aplikację INLENStar. Jeden z nich to nowy "Apriori*" zaprojektowany specjalnie na potrzeby INLENStar i dwa dobrze znane algorytmy "COBWEB" i "CLARA". Ogólnie wszystkie te algorytmy znajdują nowe zmienne używając grupowania na trzy różne sposoby. Praca zawiera dużą liczbę eksperymentów, w których zbadano właściwości wyżej wymienionych algorytmów.

EN

Data mining is the search for relationships and global patterns that exist in large databases. This paper provides overviev of database mining as the confluence of machine learning techniques and performance emphasis of constructive induction. Constructive induction reduces the sensivity of an inductive algorithm to its vocabulary by enabling the algorithm to construct new variables. Constructive induction is a much faster way to search the space of possible vocabularies. This work presents three algorithms implemented in INLENStar application. One of these algorithms is new "Apriori*" designed especially for INLENStar, and two well known algorithms "COBWEB" and "CLARA". Generally the three algorithms search for new variables using three different methods of clustering. The paper considers a large number of experiments, to study properties of the algorithms.