Использование нейронных сетей при исследовании земной поверхности, подработанной подземными горными работами

      Комментарии к записи Использование нейронных сетей при исследовании земной поверхности, подработанной подземными горными работами отключены

Использование нейронных сетей при исследовании земной поверхности, подработанной подземными горными работами

А. В. Продолжительных

При добыче нужных ископаемых подземным методом используются разные совокупности разработки, а главными факторами выбора той либо другой совокупности помогают геологические, геофизические и экономические факторы. В середине ХХ века на Криворожской шахте им. Орджоникидзе была принята совокупность разработки, в которой предусматривается выход воронок на дневную поверхность. 18 марта 2010 г. в горном отводе шахты им.

Орджоникидзе, при исполнении плановых взрывных работ, на поверхность вышла одна из таких воронок. Событие произвело громадный резонанс, поскольку это произошло в близи от жилых построек, а подземные толчки были слышны практически на всей территории города. В следствии этого, равнинная территория площадью 12 га в течение 10 мин. превратилась в воронку с минимальной и большой отметками +45 м и +125 м соответственно (рис.

1). В соответствии с выполненным расчетам, количество появившейся пустоты составил около семи миллионов куб. м.

Рис. 1. Образование воронки

Необходимо подчернуть, что для Криворожского региона, выход воронок на дневную поверхность не есть необыкновенным явлением. К примеру, площадь, занятая уже появившимися воронками от влияния горных работ шахт им. Орджоникидзе и им. Ленина, образовывает более 170 га. Но, данной воронке, появившейся в небезопасной близости от районов и жилых зданий подземных горных работ, уделяется особенное внимание (рис. 2).

Исходя из этого, для постоянного мониторинга процесса влияния горных работ на жилые и сооружения и промышленные здания, с момента выхода воронки, на данном объекте ведутся систематические наблюдения деформаций заложенной сети реперов профильных линий.

Рис. 2. Границы воронки в близи от поселка

Так как в следствии выхода воронки «погашена» лишь часть подземных вакуумов, то для действенного мониторинга нужна съемка конкретно поверхности воронки. Нахождение человека в воронки исключено, поскольку в любую секунду может случиться предстоящее обрушение, а в местах трещин и террас наблюдаются углубления до трех метров и с раскрытием от 0,3 м до двух метров (рис. 3).

Рис. 3. Прилегающие территории покрыты трещинами

В этом случае обращение может идти лишь о дистанционных способах съемки. Исполнение съемочных работ дистанционными способами на объекте усложняется громадным числом своеобразных факторов, каковые несвойственны вторым объектам.

К примеру, лазерное сканирование на объекте неэффективно из-за наличия громадного количества «мертвых территорий». При попытке исполнения работ оказалось, что территория покрытия съемкой, кроме того при максимально громадном количестве станций, не превысила 30% поверхности, а уровень качества созданной цифровой модели низкое, из-за наличия на объекте растительности, вторых препятствий. Помимо этого, в местах, удобных для съемки (на возвышенностях на протяжении контура воронки), нахождение человека небезопасно (рис.

1, 4), что кроме этого ведет к значительному понижению качества съемки.

Рис. 4. Нестойкие козырьки на краях воронки

Исполнение аэрофотосъемки с применением мультиспектральных камер дало бы отличных показателей, но для маленьких площадей, в этом случае 25 га, неэффективно. Но, такая съемка с некоей периодичностью обязана выполняться, поскольку ее эти разрешают взять самая полную чёрта объекта (рис. 5, 6).

Рис. 5. Цифровой замысел

Рис. 6. Замысел воронки

Сочетание способа наземной стереофотограмметрической съемки и безотражательной тахеометрии дает прекрасные результаты с позиций оперативности и точности, но при построении цифровой модели рельефа нужно решать задачу при отсутствии некоторых данных.

Изучение поверхности воронки предложено делать по окончании каждого взрыва с применением нейронных сетей. Технологическая схема исполнения работ выглядит следующим образом:

  1. Исходными данными являются результаты аэрофотосъемки, каковые употребляются для нейронной модели.
  2. Вся поверхность воронки разбивается на множество участков, в пределах которых выполняется моделирование. Разбивка поверхности на множество участков нужна, поскольку сейчас, современное состояние компьютерной техники не разрешает создать качественную модель на всю поверхность. Эта задача требует огромного количества времени и ресурсов. Как раз исходя из этого, серьёзной задачей есть оптимизации количества разбираемых элементов цифровой модели способами генерализации. В данной задаче главным критерием генерализации есть точность количества, что определяется от условной поверхности. Создание модели на всю поверхность, под силу лишь специальным компьютерам.
  3. Для каждого участка набирается минимально нужное количество пикетов способом безотражательной тахеометрии либо цифровой стереофотограмметрической съемки.
  4. Для каждого участка генерируется модель с учетом данных, взятых посредством новой съемки, выполненной методами безотражательной тахеометрии либо цифровой стереофотограмметрической съемки. За базисную программу для работы с нейронными сетями принят программный продукт StatSoft STATISTICA, но анализируется возможность других программ и применения.
  5. Для каждого участка рассчитывается количество от условной поверхности, учитывая трансформации которых, возможно делать выводы о состоянии поверхности воронки. данные определений и Эти данные планового и высотного положения реперов профильных линий разрешают строить догадки о процессах, происходящих в недрах.

Эта методика на данный момент исследуется и совершенствуется. Исходя из этого, еще не взяты окончательные информацию о состоянии массива, но с достаточной точностью решена задача участка места и выбора съёмки, нужного с целью проведения дополнительных изучений.

Данные исследований продемонстрировали, что сейчас, поверхность воронки находится в стадии динамических трансформаций. На рис. 7 приведены изолинии размеров осадок поверхности, совершённые с сечением через 1 м. На некоторых участках случились оседания величиной не более двадцати метров, что разрешает сделать вывод о том, что большинство вакуумов еще не погашена.

На объекте нужно делать предстоящие изучения для обеспечения надёжной эксплуатации сооружений и зданий, находящихся в близи к территории обрушения, и для обеспечения надёжного ведения горных работ.

Рис. 7. Изолинии осадок

Для решения данной задачи, метод нейронных сетей выбран не просто так. Изучения продемонстрировали, что при условии, в то время, когда имеется все данные об объекте, не нужно использовать нейронные сети, поскольку хорошие способы показывают более стабильные и правильные результаты. Но большая часть хороших способов оказываются бессильными при наличии «пропущенных данных».

В хорошей теории нейронных сетей имеется пара классов задач, традиционно решаемых этим способом, таких как регрессия, классификация, понижение размерности, кластеризация. Эти задачи, в том либо другом виде, решаются маркшейдером. Но структура маркшейдерских данных далека от той хорошей формы, для которой разрабатывались нейронные сети. Хорошими примерами могут служить задачи с курсом валюты либо котировкой акций, размеры пятен на солнце, предсказание температуры по итогам долгих наблюдений и т. д.

Способ нейронных сетей сначала накладывает важные ограничения, быстро уменьшающие область их применения в маркшейдерии:

  • во-первых, необходимо обладать данными о том, имеется ли между известными исходными (неизвестными) выходными и начальными значениями (конечными) данными сообщение;
  • во-вторых, в большинстве случаев, нейронные сети употребляется тогда, в то время, когда малоизвестен правильный вид связи между исходными и конечными данными, — если бы он был известен, то возможно было бы использовать яркое моделирование;
  • в-третьих, для обучения сети нужны исходные данные в достаточном количестве (так называемая предыстория), и таких разрешённых должно быть от нескольких десятков до нескольких сотен.

Возможно констатировать, что большая часть задач маркшейдерского обеспечения подходят по этим параметрам только частично. Это связано с изюминками представления маркшейдерских данных, каковые необходимо преобразовать и структурировать так, дабы их обработка была бы вероятна нейросетевыми способами.

Перечень литературы:

  1. Аксенов C. B., Новосельцев В. Б. использование и Организация нейронных сетей (способы и тех- нологии) / Под общ. ред. В. Б. Новосельцева. — Томск: Изд-во НТЛ, 2006. — 128 с
  2. Борисов В. В., Круглов В. В., Федулов А. С. сети и Нечёткие модели. — М.: Горячая линия — Телеком, 2007. – 284с.
  3. Боровиков В. STATISTICA. Мастерство анали- за данных на компьютере: Для профессиона- лов. 2-е изд. (+CD) — СПб. Питер, 2003. — 688с
  4. Нейронные сети. STATISTJCA Neural Networks: технологии и Методология совре- менного анализа данных / Под редакцией В. П. Боровикова. — 2-е изд., перераб. и доп. — М.: Горячая линия – Телеком, 2008. — 392 с., ил.
  5. Продолжительных А.В. Преобразование маркшейдер- ских данных для моделирования нейросете- выми способами. / Гірничий вісник. — Кривий Ріг: КНУ. — 96, 2013. — С. 85-89.

Наталия Ефремова — Нейронные сети: практическое применение


Интересные записи на сайте:

Подобранные по важим запросам, статьи по теме: