Research on Resistance Prediction Model for Coal Mining Face Supports Based on Machine Learning
Dieses Papier schlägt ein durch einen Immuno-Partikelschwarm-Hybridalgorithmus optimiertes BP-neuronales Netz-Modell (IA-PSO-BP) vor, um die Einschränkungen traditioneller Vorhersagemethoden zu überwinden und eine hochpräzise Unterstützung-Widerstands-Prognose für flach liegende Kohlenflöze in Nord-Shaanxi mit einem Korrelationskoeffizienten von 0,966 zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Tief unter der Erdoberfläche, wo das Gestein dünn ist und die Kohleflöze nah an der Oberfläche liegen, stehen Bergbaubetriebe vor einer einzigartigen und gefährlichen Herausforderung. Im Gegensatz zu tiefen Minen, in denen das Gewicht der Erde langsam und vorhersehbar verteilt wird, erleben flache Kohleflöze in Regionen wie Nordchina plötzliche, heftige Druckveränderungen. Dieses Phänomen, bekannt als Gebirtsdruck, kann dazu führen, dass das Dach eines Tunnels ohne Vorwarnung einstürzt, was das Leben der Arbeiter und die Stabilität schwerer Maschinen gefährdet. Seit Jahrzehnten versuchen Ingenieure, diese Verschiebungen mithilfe mathematischer Formeln auf Basis der Felsmechanik vorherzusagen, doch der Boden verhält sich oft auf eine Weise, die zu komplex und wechselhaft ist, als dass einfache Gleichungen sie erfassen könnten. Wenn der Druck sprunghaft ansteigt, kann er Stützstrukturen zerquetschen, was zu Unfällen führt, die historisch gesehen den Großteil der Todesfälle im Kohlebergbau ausgemacht haben. Die Notwendigkeit eines Systems, das diese gefährlichen Druckanstiege mit hoher Präzision antizipieren kann, ist nicht nur ein technisches Ziel; es ist eine Frage der Sicherheit und des Überlebens für die Tausenden von Menschen, die jeden Tag unter Tage arbeiten.
Um dies zu adressieren, hat ein Team von Forschern eines großen Bergbauunternehmens und einer Universität in Shaanxi einen neuen Weg entwickelt, um diese Druckveränderungen mithilfe einer Art maschinellem Lernen vorherzusagen. Anstatt sich ausschließlich auf feste physikalische Gesetze zu verlassen, bauten sie ein digitales Modell, das aus dem tatsächlichen Verhalten der Mine lernt. Sie konzentrierten sich auf eine spezifische Abbaufront, einen langen Tunnel, in dem Kohle abgebaut wird und der mit hunderten von hydraulischen Stützen ausgestattet ist – massiven, kolbengetriebenen Säulen, die das Dach halten. Diese Stützen sind mit Sensoren ausgestattet, die ständig den Druck messen, den sie tragen. Die Forscher sammelten über einen Zeitraum von fünf Monaten mehr als zwei Millionen Datenpunkte von diesen Sensoren und erstellten so ein detailliertes Protokoll darüber, wie der Boden gegen die Struktur der Mine drückt und zieht. Die Rohdaten aus der Tiefe der Erde sind jedoch oft unordentlich und enthalten Lücken, an denen Sensoren ausfielen, oder Spitzenwerte, die durch Gerätefehler statt durch tatsächliche geologische Verschiebungen verursacht wurden. Das Team bereinigte diese Daten zunächst, indem es die offensichtlichen Fehler entfernte und die fehlenden Teile ergänzte, indem es die Muster benachbarter Stützen und vorangegangener Zeitmomente berücksichtigte, um sicherzustellen, dass der Computer ein vollständiges und genaues Bild zum Lernen hatte.
Der Kern ihrer Arbeit bestand darin, einem Computerprogramm beizubringen, die komplexen, nicht-linearen Muster des Gebirgsdrucks zu erkennen. Sie begannen mit einem Standard-Neuronalen-Netzwerk, einem Computersystem, das dem menschlichen Gehirn nachempfunden ist und gut darin ist, Muster zu finden, aber sie wussten, dass dieses System allein oft dazu neigt, immer wieder dieselbe falsche Antwort zu raten. Um dies zu beheben, kombinierten sie es mit zwei anderen intelligenten Systemen. Ein System, das davon inspiriert ist, wie Vögel in Schwärmen zusammenfliegen, hilft dem Computer, die bestmögliche Lösung zu suchen, indem es Informationen über eine Gruppe virtueller „Teilchen“ austauscht. Das zweite System ahmt das menschliche Immunsystem nach, das exzellent darin ist, Bedrohungen zu erkennen und sie sich zu merken, um sie beim nächsten Mal schneller abzuwehren. Durch die Verschmelzung dieser drei Ansätze schufen sie ein Hybridmodell, das in der Lage war, einen riesigen Bereich an Möglichkeiten zu explorieren, ohne in lokalen Sackgassen stecken zu bleiben, was es ihm ermöglichte, den wahren, globalen besten Weg zur Druckvorhersage zu finden.
Die Forscher testeten dieses neue Modell gegenüber älteren, einfacheren Methoden anhand von drei verschiedenen Datensätzen, die von kleinen Stichproben bis hin zu einem massiven Datensatz reichten, der fast fünf Monate Bergbauaktivität abdeckte. In jedem Test übertraf das neue Hybridmodell die anderen. Während die traditionellen Methoden Schwierigkeiten hatten, die plötzlichen, scharfen Druckspitzen vorherzusagen, die auftreten, wenn sich das Dach verschiebt, verfolgte das neue Modell diese gefährlichen Spitzen mit bemerkenswerter Genauigkeit. Beim größten Datensatz stimmten die Vorhersagen des Modells so eng mit den tatsächlichen Messungen überein, dass die Korrelation nahezu perfekt war und einen Wert von 0,966 erreichte. Dies bedeutet, dass der Computer sowohl die ruhigen, stetigen Druckphasen als auch die heftigen, periodischen Schübe, die einen potenziellen Dachsturz signalisieren, genau vorhersagen konnte. Das Modell arbeitete konsistent über verschiedene Abschnitte der Mine hinweg, was bewies, dass es sein Lernen auf neue Situationen verallgemeinern konnte, anstatt nur die Vergangenheit auswendig zu lernen.
Die Studie kommt zu dem Schluss, dass dieser neue Ansatz eine zuverlässige technische Grundlage zur Vermeidung von Dachunfällen in flachen Kohleflözen bietet. Durch die genaue Vorhersage, wann und wo der Druck ansteigen wird, können Bergbaubetriebe proaktive Maßnahmen ergreifen, wie etwa die Verstärkung von Stützen oder die Evakuierung von Bereichen, bevor ein Einsturz erfolgt. Obwohl das Modell in einer einzelnen Mine getestet wurde und letztlich durch die Einbeziehung weiterer geologischer Faktoren wie der Tiefe des Kohleflözes verbessert werden könnte, zeigen die Ergebnisse einen bedeutenden Sprung in der Sicherheitstechnologie. Es zeigt, dass Ingenieure durch die Kombination der Mustererkennungsleistung des maschinellen Lernens mit den adaptiven Strategien biologischer Systeme die unvorhersehbaren Kräfte der Erde endlich bändigen können, indem sie ein großes Sicherheitsrisiko in eine kontrollierbare, vorhersehbare Variable verwandeln.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.