Research on Resistance Prediction Model for Coal Mining Face Supports Based on Machine Learning
Dit artikel stelt een immuno-particle swarm hybrid algorithm optimized BP neural network (IA-PSO-BP) model voor om de beperkingen van traditionele voorspellingsmethoden te overwinnen, waarbij een hoogprecisie voorspelling van steun- en weerstandsniveaus voor ondiep begraven kolenseams in Noord-Shaanxi wordt bereikt met een correlatiecoëfficiënt van 0,966.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Diep onder het aardoppervlak, waar het gesteente dun is en de kolenlagen dicht bij de bovenkant liggen, worden mijnbouwoperaties geconfronteerd met een unieke en gevaarlijke uitdaging. In tegenstelling tot diepe mijnen, waar het gewicht van de aarde langzaam en voorspelbaar wordt verdeeld, ervaren ondiepe kolenlagen in regio's zoals Noord-China plotselinge, gewelddadige verschuivingen in de druk. Dit fenomeen, bekend als mijnspanning, kan ervoor zorgen dat het dak van een tunnel zonder waarschuwing instort, wat een bedreiging vormt voor het leven van arbeiders en de stabiliteit van zware machines. Decennialang hebben ingenieurs geprobeerd deze verschuivingen te voorspellen met behulp van wiskundige formules gebaseerd op rotsmechanica, maar de grond gedraagt zich vaak op manieren die te complex en veranderlijk zijn om door eenvoudige vergelijkingen te worden gevangen. Wanneer de druk piekt, kan dit ondersteuningsstructuren verbrijzelen, wat leidt tot ongelukken die historisch gezien verantwoordelijk zijn voor de meerderheid van de dodelijke slachtoffers in de kolenwinning. De noodzaak voor een systeem dat deze gevaarlijke pieken met hoge precisie kan anticiperen is niet alleen een technisch doel; het is een kwestie van veiligheid en overleving voor de duizenden mensen die dagelijks ondergronds werken.
Om dit aan te pakken, heeft een team onderzoekers van een groot mijnbouwbedrijf en een universiteit in Shaanxi een nieuwe manier ontwikkeld om deze drukveranderingen te voorspellen met behulp van een type computergestuurd leren dat bekend staat als machine learning. In plaats van uitsluitend te vertrouwen op vaste natuurkundige wetten, bouwden zij een digitaal model dat leert van het werkelijke gedrag van de mijn. Ze richtten zich op een specifiek werkfront, een lange tunnel waar steenkool wordt gewonnen, die is uitgerust met honderden hydraulische ondersteuningen—massieve, door zuigers aangedreven kolommen die het dak omhoog houden. Deze ondersteuningen zijn uitgerust met sensoren die constant de druk meten die ze dragen. De onderzoekers verzamelden meer dan twee miljoen datapunten van deze sensoren over een periode van vijf maanden, waardoor een gedetailleerd verslag ontstond van hoe de grond tegen de structuur van de mijn duwt en trekt. De ruwe gegevens uit de diepe aarde zijn echter vaak rommelig, met gaten waar sensoren faalden of pieken veroorzaakt door apparatuurfouten in plaats van werkelijke geologische verschuivingen. Het team heeft deze gegevens eerst schoongemaakt door de overduidelijke fouten te verwijderen en de ontbrekende stukjes in te vullen door naar de patronen van nabijgelegen ondersteuningen en voorgaande momenten in de tijd te kijken, zodat de computer een compleet en accuraat beeld had om van te leren.
De kern van hun werk bestond uit het aanleren van een computerprogramma om de complexe, niet-lineaire patronen van mijnspanning te herkennen. Ze begonnen met een standaard neuraal netwerk, een computersysteem dat gemodelleerd is naar het menselijk brein en goed is in het vinden van patronen, maar ze wisten dat dit systeem alleen vaak blijft hangen in het herhalen van hetzelfde foute antwoord. Om dit op te lossen, combineerden ze het met twee andere intelligente systemen. Eén systeem, geïnspireerd door de manier waarop vogels in zwermen vliegen, helpt de computer om de beste mogelijke oplossing te zoeken door informatie te delen over een groep virtuele "deeltjes". Het tweede systeem bootst het menselijke immuunsysteem na, dat uitstekend is in het herkennen van dreigingen en het onthouden ervan om ze de volgende keer sneller te bestrijden. Door deze drie benaderingen te mengen, creëerden ze een hybride model dat een enorm scala aan mogelijkheden kon verkennen zonder vast te lopen in lokale doodlopende wegen, waardoor het de ware, globale beste manier kon vinden om de druk te voorspellen.
De onderzoekers testten dit nieuwe model tegen oudere, eenvoudigere methoden met behulp van drie verschillende datasets, variërend van kleine monsters tot een enorme dataset die bijna vijf maanden aan mijnbouwactiviteit beslaat. In elke test presteerde het nieuwe hybride model beter dan de anderen. Terwijl de traditionele methoden moeite hadden met het voorspellen van de plotselinge, scherpe drukpieken die optreden wanneer het dak verschuift, volgde het nieuwe model deze gevaarlijke pieken met opmerkelijke nauwkeurigheid. Op de grootste dataset kwamen de voorspellingen van het model zo nauw overeen met de werkelijke metingen dat de correlatie bijna perfect was, met een score van 0,966. Dit betekent dat de computer zowel de stille, stabiele perioden van druk als de gewelddadige, periodieke pieken die een potentieel dakinstortingsgevaar signaleren, accuraat kon voorspellen. Het model werkte consistent over verschillende secties van de mijn, wat bewees dat het zijn leervermogen kon generaliseren naar nieuwe situaties in plaats van alleen het verleden te memoriseren.
De studie concludeert dat deze nieuwe aanpak een betrouwbare technische basis biedt voor het voorkomen van dakrampen in ondiepe kolenlagen. Door nauwkeurig te voorspellen wanneer en waar de druk zal pieken, kunnen mijnexploitanten proactieve maatregelen nemen, zoals het versterken van ondersteuningen of het evacueren van gebieden voordat een instorting plaatsvindt. Hoewel het model op één enkele mijn werd getest en uiteindelijk verbeterd kan worden door meer geologische factoren zoals de diepte van de kolenlaag op te nemen, tonen de resultaten een significante sprong voorwaarts in veiligheidstechnologie. Het laat zien dat door de kracht van patroonherkenning van machine learning te combineren met de adaptieve strategieën van biologische systemen, ingenieurs de onvoorspelbare krachten van de aarde eindelijk kunnen bedwingen, waardoor een groot veiligheidsrisico verandert in een beheersbare, voorspelbare variabele.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.