Prognozowanie osiadań powierzchni terenu przy użyciu sieci neuronowych

Artykuł prezentuje wyniki pracy nad utworzeniem sieci neuronowej prognozującej osiadania powierzchni terenu na podstawie danych dotyczących planowanej eksploatacji, takich jak: głębokość i grubość pokładu, położenie, wielkość oraz kształt pola eksploatacyjnego, kąt zasięgu wpływów głównych oraz współczynnik eksploatacji. Do tworzenia sieci wykorzystano pakiet Statistica, natomiast dane do uczenia sieci uzyskano z modelu teoretycznego Budryka-Knothego. Prognozy uzyskane przez sieć, dla której otrzymano najlepsze dopasowanie wyników, przedstawiono na rysunkach 4 i 5. Aktualnie prowadzone są prace nad znalezieniem sieci lub zespołu sieci, które wyznaczałyby osiadania powierzchni dla obszaru zawierającego więcej niż jedno pole eksploatacyjne.

This paper presents an application of neural networks for the prediction of a surface subsidence. The main advantage of the artificial neural network approach is that there is no need to assume the type of functional relation and there is no need to have an accurate knowledge of material properties in the area of interest. Only the geometry of the neural network has to be chosen and the learning procedure has to be successfully completed. The networks were used as a solution to following problem. There was given excavated quadrangular area which was described by the following factors: the coordinates of vertices of a worked area, the seam thickness, the depth of the opening, an angle of the mining influence and the subsidence factor. We want to predict the final subsidence of any point of surface. The multi-layer feed-forward networks were used for modeling the surface subsidence trough. The supervised learning has been used. Figures 4 and 5 present the final subsidences of the points lying on two lines. The neural networks could be used for computing the surface subsidence. The author will intend to use networks for computing the other factors of the surface deformations.