Próba zastosowania sieci neuronowych do prognozowania osiadań powierzchni terenu powstałych na skutek eksploatacji górniczej

W artykule przedstawiono zastosowanie sieci neuronowych do przewidywania osiadań powierzchni terenu powstałych w wyniku eksploatacji górniczej. Sieci neuronowe są często wykorzystywane do tego by na podstawie pewnych danych wejściowych przewidywać określone dane wyjściowe. Zaletą sieci neuronowej jako narzędzia prognozującego jest to, że sieć w wyniku procesu uczenia może nabyć zdolności przewidywania wyjściowych sygnałów wyłącznie na podstawie obserwacji tzw. ciągu uczącego, bez konieczności formułowania hipotez co do rodzaju zależności między nimi. Celem badań było utworzenie takich sieci, które na podstawie danych dotyczących planowanej eksploatacji, głębokość i grubość pokładu, położenie, wielkość oraz kształt pola eksploatacyjnego mogły wyznaczyć obniżenia terenu. Dane do uczenia sieci uzyskano z modeli teoretycznych. Wartości osiadań obliczono na podstawie teorii Budryka-Knothego. W artykule zaprezentowano testowane modele sieci oraz wyniki uzyskane z sieci najlepiej rozwiązującej problem. Na ich podstawie można stwierdzić, że możliwe jest utworzenie sieci neuronowej prognozującej osiadania powierzchni, pod warunkiem jednak, że będziemy dysponować dużą ilością danych do uczenia sieci (rzędu kilku, a nawet kilkudziesięciu tysięcy). Dlatego też dużym problemem jest utworzenie sieci neuronowej uczonej na podstawie przypadków rzeczywistych. Stąd planowane jest kontynuowanie badań w tym zakresie.

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. There are several types of neural network geometry. The multi-layer feed-forward networks were used for modeling the surface subsidence trough. Neural networks need to learn in order to produce useful results. There are two different kinds of learning: unsupervised learning and supervised learning. The supervised learning has been used. The networks were used as a solution to following problem. There was given excavated quadrangular area which was described by the following factors: the cordinates of vertices of a worked area, the seam thickness, the depth of the opening. We want to predicate the final subsidence of any point P(x,y). 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.