Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "sejsmiczność indukowana" wg kryterium: Temat


Wyświetlanie 1-3 z 3
Tytuł:
Distribution of peak ground vibration caused by mining induced seismic events in the Upper Silesian Coal Basin in Poland
Autorzy:
Dubiński, Józef
Mutke, Grzegorz
Chodacki, Jacek
Powiązania:
https://bibliotekanauki.pl/articles/1853826.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
Górnośląskie Zagłębie Węglowe
sejsmiczność górnicza
sejsmiczność indukowana
induced seismicity
Upper Silesian Coal Basin
peak ground velocity
mining seismic intensity scale
Opis:
The solutions presented permit the practical determination of the physical parameters of peak ground vibration, caused by strong mining tremors induced by mining, in the Polish part of the Upper Silesian Coal Basin (USCB). The parameters of peak ground horizontal velocity (PGVH) and peak ground horizontal acceleration (PGAH10) at any point of earth’s surface depend on seismic energy, epicentral distance and site effect. Distribution maps of PGVH and of PGAH10 parameters were charted for the period 2010-2019. Analysis of the results obtained indicates the occurrence of zones with increased values of these parameters. Based on the Mining Seismic Instrumental Intensity Scale (MSIIS-15), which is used to assess the degree of vibration intensity caused by seismic events induced by mining, and using the PGVH parameter, it was noted that the distribution map of this parameter includes zones where there vibration velocities of both 0.04 m/s and 0.06 m/s were exceeded. Vibrations with this level of PGVH correspond to intensities in the V and VI degree according to the MSIIS-2015 scale, which means that they can already cause slight structural damage to building objects and cause equipment to fall over. Moreover, the reason why the second parameter PGAH10 is less useful for the evaluation of the intensity of mining induced vibrations is explained. The PGAH10 vibration acceleration parameter, in turn, can be used to design construction of the objects in the seismic area of the Upper Silesian Coal Basin, where the highest acceleration reached a value of 2.8 m/s2 in the period from 2010 to 2019.
Źródło:
Archives of Mining Sciences; 2020, 65, 3; 419-432
0860-7001
Pojawia się w:
Archives of Mining Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Geomechanical and tectonophysical conditions of mining-induced seismicity in the Upper Silesian Coal Basin in Poland: a case study
Geomechaniczne i tektonofizyczne uwarunkowania sejsmiczności indukowanej w górnośląskim zagłębiu węglowym w Polsce – studium przypadku
Autorzy:
Dubiński, Józef
Stec, Krystyna
Bukowska, Mirosława
Powiązania:
https://bibliotekanauki.pl/articles/219504.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
parametry geomechaniczne
górnicza sejsmiczność indukowana
mechanizm ogniska
lokalne pole naprężeń
geomechanical properties
mining induced seismicity
focal mechanism
local stress field
Opis:
In the Carboniferous rock mass of the Upper Silesian Coal Basin, large changes in the geomecha-nical conditions often occur over relatively short distances. These conditions relate to rock properties that are primarily responsible for the occurrence of geodynamic phenomena in the rock mass. The main factor influencing the manifestation of these phenomena is tectonic stress developed during Variscan and subsequent Alpine orogenesis. This stress contributed to creating tectonic structures in the Carboniferous formations and influenced the properties of the rocks themselves and the rock mass they form. As a result of the action of the stresses, compaction zones (main stresses were compressive) were formed, along with zones in which one of the main stresses was tensile. For the compaction zones in the Carboniferous rocks, the following geomechanical parameters have been calculated: uniaxial compressive strength, Young’s modulus and post-critical modulus. The local stress field was determined according to the focal mechanism in selected areas (Main and Bytom troughs) to characterize changes in geomechanical properties of the rocks that are responsible for high-energy tremors (E≥ 106 J, ML≥ 2.2).
W Górnośląskim Zagłębiu Węglowym w górotworze karbońskim występuje często duża zmien-ność warunków geomechanicznych na względnie niewielkich odległościach. Warunki te odniesione do właściwości skał są w pierwszej kolejności odpowiedzialne za występowanie zjawisk geodynamicz-nych w górotworze. Głównym czynnikiem wpływającym na te właściwości są naprężenia tektoniczne rozwinięte podczas orogenezy warescyjskiej i alpejskiej. Naprężenia te uczestniczyły w tworzeniu struktur tektonicznych w górotworze karbońskim i oddziaływały na właściwości skał i całego górotworu. W wyniku takiego działania powstały strefy kompakcji (gdzie główne naprężenia były ściskające) oraz strefy, w których jedno z naprężeń głównych było rozciągającym. Dla stref kompakcji zostały określone takie parametry geomechaniczne jak: wytrzymałość na jednoosiowe ściskanie, moduł Younga i modułpokrytyczny. Lokalne pole naprężeń wyrażone kierunkami naprężeń głównych wyznaczano na podstawie parametrów mechanizmu ognisk wstrząsów w rejonie niecki głównej i niecki bytomskiej i porównano z wyznaczonymi parametrami geomechanicznymi skał. Przeprowadzone analizy pozwalają na wnioskowanie, że mechanizm ognisk wysokoenergetycznych wstrząsów (E≥ 106 J, ML≥ 2.2) w przybliżeniu odzwierciedla występujący w górotworze układ naprężeń, który miał wpływ na zróżnicowanie wartości parametrów geomechanicznych skał.
Źródło:
Archives of Mining Sciences; 2019, 64, 1; 163-180
0860-7001
Pojawia się w:
Archives of Mining Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Predictive regression models of monthly seismic energy emissions induced by longwall mining
Regresyjne modele predykcyjne miesięcznej emisji energii sejsmicznej indukowanej eksploatacją w ścianie
Autorzy:
Jakubowski, J.
Tajduś, A.
Powiązania:
https://bibliotekanauki.pl/articles/219968.pdf
Data publikacji:
2014
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
sejsmiczność indukowana
wstrząsy górnicze
zagrożenie tąpaniami
eksploatacja ścianowa
drzewa wzmacniane
sieci neuronowe
data mining
modele regresyjne
modele predykcyjne
induced seismicity
mining tremors
rockburst hazard
longwall mining
boosted trees
neural networks
regression models
predictive models
Opis:
This article presents the development and validation of predictive regression models of longwall mining-induced seismicity, based on observations in 63 longwalls, in 12 seams, in the Bielszowice colliery in the Upper Silesian Coal Basin, which took place between 1992 and 2012. A predicted variable is the logarithm of the monthly sum of seismic energy induced in a longwall area. The set of predictors include seven quantitative and qualitative variables describing some mining and geological conditions and earlier seismicity in longwalls. Two machine learning methods have been used to develop the models: boosted regression trees and neural networks. Two types of model validation have been applied: on a random validation sample and on a time-based validation sample. The set of a few selected variables enabled nonlinear regression models to be built which gave relatively small prediction errors, taking the complex and strongly stochastic nature of the phenomenon into account. The article presents both the models of periodic forecasting for the following month as well as long-term forecasting.
W artykule przedstawiono budowę i walidację predykcyjnych modeli regresyjnych sejsmiczności indukowanej eksploatacją w ścianie, opartych na obserwacjach w 63 ścianach kopalni Bielszowice prowadzonych w 12 pokładach w latach 1992-2012. Zmienna prognozowaną jest logarytm miesięcznej sumy energii sejsmicznej wstrząsów w ścianie. Zestaw predyktorów składa się z siedmiu zmiennych ilościowych i jakościowych opisujących wybrane czynniki górnicze i geologiczne w ścianach. Do budowy modeli zastosowano dwie metody uczenia się maszyn: drzewa wzmacniane oraz sieci neuronowe. Zastosowano dwa rodzaje walidacji modeli: na losowej próbie walidacyjnej oraz na czasowej próbie walidacyjnej. Zestaw kilku wybranych zmiennych pozwolił na zbudowanie nieliniowych modeli regresyjnych, które, biorąc pod uwagę złożoną i silnie stochastyczną naturę zjawiska, dają względnie małe błędy pro gnozy. W artykule przedstawiono zarówno modele do prognozy okresowej na kolejny miesiąc jak i do prognozy długoterminowej.
Źródło:
Archives of Mining Sciences; 2014, 59, 3; 705-720
0860-7001
Pojawia się w:
Archives of Mining Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-3 z 3

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies