Informacja

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

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "sejsmiczność indukowana" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Wykorzystanie sieci neuronowych do obliczania prędkości i przyspieszeń drgań gruntu wywoływanych wstrząsami górotworu
    Use of neural networks to calculate the velocity and acceleration of ground vibrations caused by mining tremors
    Autorzy:
    Bańka, P.
    Lier, E.
    Powiązania:
    https://bibliotekanauki.pl/articles/113490.pdf
    Data publikacji:
    2017
    Wydawca:
    STE GROUP
    Tematy:
    sejsmiczność indukowana
    drgania powierzchni
    sieci neuronowe
    induced seismicity
    ground vibrations
    neural networks
    Opis:
    W wielu kopalniach istotny problem stanowią drgania gruntu wywoływane silnymi wstrząsami indukowanymi prowadzonymi robotami górniczymi. W rejonach, w których stwierdza się występowanie drgań powierzchni terenu generowanych wstrząsami górotworu, konieczne jest sporządzanie prognoz parametrów drgań gruntu, które mogą wystąpić w trakcie realizacji założeń projektowych zakładów górniczych. W artykule przedstawiono wyniki badań, których celem było określenie możliwości zastosowania, do prognozy parametrów drgań gruntu wywoływanych wstrząsami, sieci neuronowych. Wykorzystano obserwacje drgań gruntu pochodzące z obszaru jednej z silnie zagrożonych sejsmicznie kopalń GZW. Otrzymane rezultaty wykazały możliwość zastosowania sieci neuronowych do obliczania wartości prędkości i przyspieszeń drgań powierzchni terenu powodowanych wstrząsami. Dla rozpatrywanego zbioru rejestracji uzyskano dokładniejsze wyniki niż w przypadku zastosowania powszechnie wykorzystywanego, prostego modelu regresji liniowej.
    In many mines there is a problem with ground vibrations caused by severe tremors induced by carried out mining works. In the areas, where surface vibrations occurred due to highenergy tremors it is necessary to forecast the velocity and acceleration of vibrations that may occur during the future excavation process. This paper presents results of studies describing the possibility of using neural networks to forecast ground vibrations caused by mining tremors. During those studies data from highly seismically endangered region of Upper Silesian Coal Basin were used. The results of calculations proved the possibility of using neural networks to calculate the velocity and acceleration of ground vibrations caused by mining tremors. For the considered set of observations more precise results than, from widely used, a simple linear regression model, were obtained.
    Źródło:
    Systemy Wspomagania w Inżynierii Produkcji; 2017, 6, 3; 24-34
    2391-9361
    Pojawia się w:
    Systemy Wspomagania w Inżynierii Produkcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie sieci neuronowych do prognozy zagrożenia sejsmicznego
    The use of neural networks for seismic hazard prognosis
    Autorzy:
    Bańka, P.
    Cichy, T.
    Kołodziejczyk, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/166035.pdf
    Data publikacji:
    2016
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Górnictwa
    Tematy:
    energia odkształcenia sprężystego
    sejsmiczność indukowana
    sieci neuronowe
    elastic strain energy
    induced seismicity
    neural networks
    Opis:
    Obserwowany poziom sejsmiczności indukowanej prowadzonymi robotami górniczymi jest w dużym stopniu zależny od występujących warunków geologiczno-górniczych. Warunki te (w szczególności górnicze) mogą być w sposób ilościowy opisywane metodami analitycznymi. Wyniki wcześniejszych prac pozwoliły stwierdzić istnienie zależności korelacyjnych pomiędzy szacowanymi stanami energetycznymi górotworu (zmianami energii właściwej odkształcenia sprężystego) a rejestrowaną liczbą i wydatkiem energetycznym wstrząsów. Opracowano proste modele regresji umożliwiające prognozowanie zmian sejsmiczności towarzyszącej prowadzonym robotom górniczym. W artykule przedstawiono wyniki dalszych badań, których celem było określenie możliwości wykorzystania do prognozy zmian poziomu sejsmiczności indukowanej wybierką złoża sieci neuronowych. Podstawową cechą sieci neuronowych jest zdolność generalizacji, czyli uogólniania wiedzy dla nowych danych, nieznanych wcześniej, niedostępnych w trakcie nauki. Wykazują one odporność na nieciągłości, zaburzenia lub braki w zbiorze uczącym. Zalety sieci neuronowych sprawiają, że są one coraz częściej wykorzystywanym narzędziem do rozwiązywania różnych problemów, m.in. geofizycznych i geomechanicznych. Rezultaty obliczeń wykonanych dla silnie zagrożonego sejsmicznie rejonu robót górniczych prowadzonych w kopalni węgla kamiennego potwierdziły możliwość zastosowania sieci neuronowych do szacowania zmian wielkości sejsmiczności indukowanej towarzyszącej eksploatacji złoża. Odpowiednio wytrenowana (nauczona) sieć neuronowa może być wykorzystywana do oceny poziomu zagrożenia wstrząsami na wybiegach projektowanych robót w tym samym rejonie.
    The observed seismicity induced by mining works is largely dependent on the existing geological and mining conditions. These conditions (particularly the mining ones) can be described quantitatively by analytical methods. The results of previous works allowed to find a correlation between the estimated states of rock mass energy (change of energy in the elastic deformation) and the recorded number of tremors and their energy output. Simple regression models enabling prediction of seismic changes due to mining works were developed. In this paper we present the results of further studies, describing the possibility of using neural networks to forecast changes in the level of seismicity induced by deposit excavation. The main feature of neural networks is the ability of generalization, which allows to update the knowledge to new, previously unknown data, which was not available in the learning process. Neural networks show resistance to discontinuity, disorders or deficiencies in the training set. The advantages of neural networks promote their increasingly common use in solving various problems, including geophysical and geomechanical ones. The results of calculations made for a highly seismic region threatened by mining operations, confirmed the possibility of using neural networks to estimate the changes of seismic activity induced by deposit exploitation. Properly trained neural network can be used to assess the level of tremor risk in the planned mining area.
    Źródło:
    Przegląd Górniczy; 2016, 72, 4; 1-6
    0033-216X
    Pojawia się w:
    Przegląd Górniczy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Dobór architektury sieci neuronowej wykorzystywanej do opisu zmian wielkości sejsmiczności indukowanej
    The architecture choice of the neural network used to describe changes in size of induced seismicity
    Autorzy:
    Bańka, P.
    Cichy, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/113083.pdf
    Data publikacji:
    2017
    Wydawca:
    STE GROUP
    Tematy:
    energia odkształcenia sprężystego
    sejsmiczność indukowana
    sieci neuronowe
    elastic strain energy
    induced seismicity
    neural networks
    Opis:
    W artykule przedstawiono wyniki badań mających na celu ustalenie optymalnej architektury sieci neuronowej wykorzystywanej do prognozy zmian gęstości energii wstrząsów indukowanych prowadzonymi robotami górniczymi. Zbiór wykorzystywany do nauki sieci neuronowej zawierał wartości wskaźników charakteryzujących zmiany energii właściwej odkształcenia sprężystego (szacowane z wykorzystaniem rozwiązania przemieszczeniowego zadania brzegowego przestrzennej teorii sprężystości podanego przez H. Gila), a także informacje o zarejestrowanym poziomie sejsmiczności, charakteryzowanym przez określenie gęstości energii wstrząsów. W trakcie prowadzonych badań przeanalizowano wpływ liczby neuronów w warstwie ukrytej sieci (od 1 do 16) oraz przyjętej charakterystyki neuronu (rozważano następujące funkcje aktywacji: liniową, logistyczną i tangens hiperboliczny) na dokładność opisu zmian sejsmiczności indukowanej przy zastosowaniu odpowiednio wytrenowanej (nauczonej) sieci neuronowej. Sprawdzono także wpływ architektury sieci neuronowej na dokładność prognozy zmian wydatku energetycznego wstrząsów górotworu. Rezultaty obliczeń, wykonanych dla silnie zagrożonego wstrząsami i tąpaniami rejonu robót górniczych prowadzonych w jednej z kopalń węgla kamiennego GZW, potwierdziły możliwość zastosowania sieci neuronowych do szacowania zmian gęstości energii wstrząsów towarzyszących eksploatacji złoża. Stwierdzono także, że wystarczającą dokładność prognozy można uzyskać stosując mało rozbudowaną sieć neuronową, zawierającą w warstwie ukrytej tylko dwa neurony, natomiast jako funkcję aktywacji korzystnie jest przyjąć tangens hiperboliczny.
    The article presents results of researches which have been done to define optimal architecture of neural network used to forecast changes in size of seismicity induced by mining works in progress. The set that had been used to learn neural network has included value of indicators that characterize changes of elastic strain energy (estimated with edge task translocation of spatial theory of elasticity given by H. Gil) and information about recorded level of seismicity, described by density of seismic events energy. While doing the research the influence of neurons number in the hidden layer of the network (from 1 to 16) was analyzed and neuron's characteristic (following activation functions have been considered: linear, logistic and hyperbolic tangent) for accuracy in describing induced seismicity changes when appropriately trained neural network is applied. Influence of neural network architecture on exactitude of change forecast of energy expenditure of rock mass shocks has also been checked. Calculation results for the region that is extremely at risk of shocks (region of mining works that are in progress in one of GZW coal mines) have confirmed possibility of using neural networks to estimate changes in size of induced seismicity connected with deposit exploitation. It has been also stated that forecast accuracy can be achieved by using not a very expanded neural network consisted of only two neurons in the hidden layer, however as an activation function it is favorably to use hyperbolic tangent.
    Źródło:
    Systemy Wspomagania w Inżynierii Produkcji; 2017, 6, 3; 11-23
    2391-9361
    Pojawia się w:
    Systemy Wspomagania w Inżynierii Produkcji
    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
    Tytuł:
    Predykcyjny model dobowej emisji energii sejsmicznej indukowanej eksploatacją górniczą
    Predictive model of the daily release of seismic energy induced by mining
    Autorzy:
    Jakubowski, J.
    Lenart, Ł.
    Ożóg, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/166220.pdf
    Data publikacji:
    2014
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Górnictwa
    Tematy:
    sejsmiczność indukowana
    wstrząsy górnicze
    hazard sejsmiczny
    zagrożenie tąpaniami
    drzewa wzmacniane
    sieci neuronowe
    regresja logistyczna
    modele prognostyczne
    modele klasyfikacyjne
    induced seismicity
    mining tremors
    seismic hazard
    rockburst hazard
    data mining
    boosted trees
    neural networks
    logistic regression
    predictive model
    classification model
    Opis:
    W artykule przedstawiono budowę i ocenę predykcyjnego modelu klasyfikacyjnego dobowej emisji energii sejsmicznej indukowanej eksploatacją ścianową węgla. Model jest oparty na danych z katalogu wstrząsów i podstawowych danych o wydobyciu i ścianach eksploatowanych w partii XVI kopalni Piast w okresie od lipca 1987 do marca 2011. Zmienną prognozowaną jest dwustanowa zmienna określająca wystąpienie dobowej sumy energii sejsmicznej wstrząsów w rejonie ściany większej lub równej wartości progowej 10/5 J. Zastosowano trzy metody analityczne w schemacie data mining: regresję logistyczną, sieci neuronowe i drzewa wzmacniane. Jako najlepszy do celów prognozy wybrano model drzew wzmacnianych. Wyniki na zbiorze walidacyjnym pokazały jego dobrą zdolność predykcyjną, co zachęca do dalszych badań.
    This paper presents the design and evaluation of the classification predictive model of daily seismic activity induced by longwall mining. The model combines seismic catalog data, output volume and basic characteristics of the longwall faces in sector XVI of the Piast coal mine over the period of July 1987 to March 2011. The predicted variable defines the occurrence of a daily sum of seismic energy released nearby the longwall, that is greater than or equal to the threshold value of 10/5 J. Machine learning and statistical methods were applied, namely neural networks, stochastic gradient boosted trees and logistic regression. The design and evaluation of the classification predictive models were presented. The boosted tree model appeared to meet the prediction quality criteria best. The results of the model evaluation show its promising predictive capability.
    Źródło:
    Przegląd Górniczy; 2014, 70, 3; 18-25
    0033-216X
    Pojawia się w:
    Przegląd Górniczy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      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