Науковий вісник НГУ

Прогнозування аерогазового стану рудничної атмосфери із застосуванням штучних нейронних мереж

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 09 січня 2019

Опубліковано: 27 грудня 2018

Перегляди: 2980

Authors:

Г. Г. Швачич, доктор технічних наук, професор, orcid.org/0000-0002-9439-5511, Національна металургійна академія України, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. В. Іващенко, orcid.org/0000-0003-4394-6907, Національна металургійна академія України, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Є. Є. Федоров, доктор технічних наук, доцент, orcid.org/0000-0003-3841-7373, Донецький національний технічний університет, м. Покровськ, Донецька обл., Україна

Ю. Л. Дікова, orcid.org/0000-0002-8196-0817, Донецький національний технічний університет, м. Покровськ, Донецька обл., Україна

Abstract:

Мета. Розробка методу прогнозування високодинамічного процесу зміни концентрації вибухонебезпечних газів у шахті із застосуванням штучних нейронних мереж, що дозволяють ураховувати зовнішні чинники. Підвищення виробничої безпеки на сьогоднішній день у гірничій промисловості вирішується за рахунок впровадження на підприємствах сучасних комп’ютерних систем аерогазового контролю, робота яких спрямована на прогноз параметрів стану навколишнього середовища. У зв’язку з цим, упровадження комп’ютерних систем на основі застосування штучних нейронних мереж дозволяє видати обґрунтовані рекомендації для прийняття оптимальних технологічних і управлінських рішень.

Методика. Прогнозування аерогазового стану рудникової атмосфери засноване на застосуванні штучних нейронних мереж, авторегресійних моделей і метаевристик.

Результати. На сьогоднішній день основні заходи за прогнозом концентрації метану спрямовані на пошук закономірностей динаміки концентрації газу, що послужили основою для прогнозу газодинамічних явищ. Основні результати отримані в галузі досліджень динаміки концентрації метану з використанням приладів телеметричного контролю. Такий підхід заснований на застосуванні лінійних моделей. Запропонований варіант використання нелінійних моделей прогнозування на основі штучних нейронних мереж дає точніші прогнози в порівнянні з широко вживаними на виробництвах лінійними моделями.

Наукова новизна. У рамках прогнозування аерогазового стану рудникової атмосфери отримали подальший розвиток штучні нейронні мережі та авторегресійні моделі. При цьому вдосконалена авторегресійна модель прогнозу за рахунок додавання до її структури екзогенних факторів, в якості яких виступають вимірювані динамічні параметри аерогазового стану шахтних виробок. Для адаптації моделі вдосконалено метаевристичний алгоритм.

Практична значимість. Результати експериментів показали, що запропонована штучна нейронна мережа показала себе більш ефективною для вирішення завдання прогнозування аерогазового стану рудникової атмосфери в порівнянні з існуючим підходом. Проведені чисельні дослідження показали, що запропонована модель дозволяє підвищити точність прогнозу на 10 % в порівнянні з широковживаними градієнтними методами. Позитивний економічний ефект від упровадження запропонованого підходу полягає у зменшенні ймовірності виникнення аварійних ситуацій, що веде до зменшення фінансових витрат, спрямованих на ліквідацію наслідків аварій.

References.

1. Methane control [online]. Available at: <http://vovremya.info/art/1196506356.html> [Accessed 11 November 2017].

2. Vovna, O. V. and Zori, A. A., 2015. Subsystem of limits control of explosion of a mine atmosphere for a system of aerogas protection of coal mines. Visn. NTU “KhPI”. Scientific proceedings. Power and conversion technology. Kharkiv, 19 (1128), pp. 79‒88.

3. Vovna, O. V. and Zori, A. A., 2014. Optical concentration meter with hardware and software compensation of temperature drift. Acad. Papers od Donetsk Nat. Tech. University. Computer science and automatization, 1(26), pp. 178‒188.

4. Regression Rule Learning for Methane Forecasting in Coal Mines [online]. Available at: <http://link.springer.com/chapter/10.1007%2F978-3-319-18422-7_44#page-1>[Accessed 20 September 2017].

5. Fedorov, E. E. and Dikova, Yu. L., 2016. Multiagent system for forecasting the state of the miner atmosphere. In: SIMULATION-2016 ‒ Kyiv, conference proceedings, pp. 61‒65. Available at: <http://ea.donntu.edu.ua:8080/bitstream/123456789/28134/1/%D0%BC%D1%83%D0%BB%D1%8C%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%B0%D1%8F%20%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0%20%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B0%20%D1%81%D0%BE%D1%81%D1%82%D0%BE%D1%8F%D0%BD%D0%B8%D1%8F%20%D1%80%D1%83%D0%B4%D0%BD%D0%B8%D1%87%D0%BD%D0%BE%D0%B9%20%D0%B0%D1%82%D0%BC%D0%BE%D1%81%D1%84%D0%B5%D1%80%D1%8B%20.pdf> [Accessed 05 September 2017].

6. Integrated security systems [online]. Available at: <http://itras.com.ua/> [Accessed 5 December 2017].

 повний текст / full article