Szczegóły publikacji
Opis bibliograficzny
Predykcyjny model dobowej emisji energii sejsmicznej indukowanej eksploatacją górniczą — Predictive model of the daily release of seismic energy induced by mining / Jacek JAKUBOWSKI, Łukasz Lenart, Łukasz Ożóg // Przegląd Górniczy ; ISSN 0033-216X. — 2014 — t. 70 nr 3, s. 18–25. — Bibliogr. s. 25, Streszcz., Abstr.
Autorzy (3)
- AGHJakubowski Jacek
- Lenart Łukasz
- Ożóg Łukasz
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 80663 |
|---|---|
| Data dodania do BaDAP | 2014-03-21 |
| Tekst źródłowy | URL |
| Rok publikacji | 2014 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Czasopismo/seria | Przegląd Górniczy |
Streszczenie
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.
Abstract
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.
