ПРОГНОЗИРОВАНИЕ КОНЦЕНТРАЦИИ МЕТАНА В РАБОЧЕЙ ЗОНЕ УГОЛЬНОЙ ШАХТЫ НА ОСНОВЕ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ

Авторы

  • А.В. Кашников Горный институт УрО РАН
  • Д.М. Бузмаков Горный институт УрО РАН

DOI:

https://doi.org/10.7242/echo.2020.4.19

Ключевые слова:

искусственный интеллект, метан, угольная шахта, рекуррентная нейронная сеть, прогнозирование временных рядов

Аннотация

Данная работа описывает модель прогноза содержания метана в атмосфере рабочей зоны угольной шахты. При построении модели использованы оперативные показания датчиков и данные о текущей работе оборудования. В работе приводится сравнение результатов моделирования, полученных с использованием различных видов нейронных сетей. Прогнозирование изменения концентрации метана в рабочей зоне позволяет принимать оперативные решения для обеспечения эффективной работы оборудования при условии минимизации риска аварии.

Поддерживающие организации
Исследование выполнено в рамках Программы ФНИ, проект № 0422-2019-0007-C-01 (регистрационный номер темы НИОКТР: АААА-А19-119091690020-0).

Библиографические ссылки

  1. Скрицкий В.А. Причины взрывов метана в высокопроизводительных угольных шахтах Кузбасса //Инноватика и экспертиза: научные труды. - 2017. - Вып. 2 (20). - С. 171-180.
  2. Ясницкий Л.Н. Интеллектуальные информационные технологии и системы: учеб.-метод. пособие. -Пермь: Изд-во Перм. ун-та, 2007. - 270 с.
  3. Осовский С. Нейронные сети для обработки информации / пер. с пол. И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 343 с.
  4. Журавлев Е.И. Разработка геоинформационной системы прогнозирования динамических проявлений в углевмещающем массиве при подземной разработке угольных месторождений: автореф. дис. к.т.н.25.00.35 / Журавлев Евгений Игоревич. - М., 2016. - 22 с.
  5. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. - СПб: Питер, 2018. - 480 c.
  6. Schmidhuber J. Deep Learning in neural networks: An overview // Neural Networks. - 2015. - V. 61. - P.85-117. DOI
  7. Садовникова Н.А., Шмойлова Р.А. Анализ временных рядов и прогнозирование: учебник для вузов. -М.: Ун-т Синергия, 2016. - 151 с.
  8. Бендерская Е.Н., Никитин К.В. Рекуррентная нейронная сеть как динамическая система и подходы к ее обучению // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. - 2013. -№ 4. - С. 29-40.
  9. Рудой Г.И. Выбор функции активации при прогнозировании нейронными сетями // Машинное обучение и анализ данных. - 2011. - Т. 1, №1. - С. 16-39. - Текст электронный. - URL:http://jmlda.org/papers/doc/2011/JMLDA2011no1.pdf]. (Дата обращения 8.10.2020).
  10. Джулли А., Пал С. Библиотека Keras - инструмент глубокого обучения / Под ред. Мовчан Д. А.; пер.А.А. Слинкин. - М.: ДМК Пресс, 2017. - 294 с.

Загрузки

Опубликован

21.12.2020

Выпуск

№ 4 (2020)

Раздел

Статьи

Как цитировать

ПРОГНОЗИРОВАНИЕ КОНЦЕНТРАЦИИ МЕТАНА В РАБОЧЕЙ ЗОНЕ УГОЛЬНОЙ ШАХТЫ НА ОСНОВЕ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ. (2020). Горное эхо, 4, 94-98. https://doi.org/10.7242/echo.2020.4.19