Автоматизация классификации сейсмических событий при сейсмомониторинге угольной шахты с использованием машинного обучения
К.В. Романевич, С.Н. Мулёв
Научно-исследовательский институт горной геомеханики и маркшейдерского дела – межотраслевой научный центр «ВНИМИ», г. Санкт-Петербург, Российская Федерация
Горная Промышленность №5S / 2023 стр. 58-64
Резюме: Исследование посвящено разработке алгоритма автоматической классификации сейсмических событий в контексте мониторинга сейсмоактивности на угольных шахтах и рудниках с использованием методов машинного обучения. Отмечается важность классификации геодинамических процессов и явлений в аспекте понимания природы сейсмических явлений, выявления их источников, оценки потенциальной опасности и воздействия на окружающую среду и инфраструктуру подземных сооружений. В статье описан алгоритм анализа сейсмической активности на основе данных, полученных в результате регистрации сейсмических событий с использованием аппаратурного комплекса и программного обеспечения сейсмомониторинга GITS2 на угольной шахте. В работе кратко рассмотрены ключевые методы искусственного интеллекта, применяемые для контроля и прогнозирования опасных геодинамических явлений. Особое внимание уделено разработке модели машинного обучения, основанной на решающих деревьях, которая демонстрирует высокую точность при классификации сейсмических событий. Точность классификации разработанной модели на обучающей выборке составила 98,39%, а на тестовой выборке – 98,41%. Этот результат свидетельствует о высокой обобщающей способности модели на новых данных и отсутствии переобучения. Проверка алгоритма на новых данных, поступающих в систему сейсмомониторинга GITS2, также подтверждает высокую точность классификации типов сейсмических событий на уровне 83–93%. Это подчеркивает эффективность машинного обучения в контексте контроля сейсмического режима шахты. Разработанная модель машинного обучения после ее опытной эксплуатации будет внедрена в мониторинговую систему GITS2, что позволит производить классификацию поступающих сейсмических событий в автоматическом режиме.
Ключевые слова: шахта, сейсмические события, сейсмомониторинг, методы искусственного интеллекта, машинное обучение, алгоритм классификации, решающие деревья, Catboost
Для цитирования: Романевич К.В., Мулёв С.Н. Автоматизация классификации сейсмических событий при сейсмомониторинге угольной шахты с использованием машинного обучения. Горная промышленность. 2023;(5S):58–64. https://doi.org/10.30686/1609-9192-2023-5S-58-64
Информация о статье
Поступила в редакцию: 31.10.2023
Поступила после рецензирования: 22.11.2023
Принята к публикации: 27.11.2023
Информация об авторах
Романевич Кирилл Викторович – кандидат технических наук, ведущий научный сотрудник, Научно-исследовательский институт горной геомеханики и маркшейдерского дела – межотраслевой научный центр «ВНИМИ», г. СанктПетербург, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Мулёв Сергей Николаевич – директор по науке, Научноисследовательский институт горной геомеханики и маркшейдерского дела – межотраслевой научный центр «ВНИМИ», г. Санкт-Петербург, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Список литературы
1. Романевич К.В., Мулев С.Н. Применение методов машинного обучения для анализа данных электромагнитного излучения при деформировании горных пород. В кн.: Цифровые технологии в горном деле: тезисы докладов Всерос. науч.-техн. конф., 13–16 июня 2023 г. Апатиты: ФИЦ КНЦ РАН; 2023. C. 53–55. https://doi.org/10.37614/978.5.91137.491.4
2. Разумов Е.Е., Рукавишников Г.Д., Мулев С.Н., Простов С.М. Основные принципы построения систем сейсмического мониторинга при отработке удароопасных угольных пластов. Горный журнал. 2021;(1):8–12. https://doi.org/10.17580/gzh.2021.01.02
3. Рукавишников Г.Д., Мулёв С.Н., Гаврилов А.Г. Опыт применения и перспективы развития системы сейсмического мониторинга ГИТС на Таштагольском железорудном месторождении. Горная промышленность. 2023;(S1):90–95. https://doi.org/10.30686/1609-9192-2023-S1-90-95
4. Разумов Е.Е., Рукавишников Г.Д., Климко В.К. Геофизический прогноз удароопасности при ведении горных работ. В кн.: Костиков К.С. (ред.) Россия молодая: материалы 13-й Всерос. науч.-практ. конф. с международным участием, г. Кемерово, 20–23 апреля 2021 г. Кемерово: Кузбасский государственный технический университет имени Т.Ф. Горбачева; 2021. С. 10908.1– 10908.6. Режим доступа: https://science.kuzstu.ru/wp-content/Events/Conference/RM/2021/RM21/pages/Articles/010908.pdf
5. Di Y., Wang E. Rock burst precursor electromagnetic radiation signal recognition method and early warning application based on recurrent neural networks. Rock Mechanics and Rock Engineering. 2021;54(3):1449–1461. https://doi.org/10.1007/s00603-020-02314-w
6. Qiu L., Li Z., Wang E., Liu Z., Ou J., Li X. et al. Characteristics and precursor information of electromagnetic signals of mining-induced coal and gas outburst. Journal of Loss Prevention in the Process Industries. 2018;54:206–215. https://doi.org/10.1016/j.jlp.2018.04.004
7. Zhang J. Exploration on coal mining-induced rockburst prediction using Internet of things and deep neural network. The Journal of Supercomputing. 2022;78(12):13988–14008. https://doi.org/10.1007/s11227-022-04424-4
8. Di Y., Wang E., Li Z., Liu X., Huang T., Yao J. Comprehensive early warning method of microseismic, acoustic emission, and electromagnetic radiation signals of rock burst based on deep learning. International Journal of Rock Mechanics and Mining Sciences. 2023;170:105519. https://doi.org/10.1016/j.ijrmms.2023.105519
9. Li X., Chen S., Wang E., Li Z., Rockburst mechanism in coal rock with structural surface and the microseismic (MS) and electromagnetic radiation (EMR) response. Engineering Failure Analysis. 2021;124:105396. https://doi.org/10.1016/j.engfailanal.2021.105396
10. Huang L., Li J., Hao H., Li X. Micro-seismic event detection and location in underground mines by using Convolutional Neural Networks (CNN) and deep learning. Tunnelling and Underground Space Technology. 2018;81:265–276. https://doi.org/10.1016/j.tust.2018.07.006
11. Pu Y., Apel D.B., Liu V., Mitri H. Machine learning methods for rockburst prediction-state-of-the-art review. International Journal of Mining Science and Technology. 2019;29(4):565–570. https://doi.org/10.1016/j.ijmst.2019.06.009
12. Hancock J.T., Khoshgoftaar T.M. CatBoost for big data: an interdisciplinary review. Journal of Big Data. 2020;7:94. https://doi.org/10.1186/s40537-020-00369-8
13. Ibrahim A.A., Raheem R.L., Muhammed M.M., Abdulaziz R.O., Ganiyu S.A. Comparison of the CatBoost classifier with other machine learning methods. International Journal of Advanced Computer Science and Applications. 2020;11(11):738–748. https://doi.org/10.14569/IJACSA.2020.0111190
