ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

На сегодняшний день актуальным вопросом является проблема отработки запасов угля на шахтах Украины.[7] Добыча угля осложняется такими факторами как большая глубина разработки, высокий уровень горного давления, слоистость массива, трещиноватость, водообильность, высокая газоносность пластов. Наиболее проблемным фактором при отработке пластов, является малоамплитудная нарушенность. Сложность в том, что до ведения очистных работ нарушения с маленькой амплитудой практически невозможно обнаружить. Расстояния между разведочными скважинами достигает сотен метров следовательно уловить нарушение амплитудой 0,3-1,5 м практически невозможно. В связи с этим применяют ряд геофизических методов, которые производят непосредственную разведку малоамплитудных нарушений. Однако такие методы требуют значительных затрат для закупки специального оборудования. Трудоемкость обработки промежуточных данных при проведении работ значительна, кроме того восстановление параметров нарушений и их координат является задачей, которая не имеет однозначного решения. К тому же надежность результата доразведки как правило не более 80%.

1.Актуальность темы

В связи с этим целесообразным является разработка новых менее трудоемких и доступных методов решения данной проблемы. Эффективным является привлечение методов искусственного интеллекта, для расчета и прогнозирования малоамплитудной нарушенности в массиве.

2.Цель и задачи исследования, планируемые результаты

Целью работы: усовершенствовать существующую методику прогноза малоамплитудной нарушенности. Использовать новый подход для расчета зон, появления малоамплитудных нарушений.

Для достижения поставленной цели определены следующие задачи исследования:

  1. Собрать необходимые данные, по фактическим нарушениям.
  2. Выполнить их анализ.
  3. Обосновать и выбрать модель для осуществления прогноза.
  4. Подготовить исходные данные для стохастического моделирования.
  5. Выполнить стохастическое моделирование чередования местоположения малоамплитудных нарушений.

3. Обзор исследований и разработок

3.1 Обзор международных источников

В настоящее время проблема прогноза маломапплитудной нарушенности решается с помошью ряда геофизических методов[4,5]

3.2 Обзор исследований по теме в Украине

На территории Украины исследованиями прогноза малоамплитудных нарушений , происходящими в углепородном массиве, занимается научно–исследовательский институт УкрНИМИ НАН

3.3 Обзор исследований по теме в ДонНТУ

Кафедра Маркшейдерского дела в Донецком Национальном Техническом Университете является одной из ведущих научных организаций, одним из объектов исследования на кафедре является прогноз малоамплитудной нарушенности. Этой проблемой занимается д.т.т проф. Назимко В.В.

4. Объект исследования

Процесс формирования нарушений.

5. Предмет исследования

Параметры малоамплитудных нарушений (амплитуда нарушения, азимут, угол падения, расстояния между нарушениями по выроботке).

6. Идея работы

Разработать методику, которая значительно повысит надежность прогноза малоамплитудной нарушености, и одновременно уменьшит стоимость прогноза в разы.

7. Первый раздел

Первый раздел моей магистерской работы посвящен обзору уже имеющейся литературы для аналитического обзора исследований по проблемам прогноза малоамплитудной нарушенности.

  1. Достоверный прогноз нарушений амплитуда которых колеблется от 0,25 до 0,5 нарушения располагаются не равномерно, их прогноз практически невозможен.
  2. Применяют ряд геофизических методов, которые производят непосредственную разведку малоамплитудных нарушений. Однако такие методы требуют значительных затрат для закупки специального оборудования. Трудоемкость обработки промежуточных данных при проведении работ значительна, кроме того восстановление параметров нарушений и их координат является задачей, которая не имеет однозначного решения. К тому же надежность результата доразведки как правило не более 80%.
  3. Наблюдая за характером появления нарушений можно сделать предварительный вывод о том, что чередуемость параметров появления нарушений вдоль линии 5 южного конвейкрного штрека, может быть представлена простой информационной моделью. Чередуемость соседних малоамплитудных нарушений можно представить как, потоки событий которые не происходят в один промежуток времени, в связи с этим было принято решение использовать, как метод исследования Марковские процессы.

8. Метод исследования

Марковские процессы

Марковский процесс – это случайный процесс эволюция которого после любого заданного значения временного параметра t не зависит от эволюции, предшествовующего t, при условии, что значение процесса в этот момент фиксировано .Благодаря сравнительной простоте и наглядности математического аппарата, высокой достоверности и точности получаемых решений, достаточную популярность марковские процессы получили у специалистов занимающихся исследованием операций и теорией принятия оптимальных решений.

Рассмотрим модель, которую в любой момент времени можно описать одним из N состояний, где для простоты N = 5.

Через определенный промежуток времени модель может изменить свое состояние или остаться в прежнем состоянии согласно вероятностям, указанным для данных состояний. Моменты времени, когда мы регистрируем состояние модели, обозначим как t = 1,2, а состояние в момент времени t обозначим qt. Полное описание модели должно содержать текущее состояние (в момент времени t) и последовательность всех предыдущих состояний, через которые прошла система. В отдельных случаях описание модели сводится к указанию текущего и предыдущего состояния, то есть


a ij = P[ q t = S j|qt-1 = S i ,qt-2 = S k,... ] = [ qt = S j| q t-1 = S i]

Кроме того, мы также полагаем что процессы, протекающие в системе, не зависят от времени, о чем нам говорит правая часть формулы (1). Таким образом, систему можно описать множеством вероятностей aij в виде


a ij = P[ q t = S j|qt-1 = S ],     1 ≤ i,j ≤ N

где aij — это вероятность перехода из состояния Si в состояние Sj в данный момент времени. Поскольку эти вероятности характеризуют случайный процесс, они имеют обычные свойства, то есть

aij ≥0

Σ j=1aij = 1

Описанный случайный процесс можно назвать открытой марковской моделью, поскольку выходной сигнал модели — это последовательность состояний, регистрируемых во времени. Каждое состояние соответствует определённому (наблюдаемому) событию. В нашем случае роль времени выполняет координата вдоль линии вдоль которой регистрируют нарушения. А в качестве событий выступает факт реализации конкретного расстояния между соседними малоамплитудными нарушениями.

На рисунке 1 показан план горных выработок. На данном фрагменте наглядно видно, как часто могут встречаться в массиве малоамплитудные нарушения.

Фрагмент плана горных выработок

Рис. 1 Фрагмент плана горных выработок М 1:5000

Расстояния между нарушениями от 70 до 500 метров, амплитуда от 0,25 до 0,5 метров. угол падения изменяется в интервале от 35° до 50°. видно что нарушения распределены неравномерно, следовательно предсказать их местоположение и параметры очень сложно.[1,2] Наблюдая за характером появления нарушений можно сделать предварительный вывод о том, что чередуемость параметров появления нарушений вдоль линии 5 южного конвейкрного штрека , может быть представлена простой информационной моделью. Чередуемость соседних малоамплитудных нарушений можно представить как , потоки событий которые не происходят в один промежуток времени.

Для построения эвристической модели было выполнено стохастическое моделирование, были рассчитаны матрица перехода расстояний. Таблица 1.

Расстояние0-68,75 68,75-137,50137,50-206,25 206,25-275 275-343,75 343,75-412,50 412,50-481,25
Состояние перехода1 2 3 4 5 6 7 сумма
1 0,71782182 0,1188118810,059405941 0,059405941 0,024752475 0,01980198 0 1
20,583333333 0,166666667 0,027777778 0,027777778 0,027777778 0,083333333 0,083333333 1
30,818181818 0,045454545 0,068181818 0,068181818 0 0 0 1
40,578947368 0,105263158 0,157894737 0,157894737 0 0 0 1
50,666666667 0,166666667 0 0 0 0,166666667 0 1
6 0,555555556 0,333333333 0 0 0 0,111111111 0 1
7 1 0 0 0 0 0 0 1

Таблица 1. Матрица перехода состояний

Используя матрицу переходов, и теорию вероятности, выполнили расчет переходов, из одного состояния в другое, результат наглядно виден на графике представленном на рис.2

График перехода состояния вероятности

Рис. 2 График перехода состояния вероятности (5 кадров, 5 повторений, 202 кб)

9. Планируемый результат

  1. Получить методику прогноза нарушений вдоль трассы будущей выработки.
  2. Анализ и обобщение полученных результатов.

10. Новизна

Разрабатываемый метод основывается на расстоянии между малоамплитудными нарушениями амплитуда которых колеблется от 0,3 до 1,5 м., расстояния между ними от 70 – 400 м. Следовательно, является случайной величиной и не противоречит закону экспотенциального распределения. Вывод сделан основываясь на результатах обработки данных программой STATISTIKA (Рис. 3). Программа предназначена для  это современный пакет статистического анализа, в котором реализованы все новейшие компьютерные и математические методы анализа данных. Программа предназначена для всех отраслей промышленности (бизнес, наука, обучение).

В ней реализовано все возможные функции для статистической обработки данных плюс к этому : возможность построения графиков, базы данных и т.д. В программу встроен STATISTICA Visual Basic что добавляет еще около 10000 новых функций. Синтаксис этого Basic'а полностью совместим с Microsoft Visual Basic.Версия английская.

Результаты обработки данных в программе STATISTIKA

Рис.3 Результаты обработки данных в программе STATISTIKA

Заключение

В магистерской работе представлена актуальная задача, заключающаяся в методике прогноза малоамплитудной нарушенности, используя методы искусственного интеллекта.

Дальнейшими исследованиями является предварительное обоснование и проработка методики анализа вскрытых параметров фактически установленных малоамплитудных нарушений.

При написании данного реферата магистерская работа, еще не завершена. Дата завершения декабрь 2013. С оригиналом магистерской роботы можно будет ознакомится у научного руководителя Назимко В.В

Список источников

  1. Тихонов В.И., Миронов М.А. «Марковские процессы» , – М,1977
  2. Назимко В.В., Мерзликин А.В. Опыт применения нейронных сетей и генетического алгоритма для прогноза малоамплитудных нарушений Научные труды Донецкого Государственного Технического Университета. Серия: горно-геологическая. – 2002. – №54. – С. 177 – 183.
  3. Назимко В.В., Захаров В.С. , Мерзликин А.В. Прогноз мелкоамплитудных разрывных нарушений угольных пластов с помощью нейронных сетей и генетических алгоритмов Геотехнологии на рубеже 21 в.,т.2. – Донецк.: ДонНТУ, 2001. – С. 30-32
  4. Tectonics: Recent Advances by Evgenii Sharkov (ed.) - InTech , 2012 This book is devoted to different aspects of modern geodynamic processes. The text covers up-to-date materials of detailed geological-geophysical investigations, which can help understand the essence of mechanisms of different tectonic processes. (2950 views)
  5. Statistical Physics of Fracture, Friction and Earthquake by Hikaru Kawamura, et al. – arXiv , 2011 We review our research regarding the dynamics and the statistical properties of earthquakes, mainly from a statistical physical viewpoint. Emphasis is put both on the physics of friction and fracture, and on the statistical physical modelling. (1964 views)
  6. Дынкин Е.Б. – «Теория вероятности и марковские процессы» – М,1966.
  7. Маркшейдерское дело: Учеб. для вузов. – В двух частях/Под ред. И.Н. Ушакова. – 3-е изд., перераб. и доп. – М. Недра, 1989. – Часть 2/А.Н. Белоликов, В.Н. Земисев Г.А. Кротов и др. – 437 с.