کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4942647 1437414 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Predicting seismic events in coal mines based on underground sensor measurements
ترجمه فارسی عنوان
پیش بینی وقایع لرزه ای در معادن زغال سنگ بر اساس اندازه گیری های حسگر زیر زمینی
کلمات کلیدی
سیستم های پشتیبانی تصمیم، داده های سری زمانی، پیش بینی وقایع لرزه ای، مشکل سرد شروع تجزیه و تحلیل پیش بینی، مهندسی ویژگی،
ترجمه چکیده
در این مقاله، ما در مورد مانیتورینگ ایمنی در معادن زیرزمینی زغال سنگ بحث می کنیم. به طور خاص، ما بررسی و مقایسه روش های عملی برای ارزیابی خطرات لرزه ای با استفاده از مدل های تحلیلی بر اساس داده های حسی و دانش دامنه می پردازیم. برای مطالعه موردی ما از یک مجموعه داده غنی جمع آوری شده در طول یک دوره بیش از پنج سال از چندین معدن فعال زغال سنگ فعال لهستانی استفاده می کنیم. ما در مقایسه با کیفیت پیش بینی بین متخصصان متخصص تمرکز می کنیم که به عنوان یک استاندارد در صنعت استخراج ذغال سنگ و روش های یادگیری ماشین آلات پیشرفته برای معادن داده های سری زمانی معادن استفاده می شود. ما یک چالش بین المللی داده کاوی را که برای تسهیل مطالعه ما سازمان یافته است توصیف می کنیم. ما همچنین یک تکنیک را که ما برای ساختن مجموعه ای از مدل های رگرسیون ساخته ایم که می توانیم از رویکردهای دیگر که توسط شرکت کنندگان در چالش استفاده می شود، بهتر کنیم. در نهایت، ما توضیح می دهیم که چگونه داده های به دست آمده در حین رقابت را با هدف تحقیق در مورد مشکل راه اندازی سرد در استقرار سیستم های پشتیبانی تصمیم در سایت های معدن جدید مورد استفاده قرار دادیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
پیش بینی وقایع لرزه ای در معادن زغال سنگ بر اساس اندازه گیری های حسگر زیر زمینی
چکیده انگلیسی
In this paper, we address the problem of safety monitoring in underground coal mines. In particular, we investigate and compare practical methods for the assessment of seismic hazards using analytical models constructed based on sensory data and domain knowledge. For our case study, we use a rich data set collected during a period of over five years from several active Polish coal mines. We focus on comparing the prediction quality between expert methods which serve as a standard in the coal mining industry and state-of-the-art machine learning methods for mining high-dimensional time series data. We describe an international data mining challenge organized to facilitate our study. We also demonstrate a technique which we employed to construct an ensemble of regression models able to outperform other approaches used by participants of the challenge. Finally, we explain how we utilized the data obtained during the competition for the purpose of research on the cold start problem in deploying decision support systems at new mining sites.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 64, September 2017, Pages 83-94
نویسندگان
, , , , , ,