1. Đặt vấn đề:
Ngành khai khoáng của Việt Nam là một thành phần quan trọng của nền kinh tế trong nước. Tính đặc thù của sản xuất khai thác mỏ là nó tích hợp một loạt các công nghệ khác nhau và do đó có liên quan chặt chẽ đến sự phát triển của cả các ngành chuyên sâu về tri thức và tài nguyên của nền kinh tế quốc gia.
Hiện nay, khoảng 95% sản lượng than ở Việt Nam (được sản xuất tại các mỏ của hiệp hội VINACOMIN. Cấu trúc của "VINACOMIN " bao gồm hơn 25 mỏ than và 6 mỏ đá. Hầu hết các nguồn dự trữ than đá nằm ở phía Bắc của đất nước thuộc tỉnh Quảng Ninh, trong đó sản xuất than và than nâu được khai thác ở phía Nam của đất nước trong vùng đồng bằng sông Hồng. Hầu hết các mỏ than được đặc trưng bởi một mức độ cao của các vỉa than có chứa khí mê tan chẳng hạn như: Mạo Khê, Khe Chàm, Quang Hanh và những mỏ khác.
Sự biến động đáng kể về nồng độ khí mê tan trong các hoạt động khai thác mỏ, chưa kể đến phát thải khí mê tan đột ngột và các vụ nổ liên quan đến hỗn hợp khí bụi hiện đang là yếu tố nghiêm trọng ảnh hưởng đến sự an toàn của hoạt động khai thác mỏ hầm lò.
Hiện nay, cuộc chiến phòng chống khí mê tan và bụi than là một trong những vấn đề cấp bách nhất trong việc đảm bảo điều kiện làm việc an toàn cho các thợ mỏ trong các mỏ có nguy cơ phát triển các tiềm ẩn nguy hiểm cho các vụ nổ khí mê tan.
Do đó, ở bất kỳ giai đoạn nào trong hoạt động khai thác, điều cực kỳ quan trọng là đảm bảo việc áp dụng hợp lý, đầy đủ và có tính đến nhiều tiêu chí, quyết định quản lý và dự báo nồng độ khí mê tan trong khai thác mỏ. Một trong những cách để giải quyết vấn đề này là sự ra đời của công nghệ thông tin, đặc biệt là việc tạo ra các giải pháp nền tảng phân tích và dự báo, trong đó, sử dụng các thông số môi trường khai thác mỏ, công nghệ để xây dựng một hệ thống giám sát và quản lý an toàn mỏ toàn diện.
Do vậy việc xây dựng mô hình toán học sử dụng mạng nơron nhân tạo ứng dụng trong dự báo nồng độ khí mê tan là một vấn đề cấp bách trong sản xuất khai thác than hiện nay của của Việt Nam.
2. Nội dung nghiên cứu
Trong bài viết này, chúng tôi xem xét một số nhiệm vụ chức năng quan trọng đối với hệ thống kiểm soát thông gió mỏ, giải pháp được thực hiện bằng phương pháp phân tích dự báo. Một kế hoạch chung được trình bày để bao gồm một nền tảng phân tích trong hệ thống để theo dõi khí mê tan của mỏ và để kiểm soát thông gió. Các nhiệm vụ quan trọng nhất được giải quyết trong khuôn khổ của nền tảng phân tích được liệt kê.
Thảo luận về phương pháp phân phối lại hoạt động của không khí trong mạng lưới thông gió. Cơ chế xây dựng mô hình mạng nơ-ron của sự kết nối giữa luồng không khí trong các nhánh chính của mỏ, được sử dụng làm yếu tố chính của phân phối lại luồng không khí, được mô tả.
Trong hình 1 cho thấy hoạt động của nền tảng phần mềm phân tích trong hệ thống điều khiển.
Hình 1. Sơ tổng quát nền tảng phân tích trong hệ thống giám sát điều khiển.
Phân tích sơ bộ cho thấy [1], sơ đồ điều khiển thần kinh tuần tự (Hình 2) có thể cung cấp đủ hiệu quả kiểm soát do không có các nhánh điều khiển bổ sung như bộ điều khiển bổ sung. Điều khiển được cung cấp theo cách sau [18]: nhận tín hiệu tham chiếu (r) trên đầu vào, mạng nơ ron được đào tạo sơ bộ phục hồi nó thành ảnh hưởng điều khiển (u) cho đối tượng điều khiển. Theo ảnh hưởng điều khiển này, đối tượng điều khiển thay đổi trạng thái riêng và tín hiệu đầu ra (y) có thể gần với tín hiệu tham chiếu (r). Nếu dưới các yếu tố ảnh hưởng bên ngoài, trạng thái của đối tượng điều khiển bị thay đổi, thì sự thay đổi này sẽ chuyển sang đầu vào mạng thần kinh. Mạng thần kinh hình thành ảnh hưởng điều khiển mới (u) để bù cho sự thay đổi tín hiệu đầu ra (y).
Hình 2. Sơ đồ điều khiển thần kinh tuần tự
Chúng ta hãy giả sử cho mô hình mô phỏng từ nồng độ mêtan có thể lấy các giá trị từ tập hợp {0.4%, 0.6%, 0.8%, 1.0%, 1.2%}. Chúng ta hãy giả sử rằng, nồng độ mêtan C = 1,3% là tối đa (sau khi tăng tất cả mọi người nên được sơ tán khỏi mỏ) và nồng độ mêtan = 0,3% là tối thiểu không cần thiết phải điều chỉnh thông gió.
Sau đó, thay đổi nồng độ sẽ nhận các giá trị từ tập hợp {0.1%, 0.3%, 0.5%, 0.7%, 0.9%} tương ứng. Thuật toán cho tập huấn luyện mạng nơ-ron hình thành cho mô hình mô phỏng. Để lưu các vectơ đào tạo thu được của mạng nơ ron theo bảng 1.
Bảng 2-1. Cấu trúc của vectơ đào tạo của mạng nơ ron
Hình 3. Sự phụ thuộc của lỗi phục hồi tương đối và thời gian đào tạo từ số lượng tế bào thần kinh lớp ẩn
Mô hình hóa mô phỏng nên thể hiện bằng thực nghiệm sự lựa chọn tối ưu về cấu trúc mạng thần kinh và các tham số huấn luyện của nó từ quan điểm chính xác của các điều khiển ảnh hưởng đến việc phục hồi và cung cấp các hoạt động thời gian thực. Trong các thí nghiệm mạng lưới thần kinh được đào tạo trên 400 vectơ. Nó đã thử nghiệm trên 225 vectơ thử nghiệm không bao gồm trong tập huấn luyện. Kết quả mô hình mô phỏng với số lượng tế bào thần kinh lớp ẩn khác nhau được hiển thị trên Hình 3. Lỗi tương đối của ảnh hưởng kiểm soát phục hồi đang tăng từ 0,1% lên 8% khi tăng số lượng tế bào thần kinh lớp ẩn từ 5 lên 30. Ngoài ra, thời gian đào tạo được tăng từ 8 đến 15-20 giây. Do đó, cấu trúc mạng thần kinh 4-5-1 cung cấp kết quả tốt hơn, tức là lỗi tương đối tối thiểu của việc phục hồi ảnh hưởng kiểm soát và thời gian đào tạo tối thiểu.
Do đó, chúng ta hãy sử dụng mô hình mạng thần kinh này để kiểm tra các tham số của đào tạo mạng thần kinh. Kết quả mô hình mô phỏng với các giá trị khác nhau của SSE được hiển thị trong Hình 4. Lỗi tương đối của ảnh hưởng kiểm soát phục hồi không vượt quá 1% và giảm đến 0,07% khi tăng SSE đến 10-8, thời gian đào tạo tăng từ 5 đến 30 giây tương ứng. Lỗi tương đối của ảnh hưởng kiểm soát phục hồi được phép đối với tất cả các giá trị của SSE theo các quy tắc an toàn của thông gió mỏ. Do đó, các giá trị SSE cần thiết cho đào tạo nên được chọn để cung cấp thời gian thực sự cần thiết cho hoạt động của mô hình.
Hình 4. Sự phụ thuộc của lỗi khôi phục tương đối và thời gian đào tạo từ các giá trị SSE
3. Kết quả đạt được
Một mô hình mô phỏng đơn giản của phần mạng lưới thông gió mỏ và kỹ thuật tạo tập huấn luyện để kiểm soát thần kinh của luồng khí được phát triển trong bài viết này. Các kết quả mô hình mô phỏng đã cho thấy khả năng tiềm năng tốt trong việc kiểm soát thần kinh của luồng khí mỏ trong thời gian thực. Các nghiên cứu trong tương lai được thực hiện bằng cách sử dụng mô hình mô phỏng phức tạp của luồng khí trong mạng lưới thông gió mỏ.
4. Kết luận và kiến nghị
Trong bài viết này, các nhiệm vụ chính được xây dựng được giải quyết trong khuôn khổ của nền tảng phân tích và một sơ đồ được trình bày để bao gồm nền tảng phân tích trong hệ thống giám sát cho các quy trình khí và kiểm soát thông gió.
Nó cho thấy giải pháp của vấn đề nhận biết cho phép bạn diễn giải các tình huống công nghệ để phát triển các hành động kiểm soát. Nói chung, logic của việc đưa ra các quyết định có thể được trình bày, tuy nhiên, các vấn đề về phân loại và xếp hạng các rủi ro khác nhau phát sinh từ điều này không được xem xét trong bài viết này.
Sử dụng dữ liệu giám sát của mỏ Mạo Khê, một thuật toán đã được phát triển để xây dựng mô hình mạng nơron tối ưu cho từng lớp (mô hình mạng cổ điển: mạng lan truyền thẳng -mạng lan truyền ngược), không giống như các mô hình tương tự, sử dụng các tính năng thông tin phân tích chuyên gia và phân tích chuyên gia làm bộ huấn luyện. Điều này cho phép chúng tôi làm cho các mô hình mạng thần kinh có khả năng chống lại các nhiễu loạn khác nhau về bản chất khai thác, kỹ thuật hoặc vật lý địa lý.
Thuật toán mạng thần kinh được phát triển để phân phối lại hoạt động của không khí giúp tính toán chính xác hơn các nhiệm vụ - Q*(t) cho một số hệ thống thống điều khiển thông gió.
TÀI LIỆU THAM KHẢO
[1].Ts.Đỗ Chí Thành, Nguyễn Văn Chung “Ứng dụng mạng nơ ron nhân tạo trong dự báo nồng độ khí mê tan tại công ty than Mạo Khê” – Đề tài NCKH cấp trường năm 2019.
[2]. Jeffery D. Martin, Yu T. Morton, Qihou Zhou. Neural network development for the forecasting of upper atmosphere parameter distributions. Advances in Space Research 36 (2005) 2480—2485 p. Expert Systems with Applications 39(2012) [3].Yi Zheng, Qi Liu, Enhong Chen, Yong Ge, and JL Zhao. Time Series Classification Using Multi-Channels Deep Convolutional Neural Networks. Web-Age Information Management, pages 298–310, 2014.
[4].Brodny, J.; Tutak, M.; John, A. Analysis of Influence of Types of Rocks Forming the Goaf with Caving on the Physical Parameters of Air Stream Flowing Through These Gob and Adjacent Headings. Mechanics 2018, 24, 43–49. [Google Scholar] [CrossRef]
[5].Kurnia, J.C.; Sasmito, A.P.; Mujumdar, A.S. CFD simulation of methane dispersion and innovative methane management in underground mining faces. Appl. Math. Model. 2014, 38, 3467–3484. [Google Scholar] [CrossRef]
[6]. До Чи Тхань. Управление скоростью асинхронного двигателя привод для вентилятора местного в шахте с использованием искусственной нейронной сети. Международная научно-практическая конференция «50 лет Российской научной школе комплексного освоения недр Земли», Москва, (13-16) ноябрь 2017, Москва С. 254 -258.
[7]. До Чи Тхань. Сравнение моделей нейронной сети для прогнозирования для прогнозирования концентрация метана в шахте «Вьетнама». Международная научно-практическая конференция «50 лет Российской научной школе комплексного освоения недр Земли», Москва, (13-16) ноябрь 2017, Москва. С. 258 -262.
[8]. До Чи Тхань,(аспирант, НИТУ «МИСиС», Фам Хыу Чиень (магистр, Куангниньский индустриальный университет, Вьетнам). Разработка системы управления и мониторинга автоматизированного частотно-регулируемого электропривода вентилятора местного проветривания в шахте Мао Хе (Вьетнам) в соответствии с концентрацией метана, «Шаг в будущее: Искусственный интеллект и цифровая экономика - I-я Международная научно-практическая конференция » в ГУУ 4-5 декабря 2017. Москва. С.86-103
[18]. Темкин И.О., До Чи Тхань. Формирование базы знаний интеллектуальной системы управления аэрогазодинамическими процессами в угольных шахтах. № 3-2016- с.84. ГИАБ.
[9]. Темкин И. О., До Чи Тхань, Агабубаев А. Повышение безопасности ведения горных работ в метанообильных шахтах Вьетнама с использованием моделей прогнозной аналитики. № 8-2017- с.142-152. ГИАБ.
[10]. Темкин И.О.(проф., д.т.н.) , До Чи Тхань (аспирант), Агабубаев А. (магистр), НИТУ «МИСиС»). Нейросетевые модели управления процессами в вентиляционных системах шахт. «Шаг в будущее: Искусственный интеллект и цифровая экономика - I-я Международная научно-практическая конференция » в ГУУ 4-5 декабря 2017. Москва. С.253-259.
[11].Темкин И.О., До Чи Тхань, Агабубаев А. О некоторых алгоритмах функционирования аналитической платформы в системе управления вентиляцией метанообильной шахты. № 5-2018. ГИАБ.СПN16-16C.
[12].Темкин И.О., ЧиТхань До, Агабубаев А. Об одном подходе к кластеризации и распознаванию технологических ситуаций в сложных социотехнических системах «Шаг в будущее: Искусственный интеллект и цифровая экономика - I-я Международная научно-практическая конференция » в ГУУ 4-5 декабря 2017. Москва. С.169-176. Выпуск 4.
TS. Đỗ Chí Thành, ThS. Nguyễn Văn Chung - Trường Đại học Công Nghiệp Quảng Ninh
