DOI: https://doi.org/10.1007/s40789-023-00630-4
تاريخ النشر: 2024-01-03
المؤلف: Ayush Sahu وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تناقش هذه الفقرة الخطر الكبير للانهيارات السقفية في مناجم الفحم تحت الأرض، وخاصة أثناء التعدين التراجعي، والذي يمكن أن يؤدي إلى إصابات خطيرة ويعطل العمليات. لمعالجة هذه المشكلة، قام المعهد الوطني للسلامة والصحة المهنية بتجميع قاعدة بيانات وطنية لأداء السقف من 37 منجم فحم، على الرغم من أن البيانات محدودة وقد تكون غير مكتملة بسبب قيود مختلفة. تتطلب هذه التعقيدات تطوير نموذج موثوق لتوقع الانهيارات السقفية.
لمعالجة الشكوك المرتبطة بتوقع الانهيارات السقفية، يقدم البحث طريقة استدلال ضبابية معززة بخوارزمية جينية. تولد هذه الطريقة قواعد ضبابية من 109 سجلات لبيانات الانهيار السقفي وتحسن وظائف العضوية للمعلمات من خلال البحث عن الأنماط. يتم تقييم فعالية النموذج باستخدام مقاييس إحصائية، بما في ذلك خطأ الجذر التربيعي المتوسط (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل التحديد ($R^2$). تشير النتائج إلى أن النموذج المقترح يتفوق على النماذج الحالية في توقع معدلات الانهيار السقفي بدقة أكبر مع استخدام عدد أقل من القواعد الضبابية، مما يوفر حلاً أكثر كفاءة لهذه التحديات الأمنية الحرجة.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للمعادن في مختلف القطاعات، بما في ذلك البنية التحتية، والتصنيع، والزراعة، مما يبرز ضرورة التعدين للمجتمع الحديث. ومع ذلك، فإنها تؤكد أيضًا على المخاطر الكامنة في التعدين تحت الأرض، وخاصة الانهيارات السقفية، التي تشكل مخاطر كبيرة على سلامة عمال المناجم وكفاءة العمليات. تشير الإحصائيات إلى أنه من 1996 إلى 2005، كان هناك 7,737 إصابة مرتبطة بالانهيارات السقفية في التعدين تحت الأرض، حيث أظهرت مناجم الفحم أعلى معدلات حدوث.
تستعرض هذه الفقرة مجموعة من الأساليب التنبؤية والوقائية للانهيارات السقفية، مصنفة إياها إلى طرق غير ضبابية وطرق قائمة على الضبابية. لقد حددت الأساليب غير الضبابية، مثل تقنيات الانحدار، العلاقات بين معدل الانهيار السقفي (RFR) وعوامل مثل تصنيف سقف منجم الفحم (CMRR) وعمق الغطاء (DoC). من ناحية أخرى، حاولت النماذج الضبابية، بما في ذلك تلك القائمة على مبدأ مانداني، دمج معلمات متعددة لكنها غالبًا ما تتجاهل عوامل حاسمة مثل ارتفاع التعدين (MH). تم استكشاف التقدمات الحديثة في التعلم الآلي، بما في ذلك الشبكات العصبية التلافيفية والشبكات العصبية الاصطناعية، للكشف عن المخاطر وتحليل المخاطر، مما يشير إلى تحول نحو منهجيات تنبؤية أكثر تطورًا في معالجة مخاطر الانهيارات السقفية في بيئات التعدين تحت الأرض.
النتائج
تظهر نتائج الدراسة فعالية نظام استدلال ضبابي (FIS) من نوع تاكاجي-سوجينو-كانغ (TSK) المدمج مع خوارزمية جينية (GA) وتحسين سرب الجسيمات (PS) في توقع مخاطر الانهيار السقفي (RFR) في مناجم الفحم تحت الأرض. تم التحقق من صحة النموذج باستخدام مجموعة بيانات اختبار مكونة من 25 سجلًا، محققًا درجة معامل تحديد ($R^2$) قدرها 0.9512، متفوقًا بشكل كبير على نماذج أخرى مثل الشبكات العصبية الاصطناعية (ANN) والانحدار المتعدد المتغيرات (MVR)، التي كانت قيم $R^2$ لها 0.687 و0.039، على التوالي. استخدم النموذج المقترح 63 قاعدة فقط للتفكير، مقارنة بـ 84 قاعدة في نظام الاستدلال الضبابي التقليدي، مما يشير إلى نهج أكثر كفاءة في توقع RFR.
تشير النتائج إلى أن النموذج يمكن أن يساهم في تدابير السلامة في الوقت الحقيقي في عمليات التعدين، مما يبرز أهمية تصميم التقاطعات، وعرض المعرض، ودعم السقف الكافي لتقليل RFR. تشير أداء النموذج إلى أن زيادة حجم مجموعة بيانات التدريب يمكن أن تعزز دقة توقعاته، مما يبرز الإمكانية لدمج المنطق الضبابي مع خوارزميات التحسين في الأبحاث المستقبلية. بشكل عام، توفر الدراسة إطارًا موثوقًا لتحسين بروتوكولات السلامة في تعدين الفحم تحت الأرض من خلال توقعات دقيقة لـ RFR.
المناقشة
في هذه الفقرة، يناقش المؤلفون قيود الأساليب القائمة على الضبابية الحالية لتوقع مخاطر الانهيار السقفي (RFR) في مناجم الفحم تحت الأرض، مشيرين إلى اعتمادها على عدد محدود من المعلمات ولعنة الأبعاد التي تؤدي إلى عدم دقة التوقعات. لمعالجة هذه القضايا، يقترح المؤلفون نظام استدلال ضبابي جديد (FIS) يدمج الخوارزميات الجينية (GA) وتقنيات البحث عن الأنماط (PS). يستخدم هذا النهج الهجين نظام استدلال ضبابي من نوع تاكاجي-سوجينو-كانغ (TSK) مع قاعدة قواعد مخفضة تتكون من 63 قاعدة، مما يعزز بشكل كبير دقة التوقع مقارنة بالنماذج السابقة.
تتكون المنهجية المقترحة من مرحلتين: تعلم القواعد وضبط المعلمات. في المرحلة الأولى، يتم استخدام GA لتحسين قاعدة القواعد، مما يدير بشكل فعال التعقيد المرتبط بزيادة الأبعاد. في المرحلة الثانية، يتم استخدام PS لضبط وظائف العضوية للمعلمات، مما يؤدي إلى تحسين أداء النموذج. يتم التحقق من فعالية الطريقة المقترحة باستخدام مجموعة بيانات من مناجم الفحم تحت الأرض في الولايات المتحدة، مما يظهر قوتها من خلال مقاييس إحصائية مثل R² وRMSE وMAE. تؤكد الدراسة على أهمية المعلمات الرئيسية، بما في ذلك تصنيف سقف منجم الفحم (CMRR)، وكثافة براغي السقف (PRSUP)، وأبعاد التقاطعات (IDS)، وعمق الغطاء (DoC)، وارتفاع التعدين (MH)، في توقع RFR بدقة.
DOI: https://doi.org/10.1007/s40789-023-00630-4
Publication Date: 2024-01-03
Author(s): Ayush Sahu et al.
Primary Topic: Occupational Health and Safety Research
Overview
The section discusses the significant safety hazard of roof falls in underground coal mines, particularly during retreat mining, which can lead to severe injuries and disrupt operations. To address this issue, the National Institute for Occupational Safety and Health has compiled a national database of roof performance from 37 coal mines, although the data is limited and potentially incomplete due to various restrictions. This complexity necessitates the development of a reliable roof fall prediction model.
To tackle the uncertainties associated with roof fall prediction, the paper introduces a fuzzy inference method enhanced by a genetic algorithm. This approach generates fuzzy rules from 109 records of roof fall data and optimizes the membership functions of the parameters through pattern search. The model’s effectiveness is assessed using statistical metrics, including Root-Mean-Square Error (RMSE), Mean-Absolute-Error (MAE), and the coefficient of determination ($R^2$). The results indicate that the proposed model surpasses existing models in accurately predicting roof fall rates while utilizing fewer fuzzy rules, thereby offering a more efficient solution to this critical safety challenge.
Introduction
The introduction highlights the critical role of minerals in various sectors, including infrastructure, manufacturing, and agriculture, emphasizing the necessity of mining for modern society. However, it also underscores the inherent dangers of underground mining, particularly roof falls, which pose significant risks to miners’ safety and operational efficiency. Statistics indicate that from 1996 to 2005, there were 7,737 injuries related to roof falls in underground mining, with coal mines exhibiting the highest incidence rates.
The section reviews various predictive and preventive approaches to roof falls, categorizing them into non-fuzzy and fuzzy-based methods. Non-fuzzy approaches, such as regression techniques, have identified correlations between Roof Fall Rate (RFR) and factors like Coal Mine Roof Rating (CMRR) and Depth of Cover (DoC). Conversely, fuzzy models, including those based on the Mamdani principle, have attempted to incorporate multiple parameters but often overlook critical factors like Mining Height (MH). Recent advancements in machine learning, including convolutional neural networks and artificial neural networks, have been explored for hazard detection and risk analysis, indicating a shift towards more sophisticated predictive methodologies in addressing roof fall risks in underground mining environments.
Results
The results of the study demonstrate the effectiveness of a Takagi-Sugeno-Kang (TSK) Fuzzy Inference System (FIS) integrated with Genetic Algorithm (GA) and Particle Swarm Optimization (PS) for predicting roof fall risk (RFR) in underground coal mines. The model was validated using a testing dataset of 25 records, achieving a coefficient of determination ($R^2$) score of 0.9512, significantly outperforming other models such as Artificial Neural Networks (ANN) and Multiple Variable Regression (MVR), which had $R^2$ values of 0.687 and 0.039, respectively. The proposed model utilized only 63 rules for reasoning, compared to 84 rules in the traditional FIS, indicating a more efficient approach to RFR prediction.
The findings suggest that the model can inform real-time safety measures in mining operations, emphasizing the importance of intersection design, gallery width, and adequate roof support to mitigate RFR. The model’s performance indicates that increasing the training dataset size could further enhance its predictive accuracy, highlighting the potential for combining fuzzy logic with optimization algorithms in future research. Overall, the study provides a credible framework for improving safety protocols in underground coal mining through precise RFR predictions.
Discussion
In this section, the authors discuss the limitations of existing fuzzy-based approaches for predicting roof fall risk (RFR) in underground coal mines, highlighting their reliance on a limited number of parameters and the curse of dimensionality that leads to prediction inaccuracies. To address these issues, the authors propose a novel fuzzy inference system (FIS) that integrates genetic algorithms (GA) and pattern search (PS) techniques. This hybrid approach utilizes a Takagi-Sugeno-Kang (TSK) FIS with a reduced rule base of 63 rules, significantly enhancing prediction accuracy compared to previous models.
The proposed methodology consists of two phases: rule learning and parameter tuning. In the first phase, GA is employed to optimize the rule base, effectively managing the complexity associated with increasing dimensionality. In the second phase, PS is utilized for fine-tuning the membership functions of the parameters, leading to improved model performance. The effectiveness of the proposed method is validated using a dataset from US underground coal mines, demonstrating its robustness through statistical measures such as R², RMSE, and MAE. The study emphasizes the importance of key parameters, including the Coal Mine Roof Rating (CMRR), roof bolt density (PRSUP), intersection dimensions (IDS), depth of cover (DoC), and mining height (MH), in accurately predicting RFR.