Wykorzystanie sieci neuronowych do prognozy zagrożenia sejsmicznego

Obserwowany poziom sejsmiczności indukowanej prowadzonymi robotami górniczymi jest w dużym stopniu zależny od występujących warunków geologiczno-górniczych. Warunki te (w szczególności górnicze) mogą być w sposób ilościowy opisywane metodami analitycznymi. Wyniki wcześniejszych prac pozwoliły stwierdzić istnienie zależności korelacyjnych pomiędzy szacowanymi stanami energetycznymi górotworu (zmianami energii właściwej odkształcenia sprężystego) a rejestrowaną liczbą i wydatkiem energetycznym wstrząsów. Opracowano proste modele regresji umożliwiające prognozowanie zmian sejsmiczności towarzyszącej prowadzonym robotom górniczym. W artykule przedstawiono wyniki dalszych badań, których celem było określenie możliwości wykorzystania do prognozy zmian poziomu sejsmiczności indukowanej wybierką złoża sieci neuronowych. Podstawową cechą sieci neuronowych jest zdolność generalizacji, czyli uogólniania wiedzy dla nowych danych, nieznanych wcześniej, niedostępnych w trakcie nauki. Wykazują one odporność na nieciągłości, zaburzenia lub braki w zbiorze uczącym. Zalety sieci neuronowych sprawiają, że są one coraz częściej wykorzystywanym narzędziem do rozwiązywania różnych problemów, m.in. geofizycznych i geomechanicznych. Rezultaty obliczeń wykonanych dla silnie zagrożonego sejsmicznie rejonu robót górniczych prowadzonych w kopalni węgla kamiennego potwierdziły możliwość zastosowania sieci neuronowych do szacowania zmian wielkości sejsmiczności indukowanej towarzyszącej eksploatacji złoża. Odpowiednio wytrenowana (nauczona) sieć neuronowa może być wykorzystywana do oceny poziomu zagrożenia wstrząsami na wybiegach projektowanych robót w tym samym rejonie.

The observed seismicity induced by mining works is largely dependent on the existing geological and mining conditions. These conditions (particularly the mining ones) can be described quantitatively by analytical methods. The results of previous works allowed to find a correlation between the estimated states of rock mass energy (change of energy in the elastic deformation) and the recorded number of tremors and their energy output. Simple regression models enabling prediction of seismic changes due to mining works were developed. In this paper we present the results of further studies, describing the possibility of using neural networks to forecast changes in the level of seismicity induced by deposit excavation. The main feature of neural networks is the ability of generalization, which allows to update the knowledge to new, previously unknown data, which was not available in the learning process. Neural networks show resistance to discontinuity, disorders or deficiencies in the training set. The advantages of neural networks promote their increasingly common use in solving various problems, including geophysical and geomechanical ones. The results of calculations made for a highly seismic region threatened by mining operations, confirmed the possibility of using neural networks to estimate the changes of seismic activity induced by deposit exploitation. Properly trained neural network can be used to assess the level of tremor risk in the planned mining area.