英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料
数据挖掘在智能早期的应用岩爆警报系统
摘要:针对岩爆事故频发的现状，基于数据挖掘、数据库、数据仓库等计算机行业的大数据技术，构建了基于IEWSRB的岩爆智能预警系统的基本框架。在此基础上，建立了岩爆监测数据仓库模型，详细讨论了数据挖掘技术在该系统中的有效应用。此外,我们关注K-meansclustering算法和数据可视化界面基于浏览器/服务器(B / S)模式富饶,主要是基于Java语言,辅以层叠样式表(CSS)、JavaScript和超文本标记语言(HTML),与Tomcat服务器和Mysql JavaWeb工程岩爆监测数据仓库。数据挖掘技术在IEWSRB中的应用，可以对现有的岩爆监测系统进行改进，提高预测能力。它还可以通过浏览器实现实时查询和监测数据分析，非常方便。从而为煤矿安全高效生产和煤炭经济的可持续发展做出重要贡献。
关键词:岩石破裂;数据挖掘;聚类分析;智能预警;数据仓库
1.介绍
煤矿井下开采过程中，极易发生许多严重的动态灾害。其中，岩爆是最常见、最典型的灾害，是指煤岩和瓦斯波的大量喷射，使弹性应变能瞬间释放，从而对巷道或工作面造成突发性、猛烈的破坏。因此，岩石具有巨大的破坏性，严重威胁着煤矿的安全生产。例如，2003年5月13日淮北市鹿岭煤矿发生岩爆事故，造成86人死亡;2005年辽宁省海州煤矿发生岩爆瓦斯爆炸事故，造成214人死亡。此外，除中国外，还有23个国家和地区在过去280年里发生过岩爆，如英国、波兰、法国、德国、俄罗斯、乌克兰、南非、美国、日本、澳大利亚等。
岩爆是一个瞬态、复杂的动态过程，其预警分析计算是一个具有多尺度时空效应特征的四维力学问题。因此，以往用于冲击地压矿井的经验识别和预警指标体系已不能满足目前的要求。关于在大量的生产实践中，岩爆事故的研究存在着许多难题，要解决的问题，最突出的是预警系统的不完善和不充分。因此，针对不同的开采条件，研究了主要影响因素和风险岩爆前兆的来源，发展了一种智能化的预警方法,提出了一种基于多参数的岩爆前兆智能识别算法基于大数据的特征和数据挖掘技术对研究对象非常重要。
众所周知这篇论文在波兰，关于岩爆的研究非常先进，在所有易发生岩爆的煤矿中，都安装了监测系统，主要采用的方法是对微震事件、钻井芯片及综合预测。目前，ARAMIS M/E开发了微震监测系统和ARES-5/E地声监测系统。波兰在世界各地被广泛使用。在中国，根据特点中国煤矿岩爆的破坏性、复杂性和突发性及其监测方法在微震事件中，电磁辐射、钻屑和地声是进行的。
从理论上研究了不同地质条件下的岩爆煤矿对岩爆有不同的诱发因素。因此，根据收集到的岩爆监测数据即预测岩爆及其等级，才能充分利用模式识别方法。其中，以提高预测精度为主要目标的人工神经网络和支持向量机是该领域最常用的两种研究方法。然而，这两种方法仍然存在着可能导致严重灾害或事故的误差，因为较大的冲击地压冲击责任预测结果可以调整为较小的冲击地压冲击责任预测结果。在大量的生产实践中，岩爆事故的研究有很多其中最难解决的问题，以及预警系统的不完善和不足最为突出突出的问题。因此，针对不同的开采条件，主要进行了研究岩爆前兆模式的影响因素及危险源，是一种智能化的发展介绍了岩爆的早期预警方法和一种智能岩爆识别算法基于大数据和数据挖掘技术的多参数特征前驱体这对于本文的研究对象非常重要。
我们都知道，在波兰，关于岩爆的研究是非常先进的。在所有易发生岩爆的煤矿中都安装了监测系统，主要采用的方法是微震事件、钻井芯片及综合预测。。目前，ARAMIS M/E开发的ARES-5/E地声监测系统,。在美国，波兰被广泛应用于世界各地。在中国，根据强者的特点中国煤矿岩爆的破坏性、复杂性和突发性及其监测.、微震事件的方法、电磁辐射、钻屑和地声都有从理论上研究了不同地质条件下的岩爆。，煤矿对岩爆有不同的诱发因素。
因此，根据收集到的监测数据。、岩爆数据(即，前兆信息)只有，预测一次岩爆及其等级才能. .充分利用模式识别的方法。其中，人工神经网络和使用o e meo o paern识别器。其中，以提高预测精度为主的支持向量机孟em、arca neura newors是最主要的两种支持向量机ecor macnes的许多ocu在精度上的改进是该领域常用的两种研究方法。然而，这两种方法仍然存在误差尽管如此，由于预测结果具有较大的冲击责任，这两种方法的误差都有可能造成严重的灾害或事故由于一个大的岩爆的预测结果可能被调整为一个小的岩爆的爆发倾向，因此，一个大的岩爆的预测结果可能被调整为一个小的岩爆的爆发倾向。
本文首先根据智能化、多功能化、模块化的原则，构建了一个基于IEWSRB的岩爆智能预警系统框架和标准化;随后设计了一个旨在实现实时监控、数据共享和集成的IEWSRB。该系统能够实时、连续、准确地采集、传输、预处理、分析和存储井下岩石冲击监测数据。并能对数据库进行处理，为办公室主管及时、准确地提供监控数据和预警信息。根据上述分析，构建了IEWSRB的总体结构，如图1所示。根据各模型的设计目标和分布设计原则，将其划分为监控、数据管理、模型分析和数据生成四个子系统。
2. 系统架构设计
本文提出了一种用于岩爆预警的智能系统框架首先按照智能化、多功能、模块化的原则构建nruce, rsy accorng o e neecuazaon, muuncon, mouarzaoand standardization;随后一个IEWSRB，旨在实现实时监测，数据sanarzaon;设计了一种基于单片机的数据共享与集成系统。该系统可以采集、传输、预处理、分析和存储negraon esgne。该系统能够实时、连续、准确地获取煤矿井下岩爆监测数据。没有人能准确无误地说出我的话来。它可以对数据库进行处理，提供监测数据和预警信息及时、准确地向办公室主管证明工作内容的单一性。这是一种精确的方法。
根据上述分析，构建了IEWSRB的总体结构从图1中可以看出，从图1中可以看出，整个结构是由一个结构组成的。根据设计目标和原则对各配电网进行了设计自己的。该系统针对某一特定对象，将其划分为四个子系统:监控子系统、数据管理子系统、模型分析子系统和数据分析子系统基于“等效钻屑”和“多因素确定岩爆风险”原理的智能预警系统，不仅体现了系统的向后兼容性(即，岩爆监测可以完全依赖现有设备)，但也可以提高其性能。
因此，IEWSRB具有以下几个特点:
- 自动综合监测:该系统可以实现多级、全方位的监测，便于数据的收集、管理和分析。但是，以往的岩爆监测数据只能通过人工手段或单一参数监测方法进行采集;
- 功能模块独立:系统采用分布式、开放性、模块化设计。
- 智能预警:该系统可以实现对岩石的预警和预测破裂，通过工业以太网的实时监控数据监控基于earlywarning模型对岩石破裂,推导出的数据挖掘算法
- 监测和现场之间的分离操作:操作集中监控、分析、决策和管理可进行表面,从而realizingseparation监测和现场之间。
- 数据共享：监控数据可以在各个矿区共享，大大提高了数据的利用率；
- 人机交互界面更加友好:通过可视化界面将数据传递给用户，提供各种个性化需求，从而有效提高用户的工作效率。
3系统数据仓库的设计
系统数据仓库设计IEWSRB是一个基于煤矿岩爆监测数据的综合系统。其中，监测数据具有数据类型多、来源多样、数据量大等特点。以往的数据库技术，如Oracle和Redis，难以满足煤矿数据存储和管理的需要。大数据技术中的数据仓库技术为解决煤矿岩爆在线监测中存在的问题提供了新的途径。
3.1。临界能量密度的计算
数据仓库作为一种新的数据库应用方法，实际上是数据库应用的派生数据库技术，并已广泛应用于超市、银行等领域。然而，数据仓库技术在岩爆领域的应用还处于探索阶段。临界能量密度的计算破碎煤岩体抛入自由空间的动能在很大程度上取决于其初始速度。根据Qi和Dou[10]的文献，当初始速度小于1m /s时，岩爆是不可能发生的，而当初始速度大于10m /s时，很容易诱发岩爆。当岩爆发生时，所需要的能量必须超过煤岩体的破碎能和煤岩体中所积累的最小动能。一旦煤岩中累积的弹性应变能超过上述能量之和，就有可能发生岩爆。其中Epmin为诱发岩爆所需的最小动能;V为破碎煤岩体平均初速度，V = 10 m/s;的平均密度rho;是坏了煤岩的质量Efmin在哪所需要的最低能量破坏煤岩质量,sigma;c的抗拉强度是吗单位煤岩体，E为破碎煤岩体的常数。其中Emin为岩爆的临界能量值。为了更好地解释上述现象，本文以一个特殊的铝矿条件为例。no的平均密度。该矿煤的力学性能如表1所示，为1340 kg/m3，每单位岩体产生冲击岩爆所需的最小动能为67 kJ/m3。该模型的弹性模量为。5煤为6.58 GPa，单向抗压强度为17.90 MPa。破坏煤岩单元所需的最小能量为24.347 kJ/m3，采场岩爆临界能量密度为91.347 kJ/m3。当采场能量密度大于91.347 kJ/m3时，有可能发生岩爆。
3.2。数据仓库的体系结构和逻辑模型
岩爆数据仓库的技术体系结构分为两部分:背景和背景，如图2所示。前台通常称为前端显示，它以一种直观易懂的方式显示给用户社区。最终的显示形式包括图形、线图、饼图和其他图形形式。后台需要对监控数据进行清洗和预处理，然后根据监控模式将其保存到数据仓库的响应表中，以便方便地检索和显示在前台。处理2019年，7年，x年的同行评审
数据仓库是关系数据库技术的一个扩展，目前大多数数据仓库都是基于关系数据库的。数据仓库的设计基于不同数据表之间的关系，每个数据仓库包含一个或多个表，每个表包含一个或多个表
它有一个主键ID并监控关于岩爆的数据。使用多维建模，表可以按维进行切割，这一事实可以防止表中数据太多而导致的问题。此外，一个表对应多个维度表，多个维度表的摘要可以看作是同一空间中的信息集合。从岩爆的角度，将数据仓库划分为岩屑、微震、应力在线等。本部分根据岩爆监测和智能预警系统的要求，在数据仓库中建立了hab_tp和hab_ap两个数据库。在HAB_TP的情况下，设计了一个事实表(MonitorItem)和一个维数表(Station)， (a)利用MonitorItem事实表存储自动监测数据(包括钻削、微震和在线应力)，如表2所示。在监控模式下,Z representsdrill岩屑数据,W表示微震的数据,和Y代表强调在线数据;(b)车站维度表用于存储监控miningarea的地理位置,比如我的名字,纬度和经度、城市和矿业公司miningarea所属如表3所示。HAB_TP数据仓库的星型模型如图3所示。
4. 聚类分析技术在岩爆中的应用
4.1。聚类算法和公式选择
聚类分析技术在岩石冲击试验中的应用聚类算法和公式选择聚类分析不需要人工划分和监督。一组数据可以用一个固定的数字分组，其中每组数据的相似性最高。通常根据数据的距离进行划分，相似度和不相似度是划分的标准。它是一个无监督的学习过程。我们使用X表示一组样本数据，使用一组有序类(X, s)或(X, d)表示聚类分析的输入，而s和d是衡量样本之间相似性或差异性的标准。聚类系统的输出是一个分区。煤矿岩爆是由多种因素引起的动态灾害。它具有与自然地震相同的特征，如突发性、复杂性、随机性、差异性和可预测性。此外，监控系统的复杂性使得监控数据非常模糊。K-means聚类不需要人工定义分区条件，而是直接使用计算机自动迭代进行精确的数据分区。将k -均值聚类算法应用到岩爆预测中，可以为岩爆预测提供参考准确的灾害预警信息，有效保护人身安全，减少经济损失，有助于进一步研究岩爆机理。k -均值聚类算法是十种经典算法之一，是一种成熟且应用广泛的方法。
4.2k -means聚类算法的计算步骤是取k个点进行初步分类，划分距离最近的数据对象，通过迭代迭代改变每个聚类中心的值，直到最终聚类结果不能迭代为止。
假定样本数据集分为c类,一般步骤如下:(1)正确选择c类的初始中心;(2)k次迭代,c的距离中心任何样本分为各种最短的距离。(3)更新的中心价值范畴使用意味着方法;(4)对所有c集群中心,如果该值保持不变后,迭代法(2)和(3),迭代结束;否则，它将迭代地继续[15-17]。该算法最大的优点是简单方便。此外，k均值算法的关键在于距离公式的选择和初始中心的选择。由于煤粉量、在线应力、微震能量等均为具有单位度量的实用数据，故采用马氏距离作为计算距离公式。然后将误差的数字平方和函数视为聚类准则函数，从而形成一个类或聚类。
4.3。改进的k -均值聚类算法在岩爆中的应用岩爆机理十分复杂，其诱发过程是一个动态过程。
对一段时间内发生较大变化的岩爆监测数据采集的样本数据进行清洗预处理，存入数据仓库。然后根据岩爆的实际情况，采用k -均值聚类算法对数据集进行聚类分析。样本集中的数据分为三类:sampleswithout岩石破裂时,会诱发岩爆的样品,和样品岩石burstAfter获得的聚类结果,新的监测数据只需要放入数据仓库和使用k - means算法再次集群,然后我们可以不断新监控数据进行分类和科学开展防灾减灾工作(22 - 24)数据采样监测结果,包括钻井岩屑、采用改进的K-means聚类算法对某煤矿2017年4月10日至2017年8月13日面板27307进行聚类分析，在Matlab 2016a中将聚类数设置为3。图7表示聚类结果。
在图7中，红点表示需要警告的情况，蓝点表示可能受到早期警告，绿点表示相对安全的情况。排名前四位的红色数据分别对应于4月23日、5月1日、5月3日和7月7日最危险的情况。与实际情况相吻合，因此该早期预警聚类算法是有效的。但是，需要注意的是，当数据集数量较少时，由于样本数量较少和岩
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[19935]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
