Моделиране показатели на находища на подземни богатства и свързани с тях обекти чрез компютърни системи
Изтегляне 0.84 Mb.
|
- Навигация на страницата:
- 3.2.1 Въведение
- 3.2.2. Решение на задачата
3.1.4. ОбобщениеВърху реални данни от различни фази на проучването на метасоматично находище са обучени три вида невронни мрежи (MLP, RBF и GRNN) използвайки модула IPS – софтуерен инструмент на програмната система Statistica. Броят на пробите при първия етап на проучването се определя от мрежа 200×200 m. Резултатите от обучението и тестването показват, че с паралелно изместване на местоположението на взетите проби, но със съща гъстота (200×200 m), най-добрата мрежа (според критерия за минимална грешка при обучение) е MLP с два скрити слоя. MLP с един скрит слой показва сходни положителни резултати (вж. Таблица 3.1.1). Грешката при обучение при различни варианти на изместване е в същия порядък, което всъщност отговаря на втория въпрос от точка 3.1.3. Същите видове невронни мрежи са използвани за обучение и тестване отново чрез IPS при по-голям обем проби предоставени от втората и третата фази на проучване на находището (сондажна мрежа с размери 100×100 m и сондажна мрежа с размери 50×50 m). Отново MLP с два скрити слоя е най-подходящата мрежа (вж. Таблици 3.1.2 и 3.1.3) за прогнозиране на съдържанието на мед. Постигнатите резултати дават дефинитивно положителен отговор, че може да се обучи невронна мрежа за прогнозиране на основния показател – съдържание на мед в находището. Съотношението между обучаващи и тестващи данни не влияе значително върху качеството на прогнозирането на съдържанието на мед. Основавайки се на резултатите получени от работата на IPS е конструирана, обучена и тествана мрежа от вида MLP с два скрити слоя, съответно с 9 възела в първия слой и 7 възела във втория. Тя е обучена използвайки данни разположени в мрежа 100×100 m, и е тествана по време на обучението чрез данни в мрежа от 50×50 m, а накрая е тествана с данни в мрежа 25×25 m. Всички резултати показват, че прогнозният модел (MLP с два скрити слоя) е надежден след първия етап на проучване и може да се използва във втория и третия посочени етапи.
В 3.1. е извършен успешен опит за създаване на двумерен модел за прогнозиране на основния качествен показател (съдържанието на мед) с програмната система Statistica 7.0. - модула Statistica Neural Networks (SNN) и информацията за съдържанието на мед от три добивни хоризонта (x, y, z, Cu) 3.2.1 ВъведениеСтепента на проучване на рудното тяло и неговата геоложка сложност са тясно свързани по познати причини. Геоложката сложност и изменчивостта на съдържанието определят вида на методите на проучване. Трудността да се оцени геоложката сложност и непостоянният характер на изменение на рудното тяло (или негови части) произтича от хипотетичния характер на входните геоложки данни. Методите на интерполация и екстраполация, ограничени от местоположението на точките на извадката, са съществени за инженерните решения. Оценката на геоложката сложност на находищата е задача, която за целите на практиката се налага да бъде решена в пространството поради:
Посочените съображения дават основание за формулиране на следната задача: Ако съществува достоверен модел за разпределението на геоложки показател в няколко последователни добивни хоризонта в дълбочина, може ли да се прогнозира с приемлива точност разпределението на показателя в следващия хоризонт. 3.2.2. Решение на задачатаИнформацията от експлоатационното проучване на находището от четири хоризонта са организирани в таблици (в MS Excel). Входни променливи са координатите X, Y и H. Изходна променлива е съдържанието на мед. Данните от четирите последователни добивни хоризонта са разделени на две главни групи. Първата група съдържа информация (2540 точкови проби) от три последователни хоризонта като тези данни служат за обучение на невронните мрежи. Тези от втората група (690 точкови проби) са от четвъртия добивен хоризонт (най-долния в конкретния случай) - служат за тестване на вече обучените мрежи. В първия етап от изследването е използван подмодулът IPS на модула SNN на Statistica 7, като са обучени и тествани невронни мрежи от вида RBF, GRNN и MLP с един и два скрити слоя с горепосочените обеми данни. За избягване на нежелана прекалена апроксимация броят на възлите в скритите слоеве е ограничен между 5 и 10. В резултат на изпълнението на IPS са определени няколко невронни мрежи от различни видове с различни параметри. При съблюдаване на същия критерий – най-малка грешка при обучението и при тестването е избрана като най-подходяща MLP с два скрити слоя - 10 възела в първия, 7 възела във втория. Таблица 3.2.1. Най-добра мрежа получена от IPS
В Таблица 3.2.1 са посочени грешките при обучение и при тестване по време на обучението, а нейната архитектура е показана на Фигура 3.2.1. 
Фиг. 3.2.1. Multi Layer Perceptron избран от IPS като най-добра мрежа 
Фиг. 3.2.2. Обучаващ процес на CND През втория етап на търсенето на решението се наложи конструиране на невронна мрежа, като за целта е използван подмодулът Custom Network Design (CND) на Statistica. Всички начални характеристики съответстват на препоръките на IPS, т.е. на тези от Таблица 3.2.1 и Фигура 3.2.1 За целта са избрани: логистична трансферна функция, нормално разпределение на началните стойности на теглата на връзките и три етапа на обучения. Използвани са: алгоритъмът на обратното разпространение (Back Propagation) със 100 епохи в първия етап и алгоритъмът на последователно градиентно спускане (Conjugate Gradient Descent) с 500 епохи във втория и третия етапи. Като резултат от процеса на обучение са получени грешка на обучението 0.07 и грешка на тестване 0.073. Графиката от Фигура 3.2.2 показва тенденцията и динамиката на намаляването на грешката при обучението по време на процеса на обучение. На фигура 3.2.3 е показано поведението на обучената невронна мрежа при нейното изпълнение с тестващите данни. Ясно се вижда, че сходството между реалните данни за съдържанието на мед Cu и тези от изхода на невронната мрежа е много силно изразено. 
Фиг. 3.2.3. Резултат от работата на обучената невронна мрежа върху тестващите данни Тъй като числовата оценка на сходството е задължителна, за количественото оценяване на връзката между реалните и от невронната мрежа (предсказаните) данни е използван корелационен анализ. На Фигура 3.2.4 са дадени корелационните полета. От анализа на полетата се вижда, че надлъжната ос е значително по-голяма от напречната – условие за наличие на линейна връзка между факторния и резултантния показател. Стойностите на корелационите коефициенти при обучение е показател, че качеството на обучението е добро. Стойността на корелационния коефициент между реалните тестващи данни и предсказаните от невронната мрежа е по-малка (0.62), но е значима, което гарантира надеждна прогноза на съдържанието на мед чрез изградената невронна мрежа.
Фиг.3.2.4. Корелационни полета и коефициенти на корелация между: a) всички реални данни за Cu и данните от изхода на невронната мрежа, b) обучаващите реални данни за Cu и данните от изхода на невронната мрежа, c) тестващите реални данни за Cu и данните от изхода на невронната мрежа 3.3. Влияние на плътността на геоложката информация на качеството на обучение на невронна мрежа [7] В различните етапи на проучването на дадено находище се вземат проби. Разстоянието между съседните проби (плътност, гъстота) е различно. В предходните две точки е показано, че чрез невронни мрежи може да се направи модел, адекватен на отделни характеристики на находището. Моделът може да се използва за изучаване и прогноза на качествените показатели. Въпросът е каква да е плътността (гъстотата) на геоложката информация, чрез която се обучава невронната мрежа, така че да дава достатъчно точна прогноза на качеството на рудата, тъй като качеството на рудата е интегрален показател от химичния, минераложкия състав, обогатимостта, спекаемостта и т.н. Доминиращо при определяне качество на рудата е съдържанието на мед. Броят, равномерността и плътността на обучаващите данни оказват съществено влияние върху качеството на обучение на невронните мрежи. Големият брой проби е свързан със значителни разходи. Затова е необходимо да се намери оптимално съотношение между броя на обучаващите данни (пробите) и качеството на обучение на мрежата, т.е. качеството на прогноза.
Нека е представена информацията за съдържанието на мед от няколко добивни хоризонта. Тя е получена от геоложките и маркшайдерските снимки. Голямата плътност, осигурена от етапа на изучаване на находището и начина на нейното организиране в цифров вид дава възможност за промяна на плътността на данните в интерактивен режим. Разреждането е осъществено чрез определяне на възли на регулярна мрежа по аналогия на детайлното проучване със сондажни изработки. Формирани са варианти на регулярна мрежа с различни разстояния между възлите. По технологичните условия на добива и елементите на взривното поле, данните от експлоатационното опробване не са в геометрично правилна мрежа (Фигура 3.3.1а). Това налага търсене на метод за определяне стойностите на съдържанието на мед, които да бъдат присвоени във възлите на регулярната мрежа (Фигура 3.3.1б). За всеки възел е използвана информацията от експлоатационното опробване попадаща в кръгова околност с определен радиус. Радиусът зависи от изменчивостта на съдържанието на мед и той не трябва да е по-голям от радиуса на автокорелация. Априори допускаме, че характерът на изменчивостта е изотропен. Попадащите в околността на възела проби имат различно влияние върху присвоената стойност на съдържанието на мед във възела, поради което е подходящо тази стойност да се изчислява чрез претеглено средно., като теглото на всяка проба зависи от разстоянието и до възела. Чрез авторова програма на Visual Basic for Application за MS Excel за даден хоризонт се определя регулярна мрежа. По зададена стъпка и радиус от потребителя се определят координатите на възлите на мрежата и присвоените стойности на съдържанието на мед – претеглена средна стойност в областта със зададения радиус.
Фигура 3.3.1. Хоризонт 1015, експлоатационна и регулярна мрежа на информацията 3.3.3. Резултати и коментари Таблица 3.3.1. Брой на възлите в регулярните мрежи по хоризонти
При разреждане на регулярната мрежа с размери (стъпка) от 10 до 70 m се увеличава броя на вариантите. Радиусът на търсене е избран да е равен на стъпката. Като отделен вариант са включени и данните от детайлното проучване. При различните варианти броят на възлите е различен (Таблица 3.3.1). На Фигура 3.3.2 е показано изменението на броя на възлите в зависимост от възприетата стъпка на регулярната мрежа. Определените стойности на геоложкия параметър (съдържание на мед) в тези възли са използвани за обучение на невронни мрежи. 
Фигура 3.3.2. Брой на възлите в регулярните мрежи по хоризонти За всеки вариант на регулярна мрежа чрез IPS на Statistica 7 са обучавани различни невронни мрежи – многослойни персептрони, като те са тествани върху всички данни за хоризонта от експлоатационното проучване. Избрана е от класираните най-добрата според критерия най-малка грешка при тестване. Това са четирислойни персептрони с два вътрешни слоя. Входният слой има два възела – координатите на пробата (възела), изходният слой има един възел – съдържанието на мед в пробата. По-ранните изследвания показват, че малкия брой възли във всеки вътрешен слой не дава добра точност, поради глобализиране на модела. От друга страна прекалено големият брой възли води до преобучаване на мрежата и грешката при тестване нараства. В това изследване сме ограничили броя на възлите във вътрешните слоеве между 6 и 9. В Таблица 3.3.2 са представени грешките при тестване на всички най-добре обучени невронни мрежи за 6-те хоризонта, за всички варианти на разреждане. Грешките при тестване на най-подходящите (най-добре обучени) невронни мрежи са дадени в Таблица 3.3.2. Грешките при обучението и тестването са дадени на Фигура. 3.3.3.б., а с прекъсната линия е показана тенденцията на изменение на средноаритметичната грешка при тестването на най-добрите мрежи по хоризонти. На Фигура 3.3.3 са показани съответните грешки при обучение и тестване на най-подходящите мрежи за отделните хоризонти. В тях не се забелязва изявена закономерност. Може да се отбележи, че при обучението върху данни с по-малка плътност, невронните мрежи постигат по-малка грешка при обучението. При тестването, същите мрежи дават по-голяма грешка. Таблица 3.3.2. Грешки при тестване на най-добре обучените невронни мрежи
Фигура. 3.3.3. Грешки при обучението и тестването на най-добрите мрежи по хоризонти За целите на прогнозирането определящи за неговата точност са грешките при тестване, тъй като то се извършва върху реални данни с максимална гъстота – тези от експлоатационното проучване. На Фигура 3.3.3.б. е показана също графиката на изменението на средно аритметичната грешка при тестване по хоризонти (прекъсната линия). Средните грешки са най-близки до грешките при тестване при плътност 30 и 40 m (най-високи стойности на корелационния коефициент – 0.84). Грешките при плътност 30 m са по-малки от средните.
Фигура 3.3.4. Графики на средното аритметичната стойност и на дисперсията на грешките от изучаваните добивни хоризонти при обучение (а) и тестване (б) в зависимост от стъпката на регулярните мрежи От Таблица 3.3.1 и Фигура 3.3.1 се вижда, че броят на възлите на регулярните мрежи със стъпка до 30 m е относително малък. При мрежите с по-голяма плътност на възлите броят им рязко нараства (в пъти). На Фигура 3.3.4 са показани графиките на средната аритметична стойност и дисперсията на грешките от отделните хоризонти при обучение и тестване в зависимост от стъпката на регулярните мрежи (плътността на обучаващите данни). Стойностите на грешките в началната точка 0 в графиките са тези от невронните мрежи обучени с данните от детайлното проучване. Графиките потвърждават, че с намаляване плътността на данните, невронните мрежи се обучават с по-малка грешка (Фигура 3.3.4а), но грешката при тестване се увеличава (Фигура 3.3.4б). От графиките се вижда, че дисперсията на грешките е сравнително постоянна, т.е. не зависи от плътността на обучаващите данни. Това е признак за постигната известна устойчивост на качеството на обучението на невронните мрежи в различните хоризонти независимо от стъпката на регулярната мрежа.
Фигура 3.3.5. Графика на средната грешка при тестване в зависимост от средния брой възли на регулярни мрежи Необходимо е да се намери оптималната стойност на съотношението на грешката при тестване спрямо броя проби (тяхната гъстота), чрез които невронната мрежа се обучава. На Фигура 3.3.5 е показана връзката на средната грешка при тестване (последен ред на Таблица 3.3.2) от средния брой възли на регулярните мрежи (последен ред на Таблица 3.3.1). Вижда се, че грешката рязко нараства при по-малка плътност на обучаващите данни от 30 х 30 м (164 бр.). Това потвърждава коментара на Фигура 3.3.3б. Каталог: docs -> N Juri N Juri -> Конкурс за академична длъжност "Доцент" по професионално направление 8 „Проучване, добив и обработка на полезните изкопаеми", специалност „Обогатяване на полезни изкопаеми" N Juri -> Конкурс за професор по Професионално направление Науки за земята N Juri -> Конкурс за професор по научно направление 8 „проучване, добив и обработка на полезни изкопаеми" специалност „минно строителство" N Juri -> И. Паздеров І. Дисертация и публикации, които са части от дисертационния труд N Juri -> 19. Резюмета на трудовете, с които кандидатът участва 7а. Научни публикации до получаване на онс „Доктор“ (научна степен „Кандидат на техническите науки“), 1978-1988 г N Juri -> Конкурса за получаване на научното звание "професор" по Професионално направление „Проучване, добив и обработка на полезни изкопаеми" N Juri -> Конкурс за академичната длъжност „професор" по професионално направление Проучване, добив и обработка на полезни изкопаеми, специалност "Техника и технология на взривните работи" за нуждите на катедра Подземно строителство N Juri -> С п и с ъ к на научните и научно-приложните трудове на доц д-р Венелин Желев Желев N Juri -> Конкурс за академичната длъжност „професор" по професионално направление Икономика, специалност „Икономика и управление по отрасли" N Juri -> Конкурс за академичната длъжност „професор" по професионално направление 13. Общо инженерство, научна специалност „Индустриален мениджмънт" Изтегляне 0.84 Mb. Сподели с приятели:
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
