Treffer: Identification of the Water Inrush Source Based on the Deep Learning Model for Mines in Shaanxi, China.

Roof water inrush disasters in coal mines present safety risks, so swiftly and accurately identifying the source of inrush water is essential for disaster prevention and control. This research employed Python and the Tensorflow deep learning framework, based on a Deep Feedforward Neural Network (DFNN) and used Swarm Intelligence Optimization Algorithms (SIOA) to create six advanced models for identifying the source of roof water inrush in the Binchang mining area, while the characteristics of the input of the sudden water source were abstracted at multiple levels through the multiple hidden layers of neural networks to improve higher classification precision. To counteract overfitting during model development, the Dropout method was applied to enhance the model's hidden layers. Training of the models involved 80% of the collected sample data, while testing utilized the remaining 20%. The evaluation of training efficiency focused on cross-entropy loss and accuracy as primary measures. The study incorporated data from three major water-bearing strata across seven typical mines in the Binchang area, constructing models based on a dataset of 183 water samples. Routine ion concentration tests were conducted on these water samples, selecting eight chemical indicators K+ + Na+, Ca2+, Mg2+, Cl−, SO42−, HCO3−, TDS, and pH as input features, including essential parameters for accurate water source identification. In addition, the models were rigorously evaluated with multi-faceted indicators, including training time, confusion matrices, precision, recall, F1 scores, and graphs of validation loss and accuracy. Results revealed that the validation accuracy of all six SIOA-DFNN models surpassed 91%, much better than traditional neural networks. Specifically, the GWO-DFNN model achieved an outstanding 95.92% accuracy. This highlights the exceptional precision of the optimization algorithm in identifying the source of roof water inrush in the Binchang mining area. This research highlights the high accuracy, applicability, and robustness of deep learning models based on Tensorflow, proving their effectiveness in identifying the source of water inrush in coal seam roofs. These models offer robust technical support for safety measures in coal mining operations. [ABSTRACT FROM AUTHOR]

Resumen: En las minas de carbón, los desastres relacionados con la entrada repentina de agua a través del techo de las capas son un riesgo para la seguridad, por lo que la identificación rápida y precisa del origen de este agua resulta esencial como medida preventiva. En este trabajo, se emplean las herraminetas de Deep Learning de Phyton y Tensorflow -a su vez, basadas en Feedforward Neural Network (DFNN) y algortimos de optimización inteligente tipo enjambre (Swarm Intelligence Optimization Algorithms, SIOA)- para crear seis modelos avanzados con objeto de identificar el origen de las entradas de agua repentinas a través del techo en el distrito minero de Binchang. Las características de las entradas repentinas de agua se infieren a múltiples niveles a través de diversas capas ocultas de redes neuronales para mejorar la precisión. Para contrarrestar el sobreajuste durante la aplicación del modelo, se ha seleccionado el método Dropout para mejorar las capas ocultas del mismo. Para el entrenamiento de los modelos, se hizo uso del 80% de los datos recogidos, reservando el 20% restante para verificar su funcionamiento. La evaluación de la eficiencia del entrenamiento se centró en la pérdida de entropía cruzada y en la precisión de las medidas primarias. El estudio incluye datos de los tres acuíferos que contienen mayores cantidades de agua de entre siete minas representativas del distrito de Binchang; los modelos se implementan a partir de una base de datos de 183 muestras de agua. Sobre estas muestras, se determinaron las cantidades de ocho indicadores químicos (K2+, Na+, Ca2+, Mg2+, Cl-, SO42-, HCO3-, TDS y pH), que constituyen los datos de entrada al modelo al ser los más adecuados para identificar el origen de las aguas. Cada modelo ha sido rigurosamente evaluado mediante indicadores multifacéticos tales como el tiempo de entrenamiento, matrices de confusión, precisión, recuperación, puntuaciones F1 y gráficos de validación pérdida-precisión. Los resultados obtenidos muestran que la precisión de los seis modelos SIOA-DFNN es superior al 91%, mucho mejor que la correspondiente a las redes neuronales tradicionales. En concreto, el modelo GWO-DFNN logró una precisión del 95,92%, lo que pone de manifiesto la excepcional precisión del algoritmo de optimización en la identificación del origen de las entradas repentinas de agua a través del techo en el distrito minero de Binchang. [ABSTRACT FROM AUTHOR]

Zusammenfassung: Katastrophen durch Wassereinbrüche von oben in Kohlebergwerken stellen ein Sicherheitsrisiko dar, sodass eine rasche und genaue Ermittlung der Quelle des eindringenden Wassers für die Katastrophenverhütung und -bekämpfung von wesentlicher Bedeutung ist. Bei der vorliegenden Forschung wurden Python und das Tensorflow-Framework für Deep-Learning verwendet, das auf einem Deep Feedforward Neural Network (DFNN) basiert und Swarm Intelligence Optimization Algorithms (SIOA) eingesetzt, um sechs fortschrittliche Modelle für die Identifizierung der Quelle des Wassereinbruchs im Binchang-Revier zu erstellen, wobei die Merkmale des Inputs der plötzlichen Wasserquelle auf mehreren Ebenen durch mehrere versteckten Schichten der neuronalen Netze abstrahiert wurden, um die Klassifizierungsgenauigkeit zu verbessern. Um einer „Über"-Anpassung während der Modellentwicklung entgegenzuwirken, wurde die Dropout-Methode zur Verbesserung der versteckten Schichten des Modells eingesetzt. Für das Training der Modelle wurden 80% der gesammelten Stichprobendaten verwendet, für die Tests die restlichen 20%. Die Bewertung der Trainingseffizienz fokussierte auf den Kreuzentropieverlust und die Genauigkeit als primäre Messgrößen. Für die Studie wurden Daten aus drei wichtigen wasserführenden Schichten in sieben typischen Bergwerken im Binchang-Gebiet einbezogen, wobei die Modelle auf der Grundlage eines Datensatzes von 183 Wasserproben erstellt wurden. An den Wasserproben wurden routinemäßige Ionenkonzentrationstests durchgeführt, wobei acht chemische Indikatoren (K++Na+, Ca2+, Mg2+, Cl-, SO42-, HCO3-, TDS und pH) als Eingangsmerkmale – darunter wesentliche Parameter für die genaue Identifizierung von Wasserquellen – ausgewählt wurden. Darüber hinaus wurden die Modelle anhand vielfältiger Indikatoren wie u.a. Trainingszeit, Konfusionsmatrizen, Präzision, Recall, F1-Scores und Diagrammen zu Validierungsverlust und Genauigkeit rigoros evaluiert. Die Ergebnisse zeigen, dass die Validierungsgenauigkeit aller sechs SIOA-DFNN-Modelle 91% übersteigt und damit deutlich besser ist als bei herkömmlichen neuronalen Netzen. Insbesondere das GWO-DFNN-Modell erreichte eine hervorragende Genauigkeit von 95,92%. Dies unterstreicht die außergewöhnliche Genauigkeit des Optimierungsalgorithmus bei der Identifizierung der Quelle des Wassereinbruchs im Binchang-Bergbaugebiet. Damit unterstreicht diese Forschung die hohe Genauigkeit, Anwendbarkeit und Robustheit von auf Tensorflow basierenden Deep-Learning-Modellen und beweist deren Effektivität bei der Identifizierung der Quelle von Wassereinbrüchen in Kohleflözen. Insgesamt bieten diese Modelle eine solide technische Unterstützung für Sicherheitsmaßnahmen im Kohlebergbau. [ABSTRACT FROM AUTHOR]

摘要: 煤矿顶板突水灾害存在安全风险，因此快速准确地识别突水水源对于灾害预防和控制至关重要。本研究采用Python和Tensorflow深度学习框架，基于深度前馈神经网络（DFNN），利用群智能优化算法（SIOA）构建了六个先进模型，以识别彬长矿区的顶板突水水源。同时，通过神经网络的多个隐藏层对突水水源的输入特征进行了多层次抽象，以提高分类精度。为了解决模型开发过程中的过拟合问题，采用了Dropout方法来增强模型的隐藏层。模型训练使用了收集样本数据的80%，测试则利用了剩余的20%。训练效率的评估主要以交叉熵损失和准确率作为主要指标。研究中包含了来自彬长矿区七个典型矿井的三个含水层的数据，基于183个水样构建了模型。对这些水样进行了常规离子浓度测试，选择了K⁺+Na⁺、Ca²⁺、Mg²⁺、Cl⁻、SO₄²⁻、HCO₃⁻、TDS和pH等八个化学指标作为输入特征，这些都是准确识别突水水源的重要参数。此外，模型还通过多种指标进行了严格评估，包括训练时间、混淆矩阵、精确率、召回率、F1得分以及验证损失和准确率的图表。结果显示，所有六个SIOA-DFNN模型的验证准确率均超过91%，明显优于传统神经网络。其中，GWO-DFNN模型达到了95.92%的卓越准确率。这突显了优化算法在识别彬长矿区顶板突水水源方面的卓越精度。本研究强调了基于Tensorflow的深度学习模型的高准确性、适用性和鲁棒性，证明了它们在煤层顶板突水水源识别中的有效性。这些模型为煤矿安全生产提供了强有力的技术支持。 [ABSTRACT FROM AUTHOR]

Copyright of Mine Water & the Environment is the property of Springer Nature and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)