Investigación sobre la predicción de valores faltantes de datos medidos de ERT para minas de carbón basada en un...

Área de la Ciencia:

• Geofísica; Ingeniería de Minas; Ciencia de Datos

Sus antecedentes:

• El monitoreo a largo plazo de los pisos de las vetas de carbón mediante Tomografía de Resistencia Eléctrica (ERT) es crucial para detectar posibles afluencias de agua.
• Las desconexiones de electrodos en los sistemas ERT provocan la pérdida de datos, lo que compromete las capacidades de alerta temprana y dificulta la identificación de peligros ocultos en las operaciones de minería de carbón.
• El desafiante entorno subterráneo a menudo impide el mantenimiento oportuno de los electrodos desconectados, lo que requiere métodos para manejar los datos faltantes.

Objetivo del estudio:

• Analizar el impacto de la desconexión del electrodo en los datos medidos de ERT en entornos de minería de carbón.
• Introducir y aplicar el algoritmo de Red Neuronal de Regresión General (GRNN) para predecir datos de ERT faltantes causados por desconexiones de electrodos.
• Validar la efectividad del algoritmo GRNN en la restauración de la integridad y precisión de los datos para mejorar la monitorización de la seguridad.

Principales métodos:

• Análisis de la influencia de la desconexión del electrodo en los datos de Tomografía de Resistencia Eléctrica (ERT).
• Implementación del algoritmo de Red Neuronal de Regresión General (GRNN) para predecir puntos de datos faltantes.
• Realización de experimentos de verificación en un tanque de agua y aplicación del método a datos reales de la cara de la mina de carbón.

Principales resultados:

• El algoritmo GRNN demostró una alta precisión en la predicción de datos faltantes, logrando un 91,46% de precisión con un 82,96% de integridad de datos original y un 82,45% de precisión con solo un 55,56% de integridad.
• En una aplicación práctica de minería de carbón, el método GRNN predijo datos con un 85,18% de precisión a partir de un conjunto de datos con un 73,8% de integridad.
• El enfoque GRNN mostró una mejora del 14,99% en la precisión de la predicción en comparación con el método tradicional de interpolación de valor medio.

Conclusiones:

• El algoritmo GRNN es un método viable y eficaz para abordar los problemas de pérdida de datos en el monitoreo ERT a largo plazo de los pisos de las vetas de carbón.
• La predicción precisa de datos faltantes utilizando GRNN mejora la confiabilidad de los sistemas de alerta temprana para la afluencia de agua y mejora la identificación de peligros subterráneos.
• El método propuesto contribuye a operaciones de minería de carbón más seguras y eficientes al garantizar la continuidad e integridad de los datos en los sistemas de monitoreo ERT.