使用机器学习来评估煤炭地质化学数据与动态故障有关的数据
David R Hanson1, Heather E Lawson1
1CDC NIOSH Spokane Mining Research Division, Spokane, WA 99207, USA.
概括
机器学习模型可以使用地化学数据预测煤矿采矿中的动态故障事件. 这项研究通过确定动态故障概率评估的关键地化学标记来提高安全性.
科学领域:
- 地质化学 地质化学
- 采矿工程 采矿工程 采矿工程
- 数据科学数据科学数据科学
背景情况:
- 动态故障事件在地下煤矿开采中构成重大风险.
- 以前的研究发现了与这些事件相关的地化学标记,但因果关系尚不清楚.
研究的目的:
- 开发一种机器学习模型,用地化学和岩石学数据来评估动态故障概率.
- 确定影响动态故障的关键地质化学参数.
主要方法:
- 应用机器学习技术,包括线性回归,随机森林,缩小维度和集群分析.
- 利用了来自宾夕法尼亚州煤炭样本数据库和矿山安全卫生管理局 (MSHA) 事故数据的数据.
- 在减小维度后执行等级分类.
主要成果:
- 在18个地质化学参数中,确定了7个对模型性能影响最大的参数.
- 实现了高分类精度:85.7%的物流回归和96.7%的随机森林.
- 发现了四个不同的集群,其中一个主要代表动态故障事件.
结论:
- 机器学习模型可以有效地预测煤矿中的动态故障事件.
- 地质化学成分是动态故障的重要预测因素.
- 进一步的研究可以完善用于提高矿山安全的预测模型.


