Построение модели представления знаний об угледобыче в рамках технологического направления переходных процессов

В процессе освоения глубокозалегающих сложно-структурных угольных месторождений при постоянном усложнении горно-геологических условий: глубина разработки возрастает, увеличивается количество разрабатываемых шахтопластов с неустойчивыми боковыми породами и опасным по внезапным выбросам угля и газа. Возникает необходимость рассмотрения проблемы в рамках технологического направления переходных процессов. Целью исследования является предложить построение модели представления знаний о процессе внезапных выбросов угля и газа с позиции того, как выброс не произошел. Для этого предлагается с помощью динамических Баейсовских сетей создать модель представления знаний для изучения газодинамического явления внезапного выброса угля и газа, происходящего в конкретном угольном пласте, вводимом в отработку. С последующим накоплением моделей знаний для каждого угольного пласта, вводимого в отработку. Это обусловлено тем, что на горнодобывающем предприятии не существует единой базы знаний, которая представляется в виде индустриального графа знаний в режиме реального времени. Это поможет представить знания о процессе возникновения внезапных выбросов угля и газа с момента того, как выброс не произошел, для дальнейшего ситуационного управления с позиции поддержки принятия решения.

Осипова И. А. Построение модели представления знаний об угледобыче в рамках технологического направления переходных процессов   //   Горный информационно-аналитический бюллетень. — 2021. — № 5—1. — С. 226—234. DOI: 10.25018/0236_1493_2021_51_0_226.

Статья подготовлена по материалам НИР, выполняемой по программе ФНИ государственных академий наук Тема 1 — Методы учета переходных процессов технологического развития при освоении глубокозалегающих сложно-структурных месторождений полезных ископаемых. (№0405—2019—0005).

Осипова Ирина Александровна — канд. техн. наук, старший научный сотрудник сектора «Управление качеством минерального сырья», Институт горного дела УрО РАН, Екатеринбург, Россия, е-mail: minesur@mail.ru.

1. Лир Ю. С., Радионовский В. Л., Толкацер Д. Я. Экономическая эффективность работы глубоких шахт. — М. : Недра, 1979. — 130 с.

2. Яковлев В. Л. Исследование переходных процессов — новое направление в развитии методологии комплексного освоения георесурсов. — Екатеринбург: УрО РАН. — 2019 — 284 с. DOI: 10.25635/IM.2020.54.57311.

3. Яковлев В. Л., Осипова И. А. Переходные процессы при отработке угольного месторождения в свете интеллектуального управления // Известия Уральского государственного горного университета. — 2020. — № 4. С.166—172.

4. Грицко Г. И. Внезапные выбросы метана в шахтах  [Электронный ресурс] // «Наука в Сибири»:[сайт].[2007].URL:http: // www.nsc.ru/HBC/article. phtml?nid=428&id=17 (дата обращения: 30.10.2019).

5. Смирнов С. В. Онтологии как смысловые модели // Онтология проектирования. — 2013. — № 2. — С. 12—19

6. Муромцев Д., Волчек Д., Романов А. Индустриальные графы знаний — интеллектуальное ядро цифровой экономики // ControlEngineering Россия. — 2019. — Т. 5. — № 83. — C. 32—39.

7. Zou X. A Survey on Application of Knowledge Graph // Journal of Physics: Conference Series, 2020. — vol. 1487, pp. 012016. DOI:10.1088/1742—6596/1487/1/012016

8. Баклавски К., Беннет М., Берг-Кросс Г., Шарма Р., Сингер С. Онтологический Саммит 2020 Коммюнике: Графы знаний // Онтология проектирования. — 2020. — Т. 10. — № 4. С. 540—555

9. Апанович З. В. Эволюция понятия и жизненного цикла графов знаний // Системная информатика. — 2020. — № 16. С. 57—74 DOI: 10.31144/si 2307—6410.2020. n16 p 57—74

10. Zhu Y., Zhou W., Xu Y., Liu J., Tan Y. Intelligent Learning for Knowledge Graph towards Geological Data // Hindawi Scientific Programming, 2017, pp.1—13. DOI 10.1155/2017/5072427

11. Le-Phuoc D., Nguyen Mau Quoc H., Ngo Quoc H., Tran Nhat T., Hauswirth M. The graph of things: a step towards the live knowledge graph of connected things // Journal of Web Semantics, 2016,vol. 37—38, pp. 25—35

12. Liu H., Sun F., Fang B., X. Zhang Robotic room-level localization using multiple sets of sonar measurements // IEEE Transactions on Instrumentation and Measurement, 2017, vol. 66, no. 1, pp. 2—13

13. Liu H., Yu Y., Sun F., Gu J., Visual-tactile fusion for object recognition // IEEE Transactions on Automation Science and Engineering, 2016, no. 99, pp. 1—13

14. Liu Y., Li H., Garcia-Duran A., Niepert M., Onoro-Rubio D., Rosenblum D. S. MMKG: Multi-modal Knowledge Graphs // Springer Nature Switzerland, 2019, pp. 459— 474. DOI:10.1007/978—3-030—21348—0_30.

15. Zhu Y., Zhou W., Xu Y., Liu J., Tan Y. Intelligent Learning for Knowledge Graph towards Geological data // Hindawi Publishing Corporation, Scientific Programming towards a Smart Word, 2017, pp 33—45. DOI:10.1155 / 2017 /5072427.

16. Zhao M., Wang H., Guo J., Liu D., Xie C., Liu Q., Cheng Z. Construction of an industrial knowledge graph for unstructured chinese text learning // Applied Science: electronic scientific journal, 2019, Volume 9, Issue 13 URL: https: // www.mdpi.com/2076— 3417/9/13/2720/htm DOI:10.3390/app9132720 (дата обращения: 21.06.2020).

17. Луис Энрике Сукар Вероятностные графовые модели. Принципы и приложения. — М.: ДМК Пресс. — 2021. — 338 с.