Feasibility study for seismicity forecasting in seismically active underground mines
Diarienummer | |
Koordinator | Luleå tekniska universitet - Avdelningen för geoteknologi |
Bidrag från Vinnova | 500 000 kronor |
Projektets löptid | mars 2020 - september 2020 |
Status | Avslutat |
Utlysning | SIP Swedish Mining Innovation -Strategiska innovationsprogrammet för Gruv och Metallutvinning |
Ansökningsomgång | Mot en hållbar utveckling inom gruv- och metallutvinnande industri |
Syfte och mål
Jordbävningar kan orsaka allvarliga skador i en gruva och utsätta personal som arbetar i gruvan för risker, potentiellt med dödlig utgång. Därför är prognostisering av jordbävningar och ökad seismisk risk av stor betydelse för att minimera riskerna för personal som arbetar under jord. Baserat på tillgängliga data från Kiirunavaara-gruvan var syftet med studien att identifiera specifika problem i med prognostisering av jordbävningar och att ta fram en strategi för att att utveckla verktyg för prognostisering i realtid.
Resultat och förväntade effekter
1) Evaluering av AI-metoder för förutsägelse av jordbävningar 2) Databearbetning: normalisering, extrahering av datakarakteristika, eliminering av brus 3) Testning av AI-metoder - djupinlärningens LSTM, OPTICS algoritmer, SOM 4) Identifiering av beslutförfarande som är mest lämplig för Kiruna gruvan 5. Slutsatser: Analys av outliers och dupletter samt normalisering är mycket viktigt Det mest lovande ML-tillämpningen är- integrerad prediktiva klustrering, djupinlärning och klassificeringsmodeller Beslut om stängning måste tas i nära samarbete med beslutsfattare
Upplägg och genomförande
Mjukvara för att evaluera prestanda i maskininlärningsmodeller (ML) för förutsägelse av seismisk aktivitet i underjordiska gruvor implementerades. Den är baserad på ”state-of-the-art” Python-bibliotek för ML såsom TensorFlow och Scikit-learning. Implementeringsdesignen innehåller följande analysprocesser: Dataimport + bruseliminering Spatiotemporal kluster Förbearbetning av databasen i tidsserie Mätning av förutsägelseprestanda Varje processeringssteg utgör en oberoende modul men med gemensam databas och konfiguration för genomförande.