WYKORZYSTANIE SIECI NEURONOWEJ DO OKREŚLANIA GRUBOŚCI POWŁOKI POŚLIZGOWEJ OBUDOWY WIELOWARSTWOWEJ SZYBU.

Transkrypt

1 Stanisław KOWALIK Department of Management an Restructuring of Mining, Faculty of Mining an Geology, Silesian Tecnical University, Akaemicka 2, Gliwice, Polan Phone: , sekr. phone: , fax: WYKORZYSTANIE SIECI NEURONOWEJ DO OKREŚLANIA GRUBOŚCI POWŁOKI POŚLIZGOWEJ OBUDOWY WIELOWARSTWOWEJ SZYBU. UTILISATION A NEURAL NETWORK TO DETERMINATION OF THE THICKNESS OF THE SLIDE LAYER OF THE MULTILAYER SHAFT LINING Summary In the work use following parameters escribing of the slie layer of the multilayer shaft lining: angle of turn of the main shaft founation occurs in a verticaical plane α [r]; specific weight of asphalt γ a [KN/m 3 ]; Depth of the main shaft founation H S [m]; iameter of shaft in light D [m]; moule elasticities of internal ring E 1 [Gpa]; moule elasticities of concrete - core E 2 [Gpa]; moule elasticities of external ring E 3 [Gpa]; thickness of internal ring G 1 [m]; thickness of concrete - core G 2 [m]; thickness of external ring G 3 [m]. In the work gave example of utilisation of neural network to qualifying thicknesses such slie layer. Passe learnely neural network for tens of measuring sets - parameters escribing slie layer. 1. Wprowazenie W prezentowanej pracy wykorzystamy nauczenie sieci neuronowej w celu wyznaczania grubości powłoki poślizgowej obuowy wielowarstwowej szybu. Tematyka związana z obuowy wielowarstwowej szybu okłanie omówiona jest w pracy [1]. Taka warstwa szybu spełnia następujące funkcje: - zapewnienie równomierności obciążenia trzonu nośnego obuowy, skłaającego się na ogół ze szczelnej, zewnętrznej ścianki stalowej, rzenia betonowego oraz ewentualnie - wewnętrznego płaszcza stalowego lub kolumny tubingów; pomimo pewnego wzrostu obciążenia obuowy w wyniku parcia warstwy poślizgowej, uzyskuje się w ten sposób zwiększenie komfortu pracy konstrukcji; - wytworzenie strefy amortyzującej eformacje ociosów, bęące rezultatem wybierania złoża w najbliższym sąsieztwie szybu, a także eformacje samego trzonu nośnego obuowy, spowoowane ruchami stopy lub głowicy szybu po wpływem eksploatacji [1]. Grubość warstwy poślizgowej wyznacza się na postawie ziesięciu parametrów wejściowych. Parametry te przestawione są w tablicy 1.

2 Tablica 1 Wartości parametrów wejściowych Lp. Rozaj parametru Przyjęte wartości 1 Kąt obrotu stopy szybowej α, r 0.001, 0.002, Ciężar właściwy asfaltu γa, KN/m3 11, 12, 13 3 Głębokość posaowienia stopy H S, m 400, 600, Śrenica szybu w świetle D, m 4, 6, 8 5 Mouł sprężystości pierścienia wewnętrznego E 1, GPa 107, Mouł sprężystości rzenia betonowego E 2, GPa 32.4, 34.4, Mouł sprężystości pierścienia zewnętrznego E 3, GPa Grubość pierścienia wewnętrznego G 1, m 0.005, 0.01, 0.02, 0.04,0.06, Grubość rzenia betonowego G 2, m 0.4, 0.6, Grubość pierścienia zewnętrznego G 3, m 0.005, 0.01, 0.02 Źróło: pozycja literatury [1]. W pracy [1] okonano przykłaowych obliczeń grubości warstwy poślizgowej la 72 wariantów anych wejściowych spośró 15 tysięcy kombinacji - jak piszą autorzy. Czas trwania obliczeń jenego cyklu wyniósł około 5 minut na mikrokomputerze IBM PC XT TURBO [1]. Nasuwa się poglą, że można by nauczyć sieć neuronową zależności mięzy parametrami wejściowymi a grubością warstwy poślizgowej na postawie tych przeliczonych 72 wariantów. Innych wariantów spośró 15 tysięcy nie trzeba by już przeliczać, a sieć neuronowa awałaby opowieź, jaka powinna być grubość warstwy poślizgowej la innego wariantu. 2. Wykorzystanie sieci neuronowej o określania grubości powłoki poślizgowej Przeprowazimy eksperyment z uczeniem sieci neuronowej. Działanie sieci neuronowych opisane jest mięzy innymi w pracach [2], [3]. Baane warianty anych wejściowych przestawione są w tablicy 2. W tablicy tej pokazano jeynie pierwszych ziesięć i ostatnich ziesięć takich wariantów. Tablica 2 Baanie wartości parametrów Nr. α γa H S D E 1 E 2 E 3 G 1 G 2 G : : : : : : : : : : : :

3 Źróło: pozycja literatury [1]. Sieć neuronowa zainstalowana na komputerze wymaga, aby pierwszą warstwą wejściową były neurony o jenym wejściu i jenym wyjściu. Te neurony stanowią tzw. warstwę buforową. Nie zmieniają one sygnałów wejściowych. Ponieważ sygnałów wejściowych jest ziesięć, to tę warstwę zbuowano z ziesięciu takich neuronów. Drugą kolejną warstwę, a weług wcześniejszych oznaczeń pierwszą ukrytą, stanowiło ziesięć neuronów o ziesięciu wejściach i jenym wyjściu. W ostatniej wyjściowej warstwie był tylko jeen neuron o ziesięciu wejściach i jenym wyjściu. Sieć była nieliniowa. Nieliniowość w neuronach była wyrażona poprzez funkcję tangens hiperboliczny. Dane z tablicy 2 zreukowano o cztery warianty o numerach 53, 54, 55, 56, ponieważ te warianty zawierały niekompletne ane wejściowe. Brak było parametrów E 1 i G 1. Parametry miały barzo róże wartości np. α=0.001, 0.002, 0.003; H S =400, 600, 800. Ponieważ parametry α i G 3 w porównaniu z parametrami H S i E 1 były mało znaczące, to korekcja wag w procesie uczenia spowoowana parametrami H S i E 1 mogła przewyższyć wartości samych parametrów α i G 3. Dlatego zecyowano się więc na przeskalowanie wszystkich sygnałów o przeziału [0,1]. W eksperymencie zrezygnowano z parametru wejściowego E 3, jako że w każym wariancie miał on wartość stałą 210. Skalowanie la każego parametru było inne. Był to więc pewien rozaj koowania wielkości wejściowych i wyjściowych sieci. Sygnały zostały zakoowane w następujący sposób: - parametr α: , , ; - parametr γ a : 11 0, , 13 1; - parametr H S : 400 0, , 800 1; - parametr D: 4 0, 6 0.5, 8 1; - parametr E 1 : 107 0, 210 1; - parametr E 2 : ; - parametr G 1 : , , , , , ; - parametr G 2 : , ; - parametr G 3 : , , Wartości parametru na postawie tablicy 2, były w zakresie o 6.5 o Przy skalowaniu przyjęto, że [5,30] i temu zakresowi opowiaa przeział [0,1]. Wszystkie wartości parametru opowienio proporcjonalnie w ten sposób przeskalowano. Zecyowano się na nauczanie sieci na postawie 46 zestawów pomiarowych sposro 68, a na pozostałych 22 zestawów pomiarowych przeprowazono testowanie sieci. Z tablicy 2 brano o obliczeń kolejno 2 wiersze, a trzeci pomijano it. Nowe wartości anych o uczenia sieci neuronowej zawarto w tablicy 3.

4 Tablica 3 Zakoowane wartości parametrów Nr. α γ a H S D E 1 E 2 G 1 G 2 G : : : : : : : : : : : , Źróło: pozycja literatury [1]. Struktura sieci neuronowej przestawiona jest na rysunku 1.

5 Rys.1. Obraz z monitora komputera w trakcie uczenia sieci neuronowej Element Bias o numerze 1 oznacza sygnał stały równy 1 (x 0 1). Warstwę wejściową (buforową) stanowiły neurony o numerach o 2 o 10. Następna warstwa zbuowana była z ziewięciu neuronów o ziewięciu wejściach i jenym wyjściu (numery neuronów o 11 o 19). Ostatnią wyjściową warstwą był jeen neuron o ziewięciu wejściach i jenym wyjściu. Nieliniowość w neuronach była reprezentowana przez funkcję tangens hiperboliczny. Ilość iteracji zaano 200 tysięcy. Następnie porównano wartości (parametr wyjściowy zakoowany - grubość warstwy poślizgowej - na postawie tablicy 3) z opowiezią sieci po nauczaniu. Wyniki przestawia tablica 4. Tablica 4 Porównanie wyników (zakoowanych) przy uczeniu sieci Nr. Lp. Lp Po wykonaniu tych obliczeń przeprowazono testowanie sieci la pozostałych 22 zestawów anych. Następnie porównano wartości z opowiezią sieci po nauczaniu, la 22 pozostałych wariantów anych wejściowych. Wyniki porównania przestawiono w tablicy 5. Wyniki porównania la wszystkich 68 wariantów po okoowaniu tych wartości przestawia tablica 6. Można uznać, że sieć została prawie obrze nauczona. Liczby w tablicy 6 są prawie takie same.

6 Tablica 5 Porównanie wyników (zakoowanych) przy testowaniu sieci Nr. Lp. Lp Tablica 6 Porównanie wyników (okoowanych) Nr. Lp. Lp LITERATURA 1. Dua Z., Kohutek Z., Kuśmierz J., Mikołajek M., Szefer G.: Wyznaczanie grubości

7 powłoki poślizgowej obuowy wielowarstwowej szybu ze wzglęu na obrót stopy po wybraniu złoża w obrębie filara ochronnego. Zesz. Nauk. Pol. Śl. Górnictwo Nr 202, Gliwice Rumelhart D.E., Mc Clellan J.L. (es.): Parallel istribute processing. The Mit Press, Cambrige, Massachusetts Taeusiewicz R.: Sieci neuronowe. Akaemicka Oficyna Wyawnicza, Warszawa 1993.