WARSZAY 2014 z cyklu: Górnctwo człowek środowsko: zrównoważony rozwój Mat. Symp. str. 64 77 Mara MRÓWCZYŃSKA Unwersytet Zelonogórsk, Zelona Góra Klasyfkatory neuronowe typu SVM w zastosowanu do klasyfkacj przemeszczeń ponowych na obszarze LGOM Słowa kluczowe sec neuronowe SVM, klasyfkacja, przemeszczena ponowe Streszczene W prezentowanym artykule przedstawono podstawowe zasady budowana uczena sec neuronowych SVM (ang. Support Vector Machne) zwane naczej metodą (technką) wektorów podtrzymujących. Sec SVM znajdują główne zastosowane w rozwązywanu zadań klasyfkacj danych separowalnych nesparowalnych lnowo oraz zadań regresj. W ostatnch latach zakres zastosowań tego typu sec został poszerzony sec rozwązują równeż take problemy jak rozpoznawane sygnałów obrazów, dentyfkacja mowy oraz dagnostyka medyczna. W pracy sec nelnowe SVM wykorzystano do klasyfkacj danych neseparowalnych lnowo w postac przemeszczeń punktów sec pomarowo kontrolnej reprezentujących obszar, na którym prowadzona jest eksploatacja górncza. Uczena sec neuronowej SVM wymaga mplementacj programowana kwadratowego w poszukwanu punktu optymalnego funkcj Lagrange a względem optymalzowanych parametrów. W przypadku danych neseparowalnych lnowo, metoda SVM pozwala na znalezene hperpłaszczyzny, która klasyfkuje obekty na tyle poprawne, na le jest to możlwe jednocześne przebega możlwe daleko od typowych skupeń dla każdej z klas. Za pomocą metody SVM można równeż znaleźć krzywolnową grancę separacj o dużym margnese separacj, wykorzystując zabeg podnesena wymarowośc. Jakość uzyskanych wynków separacj jest uzależnona od przyjętej postac funkcj jądra. 1. Wstęp W drugej połowe lat dzewęćdzesątych ubegłego weku zostały opracowane przez Vapnka klasyfkatory SVM, zwane technką wektorów podtrzymujących (Vapnk 1998). Metoda ta stanowła nowe podejśce zarówno pod względem budowy jak równeż uczena sec neuronowych, zaś wykorzystywana jest przede wszystkm do rozwązywana zadań klasyfkacj regresj. W kolejnych latach rozwjano tematykę SVM, badając zarówno możlwośc zastosowana sec do rozwązywana bardzej złożonych problemów jak poszukując optymalnych algorytmów uczących. Wykorzystane w pracy sec SVM należą do grupy sec jednokerunkowych, zwykle mają strukturę dwuwarstwową mogą wykorzystywać różne typy funkcj aktywacj (Osowsk 2006, Zann n. 2006). W porównanu z secam 64
M. MRÓWCZYŃSKA Klasyfkatory neuronowe typu SVM w zastosowanu do klasyfkacj neuronowym MLP (ang. Mult Layer Perceptron perceptron welowarstwowy) sec SVM pozbawone są wad typowych dla sec MLP, tzn. przede wszystkm możlwośc zatrzymana procesu mnmalzacj w jednym z welu mnmów lokalnych, a także przyjmowanej arbtralne na wstępe archtektury sec, od której zależą jej przyszłe zdolnośc generalzacyjne. W przypadku danych lnowo separowalnych metoda SVM pozwala na znalezene hperpłaszczyzny dzelącej zbór danych na dwe klasy z maksymalnym margnesem separacj. Jeżel mamy do czynena z danym neseparowalnym lnowo, za pomocą metody wektorów podtrzymujących można znaleźć hperpłaszczyznę klasyfkującą obekty z mnmalnym błędem jednocześne przebegającą możlwe daleko od typowych skupeń dla każdej klasy. W pracy zostane zaprezentowane zagadnene wykorzystana sec nelnowej SVM do klasyfkacj danych neseparowalnych lnowo, na przykładze przemeszczeń ponowych zaobserwowanych na obszarze Legncko Głogowskego Okręgu Medzowego. Przemeszczena ponowe wyznaczono na podstawe wynków pomarów nwelacyjnych zrealzowanych w latach 1967 2008. 2. Charakterystyka sec nelnowej SVM Istotą dzałana metody SVM jest konstrukcja optymalnej hperpłaszczyzny, która będze separowała dane należące do różnych klas, z maksymalnym margnesem zaufana (margnesem separacj). Przez margnes zaufana będzemy rozumel odległość hperpłaszczyzny od najblżej położonych punktów, na których będą sę tworzyły wektory podtrzymujące (rys. 2.1). Punkty, na których utworzą sę wektory podtrzymujące leżą najblżej hperpłaszczyzny określają jej przebeg, ale jednocześne są najtrudnejsze do klasyfkacj. Szersze nformacje dotyczące klasyfkacj danych lnowo separowalnych oraz sposobów budowy optymalnej hperpłaszczyzny można znaleźć mędzy nnym w pracach: Bshop a (2006), Jankowskego (2003), Osowskego (2006). Rys. 2.1. Optymalna hperpłaszczyzna o maksymalnym margnese separacj. Fg. 2.1. he optmal hyperplane wth a maxmum margn of separaton. Rozwązując zadane klasyfkacj danych lnowo neseparowalnych powszechne stosowanym rozwązanem jest zrzutowane danych orygnalnych do przestrzen funkcyjnej 65
WARSZAY 2014 z cyklu: Górnctwo człowek środowsko: zrównoważony rozwój (przestrzen cech), w której dane stają sę z prawdopodobeństwem blskm 1 lnowo separowalne. Zwykle wymar przestrzen cech K jest dużo wększy nż wymar przestrzen orygnału N, a przeprowadzona transformacja jednej przestrzen do drugej jest transformacją nelnową (Haykn 1994, Cover 1965). Grafczna lustracja nelnowej transformacj danych neseparowalnych lnowo została przedstawona na rys. 2.2a 2.2b. Dane lnowo neseparowalne w dwuwymarowej przestrzen orygnału (rys. 2.2a) zostały przetransformowane do przestrzen cech (rys. 2.2b), którą zdefnowano za pośrednctwem funkcj gaussowskch 2 x c x exp (2.1) 2 gdze: szerokość funkcj gaussowskej, c centra funkcj gaussowskch, x wektor wejścowy. Rys. 2.2. Dane lnowo neseparowalne w przestrzen orygnału (rysunek po lewej) oraz dane lnowo separowalne w przestrzen cech (rysunek po prawej). Fg. 2.2. he data nonlnearly separable n the orgnal space (fgure on the left) and the data lnearly separable n the feature space (fgure on the rght). Po przeprowadzonej transformacj nelnowej dane stają sę lnowo separowalne mogą zostać rozdzelone jedną płaszczyzną separacj. Przebeg hperpłaszczyzny separującej klasy wyznaczany jest w przestrzen cech, a w przestrzen orygnału obserwujemy jedyne jej obraz (rys. 2.2). Załóżmy, że klasyfkacj podlega zbór par uczących x, d, 1,, N, gdze wartość zadana d jest równa 1 lub -1 natomast x jest wektorem wejścowym, który po zrzutowanu w przestrzeń K-wymarową jest reprezentowany przez zbór cech x, j 1,, K. Po tak przeprowadzonej transformacj, równane hperpłaszczyzny separującej dane w przestrzen cech, zapszemy jako K j1 x g x w j b 0 (2.2) gdze: w waga prowadząca od neuronu w warstwe ukrytej do neuronu wyjścowego (rys. 2.3), j j j 66
M. MRÓWCZYŃSKA Klasyfkatory neuronowe typu SVM w zastosowanu do klasyfkacj b polaryzacja, określająca położene hperpłaszczyzny względem początku układu współrzędnych. Sygnał neuronu wyjścowego dla sec o archtekturze przedstawonej na rysunku 2.3 zdefnowany jest za pomocą równana y w x b x (2.3) Analzując podstawową strukturę sec neuronowej SVM (rys. 2.3) można zauważyć, że jest to struktura analogczna do tej, jaką posadają sec o radalnych funkcjach bazowych (RBF). Różnca pomędzy nelnową secą SVM a secą radalną polega na tym, że funkcje x mogą przyjmować postać lnową, welomanową, radalną bądź sgmodalną. Rys. 2.3. Archtektura podstawowa sec nelnowej SVM. Fg. 2.3. he basc archtecture of the SVM nonlnear network. Uczene sec nelnowej SVM ma na celu take wyznaczene wartośc wektora wag w, aby dla danych neseparowalnych lnowo określć optymalną hperpłaszczyznę, która mnmalzuje prawdopodobeństwo popełnena błędu klasyfkacj przy jednoczesnym zachowanu warunku maksymalzacj margnesu separacj. Klasyfkując dane neseparowalne lnowo należy zdefnować neujemną zmenną dopełnająca, której zadanem jest zmnejszene aktualnej szerokośc margnesu separacj. ak postawony problem jest określany manem problemu perwotnego, który zapszemy jako: przy ogranczenach mn, λ w w C p 1 w (2.4) 2 d w x b 1 0 1 (2.5) gdze: C parametr przyjmowany arbtralne przez użytkownka, d wartość zadań równa +1. 67
WARSZAY 2014 z cyklu: Górnctwo człowek środowsko: zrównoważony rozwój W początkowej faze uczena sec nelnowej SVM lczba wektorów podtrzymujących jest zwykle równa lczbe danych uczących. W trakce procesu uczena, w zależnośc od przyjętej wartośc parametru C (wartośc ogranczeń), złożoność sec jest redukowana tylko na częśc punktów tworzą sę wektory podtrzymujące. Wektory podtrzymujące tworzą sę na tych punktach, dla których spełnony jest warunek: x b 1 w (2.6) Warto podkreślć, że m wększa jest wartość parametru C tym węższy jest margnes separacj mnejsza lczba wektorów podtrzymujących. Dla małej wartośc parametru C seć doznaje zblżena w swom dzałanu do sec lnowej, przez co poszerza sę margnes separacj. Problem perwotny (optymalzacyjny) jest problemem programowana kwadratowego z lnowym ogranczenam względem wag, który rozwązujemy metodą mnożnków Lagrange a na podstawe mnmalzacj funkcj Lagrange a (Bshop 2006, Gunn 1998): p 1 p 1 p 1 Jw, b, λ, α, μ w w C d w x b 1 (2.7) 2 gdze: 0 oraz 0 mnożnk Lagrnge a. Problem optymalzacyjny zapsany wzorem (2.7) rozwązujemy poprzez przyrównane perwszych pochodnych funkcj Lagrange a względem w, b oraz do zera. W rezultace otrzymujemy współrzędne wektora wag w wyrażone za pomocą mnożnków Lagrang a oraz dodatkowych zależnośc funkcyjnych, które muszą zostać spełnone (Scholkopf, Smola 2001). Problem perwotny przekształca sę węc w problem dualny zdefnowany względem mnożnków Lagrange a do postac (Haykn 1994): 1 przy ogranczenach max p p p 1 jdd j K x x (2.8) 2 j 1 1 1 p d 0 (2.9) 1 0 C Rozwązane problemu dualnego pozwala na wyznaczene optymalnych wartośc mnożnków Lagrang a, które są podstawą do wyznaczena optymalnych wartośc wag sec według zależnośc w p 1 x d (2.10) Sygnał wyjścowy sec nelnowej SVM uzyskujemy, podstawając zależność (2.10) do wzoru (2.3) defnujemy go ostateczne jako: 68
M. MRÓWCZYŃSKA Klasyfkatory neuronowe typu SVM w zastosowanu do klasyfkacj y P sv x w x b d Kx,x b (2.11) 1 gdze: P sv lczba wektorów podtrzymujących x, która jest równa lczbe nezerowych mnożnków Lagrange a, Kx, x - funkcja jądra (ang. kernel functon). Sygnał wyjścowy sec nelnowej SVM zależy od funkcj jądra Kx, x, a ne od funkcj x jak ma to mejsce w przypadku sec o radalnych funkcjach bazowych. Z tego względu staje sę oczywste, że należy zbudować seć o strukturze wynkowej przedstawonej na rysunku 2.4. 3. Funkcje jądra Funkcja jądra Rys. 2.4. Archtektura wynkowa sec nelnowej SVM. Fg. 2.4. Resultng archtecture of the SVM nonlnear network. K x, x występująca w sformułowanu zadana dualnego (2.8) oraz w zapse sygnału wyjścowego (2.11) sec nelnowej SVM jest funkcją symetryczną w postac loczynu skalarnego dwóch funkcj wektorowych x oraz x. Analzując postać sygnału wyjścowego (2.11) wynkowej sec SVM zauważymy, że konstrukcja hperpłaszczyzny separującej dwe klasy ne wymaga odwzorowana x w postac jawnej lecz jest zastępowana jądrem x,, które spełna warunek loczynu skalarnego. Z drugej strony funkcja x, K x K x może zostać wykorzystana w sec nelnowej SVM tylko wówczas, jeżel spełna warunek twerdzena Melcera (Scholkopf, Smola 2001). Warunek Melcera odpowada na pytane, czy analzowana funkcja jądra może być przedstawona w postac loczynu skalarnego dwóch funkcj wektorowych. Zgodne z tym twerdzenem, funkcja K x x x x 1 K x, x jest rozwjalna w szereg:, (3.1) 69
WARSZAY 2014 z cyklu: Górnctwo człowek środowsko: zrównoważony rozwój z uwzględnenem neujemnej zmennej dopełnającej (2.2)) spełnającej warunek, jeśl dla dowolnej funkcj g x (por. zachodz g 2 x dx (3.2) x gxg x K x, dxdx 0 (3.3) Warunek Melcera spełna wele funkcj, które mogą być wykorzystywane do budowy nelnowej sec neuronowej SVM. Najczęścej wykorzystywane funkcje jąder zostały zestawone w tablcy 3.1. abela 3.1. Przykłady funkcj jąder. able 3.1. Examples of kernel functon. yp jądra Równane K(x, x ) Komentarz Lnowe K x, x x x Welomanowe Radalne x, x x x b K 1 (gaussowske) 2 2 K x, x exp 1 2 x x Sgmodalne x, x tanh x x 1 0 b stopeń welomanu - wspólne dla wszystkch jąder K ogranczena na 0 1 Jeżel zastosujemy jądro lnowe zbudowana seć jest w pełn lnowa bez warstwy ukrytej. Zastosowane funkcj sgmodalnej prowadz do archtektury odpowadającej sec neuronowej perceptronowej o jednej warstwe ukrytej. W przypadku wykorzystana funkcj gaussowskej otrzymamy seć o radalnych funkcjach bazowych, w której lczba funkcj bazowych ch centra są utożsamane z wektoram podtrzymującym. Podobne w secach sgmodalnych, lczba neuronów w warstwe ukrytej jest określana przez lczbę wektorów podtrzymujących. Warto podkreślć, że zastąpene wektora wejścowego x funkcją wektorową x oraz w j w przez funkcje jądra loczynu skalarnego K x, x, pozwala na sformułowane problemu uczena dentyczne jak dla sec lnowej, czyl polega na przekształcenu problemu perwotnego w problem dualny, rozwązywany jako zadane programowana matematycznego. Na wynk procesu uczena sec nelnowej SVM mają wpływ ne tylko dane uczące, ale równeż sposób zdefnowana funkcj jąder oraz przyjęte wartośc ogranczeń (wartość parametru C). Odpowedno dobrana wartość parametru C pozwala na otrzymane hperpłaszczyzny w przestrzen cech, która w przestrzen orygnału transformuje sę w krzywą, dzelącą z mnmalnym błędem dane na dwe klasy. Poneważ lczba wektorów podtrzymujących jest uzależnona od parametru C, to m wększa jest jego wartość tym węższy margnes separacj mnejszy błąd klasyfkacj. Dla małej wartośc parametru C klasyfkacja jest obarczona wększym błędem, a seć w swom dzałanu jest zblżona do sec lnowej. 70
M. MRÓWCZYŃSKA Klasyfkatory neuronowe typu SVM w zastosowanu do klasyfkacj 4. Przykład lczbowy Badanam wpływu eksploatacj górnczej na powerzchnę terenu został objęty obszar Legncko Głogowskego Okręgu Medzowego (LGOM) leżący w połudnowej częśc monoklny przedsudeckej. Na podstawe badań strukturalnych w pozome złoża medz sol cechsztyńskch oraz obserwacj prowadzonych w wyrobskach górnczych szybach głębnowych kopaln KGHM Polska Medz S.A. stwerdzono, że tutejsze masywy skalne dzelą sę na trzy kompleksy zalegające na sobe dyskordantne są podzelone długm łukam stratygrafcznym. Układ kompleksów zlustrowanych na rysunku 4, poczynając od najstarszego, przedstawa sę jak następuje (Markewcz 2003): kompleks skał krystalcznych weku proterozocznego oraz skał starszego paleozoku, które stanową podłoże monoklny, kompleks skał permo mezozocznych, z których została zbudowana monoklna, kompleks osadów kenozocznych, które stanową pokrywę monoklny. Szczegółowe nformacje na temat budowy geologcznej omawanego obszaru można znaleźć w pracy (Markewcz 2003). Rys. 4.1. Szkc budowy strukturalnej podłoża badanego obszaru deformacj LGOM. Fg. 4.1. Sketch of the structural form of the subsol of the area under research for the LGCMA. Przemeszczena ponowe punktów kontrolowanych zlokalzowanych na obszarze Legncko Głogowskego Okręgu Medzowego wyznaczono na podstawe analzy wynków trzech kampan pomarowych przeprowadzonych w latach 1967 2008. Na omawanym obszarze o powerzchn około 75000 ha przyjęta do opracowana seć pomarowo kontrolna lczyła 218 punktów powązanych ze sobą 302 obserwacjam (Rys. 4.2). 71
WARSZAY 2014 z cyklu: Górnctwo człowek środowsko: zrównoważony rozwój Rys. 4.2. Schemat sec pomarowo kontrolnej. Fg. 4.2. Dagram of the measurement control network. W etape perwszym modelowana przemeszczeń zostały wyznaczone zmany różnc wysokośc, uzyskane na podstawe pomarów dla przedzału czasu 1967 2008. Zmany te poddano ocene jakoścowej pod względem dokładnośc, której globalną marą jest wartość 2 sumy kwadratów poprawek podlegająca rozkładow. Informację jakoścową uzyskano na podstawe wyrównana zman różnc wysokośc za pomocą procedury najmnejszych kwadratów przy mnmalnych ogranczenach stopn swobody z założenem błędu średnego obserwacj m obs. 0,3mm. Następne, wykorzystując pojęce własnego układu odnesena, sformułowano model przemeszczeń punktów kontrolowanych dla lat 1967 2008, który stanow podstawę do podjęca decyzj dwuwartoścowej dotyczącej klasyfkacj punktów o różnych zwrotach przemeszczeń. Defncja układu odnesena polegała na dentyfkacj wstępnej z zastosowanem metody przylegana obektów (Gl 1995) z uwzględnenem najkrótszej drog (Kulgowsk 1986). W latach 1967 2008 układ odnesena zdefnowano na 32 punktach wzajemne stałych. Ostateczna lczebność zboru punktów układu odnesena została określona na podstawe krytycznej wartośc przyrostu kwadratu normy wektora poprawek (Gl 1995) była równa 26. Na podstawe sformułowanego modelu przemeszczeń określono przynależność punktów kontrolowanych do jednej z dwóch klas w zależnośc od zwrotu przemeszczeń. Dysponując nformacją na temat przynależnośc punktów do jednej z dwóch klas, problem klasyfkatora sprowadza sę do poszukwana krzywolnowej grancy separacj, separującej obe klasy z mnmalnym błędem maksymalnym margnesem separacj. W tym celu wykorzystano seć nelnową SVM, z radalnym, lnowym oraz welomanowym jądrem. Wynk przeprowadzonych oblczeń dla jądra radalnego (25 wektorów podtrzymujących) lnowego (22 wektory podtrzymujące) zostały zlustrowane na rysunkach 4.3 oraz 4.4. Należy dodać, że wynk uzyskane dla jądra welomanowego ne różnły sę w sposób wdoczny od wynków uzyskanych dla jądra lnowego. 72
M. MRÓWCZYŃSKA Klasyfkatory neuronowe typu SVM w zastosowanu do klasyfkacj Rys. 4.3. Klasyfkacja przemeszczeń z zastosowanem sec SVM o jądrze radalnym. Fg. 4.3. Classfcaton of dsplacements usng SVM network wth radal kernel. Rys. 4.4. Klasyfkacja przemeszczeń z zastosowanem sec SVM o jądrze lnowym. Fg. 4.4. Classfcaton of dsplacements usng SVM network wth lnear kernel. Dla sec nelnowej SVM o radalnych funkcjach jąder, przeanalzowano równeż wpływ wartośc parametru C na wynk klasyfkacj. W przypadku wartośc parametru C 1000 wyznaczono krzywolnową grancę separacj, bazującą na 25 wektorach podtrzymujących (Rys. 4.5) oraz szerokośc margnesu separacj wahającej sę od około 600 m do 1700 m. Jeżel parametr przyjęto jako C=30 wówczas szerokość margnesu separacj wzrosła do wartośc 2000 m 4300 m. Jednocześne 40 punktów, czyl około 18% wszystkch punktów sec pomarowo kontrolnej, znalazło sę wewnątrz margnesu separacj, a seć w swom dzałanu dawała wynk zblżone do sec lnowej (Rys. 4.6). 73
WARSZAY 2014 z cyklu: Górnctwo człowek środowsko: zrównoważony rozwój Rys. 4.5. Krzywolnowa granca separacj jądro radalne, C=1000. Fg. 4.5. he curved boundary of separaton radal kernel, C = 1000. Rys. 4.6. Krzywolnowa granca separacj jądro radalne, C=30. Fg. 4.6. he curved boundary of separaton radal kernel, C=30. Przedstawony tok postępowana uzupełnamy geometrycznym modelem przemeszczeń (rys. 4.7). Przedstawony w postac zoln model przemeszczeń obrazuje zmany, jake zaszły na badanym obszarze w latach 1967 2008, zaznaczona lna najwększego spadku pokazuje kerunek, w którym następowały najszybsze zmany w wartoścach przemeszczeń. Na rysunku 4.7 zaznaczono równeż krzywolnową grancę separacj uzyskaną z zastosowanem sec nelnowej SVM z jądrem radalnym. Wartośc przemeszczeń przedstawone na rysunku 4.7 podane są w mlmetrach. 74
M. MRÓWCZYŃSKA Klasyfkatory neuronowe typu SVM w zastosowanu do klasyfkacj 5. Podsumowane Rys. 4.7. Geometryczny model przemeszczeń uzyskany w okrese 1967 2008. Fg. 4.7. Geometrc model dsplacements obtaned n the perod 1967 2008. Przedstawona w pracy seć nelnowa SVM została wykorzystana do klasyfkacj danych neseparowalnych lnowo. Sec, te podobne jak nne sec uczone pod nadzorem (np. seć MLP), pełną rolę unwersalnego aproksymatora. Jej zaletą jest dobra generalzacja, zwązana ze stosunkową małą wrażlwoścą na lczbę danych uczących, co ma szczególne znaczene w rozwązywanu problemów w sytuacj, gdy lczba danych jest ogranczona (tak jak w przypadku pomarów przemeszczeń odkształceń). Na uzyskany wynk ma równeż wpływ przyjęta w procese oblczeń funkcja jądra. Najkorzystnejszy wynk klasyfkacj uzyskano z zastosowanem jądra radalnego oraz dużej wartośc parametru C. Warto podkreślć, że uzyskane wynk klasyfkacj SVM są zgodne z wynkam uzyskanym tradycyjną geodezyjną metodą wyznaczena przemeszczeń ponowych, poneważ granca separacj jest zblżona do przebegu zoln przemeszczeń zerowych (oczywśce, dla odpowedno przyjętych założeń początkowych). Zastosowane podejśce pozwala na określene optymalnej hperpłaszczyzny w przestrzen cech, separującej punkty sec geodezyjnej pomarowo kontrolnej na dwe klasy, co może stanowć podstawę do podjęca decyzj dotyczącej posadowena obektów budowlanych na obszarach, które ne podlegają wpływom prowadzonej eksploatacj górnczej. ake podejśce jest jednak podejścem uproszczonym może wskazywać na neadekwatność procesu uczena w przypadku obektów, dla których geometryczny model przemeszczeń jest dużo bardzej zróżncowany. W sytuacj, gdy lczba klas może być dowolna, rozwązane problemu z zastosowanem technk SVM wymaga realzacj modelu klasyfkacj welokrotnej. Lteratura [1] Barton R., Bywalec E., Głuch P. 2000: Perwsze dośwadczena ze stosowana stojaków podporowych PINK-AS do utrzymana chodnków przyścanowych w jednostronnym otoczenu zrobów w kopaln Sośnca. Wadomośc Górncze 9, 406-413. [2] Chudek M. 2002: Geomechanka z podstawam ochrony środowska górnczego powerzchn terenu. Wydawnctwo Poltechnk Śląskej. Glwce. [3] Głuch P. 2000.: Sposób poprawy utrzymana chodnków przyścanowych. Wadomośc Górncze 10, 456-462. 75
WARSZAY 2014 z cyklu: Górnctwo człowek środowsko: zrównoważony rozwój [4] Głuch P., Gza D. 2011: Stojak podporowe o wysokej nośnośc. Materały konferencyjne: X Szkoła Geomechank. Glwce-Ustroń, 209-218. [5] Głuch P., Ratajczak A. 2013: Dośwadczena ze stosowana kotw strunowych do wysokego kotwena górotworu. Monografa CBDGP Problemy bezpeczeństwa w budowe eksploatacj maszyn urządzeń górnctwa podzemnego, Lędzny, 163-178. [6] Korzenowsk W., Nełacny P. 2010: Metody skuteczność wzmacnana chodnków przyścanowych w KWK Zemowt. Przegląd Górnczy 5, 1-9. [7] Majcherczyk., Małkowsk P., Nedbalsk Z. 2013: Analza utrzymana statecznośc wyrobsk korytarzowych w długm okrese. Prewencja zagrożeń naturalnych. Główny Instytut Górnctwa. Katowce, 282-294. [8] Matuszewsk J., Mąka B., Głuch P. 2006: Utrzymane chodnka przyścanowego 23b w jednostronnym otoczenu zrobów dla wyberana ścany 23 24 w pokładze 405/1 w warunkach kopaln Knurów. Materały konferencyjne: Nowoczesne echnologe Górncze. Glwce-Ustroń, 174-191. [9] Pechota S. 2003: Podstawowe zasady technologe wyberana kopaln stałych. Wydawnctwo PAN IGSME, Kraków. [10] Prusek S. 2008: Metody prognozowana deformacj chodnków przyścanowych w strefach wpływu eksploatacj z zawałem stropu. Prace Naukowe Głównego Instytutu Górnctwa 874. Katowce. [11] Rak Z. 2011: Utrzymane wyrobsk przyścanowych za frontem eksploatacj w trudnych warunkach geologczno-górnczych na przykładze Kopaln LW Bogdanka S.A. część I przegląd technolog. Przegląd Górnczy 1-2, 33-42. [12] Rak Z. 2011: Utrzymane chodnka za ścaną w trudnych warunkach geologczno-górnczych na przykładze Kopaln LW Bogdanka S.A. - część II - dośwadczena ruchowe. Przegląd Górnczy 1-2, 43-50. [13] Wardas A., Bobek R., Śledź., Mąka B., Ratajczak A., Głuch P. 2013: Utrzymane chodnka przyścanowego 20a w pokładze 405/3 w warunkach zagrożeń naturalnych kopaln Knurów- Szczygłowce Ruch Knurów. Górnctwo Geologa, Kwartalnk, om 8, Zeszyt 1. Glwce, 125-139. Problems wth roadway mantenance related to hazardous natural condtons n the Knurów-Szczygłowce coal mne at Knurów Key words mnng, support, support renforcement, roadway mantenance Summary hs paper presents the dffcultes wth mantanng roadways near the Knurów- Szczygłowce coal mne at Knurów due to methane and rockburst hazards. Increasng methane hazards forced the mne to change ts system of ventlaton and to undertake methane dranng efforts to avod the buldup of dangerous methane concentratons. hs was often meant to mantan the stablty of roadways behnd the longwall face. A major dffculty was also roadway mantenance related to smlar natural hazards wth methane and rockburst. Actons taken entaled choosng an approprate stand and roof boltng support system behnd the longwall face, lmtng the number of workers employed n ts applcaton, and managng proper work organzaton. Convergence measurements taken of the mantaned roadways roadways featurng one adjacent longwall goaf allowed for comparsons and can serve as references for geologcal 76
M. MRÓWCZYŃSKA Klasyfkatory neuronowe typu SVM w zastosowanu do klasyfkacj and mnng consderatons mpactng future roadway desgn and mantenance. Analyss of convergence measurements from the former mnng mpact area n the Knurów-Szczygłowce coal mne ndcates that roadway mantenance n the area that was not decompressed wth parallel bed edges suffered severely, due to substantal support loads and floor heave. Proper methodology and choce of support system parts (able to bear loads behnd the longwall face) commensurate wth the local geology and mnng condtons are also sgnfcant factors n roadways mantenance. Applyng napproprate props or bolts under dversfed geologcal and mnng condtons results n sgnfcant roadway convergence behnd the longwall, the loss of a longwall s functonalty whch lmts the longwall s lfespan due to methane hazards, or the later rebuldng of a longwall when mantanng the roadway for the next longwall. Roadway mantenance behnd the longwall face should also be a feld where new solutons are consdered for hgh load capacty props consderng the mportant crtera of cost, safety, and easy set up under ncreasngly dffcult workng condtons. 77