Dynamic Monitoring and an Early Warning Model of a Floor Water Disaster: A Case Study

Abstract

The water hazard of the coal seam floor is a major threat to safe coal production in China. To improve the accuracy of water hazard predictions, a water inrush risk predictive model was constructed using PSO-SVM. Historical monitoring data were added to the basic database in a timely manner to narrow the difference between the monitoring data and predicted results. The optimized database was used for neural network model training. The prediction model was improved by establishing a database self-optimization and model self-learning process (SOMSP). The PSO-SVM model and the SOMSP was used to predict the inrush risk for 23 groups of floor water inrush cases from the north China mine area. The initial accuracy of the model was only 25% for the first 19 data groups, which were used as the basic training data to predict data groups 20–23. Using the SOMSP, the accuracy of the water inrush risk of the coal seam floor was increased to 100% (3/3). Thus, the accuracy of the predictions was greatly improved by the SOMSP.

Resumen

El riesgo de irrupción de agua en el fondo de la veta de carbón es una de las principales amenazas para la producción segura de carbón en China. Para mejorar la precisión de las predicciones del peligro del agua, se construyó un modelo de predicción del riesgo de irrupción de agua utilizando PSO-SVM. A la base de datos básica, se añadieron oportunamente datos históricos de monitorización para reducir la diferencia entre los datos de monitorización y los resultados predichos. La base de datos optimizada se utilizó para entrenar el modelo de red neuronal. El modelo de predicción se mejoró estableciendo un proceso de autooptimización de la base de datos y autoaprendizaje del modelo (SOMSP). El modelo PSO-SVM y el SOMSP se utilizaron para predecir el riesgo de irrupción de 23 grupos de casos de agua en el suelo de la zona minera del norte de China. La precisión inicial del modelo fue sólo del 25% para los 19 primeros grupos de datos, que se utilizaron como datos de entrenamiento básicos para predecir los grupos de datos 20–23. Utilizando el SOMSP, la precisión del riesgo de irrupción de agua en el fondo de la veta de carbón aumentó hasta el 100% (3/3), mostrando que el uso del SOMSP aumenta notablemente la precisión de las predicciones.

Zusammenfassung

Gefährdungen durch katastrophale Liegendwasserzutritte sind eine große Bedrohung für die sichere Kohleförderung in China. Um die Genauigkeit von Wassergefährdungsprognosen zu verbessern, wurde mit Hilfe von PSO-SVM (Particle Swarm Optimization-Support Vector Machine) ein Modell zur Vorhersage des Wassereinbruchsrisikos entwickelt. Historische Überwachungsdaten sind einer Basisdatenbank hinzugefügt worden, um den Unterschied zwischen den Überwachungsdaten und den vorhergesagten Ergebnissen zu verringern. Die optimierte Datenbank wird für das Training des neuronalen Netzes verwendet. Das Vorhersagemodell ist zudem durch die Einrichtung eines Selbstoptimierungs- und Selbstlernprozesses für die Datenbank (SOMSP) verbessert worden. Das PSO-SVM-Modell und das SOMSP werden zur Vorhersage des Zutrittsrisikos für 23 Gruppen von Liegendwasserzutritten im nordchinesischen Bergbaugebiet verwendet. Die Genauigkeit des Modells für die ersten 19 Datengruppen betrug anfänglich lediglich 25%. Im Anschluss wurden dieses als Trainingsdaten für die Vorhersage der Datengruppen 20–23 verwendet. Mit Hilfe von SOMSP konnte die Genauigkeit des Wassereinbruchsrisikos über die Sohle des Kohleflözes auf 100% (3/3) erhöht werden. Die Genauigkeit der Vorhersagen wird somit durch die Nutzung von SOMSP erheblich verbessert.