Авторизация:
Логин:
Пароль:
  



АНОНС
ГОРМАШ-2018 в «Экспоцентре»
20 – 21 ноября 2018 года в  «Экспоцентре»  состоится Национальная научно-практическая конференция по вопросам развития горного машиностроения. 
ХVII Всероссийский Конгресс «Государственное регулирование недропользования 2018 Зима»
04-05 декабря 2018 года в отеле «Арарат Парк Хаятт» состоится ХVII Всероссийский Конгресс «Государственное регулирование недропользования 2018 Зима». ...
ОБЗОР
ЗАЯВИТЕЛЬНЫЙ ПРИНЦИП СЕГОДНЯ И ЗАВТРА
Издательство «Горная книга» обратилось к экспертам отрасли с вопросом о том, что, на их взгляд, мешает развитию заявительного принципа пользования недрами в России.
ГДЕ ПРОИЗВОДСТВО, ТАМ И НАУКА
На Ставровском карьере по добыче щебня, расположенном в Калужской области, планируется организовать работу научно-исследовательских коллективов. Руководство карьера стремится предложить им...

ПОДРОБНАЯ ИНФОРМАЦИЯ

 

ПРИМЕНЕНИЕ АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ ДЛЯ ЭКСПРЕСС-АНАЛИЗА СЕЙСМИЧЕСКИХ ДАННЫХ



Одной из достаточно серьезных проблем непрерывного геомониторинга являются большие объемы данных, накапливаемые при работе системы, которые необходимо анализировать и интерпретировать. Это делает важной и актуальной задачу предварительного экспресс анализа данных, заключающегося в подготовке набора характерных точек, на которые следует обратить внимание в первую очередь, в рамках исследуемой части горного массива. В качестве подхода к ее решению авторами статьи предлагается кластерный анализ, его результатом являются найденные центры кластеризации, которые могут быть использованы в качестве характерных точек. Рассмотрены три алгоритма кластеризации: k-means, Mean Shift и DBSCAN. Для оценки их работы и применимости для анализа сейсмических данных использовалось сравнение результатов, полученных с помощью алгоритмов, с точками, которые эксперт указал в качестве характерных для заданного набора данных. Оценка проведения качества самой процедуры кластеризации проводилась по индексам Calinski-Harabasz, Davies-Bouldin и силуэтному коэффициенту. В качестве сейсмических данных были использованы напряженность массива (горное давление) и вероятность флюидопроявления, численные значения которых получены в рамках локального прогноза. По результатам проведенной работы можно сделать вывод, что наиболее подходящим из исследованных алгоритмов кластеризации является алгоритм DBSCAN, его можно использовать для предварительного экспресс анализа сейсмических данных.


Для цитирования: Абдрахманов М. И., Лапин С. Э., Шнайдер И. В. Применение алгоритмов кластеризации для экспресс-анализа сейсмических данных // Горный информационно-аналитический бюллетень. – 2019. – № 6. – С. 27–44. DOI: 10.25018/0236-1493-2019-06-0-27-44.




Номер: 6
Год: 2019
ISBN: 0236-1493
УДК: 622.817.4
DOI: 10.25018/0236-1493-2019-06-0-27-44
Авторы: Абдрахманов М. И., Лапин С. Э., Шнайдер И. В.

Информация об авторах:
Абдрахманов Марат Ильдусович — канд. техн. наук, главный специалист, e-mail: marat-ab@mail.ru,
ООО «Информационные горные технологии», Лапин Сергей Эдуардович (1) — канд. техн. наук, старший научный сотрудник, e-mail: sergei.l@bk.ru, Шнайдер Иван Владимирович (1) — аспирант,
1) Уральский государственный горный университет.

Для контактов: Абдрахманов М.И., e-mail: marat-ab@mail.ru.


Ключевые слова:
Геомониторинг, анализ сейсмических данных, кластерный анализ, k-means, Mean Shift, DBSCAN, экспресс анализ, метрики для кластеризации.

Библиографический список:

1. Приказ Ростехнадзора от 19.11.2013 № 550 «Об
утверждении Федеральных норм и правил в области промышленной безопасности
«Правила безопасности в угольных шахтах».


2. Официальный сайт компании ООО «ИНГОРТЕХ» [электронный
ресурс], http://ingortech.ru/produktsiya/statsionarnye-sistemy/paragraf-41-pb/kontrol-gornogo-massiva-p-41-pb.


3. Патент, https://patents.google.com/patent/US6498989.


4. Лапин Э. С.Писецкий В. Б.Бабенко А.
Г.
Патрушев Ю. В. «Микон-ГЕО» — система оперативного
обнаружения и контроля состояния зон развития опасных геогазодинамических явлений
при разработке месторождений полезных ископаемых подземным способом // Безопасность
труда в промышленности. — 2012. — № 4. — С. 18—22.


5. Calinski T., Harabasz J. A dendrite method for
cluster analysis // Communications in Statistics. 1974, vol. 3, pp. 1—27.


6. Davies D. L.Bouldin D.
W. 
A Cluster Separation Measure // IEEE Transactions on Pattern Analysis
and Machine Intelligence. PAMI-1. 1979, pp. 224—227.


7. Rousseeuw P. J. Silhouettes: a
Graphical Aid to the Interpretation and Validation of Cluster Analysis //
Computational and Applied Mathematics 20. 1987, pp. 53—65.


8. Lloyd S. Least square quantization
in PCM’s. IEEE Transactions on Information Theory. vol. 28, pp. 129—137.


9. Comaniciu D., Meer P. Mean shift.
A robust approach toward feature space analysis // IEEE Transactions on Pattern
Analysis and Machine Intelligence, 2002.


10. Ester M., Kriegel H. P., Sander J., Xu
X. 
A Density-Based Algorithm for Discovering Clusters


in Large Spatial Databases with Noise / In Proceedings
of the 2nd International Conference on


Knowledge Discovery and Data Mining, Portland, OR,
AAAI Press., 1996, pp. 226—231.


11. Sebastian Raschka. Python Machine
Learning, 1st Edition. Packt Publishing Ltd. 2015,


454 p.


12. Arthur D., Vassilvitskii S. k-means++:
The advantages of careful seeding / Proceedings of the eighteenth annual
ACM-SIAM symposium on Discrete algorithms, Society for Industrial and Applied
Mathematics. 2007, pp. 1027—1035.


13. Sander J., Ester M., Kriegel H. P., Xu
X. 
Density-Based Clustering in Spatial Databases: The Algorithm
GDBSCAN and Its Applications // Data Mining and Knowledge Discovery. Berlin: Springer-Verlag.
1998 (2), pp. 169—194.


14. Brendan J. F.Delbert
D. 
Clustering by passing messages between data points // Science. 2007.
No 15, pp. 972—979.


15. Ng A., Jordan M., Weiss Y. On
spectral clustering: analysis and an algorithm / NIPS'01 Proceedings of the
14th International Conference on Neural Information Processing Systems: Natural
and Synthetic. 2001, pp. 849—856.


16. Amorim R. C., Hennig C. Recovering the
number of clusters in data sets with noise features using feature rescaling
factors // Information Sciences. 324. — 2015. — 126—145.


17. Hamerly G., Drake J. Accelerating
Lloyd's algorithm for k-means clustering / Partitional Clustering Algorithms.
2015, pp. 41—78.


18. Campello R. J. G. B., Moulavi D, Zimek A.,
Sander J. 
Hierarchical Density Estimates for Data Clustering,
Visualization, and Outlier Detection // ACM Transactions on Knowledge Discovery
from Data. 2015. vol 10, pp. 5:1—5:51.


19. Писецкий В. Б., Лапин С. Э., Зудилин А. Э., Патрушев Ю. В., Шнайдер И. В. Методика и результаты промышленного применения системы сейсмического
контроля состояния горного массива «Микон-ГЕО» в процессе подземной разработки
рудных и угольных месторождений // Проблемы недропользования. — 2016. — С.
58—64.


20. Писецкий В. Б.Robert HuangПатрушев
Ю. В.
Зудилин А. Э.Шнайдер И. В.Широбоков
М. П. Результаты испытаний сейсмических систем контроля состояния
устойчивости гор
ного массива в процессах строительства автодорожных
тоннелей в Китае // Добывающая промышленность. — 2017. — № 2 (06). — С. 108.


21. Писецкий В. Б.Власов В. В.Черепанов
В. П.
Абатурова И. В.Зудилин А. Э.Патрушев
Ю. В., Александрова А. В. Прогноз устойчивости горного массива на
основе метода сейс
мической локации в процессах строительства подземных сооружений
// Инженерные изыскания. — 2014. — № 9—10. — С. 46—51.


22. Яковлев Д. В.Лазаревич
Т. И.
Поляков А. Н. Принципы построения систем контроля состояния
горного массива на основе анализа актуальных рисков осуществления подземной
добычи // Горный информационно-аналитический бюллетень. — 2015. — СВ 7. — С.
471—481.
 


вернуться назад
Карта сайта