Review of machine learning and deep learning application in mine microseismic event classification

Abstract

Purpose. To put forward the concept of machine learning and deep learning approach in Mining Engineering in order to get high accuracy in separating mine microseismic (MS) event from non-useful events such as noise events blasting events and others. Methods. Traditionally applied methods are described and their low impact on classifying MS events is discussed. General historical description of machine learning and deep learning methods is shortly elaborated and different approaches conducted using these methods for classifying MS events are analysed. Findings. Acquired MS data from rock fracturing process recorded by sensors are inaccurate due to complex mining environment. They always need preprocessing in order to classify actual seismic events. Traditional detecting and classifying methods do not always yield precise results, which is especially disappointing when different events have a similar nature. The breakthrough of machine learning and deep learning methods made it possible to classify various MS events with higher precision compared to the traditional one. This paper introduces a state-of-the-art review of the application of machine learning and deep learning in identifying mine MS events. Originality. Previously adopted methods are discussed in short, and a brief historical outline of Machine learning and deep learning development is presented. The recent advancement in discriminating MS events from other events is discussed in the context of these mechanisms, and finally conclusions and suggestions related to the relevant field are drawn. Practical implications. By means of machin learning and deep learning technology mine microseismic events can be identified accurately which allows to determine the source location so as to prevent rock burst.

Мета. Аналіз й узагальнення технологій машинного і глибокого навчання в гірничодобувній промисловості для високоточної ідентифікації гірських мікросейсмічних (МС) подій на відміну від таких незначних подій як шум, вибух та інші. Методика. Описано традиційні методи класифікації МС подій і показана їх недостатня ефективність. Надана коротка історична довідка про розвиток методів машинного та глибокого навчання, розглянуті різні підходи до використання цих методів при класифікації МС подій. Результати. У статті наведено огляд новітніх способів застосування машинного та глибокого навчання для виявлення шахтних МС подій. Представлені сучасні досягнення в галузі ідентифікації МС подій серед подій іншого роду, зроблені остаточні висновки і пропозиції щодо розглянутих проблем. Відзначено, що відомі дані про МС події, пов’язані з процесом руйнування гірських порід, отримані за допомогою датчиків, не є достатньо точними у зв’язку з комплексним впливом гірського середовища і потребують попередньої обробки перш, ніж використовувати їх для класифікації реальних МС подій. Встановлено, що традиційні способи виявлення та класифікації МС подій не завжди дозволяють отримати точні результати, що особливо важливо, коли події однієї природи мають різні прояви. Розроблено класифікацію різних МС подій з більш високою точністю у порівнянні з існуючими методиками. Наукова новизна. Сформована концепція машинного і глибокого навчання в гірничодобувній промисловості, що дозволяє високоточно ідентифікувати гірські удари в шахтах на відміну від інших видів геодинамічних явищ. Практична значимість. Технології машинного і глибокого навчання дозволяють точно ідентифікувати шахтні МС події і визначити місце розташування їх джерела, що дозволяє запобігти гірського удару та підвищити безпеку ведення гірничих робіт.

Цель. Анализ и обобщение технологий машинного и глубокого обучения в горнодобывающей промышленности для высокоточной идентификации горных микросейсмических (МС) событий в отличие от таких незначительных событий как шум, взрыв и другие. Методика. Описаны традиционные методы классификации МС событий и показана их недостаточная эффективность. Дана краткая историческая справка о развитии методов машинного и глубокого обучения, рассмотрены различные подходы к использованию этих методов при классификации МС событий. Результаты. В статье приведен обзор новейших способов применения машинного и глубокого обучения для обнаружения шахтных МС событий. Представлены современные достижения в области идентификации МС событий среди событий другого рода, сделаны окончательные выводы и предложения в отношении рассматриваемых проблем. Отмечено, что известные данные о МС событиях, связанных с процессом разрушения горных пород, полученные с помощью датчиков, не являются достаточно точными из-за комплексного влияния горной среды и нуждаются в предварительной обработке прежде, чем использовать их для классификации реальных МС событий. Установлено, что традиционные способы обнаружения и классификации МС событий не всегда позволяют получить точные результаты, что особенно важно, когда события одной природы имеют различные проявления. Разработана классификация различных МС событий с более высокой точностью по сравнению с существующими методиками. Научная новизна. Сформирована концепция машинного и глубокого обучения в горнодобывающей промышленности, позволяющая высокоточно идентифицировать горные удары в шахтах в отличии от других видов геодинамических явлений. Практическая значимость. Технологии машинного и глубокого обучения позволяют точно идентифицировать шахтные МС события и определить месторасположение их источника, что позволяет предотвратить горный удар и повысить безопасность ведения горных работ.