Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: mine atmosphere, deep learning, lstm, labor safety, gas monitoring, intelligent data processing, рудничная атмосфера, глубокое обучение, безопасность труда, мониторинг газов, интеллектуальная обработка данных
Аннотация: Рассматривается применение методов глубокого обучения для интеллектуальной обработки данных датчиков рудничной атмосферы. Основное внимание уделено построению и обучению нейронной сети LSTM, способной фиксировать динамические изменения концентраций метана и углекислого газа. Проведенные эксперименты показали высокую точность классиПоказать полностьюфикации состояний атмосферы и снижение числа ложных тревог по сравнению с традиционными методами анализа. Предложенный подход продемонстрировал способность выявлять кратковременные аномальные выбросы и устойчиво функционировать даже при ограниченном объеме исходных данных. Полученные результаты свидетельствуют о практической значимости метода для повышения надежности систем мониторинга и обеспечения безопасности шахтных работ. The paper presents the application of deep learning methods for intelligent processing of mine atmosphere sensor data. The study focuses on developing and training an LSTM neural network capable of capturing dynamic variations in methane and carbon dioxide concentrations. Experimental results demonstrated high classification accuracy and a reduced number of false alarms compared to traditional analytical approaches. The proposed method showed the ability to detect short-term anomalies and maintained stable performance even with limited input data. These findings confirm the practical relevance of the approach for improving the reliability of monitoring systems and enhancing safety in mining operations.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 3
Номера страниц: 211-216
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет