Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних
Представлена методика адаптации нейросетевого прогнозирования метанообильности выработок угольных шахт в условиях ограниченного набора исходных данных. Разработан и реализован алгоритм адаптации нейросетевого текущего прогноза метанообильности. Presented method of adaptation of neyromereg prognos of...
Збережено в:
| Опубліковано в: : | Геотехническая механика |
|---|---|
| Дата: | 2012 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут геотехнічної механіки імені М.С. Полякова НАН України
2012
|
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/53725 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних / В.П. Денисенко, Р.В. Верба, // Геотехническая механика: Межвед. сб. науч. тр. — Днепропетровск: ИГТМ НАНУ, 2012. — Вип. 98. — С. 58-63. — Бібліогр.: 10 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860259505179197440 |
|---|---|
| author | Денисенко, В.П. Верба, Р.В. |
| author_facet | Денисенко, В.П. Верба, Р.В. |
| citation_txt | Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних / В.П. Денисенко, Р.В. Верба, // Геотехническая механика: Межвед. сб. науч. тр. — Днепропетровск: ИГТМ НАНУ, 2012. — Вип. 98. — С. 58-63. — Бібліогр.: 10 назв. — укр. |
| collection | DSpace DC |
| container_title | Геотехническая механика |
| description | Представлена методика адаптации нейросетевого прогнозирования метанообильности выработок угольных шахт в условиях ограниченного набора исходных данных. Разработан и реализован алгоритм адаптации нейросетевого текущего прогноза метанообильности.
Presented method of adaptation of neyromereg prognos of the methan making of coal mines in
the conditions of the limited data set. It is developed and the algorithm of adaptation of neyromereg current prognos of methan is realized.
|
| first_indexed | 2025-12-07T18:53:27Z |
| format | Article |
| fulltext |
58
дят десорбционные процессы, увеличивается. При этом интенсивность газовы-
деления сначала возрастает, а затем постепенно падает.
СПИСОК ЛИТЕРАТУРЫ
1. Российская угольная энциклопедия. – М.-СПБ.: Издательство ВСЕГЕИ, 2007. – 570 с.
2. Круковская, В.В. Изучение параметров процесса выброса угля и газа с использованием компьютерного
моделирования // Деформирование и разрушение материалов с дефектами и динамические явления в горных
породах и выработках: Матер. XVIII Межд. науч. школы. – Симферополь: Таврич. нац. ун-т, 2008. – С. 132-134
3. Баклашов, И.В. Механика подземных сооружений и конструкций крепей / И.В. Баклашов, Б.А. Картозия
– М., Недра, 1984.
4. Надаи А. Пластичность и разрушение твердых тел. – М.: Мир, 1969. – Т. 1. –648 с.
5. Круковская, В.В. Решение объемной задачи нестационарной фильтрации метана из угольного пласта в
выработку методом конечных элементов. // Геотехническая механика // Сб. научн. тр./НАН Украины ИГТМ. –
Днепропетровск, 2007. - № 69. – С. 240-248.
УДК 622.411.33
Доц. В.П. Денисенко,
доц. Р.В. Верба,
(ДонДТУ)
НЕЙРОМЕРЕЖНЕ ПРОГНОЗУВАННЯ МЕТАНОВОСТІ ГІРНИЧИХ
ВИРОБОК В УМОВАХ ОБМЕЖЕНОГО НАБОРУ ВИХІДНИХ ДАНИХ
Представлена методика адаптации нейросетевого прогнозирования метанообильности вы-
работок угольных шахт в условиях ограниченного набора исходных данных. Разработан и
реализован алгоритм адаптации нейросетевого текущего прогноза метанообильности.
NEYRO-NETWORK PROGNOS OF THE METHAN MINING MAKING
IN THE CONDITIONS OF THE LIMITED OUTPUT DATA BY NEYRO-
MEREG
Presented method of adaptation of neyromereg prognos of the methan making of coal mines in
the conditions of the limited data set. It is developed and the algorithm of adaptation of neyromereg
current prognos of methan is realized.
Високий рівень виділення метану у гірничі виробки у сучасних умовах ве-
дення гірничих робіт – є одним із ключових факторів, що визначають склад-
ність робіт з виїмки вугілля і його високу собівартість. Важливою складовою
частиною вирішення проблеми боротьби з метаном у вугільних шахтах є надій-
ний і якісний прогноз метановості гірничих виробок виїмкових дільниць з ви-
соконавантаженими лавами. Відсутність методик і сучасних інструментальних
засобів для адекватного поточного прогнозування процесу метановиділения на
діючий виймальній дільниці та прийняття оперативних заходів запобігання ава-
рійних газових ситуацій визначає актуальність даної роботи.
Розробка алгоритму адаптації нейромережного поточного прогнозування
метановості гірничих виробок в умовах обмеженого набору вихідних даних для
підвищення якості поточного прогнозу мета даної роботи.
Основними джерелами виділення метану на видобувній дільниці є робочий
пласт та вироблений простір. Метановиділення із цих джерел змінюється в часі,
тому що на нього впливають фактори складної фізичної системи, що включає ці
59
джерела. Якщо до процесу метановиділення в зазначеній фізичній системі додати
технологічний процес видобутку вугілля, то будемо мати систему погано органі-
зовану.
Характер процесу метановиділення у виробки виїмкової дільниці досліджу-
ють по зміні рівня вмісту метану у вихідному вентиляційному струмені. Велика
кількість факторів впливає на цей рівень [1, 2]. По-перше, фактори фізичної при-
роди: кількість, розташування й потужність суміжних пластів-супутників і га-
зоносних порід, потужність і газоносність робочого пласту. По-друге, фактори
технологічного процесу [3, 4]: циклічність технологічних операцій при видобу-
тку вугілля; нерівномірність роботи виїмкової машини; коливання витрат пові-
тря у вентиляційній мережі виїмкової дільниці, які можуть викликати перехідні
аеродинамічні явища, що супроводжуються зміною газовиділення з вироблено-
го простору. Все це створює значну нерівномірність метановиділення на діль-
ниці.
Система, у якій досліджується процес метановиділення, є дифузною, а процеси,
які протікають у системі, якщо їх розглядати окремо, добре відомі з точки зору
фізики процесу, однак розмежувати їх складно [3] користуючись традиційними
методами. Побудувати кількісну теорію, що описує процес газовиділення в такій
системі при зміні гірничо-геологічних, геомеханичних і технологічних умов видо-
бутку вугілля практично неможливо. Велика кількість і складний взаємозв'язок
факторів, що впливають на рівень вмісту метану у вихідному вентиляційному
струмені виїмкової дільниці, відсутність можливості безпосередньо спостеріга-
ти у часі за надходженням метану з окремих джерел у конкретних умовах роз-
робки дають підставу розглядати цей процес як випадковий [1, 4, 5].
Вивченню процесу метановиділення на виїмковій дільниці як складного дина-
мічного процесу присвячена велика кількість робіт вітчизняних та закордонних
вчених та фахівців [1-5], особливу увагу приділено питанню прогнозування ме-
тановиділення класичними математичними методами та з використанням сучас-
них інструментальних засобів [6,7,9]. У роботі [7] запропоновано використання
методу дослідження часових рядів, основою якого є показник Херста. Це до-
зволяє оцінити наявність трендової складової, визначити коли процес являє со-
бою випадкову незалежну систему, а коли його рух є обумовленим. Отже у від-
повідності до цього методу найбільш характерними є часові ряди, для яких по-
казник Херста відмінний від значення 0,5. Тому цей показник може використо-
вуватися для попереднього аналізу наявних часових рядів вихідних даних, які
відповідні процесам, що супроводжують метоновиділення.
Під час проведення аналізу існуючих методів прогнозування метановості, які
пропонуються для використання у вугільних шахтах та наявних вихідних даних
для прогнозу, було встановлено:
– відсутній алгоритм або не відомі принципи рішення завдань для вико-
ристання існуючих методів прогнозування, але накопичено достатню кіль-
кість прикладів;
– процес, що досліджується характеризується вхідною інформацією, дані
якої неповні або частково суперечливі;
60
– немає можливості встановити аналітичну залежність між супутніми
процесами, які провокують процес метановиділення.
Для вирішення задачі поточного прогнозування метановості було викори-
стано нейромережне моделювання [6, 8]. Практика застосування нейромереж
для моделювання такого складного динамічного процесу, як метановиділен-
ня, котрий залежать від великої кількості випадкових факторів та по яких
відсутня можливість збору повних вихідних даних, показала їх працездат-
ність.
Для поточного прогнозування однорідних часових рядів було обрано струк-
туру базової початкової нейромережі (рис. 1).
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
1.10
1.11
1.12
1.13
1.14
1.15
1.16
1.17
1.18
1.19
1.20
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
2.17
2.18
2.19
2.20
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
3.11
3.12
3.13
3.14
3.15
3.16
3.17
3.18
3.19
3.20
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
4.10
4.11
4.12
4.13
4.14
4.15
4.16
4.17
4.18
4.19
4.20
out
С три часа назад, %
С два часа назад, %
С один час назад, %
С за текущий час, %
С прогноз, %
Рис. 1 – Структура базової початкової нейромережі.
Для отримання вагових коефіцієнтів для кожного з синапсів мережі викори-
стано алгоритм процедури зворотного поширення похибки. Згідно з цим мето-
дом, цільовою функцією, що мінімізується є величина [9, 10]:
∑ −=
pj
pj
N
pj dywE
,
2
,
)(
, )(
2
1)(
, (1)
де )(
,
N
pjy – реальний вихідний стан нейрона j вихідного шару N нейронної ме-
режі при подачі на її входи p-го образу;
djp – ідеальний (бажаний) вихідний стан цього нейрона.
Підсумування ведеться по всіх нейронах вихідного шару й по всіх образах,
що оброблюються мережею.
Мінімізація ведеться методом градієнтного спуску, що означає підстрою-
вання вагових коефіцієнтів у такий спосіб:
ij
j
j
j
j
n
ij w
s
ds
dy
y
Ew
∂
∂
∂
∂η ⋅⋅⋅−=Δ )(
, (2)
де wij – ваговий коефіцієнт зв'язку, що з'єднує i-ий нейрон шару n-1 з j-им
нейроном шару n;
η – коефіцієнт швидкості навчання, 0<η<1;
61
yj – вихід нейрона j;
sj – зважена сума його вхідних сигналів, тобто аргумент активаційної функ-
ції.
Рекурсивна формула для розрахунків величин δj
(n) шару n з величин δk
(n+1)
наступного шару n+1:
j
j
k
n
jk
n
k
n
j ds
dy
w ⋅⎥
⎦
⎤
⎢
⎣
⎡
∑ ⋅= ++ )1()1()( δδ
, (3)
Для вихідного шару:
l
l
l
N
l
N
l ds
dy
dy ⋅−= )( )()(δ , (4)
Використання нейромережі з високим показником точності прогнозування
не надає належного результату при прогнозуванні такого складного динамічно-
го процесу, як процес метановиділення у гірничі виробки. Для підвищення яко-
сті методики застосування нейромереж при прогнозуванні метановості гірни-
чих виробок в роботі розроблено адаптивний алгоритм (рис. 2), який дозволяє
значно наблизитись до фактичних показників метановиділення, завдяки вико-
ристанню в ньому двох нейромереж одночасно.
У якості базової нейромережі використовується нейромережа, що надає
прогнозні значення метановості, виключно на основі даних аерогазового конт-
ролю рудникового повітря (вміст метану у атмосфері виробки). Додатково роз-
роблена нейромережа, що виконує роль окремого експерта, на вхід якої пода-
ються дані акустичної емісії, яка відображує геомеханічний стан вуглепородно-
го масиву, з котрого виділяється метан.
Концентрація три
години назад, %
Концентрація дві
години назад, %
Концентрація одну
годину назад, %
Концентрація за
поточний час, %
Сумарна акустика,
імп/годину
П
ро
гн
оз
и
не
йр
ом
ер
еж
н
а
по
то
чн
ий
ч
ас
Прогноз
метановиділення
по нейромережі 1
Прогноз
метановиділення
по нейромережі 2
1
прпр сc = 2
прпр сc =
БД спр
Нейромережа 1
Нейромережа 2 21
пртекпртек сcсcif −>−
Рис. 2 – Алгоритм вибору кращого варіанту прогнозу метановості.
Аналіз результатів тестування двох нейромереж, показав, що кожна з них із
змінним успіхом надає прогнозні значення краще за іншу. Оскільки кожна з
нейромереж у певний період має різний рівень точності прогнозу, необхідно
обирати за прогнозне значення метановості ту величину, яка краще співвідно-
ситься з фактичним значенням. В цьому полягає суть алгоритму відбору най-
62
більш вірогідних прогнозних значень метановиділення у гірничі виробки виїм-
кових дільниць за рахунок експертів комітету нейромереж.
Прогнозування метановості гірничих виробок повинно створювати безпечні
умови праці, тому оцінка якості прогнозування метановості нейромережами з
використанням алгоритму відбору вірогідних прогнозних та без нього, повинна
проводитися по двом показникам: середнє (СЗП) та максимальне (МЗП) зна-
чення помилки прогнозу. Результати тестування роботи алгоритму відбору
більш вірогідних прогнозних значень показали, що прогноз здійснюється з різ-
ною величиною помилки (табл. 1) у різні моменти часу.
Таблиця 1 – Оцінка якості прогнозування метановості нейромережами
без використання алгоритму
відбору найбільш вірогідних
прогнозних значень Показник
без акустики з акустикою
з використанням алгоритму
відбору найбільш вірогідних
прогнозних значень
СЗП 0,028 0,041 0,033
МЗП 0,192 0,161 0,118
Аналіз тестування показав, що варіант структури нейромережі без застосу-
вання акустики має найнижче середнє значення помилки, але при цьому має
найбільше максимальне значення. Для усунення цього недоліку запропонова-
ний алгоритм було доповнено (рис. 3).
Концентрація три
години назад, %
Концентрація два
години назад, %
Концентрація одину
годину назад, %
Концентрація за
поточний час, %
Сумарна акустика,
імп/годину
Σ
НМ 1
Σ
НМ 2 В
ик
ор
ис
та
нн
я
од
ні
єї
з
Н
М
Прогноз
метановиділення
по НМ 1
Прогноз
метановиділення
по НМ 2
∑∑ >
i
iпр
i
iпр сiсiif 12
1
прпр сc = 2
прпр сc =
спр БД
Рис. 3 – Доповнений алгоритм вибору кращого варіанту прогнозу.
Доповнений алгоритм аналізує роботу експертів комітету нейромереж. Ко-
жному з експертів присвоюється ваговий коефіцієнт, сума коефіцієнтів дорів-
нює одиниці. Корегування коефіцієнтів відбувається одразу після введення по-
точних значень всіх вихідних параметрів. Для цього порівнюється прогноз вмі-
сту метану у атмосфері виробки одержаний по кожному експерту з фактичними
даними. Той експерт, по якому одержано найбільш точне значення, отримує
один бал, а інший – нуль. Усі бали складаються та нормуються до загального
числа порівнянь. Одержані таким чином нові прогнозні значення вмісту метану
63
у атмосфері виробки по кожному з експертів перемножуються з ваговими кое-
фіцієнтами та складаються разом. У результаті такого відбору отримане про-
гнозне значення має меншу похибку як середню так і максимальну.
Аналіз результатів використання доповненого алгоритму у порівнянні з ре-
зультатами використання базових нейромереж показує, що розроблений алго-
ритм має більшу збіжність прогнозу з фактичними значеннями (рис. 4).
0,35
0,4
0,45
0,5
0,55
9 10 11 12 13 14 15 16
Час, година
В
м
іс
т
м
ет
ан
у,
%
Факт Прогноз по ак
Прогноз по С,% Краший прогноз
Рис. 4 – Порівняння результатів використання доповненого алгоритму.
Висновки:
– аналіз результатів тестування базових нейромереж на окремих вибірках з
використанням двох експертів показав, що кожна з них з перемінним успіхом
надає прогнозні значення краще за іншу, а доповнений алгоритм дає можли-
вість вибору кращого варіанту прогнозу;
– розроблено та реалізовано у вигляді програмного модулю алгоритм адап-
тації нейромережного поточного прогнозування метановості виробок в умовах
обмеженого набору вихідних даних.
ПЕРЕЛІК ЛІТЕРАТУРИ
1. Ушаков К.З. Газовая динамика шахт / К.З. Ушаков – М.: Недра, 1984. – 248 с.
2. Абрамов Ф.А. Моделирование динамических процессов рудничной аэрологии / Ф.А. Абрамов, Л.П.
Фельдман, В.А. Святный – К.: Наукова думка, 1981. – 284 с.
3. Касимов О.И. Оценка параметров переходных газодинамических процессов на выемочных участках шахт
/О.И. Касимов // Борьба с газом и пылью в угольных шахтах. – К: Техника, 1965. – вып. 2. – С.3-14.
4. Волков А.А. Стационарность случайных процессов, определяющих проветривание добычного участка./
А.А. Волков, В.П. Чуберкис // Сб. Технология и экономика угледобычи – М.: Недра, 1965. – № 7. – С.79-82.
5. Бендат Дж. Измерение и анализ случайных процессов. / Дж. Бендат, А. Пирсол – М.:Мир, 1974. – 463 с.
6. Денисенко В.П. Выбор структуры нейросети для прогнозирования метановыделения в горных выработ-
ках угольных шахт / В.П. Денисенко, Р.В. Верба // Науковий вісник НГУ.– Днепропетровск, НГУ, 2008. – №10. –
С. 37-40.
7. Бубунец Ю.В. Потенциальная прогнозируемость метанообильности выработок угольных шахт/ Ю.В. Бу-
бунец //Сборник научных трудов ДонГТУ. – Алчевск, ДонГТУ, 2009. – Вып. 28. – С. 134-143.
8. Абакумова Е.В. Прогнозирование метанообильности выработанного пространства в условиях неравноме-
рности обрушений массива кровли / Е.В. Абакумова, В.П. Денисенко // Науковий вісник НГУ. – Днепропет-
ровск, НГУ, 2007. – №8. – С. 13-16.
9. Подлипенская Л.Е. Компьютерное моделирование динамических рядов метановыделения выемочного
участка / Л.Е. Подлипенская //Сборник научных трудов ДонГТУ. – Алчевск, ДонГТУ, 2008. – Вып. 27. – С. 153-
160.
10. Царегородцев В.Г. 5. Предобработка обучающей выборки, выборочная константа Липшица и свойства
обученных нейронных сетей / В.Г. Царегородцев // Материалы Х Всеросс. семинара «Нейроинформатика и ее
приложения». – Красноярск, КГТУ, 2002. – С.146 – 150.
64
УДК 622.831.325.3:621.643:681.518.54
Мл. научн.сотр. Л.А. Новиков
(ИГТМ НАН Украины),
д-р техн. наук Б.В. Бокий
(ГАО «Шахта им. А.Ф. Засядько»)
К ВОПРОСУ О КОНТРОЛЕ И АВТОМАТИЗАЦИИ ШАХТНЫХ
ДЕГАЗАЦИОННЫХ СИСТЕМ
Розглянуті існуючі системи контролю та автоматизації шахтної газопровідної мережі, а
також засобі контролю газодинамічних параметрів метано-повітряної суміші у дільничному
дегазаційному трубопроводі.
TO THE QUESTION OF CONTROL AND AUTOMATION
OF MINE DEGASIFICATION SYSTEMS
The existing system of control and automation of mine degassingnetwork, and controls the gas-
dynamic parameters of methane-air mixture in the precinct line degassing.
Повышение эффективности работы шахтных дегазационных систем (ДС)
связано с решением задач совершенствования технологий и технических
средств дегазации, а также средств контроля и управления режимами работы
основных элементов ДС. В связи с этим большое значение для обеспечения
безопасных условий труда и предупреждения аварийных ситуаций играет ис-
пользование автоматических систем контроля параметров дегазационных уста-
новок. Данная система включает в себя аппаратуру отбора, передачи и приема
информации, переносные приборы и датчики для контроля газодинамических
параметров метано-воздушной смеси (МВС), регуляторы величины давления,
водопылеотделители, а также средства метрологического обеспечения [1, 2].
Контроль и автоматизация дегазационных систем угольных шахт подразу-
мевает решение следующих задач [2]:
- автоматизация вакуум-насосов;
- передача информации об основных параметрах работы используемого
оборудования;
- контроль концентрации метана в здании вакуум-насосной станции и в по-
ступающей МВС;
- контроль газодинамических параметров МВС в скважинах, участковых и
нагнетательном дегазационных трубопроводах с использованием стационарных
переносных приборов;
- осуществление автоматического отключения или включения основных и
резервных вакуум-насосов;
- сброс газа в атмосферу через «свечу» и перекрытие подачи газа потребите-
лю.
Кроме того необходимо решение комплекса задач, связанных с повышением
эффективности ДС за счет оптимизации работы ее отдельных элементов.
|
| id | nasplib_isofts_kiev_ua-123456789-53725 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1607-4556 |
| language | Ukrainian |
| last_indexed | 2025-12-07T18:53:27Z |
| publishDate | 2012 |
| publisher | Інститут геотехнічної механіки імені М.С. Полякова НАН України |
| record_format | dspace |
| spelling | Денисенко, В.П. Верба, Р.В. 2014-01-26T22:04:22Z 2014-01-26T22:04:22Z 2012 Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних / В.П. Денисенко, Р.В. Верба, // Геотехническая механика: Межвед. сб. науч. тр. — Днепропетровск: ИГТМ НАНУ, 2012. — Вип. 98. — С. 58-63. — Бібліогр.: 10 назв. — укр. 1607-4556 https://nasplib.isofts.kiev.ua/handle/123456789/53725 622.411.33 Представлена методика адаптации нейросетевого прогнозирования метанообильности выработок угольных шахт в условиях ограниченного набора исходных данных. Разработан и реализован алгоритм адаптации нейросетевого текущего прогноза метанообильности. Presented method of adaptation of neyromereg prognos of the methan making of coal mines in
 the conditions of the limited data set. It is developed and the algorithm of adaptation of neyromereg current prognos of methan is realized. uk Інститут геотехнічної механіки імені М.С. Полякова НАН України Геотехническая механика Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних Neyro-network prognos of the methan mining making in the conditions of the limited output data by neyromereg Article published earlier |
| spellingShingle | Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних Денисенко, В.П. Верба, Р.В. |
| title | Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних |
| title_alt | Neyro-network prognos of the methan mining making in the conditions of the limited output data by neyromereg |
| title_full | Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних |
| title_fullStr | Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних |
| title_full_unstemmed | Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних |
| title_short | Нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних |
| title_sort | нейромережне прогнозування метановості гірничих виробок в умовах обмеженого набору вихідних даних |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/53725 |
| work_keys_str_mv | AT denisenkovp neiromerežneprognozuvannâmetanovostígírničihvirobokvumovahobmeženogonaboruvihídnihdanih AT verbarv neiromerežneprognozuvannâmetanovostígírničihvirobokvumovahobmeženogonaboruvihídnihdanih AT denisenkovp neyronetworkprognosofthemethanminingmakingintheconditionsofthelimitedoutputdatabyneyromereg AT verbarv neyronetworkprognosofthemethanminingmakingintheconditionsofthelimitedoutputdatabyneyromereg |