Nghiên cứu sử dụng mô hình trí tuệ nhân tạo LSTM NA trong dự báo chất lượng không khí cho các mỏ than lộ thiên sâu

THÔNG TIN KHOA HỌC CÔNG NGHỆ MỎ NGHIÊN CỨU SỬ DỤNG MƠ HÌNH TRÍ TUỆ NHÂN TẠO LSTM - NA TRONG DỰ BÁO CHẤT LƯỢNG KHƠNG KHÍ CHO CÁC MỎ THAN LỘ THIÊN SÂU KS Đỗ Văn Triều, ThS Lê Bá Phức Viện Khoa học Công nghệ Mỏ -Vinacomin Biên tập: TS Lưu Văn Thực Tóm tắt: Các mỏ than lộ thiên sâu có dạng “trên sườn núi, moong sâu”, bờ mỏ cao yếu tố khí mỏ hạn chế q trình phân tán khí độc bụi mịn từ khâu công nghệ môi trường bên ngồi Bằng thuật tốn trí tuệ nhân tạo LSTM kết hợp mơ hình tối ưu hóa NA, dự báo với độ xác cao chất lượng khơng khí mỏ mỏ than lộ thiên sâu Đây sở cho việc phát triển thuật tốn trí tuệ nhân tạo dự báo, đánh giá chất lượng không khí mỏ lộ thiên sâu Đặt vấn đề Khai thác chế biến khoáng sản biết đến ngành cơng nghiệp có tác động xấu mơi trường như: Ơ nhiễm khơng khí, mơi trường đất, nước, tiếng ổn,… Trong số đó, nhiễm khơng khí tác động tiêu cực ảnh hưởng trực tiếp đến sức khỏe người Hiện nay, mỏ than lộ thiên sâu Việt Nam có chiều cao bờ mỏ từ 500 ÷ 600 m, cốt cao đáy mỏ từ -140 ÷ -305 m, điểm hình mỏ Cọc Sáu trạng mức -305 m (KTKT -345 m), mỏ than Đèo Nai trạng mức -195 m (KTKT -345 m), mỏ than Cao Sơn trạng mức – 145 m (KTKT -325),… Với khối lượng đất bóc hàng năm lớn, việc phát thải khí độc CH4, CO, SO2, NO2 bụi mịn từ khâu công nghệ Khoan – nổ, xúc bốc, vận tải, thải đá môi trường lớn Trong công tác giám sát môi trường, định kỳ hàng quý, đơn vị thực quan trắc chất lượng khơng khí so sánh với quy chuẩn, tiêu chuẩn hành Tuy nhiên, kết đo tức thời mang tính thống kê chưa có dự báo điều kiện vi khí hậu đáy moong Đặc biệt chưa cụ thể hóa nguồn gây nhiễm khơng khí mỏ đánh giá khả tăng, giảm nguồn ô nhiễm theo thời gian trình mỏ hoạt động để có giải pháp phù hợp việc nâng cao chất lượng khơng khí mỏ Như vậy, kế thừa thành tựu từ cơng nghệ 4.0 với thuật tốn dự báo mơ hình trí tuệ nhân tạo (AI), kết hợp với mơ hình tối ưu hóa để đưa dự báo xu hướng phát triển chất lượng khơng khí đáy mỏ theo thời gian với độ xác cao Kết dự báo mơ hình sở để xây dựng phát triển thuật toán AI công tác dự báo vấn đề môi trường cho mỏ lộ thiên sâu Nghiên cứu mối tương quan hình học mỏ vận động khí mỏ đến q trình phân tán khí nhiễm không gian Bảng Hiện trạng thông số số mỏ than lộ thiên lớn Việt Nam Thông số bề mặt mỏ Mỏ than Đèo Nai Cao Sơn Cọc Sáu Hà Tu Thông số đáy mỏ Chiều Chiều Chiều Chiều rộng dài trung rộng trung dài trung trung bình, bình, m bình, m bình, m m 1.600 2.140 2.350 2.010 1.290 1.800 1.900 940 440 320 440 778 38 230 25 105 Diện tích đáy mỏ, m2 Cốt cao đáy mỏ, m Góc nghiêng bờ cơng tác, độ 16.200 58.194 9.000 82.000 -190 -145 -305 -80 21÷24 20÷26 21÷33 20÷26 KHCNM SỐ 3/2022 * CƠNG NGHỆ KHAI THÁC LỘ THIÊN 27 THÔNG TIN KHOA HỌC CÔNG NGHỆ MỎ mỏ lộ thiên Các mỏ than lộ thiên sâu có đặc điểm đất bóc tập trung phía trên, than nằm phía sâu, chiều cao bờ mỏ lớn, khối lượng mỏ tầng với yêu cầu ngày cao cơng suất cường độ bóc đất tầng lớn Thơng số hình học số mỏ lộ thiên lớn xem bảng Dựa nghiên cứu Mikkelson [1], Hanna [2] nhận định chế phân tán khí nhiễm cho mỏ lộ thiên phụ thuộc vào tham số như: Nồng độ phát thải, nguồn phát thải, khả lơ lửng bụi khơng khí, ma sát bề mặt, đặc điểm hình học mỏ, lớp ổn định khí mỏ Từ nhận định cho thấy: Vận động khí trạng thái di chuyển dịng khơng khí bên khơng gian mỏ nằm phía lớp ổn định khí [2] Như vậy, đánh giá mối tương quan hình học mỏ vận động khí theo trường hợp sau: - Góc dốc bờ mỏ < 15o Hình cho thấy khả thơng gió tự nhiên hiệu quả, gió mang khơng khí theo chiều dốc địa hình xuống đáy moong mang khơng khí nhiễm bên ngồi Hình Vận động khí góc dốc bờ mỏ 15o Trong trường hợp góc dốc bờ mỏ lớn, khơng khí tự nhiên chủ yếu hoạt động tầng trên, tầng thấp dịng chảy khơng khí có xu hướng quay ngược lại hay xuất vùng tuần hồn khơng khí (hình 2) Các khí nhiễm khơng loại bỏ tập trung đáy mỏ Hình Vận động khí mỏ góc dốc bờ mỏ >15o 28 - Gió đối lưu Luồng gió đối lưu mang khơng khí tự nhiên xuống đáy mỏ, tượng thường sảy vào ban ngày khơng khí moong nóng lên nhanh khơng khí bên ngồi vùng khí ấm bốc lên dọc theo bờ mỏ, tạo điều kiện thuận lợi cho trình trao đổi khơng khí Hình Hiện tượng thơng gió đối lưu vào ban ngày - Ảnh hưởng hạ nhiệt độ vào ban đêm Vào ban đêm, khơng khí lạnh xuống dọc theo tầng thay khơng khí ấm Khi đó, khơng khí ấm bốc lên khơng đủ lực nâng để khỏi khơng gian mỏ, tạo nên tường nghịch đảo Hình Dịng khơng khí tác động lớp đảo ngược Nhìn chung, đa số mỏ than lộ thiên sâu Việt Nam có góc dốc bờ mỏ >15o Do đó, ln tiềm ẩn nguy nhiễm khơng khí đáy moong Để có đánh giá tổng quát việc tăng, giảm nồng độ khí nhiễm khơng gian khai thác, cần có phương án, giải pháp dự báo tin cậy với độ xác cao Xây dựng mơ hình trí tuệ nhân tạo cho dự báo chất lượng khơng khí đáy mỏ Từ thành tựu cách mạng công nghiệp 4.0 giới thay đổi cục diện cách thức vận hành, quản lý, lưu trữ, xử lý, xây dựng sở liệu, dự báo,… cách thông minh, tối ưu hóa hiệu quả, giảm thiểu rủi ro ngành sản xuất, thương mại, dịch vụ Một thành tựu KHCNM SỐ 3/2022 * CÔNG NGHỆ KHAI THÁC LỘ THIÊN THƠNG TIN KHOA HỌC CƠNG NGHỆ MỎ kể đến mơ hình trí tuệ nhân tạo AI ngược (LSTM), kết hợp mơ hình tối ưu hóa NA mà nịng cốt thuật tốn sau: thuật toán máy máy học (Machine learning), - Các thuật tốn máy học (Machine learning): thành mơ hình lai LSTM – NA để dự báo chất Mơ hình rừng ngẫu nhiên (Random Forest), mơ lượng khơng khí mỏ lộ thiên sâu Sơ đồ làm hình hồi quy vector hỗ trợ (SVR), mơ hình độ dốc việc mơ hình LSTM – NA thể tăng cường (XGBoost),… hình - Các thuật tốn học sâu (Deep learning): Mạng Mơ hình tốn học của mạng nơ ron nhân nơ ron nhân tạo (ANN), mạng lan truyền ngược tạo [5] có dạng tổng quát sau: (LSTM),… n = y ( x) f (∑ i =1 w i x i ) + w o Trong việc sử dụng mơ hình trí tuệ nhận tạo (1) để dự báo chất lượng khơng khí, cơng trình Trong đó: xi: Giá trị đầu vào; wki: Trọng số nghiên cứu Boznar et al (1993), Gardner nơ ron; f: Hàm kích hoạt đóng vai trị đổi Dorling (1998), (Kolehmainen cộng sự, 2001), phương trình tuyến tính thành phi tuyến; y: giá trị Kukkonen et al (2003) có chung nhận định dự báo, : hỗ trợ tính toán mạng nơ ron nhân tạo (ANN) thuật toán Theo chiều lan truyền liệu, để biến đổi học sâu (Deep learning) phương pháp thành mạng nơ ron truyền thẳng sang mạng nơ ron lan cơng, cung cấp kết xác cao với R = truyền ngược (LSTM) phải qua bước sơ đồ 0,87 ÷ 0,92, RMSE = 3,4 ÷ 4,7 xuất phát từ hành hình vi phi tuyến tính chất nhiễm khơng khí Bản chất mơ hình dự báo LSTM phương Tuy nhiên, xét cấu trúc mạng mà trình bậc tuyến tính dạng tiêu chuẩn (y = ax + nghiên cứu trước sử dụng, nhận thấy b) Tuy nhiên, để giải toán dạng phi trọng số mơ hình chưa tối ưu hóa, khai thác tuyến, mơ hình dự báo cần hàm kích hoạt phù hợp triệt để, mạng sử dựng chưa có tính đầu – cuối kết để biến đổi mơ hình thành dạng phi tuyến Các hợp Chính thế, sử dụng mạng nơ ron lan truyền hàm kích hoạt sử dụng sau: Hình Sơ đồ làm việc mơ hình LSTM – NA dự báo chất lượng khơng khí Hình Các bước biến đổi từ mạng nơ ron lan truyền thẳng sang mạng nơ ron lan truyền ngược (LSTM) KHCNM SỐ 3/2022 * CÔNG NGHỆ KHAI THÁC LỘ THIÊN 29 THÔNG TIN KHOA HỌC CÔNG NGHỆ MỎ Hàm sigmoid: Hàm dùng cho mạng nơ ron nhiều lớp Độ thị hàm sigmoid cho giá trị đầu từ ÷ giá trị nơ ron đầu vào từ - ∞ ÷ + ∞ (hình 7) Cơng thức hàm có dạng [5]: f(x)=1/(1+e-x) (2) Đạo hàm hàm sigmoid: df/dx = f(x)[1 – f(x)] (3) Hình Biểu đồ đạo hàm hàm relu - Lỗi bình phương gốc (RMSE) [6]; n Hình Biểu đồ đạo hàm hàm sigmoid (8) RMSE = ( − ) y y ∑ tt i db i n i =1 Hàm tanh: Tương tự hàm sigmoid, hàm sử dụng mạng nơ ron nhiều lớp - Độ lệch tuyệt đối (MAE) [6]; Giá trị hàm từ -1 ÷ ứng với giá trị đầu vào n từ - ∞ ÷ + ∞ (hình 8) Cơng thức hàm có = MAE ∑ y − y db.i (9) n i =1 tt i dạng [5]: f(x)=tanh(x)=(ex-e-x)/(ex+e-x) (4) - Phần trăm sai số tuyệt đối trung bình (MAPE); Đạo hàm hàm tanh: 100% n y yy.i − y dn.i df/dx = – f2(x) (5) MAPE = (10) ∑ i=1 n y tt i - Hệ số tương quan (R2); ∑ ( y tt.i − y db.i) R = 1− ∑ ( y tt.i − y tt ) i 2 (11) i Hình Biểu đồ đạo hàm hàm Hàm Relu (Rectified Linear Unit): Hàm relu có tính đa dụng thích hợp mạng nơ ron tích chập thuật tồn học sâu khác Giá trị hàm từ đến +∞ giá trị đầu vào lớn (hình 9) Cơng thức xác định hàm Relu có dạng [5]: f (x) = max(0 , z) (6) Đạo hàm hàm Relu: df 0, x < = dx 1, x ≥ (7) Để kiểm tra hiệu suất tính tốn mơ hình LSTM – NA, sử dụng số dự báo như: RME, RMSE, R2, MAE 30 Trong đó: n độ dài liệu đầu vào; giá trị kết đo thực tế thứ i; giá trị kết đo dự báo thứ i; trung bình giá trị đo thực tế Các số hiệu suất RMSE, MAE MAPE đạt giá trị tối ưu 0; R2 đạt giá trị tối ưu Để mơ hình dự báo đạt độ xác cao, trước đưa vào đào tạo mơ hình, liệu cần chuẩn hóa Việc chuẩn hóa đóng vai trị quan trọng để đưa toàn liệu dạng phân phối chuẩn, nhằm tăng mức độ xác q trình huấn luyện Các kỹ thuật chuẩn hóa liệu phù hợp với mơ hình LSTM - NA, bao gồm: - Kỹ thuật chuẩn hóa min- max (Min max scale) : + Chuẩn hóa min-max phương pháp đơn giản việc co giãn phạm vi đặc trưng việc đưa chúng phạm vi [0,1] [-1,1], xác định qua cơng thức [5]: KHCNM SỐ 3/2022 * CƠNG NGHỆ KHAI THÁC LỘ THIÊN THÔNG TIN KHOA HỌC CÔNG NGHỆ MỎ xuống đáy moong Đánh giá chất lượng khơng khí mỏ lộ thiên sâu mơ hình trí tuệ nhân tạo LSTM + Với x giá trị ban đầu, x’ giá trị sau chuẩn – NA, nhóm nghiên cứu thực phân tích, dự hóa, (x) giá trị nhỏ đặc trưng báo cho mỏ than Cọc Sáu mỏ than lộ thiên sâu max (x) giá trị lớn đặc trưng với cốt cao đáy mỏ -305 m để kiểm - Kỹ thuật quy hóa liệu chứng hiệu mơ hình LSTM– NA (Standardization) : Trên thực tế, chế phát tán nguồn + Chính quy hóa liệu giúp cho giá trị nhiễm tương tự Do đó, sử dụng khí đặc đặc trưng có trung bình phương sai trưng CO để làm giá trị dự báo cho mơ hình trí Để tính tốn quy hóa liệu, trước tuệ nhân tạo hết cần xác định giá trị trung bình độ lệch chuẩn Từ liệu quan trắc chất lượng khơng khí cho phân phối đặc trưng Tiếp theo, lấy trạm quan trắc cố định khai trường mỏ giá trị đặc trưng trừ giá trị trung bình chia Cọc Sáu: Trạm đặt bờ không công tác mức cho độ lệch chuẩn đặ trưng cơng thức +125; Trạm đặt bờ công tác mức +250; sau [5]: Trạm đặt đáy mỏ mức -300 Nhóm nghiên cứu xác định biến đầu vào cho mô hình trí tuệ x − average( x) x' = (13) nhân tạo bao gồm: Vận tốc đo trạm (VT1), std ( x) nhiệt độ đo trạm (NT1), vận tốc đo trạm + Trong đó: x – Vector đặc trung ban đầu; (VT2), nhiệt độ trạm (NT2), góc hướng gió chủ average (x) – Trung bình vector đặc trưng; std đạo (HG) nồng độ khí CO (CO) đáy mỏ Giá (x) – Độ lệch chuẩn trị biến đầu vào thể bảng - Kỹ thuật bình thường hóa liệu (Normalize 2, từ số lượng phần tử giá trị trung bình, độ data) : lệch chuyển tăng từ nhỏ đến lớn + Bình thường hóa liệu điều chỉnh tỉ lệ Dạng phân phối liệu biết tồn liệu cho đặc trưng có độ dài dạng chủ đạo phân phối Gauss hàm phân Kỹ thuật cần thiết cho liệu thưa phối mũ Trong đó, biến VT1, NĐ1, VT2, NĐ2, cột đặc tính HG đóng vai trò biến đầu vào, CO biến Đánh giá chất lượng khơng khí dựa đầu dự báo mơ hình trí tuệ nhân tạo Chia liệu thành phần sau: Từ phân tích mối tương quan yếu + 80% số lượng phần tử tương đương 3.526 tố hình học đặc điểm khí mỏ đến giá trị sử dụng làm tập huấn luyện (Traning); trình phân tán khí độc bụi mơi trường + 20% số lượng phần tử tương đương 882 giá bên ngồi cho thấy: Trên mỏ lộ thiên sâu, kích trị sử dụng làm tập kiểm tra (Test); thước khai trường thu hẹp theo độ sâu đáy mỏ, + 20% số lượng phần tử tập kiểm tra, dẫn đến hình thành lớp ổn định khí tương đương 441 giá trị sử dụng làm tập ngăn chuyển động theo phương thẳng đứng thẩm định (Validation) đóng vai trị kiểm tra mức nguồn nhiễm, gió tự nhiên phần khơng độ xác tập huấn luyện đáp ứng khả cung cấp khí “sạch” Bên cạnh đó, để giảm rủi ro tính toán, tăng mức Bảng Phân bố giá trị biến sở liệu x' = TT x − min( x) x − max( x) (12) Dữ liệu đo Số lượng phần tử Giá trị trung bình Độ lệch chuẩn Giá trị nhỏ Gía trị lớn Vận tốc gió trạm 1(VT1) 4.408 0,43 0,32 0,01 2,4 Nhiệt độ trạm 1(NT1) 4.408 34,92 0,64 33,85 38,05 Vận tốc gió trạm 2(VT2) 4.408 1,66 0,67 0,15 4,33 Nhiệt độ trạm 2(NT2) 4.408 29,87 0,54 28,91 32,33 Hướng gió (HG) 4.408 208,44 80,95 0,11 533,41 Nồng độ CO (CO) 4.408 0,23 0,17 0,1 1,3 KHCNM SỐ 3/2022 * CÔNG NGHỆ KHAI THÁC LỘ THIÊN 31 THÔNG TIN KHOA HỌC CÔNG NGHỆ MỎ Bảng Hiệu suất mơ hình LSTM - NA qua trình huấn luyện TT Mơ hình (LSTM - NA) Các số báo hiệu suất tập huấn luyện (Traning) MAE MAPE MSE R2 0,068 2,86 0,0112 0,9126 0,0419 0.2179 0,0034 0.9321 0,0188 0,1052 0.0007 0,9906 5-15-1 5-15-20-1 5-15-20-20-1 5-15-20-30-300,0106 15-1 0,0952 0,00024 độ xác phép tốn dự báo Bộ liệu sau phân chia cần phải chuẩn hóa đưa dạng phân phối quy liệu (Standadization) Cách tốt để xác định cấu trúc tối ưu cho mơ hình LSTM – NA sử dụng kỹ thuật “thử sai” Các mơ hình LSTM - NA với ố lớp ẩn nơ ron lớp khác tính tốn thử nghiệm Phương pháp học có giám sát (supervised method) áp dụng trình huấn luyện Ngơn ngữ lập trình mã nguồn mở R sử dụng để xây dựng thuật toán Hiệu suất mơ hình LSTM - NA thể bảng Bảng cho thấy mơ hình LSTM -NA lớp ẩn mơ hình tối ưu để dự báo chất lượng khơng khí đáy mỏ Cọc Sáu với độ xác lên đến 99,48 % hàm R2 Độ xác giảm gần cho 0,9948 Các số báo hiệu suất tập thẩm định (Validation) MAE MAPE MSE R2 0,0704 2,93 0,0119 0,9137 0,0828 0.3674 0,0173 0.9307 0.0983 0.4052 0.0255 0,9802 0,0442 0,357 0,00125 0,9952 mơ hình với 3, lớp ẩn Hình minh họa mức độ tương quan nồng độ khí CO dự báo thực tế cho mơ hình LSTM - NA lớp ẩn Để đánh giá chất lượng khơng khí mỏ Cọc Sáu, nhóm thực dự báo 50 giá trị khung thời gian từ 14 ÷ 23 Kết mơ tả qua hình Hình cho thấy: Xu hướng tăng nồng độ khí CO đáy mỏ bắt đầu 18 nhiệt độ môi trường giảm dần đêm Theo Clive Grainger [7], nồng độ khí nhiễm tăng dần vào ban đêm không gian mỏ ảnh hưởng lớp đảo ngược nhiệt độ, khơng khí lạnh bị giữ lại bên khơng khí ấm, tạo túi khí đọng bề mặt địa hình Sự nghịch a) Mạng FFNN lớp ẩn b) Mạng FFNN lớp ẩn Hình Đồ thị so sánh giá trị thực tế giá trị dự báo mơ hình FFNN liệu thử nghiệm Hình Biểu đồ biến thiên nồng độ khí CO theo thời gian 32 KHCNM SỐ 3/2022 * CÔNG NGHỆ KHAI THÁC LỘ THIÊN THÔNG TIN KHOA HỌC CƠNG NGHỆ MỎ Hình Quy trình thực dự báo mơ hình trí tuệ nhân tạo đảo nhiệt thường phân tán theo gió, bề LSTM – NA cho thấy xu hướng tăng nồng độ khí mặt bắt đầu ấm trở lại vào ngày hơm sau Khi lớp ô nhiễm từ 18 nhiệt độ môi trường giảm nghịch đảo tồn thời gian, chất ô xuống Điều phù hợp với chế tăng nồng nhiễm bị mắc kẹt bên khơng khí ấm độ nguồn nhiễm tác dụng lớp đảo tạo điều kiện làm hàm lượng khí nhiễm ngược nhiệt độ Như vậy, kết dự báo xu hướng tăng nồng Tài liệu tham khảo: độ khí CO mơ hình dự báo trí tuệ nhân tạo [1] Báo cáo kết QTMT Công ty CP than phù hợp với q trình vận động khí nhiễm Cọc Sáu - Vinacomin Công ty cổ phần Tin học, tác dụng lớp đảo ngược nhiệt độ Để giải Công nghệ, Môi trường – Vinacomin) vấn đề trên, cần có giải pháp phù hợp để [2] Đỗ Ngọc Tước, Nghiên cứu giải pháp cơng cung cấp gió cưỡng xuống đáy mỏ nghệ xuống sâu -300 cho mỏ Cọc Sáu mỏ Trên kết phân tích, đánh giá chất lượng lộ thiên xuống sâu có điều kiện tương tự thuộc khơng khí mơ hình trí tuệ nhân tạo, nhóm TKV, Viện KHCN Mỏ - Vinacomin, 2019 thực xây dựng quy trình bước thực dự [3] Mikkelsen, T., Nielsen, M.: Modelling of báo chất lượng khơng khí với mơ hình trí tuệ nhân pollutant transport in the atmosphere MANHAZ tạo hình position paper, Ris∅ National Laboratory, Kết luận Denmark (2003) Từ phân tích, đánh giá mối tương quan [4] Hanna, S.R., Briggs, G.A., Hosker, R.F.: hình học mỏ, vận động khí đến Handbook on Atmospheric Diffusion Technical trình phân tán nguồn nhiễm kết dự báo Information Center, U.S Department of Energy chất lượng không khí moong khai thác mơ DOE/TIC 11223 (1982) hình trí tuệ nhân tạo LSTM – NA cho thấy: [5] A Alimissis, K Philippopoulos, C.G Tzanis, - Đa số mỏ than lộ thiên sâu Việt Nam D Deligiorgi, Spatial estimation of urban air có góc dốc bờ mỏ > 15o, với địa hình ngày pollution with the use of artificial neural network thu hẹp mỏ xuống sâu, dẫn đến nguy models, 2018 tăng nồng độ khí nhiễm khơng gian [6] Dr Stylianos (Stelios) Performance khai thác, gió tự nhiên khơng đáp ứng hết khả measures: RMSE and MAE London Business cung cấp nguồn khơng khí “sạch” xuống đáy School moong; [7] Grainger, C., Meroney, R.N.: Dispersion - Mơ hình trí tuệ nhân tạo LSTM – NA lớp ẩn in an open-cut coal mine in stably stratified flow cung cấp khả dự báo với độ xác lên Bound.-Layer Meteorol 63, 117–140 (1993) đến 99,48% cho chất lượng khơng khí mỏ Cọc Sáu; - Từ 50 liệu thực tế theo khung thời gian 14 ÷ 23 giờ, kết dự báo mơ hình KHCNM SỐ 3/2022 * CÔNG NGHỆ KHAI THÁC LỘ THIÊN 33 THÔNG TIN KHOA HỌC CÔNG NGHỆ MỎ Study on the artificial intelligence model of LSTM - NA in the air quality forecast for deep open pit coal mines MSc Le Ba Phuc, Eng Do Van Trieu Vinacomin-Institute of Mining Science and Technology Abstract: Deep open-pit coal mines in the form of “on mountain slopes, under deep pit bottom”, high mine pit bench and mine atmospheric elements have limited the process of dispersing toxic gases and fine dust from the technological stages to the external environment Using the LSTM artificial intelligence algorithm combined with the NA optimization model, the air quality at deep open-pit coal mines will be forecasted with high accuracy This is the basis for the development of artificial intelligence algorithms in forecasting and evaluating the air quality at the deep open pit mines 34 KHCNM SỐ 3/2022 * CÔNG NGHỆ KHAI THÁC LỘ THIÊN ... trình mã nguồn mở R sử dụng để xây dựng thuật tốn Hiệu suất mơ hình LSTM - NA thể bảng Bảng cho thấy mơ hình LSTM -NA lớp ẩn mơ hình tối ưu để dự báo chất lượng khơng khí đáy mỏ Cọc Sáu với độ... mơ hình lai LSTM – NA để dự báo chất Mơ hình rừng ngẫu nhiên (Random Forest), mơ lượng khơng khí mỏ lộ thiên sâu Sơ đồ làm hình hồi quy vector hỗ trợ (SVR), mơ hình độ dốc việc mơ hình LSTM – NA. .. biến đổi mơ hình thành dạng phi tuyến Các hợp Chính thế, sử dụng mạng nơ ron lan truyền hàm kích hoạt sử dụng sau: Hình Sơ đồ làm việc mơ hình LSTM – NA dự báo chất lượng khơng khí Hình Các bước