Assessment of cnn-assisted surrogate models in predicting mining-induced stress field: A longwall coal mining application
Madencilik kaynaklı gerilme alanını tahmin etmek için cnn destekli vekil modellerin değerlendirilmesi: Uzunayak kömür madenciliği uygulaması
- Tez No: 1023616
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET GÜNEŞ YARDIMCI
- Tez Türü: Yüksek Lisans
- Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Maden Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Uzun ayaklı kömür madenciliği, topuk stabilitesini ve galeri bütünlüğünü kapsayan zemin kontrolü sorunlarını yöneten kayaç kütlesindeki gerilme yeniden dağılımını etkilemektedir. Sayısal simülasyonlar bu mekanik etkileri yüksek doğrulukla çözümlemekle birlikte, ileri düzey hesaplama kaynakları gerektirmekte ve bu nedenle sistematik parametrik değerlendirme pratik olmaktan çıkmaktadır. Bu tez, tam sayısal simülasyonun çok daha düşük maliyetiyle kömür damarı kesitleri boyunca uzamsal olarak çözümlenmiş asal gerilme alanlarını tahmin eden bir evrişimli sinir ağı vekil model çerçevesi önermektedir. Parametrik veri seti, damar kalınlığı (3–5 m), örtü tabakası derinliği (200–400 m) ve topuk genişliğini (30–50 m) sekiz aşamalı iki panelli geri çekilme dizisi boyunca değiştiren FLAC3D simülasyonları aracılığıyla oluşturulmuş; yaklaşık 5,18 milyon sayısal değer içeren 2.592 etiketli örnek elde edilmiştir. 23 katmanlı artık evrişimli sinir ağı 24 senaryo üzerinde eğitilmiş ve görülmemiş parametre kombinasyonlarını temsil eden üç ayrık kıyaslama senaryosu üzerinde değerlendirilmiştir. Büyük asal gerilme (σ₁) için vekil model, kıyaslama test setinde R² = 0,94, RMSE = 4,7 MPa ve MAE = 2,8 MPa değerlerine ulaşmış; sayısal simülasyonlara kıyasla yaklaşık 10⁷ kat hesaplama hızlanması sağlamıştır. Aynı mimari küçük asal gerilmeye (σ₃) de uygulanarak çerçeve tam asal gerilme karakterizasyonuna genişletilmiştir. Önceki ANN temel modeliyle yapılan karşılaştırma, noktasal skaler tahminin uzamsal olarak tutarlı gerilme konturları üretemediğini ortaya koymuş ve CNN'in uzamsal alan çıktısını temel bir metodolojik ilerleme olarak konumlandırmıştır. Önerilen çerçeve, daha önce yalnızca tam sayısal simülasyon yoluyla erişilebilen uzamsal çözünürlüklerde hızlı parametrik tarama ve yinelemeli tasarım değerlendirmesine olanak tanır.
Özet (Çeviri)
Longwall coal mining evolves the stress distribution in rock mass that governs ground control issues such as pillar stability and roadway integrity. Numerical simulations commonly resolve these mechanical effects with high fidelity depending on advanced computational resources and as a consequence, systematic parametric evaluation becomes impractical. This thesis proposes a convolutional neural network surrogate framework that predicts spatially resolved principal stress fields across coal seam cross-sections at a fraction of the cost of full numerical simulation. A parametric dataset was generated through FLAC3D simulations varying seam thickness (3–5 m), overburden depth (200–400 m), and pillar width (30–50 m) across an eight-stage two-panel retreat sequence, yielding 2,592 labeled samples encoding approximately 5.18 million numerical values. A 23-layer residual CNN was trained on 24 scenarios and evaluated on three held-out benchmark scenarios representing unseen parameter combinations. For major principal stress (σ₁), the surrogate achieved R² = 0.94, RMSE = 4.7 MPa, and MAE = 2.8 MPa on the benchmark test set, with a computational speedup of approximately 10⁷ relative to numerical simulations. The same architecture was applied to minor principal stress (σ₃), extending the framework to full principal stress characterization. Comparison with a preceding ANN baseline demonstrated that point-wise scalar prediction cannot produce spatially coherent stress contours, establishing the CNN spatial field output as a fundamental methodological advance. The proposed framework enables rapid parametric screening and iterative design evaluation at spatial resolutions previously accessible only through full numerical simulation.
Benzer Tezler
- Derin öğrenme modelleri kullanarak yazma alanında özgül öğrenme güçlüklerinin erken teşhisi
Early diagnosis of specific learning difficulties in writing using deep learning models
NEŞE ÖZKUM
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NEJAT YUMUŞAK
- Çocuk akciğer x-ışını görüntülerinin derin öğrenme yöntemleri ile analizi
Analysis of child lung x-ray images with deep learningmethods
ÇAĞDAŞ ŞİMŞEK
Doktora
Türkçe
2025
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. SUAT ÖZKORUCUKLU
- Tibia plato kırıklarının yazılım algoritması kullanılarak yorumlanma başarısı
Success in interpreting tibia plateau fractures using software algorithm
BURAK ACAR
Tıpta Uzmanlık
Türkçe
2025
Acil Tıpİzmir Katip Çelebi ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. UMUT PAYZA
DOÇ. DR. MEHMET GÖKTUĞ EFGAN
- Ultrason taramalarından fetüs hareketlerinin tespiti için yeni derin öğrenme modelleri geliştirilmesi
Development of novel deep learning models for fetal movement detection in ultrasound scans
MUSA TURKAN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Meme MRG'de saptanan kitle dışı kontrastlanmaların benign ve malign ayrımında radyolojik bulgularla doku analizi bulgularının makine öğrenimi yöntemleriyle değerlendirilmesi ve segmentasyon tabanlı 3 boyutlu evrişimsel sinir ağlarıyla karşılaştırılması
Evaluation of radiological and texture analysis findings using machine learning methods in the differentiation of benign and malignant non-mass enhancements detected on breast MRI and comparison with segmentation-based three dimensional convolutional neural networks
SERHAT AKIŞ
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. PINAR BALCI