seismic-bumps Data Set

该数据集描述了煤矿中高能量（超过10^4焦耳）地震冲击的预测问题。数据来自波兰两个长壁煤矿。数据集中的每一行包含一个班次（8小时）内岩石中地震活动的总结声明。如果决策属性值为1，则表示在下一个班次记录到能量超过10^4焦耳的任何地震冲击。

This dataset addresses the prediction of high-energy (exceeding 10^4 joules) seismic impacts in coal mines. The data originates from two longwall coal mines in Poland. Each row in the dataset encapsulates a summary statement of seismic activity within the rock during an 8-hour shift. A decision attribute value of 1 indicates that any seismic impact exceeding 10^4 joules was recorded in the subsequent shift.

原始信息汇总

数据集概述

数据集来源

• 数据集来源于seismic-bumps Data Set，描述了波兰某煤矿中高能量（高于10^4 J）地震冲击的预测问题。

数据集内容

• 实例数量：2584
• 属性数量：18 + 类别
• 缺失属性值：无

类别分布

• 危险状态（类别1）：170（6.6%）
• 非危险状态（类别0）：2414（93.4%）

字段描述

1. seismic：使用地震方法在矿井作业中获得的地震危险评估结果。
2. seismoacoustic：使用地震声学方法在矿井作业中获得的地震危险评估结果。
3. shift：班次类型信息。
4. genergy：前一班次由最活跃的地震仪（GMax）记录的地震能量。
5. gpuls：前一班次GMax记录的脉冲数。
6. gdenergy：前一班次GMax记录的能量与前八班次平均能量的偏差。
7. gdpuls：前一班次GMax记录的脉冲数与前八班次平均脉冲数的偏差。
8. ghazard：基于GMax仅注册的地震声学方法在矿井作业中获得的地震危险评估结果。
9. nbumps：前一班次记录的地震冲击次数。 10-18. nbumps2-nbumps89：不同能量范围内的地震冲击次数。
10. energy：前一班次记录的地震冲击总能量。
11. maxenergy：前一班次记录的地震冲击的最大能量。
12. class：决策属性，1表示下一班次发生高能量地震冲击（危险状态），0表示未发生（非危险状态）。

数据存储位置

• 数据存储在data目录下的data/seismic-bumps.csv文件中。

搜集汇总

数据集介绍

构建方式

本数据集的构建基于波兰煤矿中两个长壁的工作数据，通过收集并整理了关于矿井中高能量（高于10^4 J）地震 bump 预测的相关信息。数据集包含了 seismic 和 seismoacoustic 监测方法得到的危害评估结果，以及与地震活动相关的各类参数，如能量记录、脉冲数量等，最终形成了包含 2584 个实例和 18 个属性的数据集，其中包含了类别标签，用以标识下一班次是否发生了高能量地震 bump。

特点

该数据集的主要特点在于其数据来源的实践性，直接关联煤矿安全中的地震危害预测问题。此外，数据集的类别分布极度不平衡，仅有 6.6% 的实例属于高能量地震 bump 的危险状态，这对于机器学习模型的训练和评估提出了挑战。数据集中的属性涵盖了地震和声学监测结果、班次类型、能量记录及其偏差、脉冲数量及其偏差、不同能量范围内的地震 bump 数量等，为研究地震危害预测提供了丰富的特征信息。

使用方法

使用该数据集时，首先需要了解每个字段的含义，包括地震和声学监测结果、能量记录、脉冲数量等。数据集以 CSV 格式存储，可以通过 Python 脚本进行处理和准备，例如去除重复行和头部描述信息。用户可以根据具体的研究需求，利用数据集中的特征进行机器学习模型的训练，以预测煤矿中的地震危害状态。

背景与挑战

背景概述

seismic-bumps数据集源于对煤矿中高地能（高于10^4 J）地震 bump 预测问题的研究。该数据集由位于波兰的一座煤矿中的两个长壁工作面收集而来。煤矿作业与危险的相伴而生，其中地震危害作为一种特殊威胁，在许多地下矿井中频繁发生。地震危害因其难以检测和预测，在自然危害中尤为棘手，其预测难度堪比地震预测。随着地震和声波监测系统的不断发展，对岩石质量过程的理解及地震危害预测方法的定义有了显著的提升。然而，目前方法的准确性仍远未达到完美，因此，探索新的更好的危害预测方法，尤其是运用机器学习手段，显得尤为重要。该数据集的创建，旨在推动此领域的研究进展，由Marek Sikora和Lukasz Wrobel等研究人员完成，并在《Archives of Mining Sciences》期刊发表相关研究成果。

当前挑战

seismic-bumps数据集在构建和应用过程中面临的挑战主要包括：数据集的不平衡分布，即正面（危险状态）和负面（非危险状态）样本分布悬殊，这对于地震危害预测是一个严重的问题。目前的方法仍然不足以实现预测的高敏感性和特异性。此外，数据集的属性包含了多个与地震活动相关的监测指标，如何有效利用这些指标进行准确的地震 bump 预测，是研究中的一个重要挑战。数据集的构建过程中，还需要解决如何处理和清洗原始数据，以及如何保持数据的质量和一致性等问题。

常用场景

经典使用场景

在地震学及煤矿安全领域，seismic-bumps数据集的典型应用场景在于预测煤矿中的高能量地震突跳（seismic bumps）。该数据集通过分析前一班次内地震活动记录，包括地震能量、脉冲数、不同能量级别的地震突跳次数等参数，旨在对下一班次是否会出现能量高于10^4 J的地震突跳进行预测。

衍生相关工作

基于seismic-bumps数据集的研究衍生出了多项相关工作，包括但不限于利用规则归纳算法分析煤矿地震监测系统收集的数据，这些研究进一步推动了地震学及煤矿安全领域的科技进步，对地震灾害的预防和控制提供了新的方法和思路。

数据集最近研究

最新研究方向

在地震波 bump 预测领域，该数据集针对矿井中高能量 seismic bump 的预测问题，提供了宝贵的实验数据。近期研究集中于利用机器学习算法提高对矿井 seismic hazard 的预测准确性，尤其是针对数据集中正负样本分布不均的挑战。研究者们正在探索如随机森林、支持向量机等高级算法，以提升预测模型的敏感性和特异性，从而为矿井安全提供更有效的预警机制。此外，通过对震波能量的监测与分析，研究人员旨在提高对岩爆发生概率的预测能力，进而指导矿井安全作业，降低安全事故风险。