Ein FSV-Analyseansatz zur Überprüfung der Robustheit des Tripels

Aug 08, 2023

Wissenschaftliche Berichte Band 13, Artikelnummer: 9621 (2023) Diesen Artikel zitieren

195 Zugriffe

Details zu den Metriken

Bei allen Gaskatastrophen war eine Gaskonzentration, die den Schwellenwert (TLV) überschritt, die häufigste Unfallursache. Die meisten Systeme konzentrieren sich jedoch immer noch auf die Erforschung der Methoden und Rahmenbedingungen zur Vermeidung des Erreichens oder Überschreitens des TLV der Gaskonzentration unter dem Gesichtspunkt der Auswirkungen auf geologische Bedingungen und Elemente der Abbaufläche im Kohlebergbau. Die vorherige Studie entwickelte einen theoretischen Rahmen für die Trip-Korrelations-Analyse und fand starke Korrelationen zwischen Gas und Gas, Gas und Temperatur sowie Gas und Wind im Gasüberwachungssystem. Allerdings muss die Wirksamkeit dieses Rahmenwerks geprüft werden, um festzustellen, ob es in anderen Fällen von Kohlebergwerken übernommen werden könnte. Diese Forschung zielt darauf ab, einen vorgeschlagenen Verifizierungsanalyseansatz zu untersuchen – Erste Runde, Zweite Runde – Verifizierungsrunden-Analyseansatz (FSV), um die Robustheit des theoretischen Rahmens der Trip-Korrelations-Analyse für die Entwicklung eines Gaswarnsystems zu überprüfen. Es wird eine gemischte qualitative und quantitative Forschungsmethodik angewendet, die eine Fallstudie und Korrelationsforschung umfasst. Die Ergebnisse bestätigen die Robustheit des theoretischen Rahmenwerks der Triple-Correlation-Analyse. Die Ergebnisse deuten darauf hin, dass dieser Rahmen potenziell wertvoll für die Entwicklung anderer Warnsysteme ist. Der vorgeschlagene FSV-Ansatz kann auch verwendet werden, um Datenmuster aufschlussreich zu untersuchen und neue Perspektiven für die Entwicklung von Warnsystemen für verschiedene Branchenanwendungen zu bieten.

Als weltweit größter Kohleproduzent machte Chinas Kohlebergbauindustrie im Jahr 2020 etwa 46 % der weltweiten Kohleproduktion aus1,2. Gasunfälle sind schwerwiegend und müssen von den Managern der Kohlebergbauindustrie in China angegangen werden3. Unter allen Gaskatastrophen war eine Gaskonzentration, die den Schwellenwert (TLV) überschritt, die häufigste Unfallursache4. Daher wurden in Chinas Kohlebergwerken Gasüberwachungssysteme für Echtzeit-TLV eingeführt. Die meisten Systeme konzentrieren sich jedoch immer noch auf die Erforschung der Methoden und Rahmenbedingungen zur Vermeidung des Erreichens oder Überschreitens des TLV der Gaskonzentration unter dem Gesichtspunkt der Auswirkungen auf geologische Bedingungen und Elemente der Abbaufläche im Kohlebergbau. Wenn die Gasdaten den TLV erreichen oder überschreiten, alarmiert das Gasüberwachungssystem das Sicherheitsreaktionsteam der Mine5.

Die aktuelle Literatur weist darauf hin, dass sich aktuelle Studien hauptsächlich auf die Verwendung von Ansätzen des maschinellen Lernens (ML) (einschließlich Deep Learning) konzentrieren, um Warnungen zu untersuchen oder Modelle zur Vermeidung einer Überschreitung des TLV der Gaskonzentration vorherzusagen. Eine umfassende Literaturrecherche in der vorherigen Arbeit scheint jedoch mindestens drei wesentliche Einschränkungen bei der Verwendung von ML-Methoden zur Vorhersage von Gasemissionen und Gaskonzentrationen im aktuellen Modell der Kohleüberwachungssysteme zu haben5,6. Dazu gehören schlechte (Datensatz-)Eingaben, die zu unzureichenden Ausgaben führen, ungenau interpretierte Vorhersageergebnisse und hohe Kosten für die Rechenhardware zur Verbesserung der Effizienz und Effektivität der ML-Modelle5. Es gibt kein veröffentlichtes Papier, das ausführlich über Systeme berichtet, die die gesammelten Kohlebergwerksdaten nutzen. Es wurde kein Versuch unternommen, die Korrelation zwischen der Gaskonzentration und anderen Daten aufzudecken und sie zur Vorhersage der Gaskonzentration anzuwenden4. Daher wurde in einer früheren Studie ein theoretischer Rahmen für die Trip-Korrelations-Analyse für die Entwicklung eines innovativen integrierten Gaswarnsystems entwickelt, das signifikante Beziehungen zwischen Gas und Gas, Gas und Temperatur sowie Gas und Wind aufzeigte5. Es besteht jedoch Bedarf, die Wirksamkeit des theoretischen Rahmens für die Trip-Korrelations-Analyse zu untersuchen, der in anderen Fällen von Kohlebergwerken übernommen werden könnte.

Diese Forschung zielt darauf ab, einen vorgeschlagenen Verifizierungsanalyseansatz zu untersuchen – Erste Runde, Zweite Runde – Verifizierungsrunden-Analyseansatz (FSV), um die Robustheit des theoretischen Rahmens der Trip-Korrelations-Analyse für die Entwicklung eines Gaswarnsystems zu überprüfen. Es wird eine gemischte qualitative und quantitative Forschungsmethodik angewendet, die eine Fallstudie und Korrelationsforschung umfasst. Die folgenden Abschnitte konzentrieren sich auf Datenquellen, Methoden, Ergebnisse, Diskussion, Schlussfolgerung und Datenverfügbarkeit.

In der vorherigen Studie wurden starke Korrelationen zwischen Gas und Gas, Gas und Temperatur sowie Gas und Wind festgestellt, die zur Entwicklung eines theoretischen Rahmens für die Trip-Korrelationsanalyse5 herangezogen wurden. Es besteht aus drei Korrelationsanalysen, darunter der Korrelationsanalyse zwischen Gas und Gas, Gas und Temperatur sowie Gas und Wind (siehe Abb. 1).

Dargestellt ist ein theoretischer Rahmen für die Dreifachkorrelationsanalyse, der in dieser Forschung verwendet wurde, um einen Forschungsrahmen vorzuschlagen, der die Korrelationsanalysen zwischen dem Gas (von T1 bis Tn) und dem Gas (von T1 und Tn), dem Gas (von T1 und Tn) und der Temperatur ( von WD1 bis WD16) und Gas (von T1 bis Tn) und Wind (von FS1 bis FSn).

Diese Forschung wird durchgeführt, um die Robustheit des theoretischen Rahmens der Trip-Korrelationsanalyse zu überprüfen. Forschungsdaten werden von vierzehn Sensoren gesammelt, darunter acht Gassensoren (von T1 bis T8), zwei Temperatursensoren (von WD 1 bis WD2) und vier Windsensoren (von FS1 bis FS4) (siehe Abb. 2).

Dargestellt sind Sensoren, die in der Lageplan der Arbeitsfläche Nr. 3209 im Fallstudienbergwerk zugeordnet sind, darunter vierzehn Sensoren – acht Gassensoren (von T1 bis T8), zwei Temperatursensoren (von WD 1 bis WD2) und vier Windsensoren (von FS1 bis FS4).

Die Gas-, Temperatur- und Windsensorcodes sind jeweils in den Tabellen 1, 2 und 3 zu sehen.

Von jedem Sensor werden zwei Tage lang Daten zwischen 00:00:00 Uhr am 5. Februar 2022 und 23:59:00 Uhr am 6. Februar 2022 erfasst. Von jedem Sensor werden zunächst 5760 Datenpunkte aufgezeichnet, da die Datenerfassung in Abtastintervallen von 15 s erfolgt. Somit werden insgesamt 80.640 Datenpunkte erfasst, darunter Gassensoren (46.080), Temperatursensoren (11.520) und Windsensoren (23.040). Die Zeitreihe der Datensatzausgaben aller Sensoren (Gas, Temperatur und Wind) am 5. Februar ist in den Online-Anhängen 2–4 zu sehen. Die Zeitreihe der Datensatzausgaben aller Sensoren (Gas, Temperatur und Wind) am 6. Februar ist in den Online-Anhängen 5–7 zu sehen.

Es wird eine gemischte qualitative und quantitative Forschungsmethodik angewendet, die eine Fallstudie und Korrelationsforschung umfasst. Diese Forschung umfasst fünf Prozesse: Datenerfassung, Vorverarbeitung, Datenanalyse, Verifizierung und Korrelationsanalyse (siehe Online-Anhang 1). Dieses Projekt verwendet eine gemischte Analysemethode zur Überprüfung der Datenanalyse – FSV.

Die Daten stammen aus der Fallstudienmine – Shanxi Fenxi Mining ZhongXing Coal Industry Co. Ltd (ZhongXing) – einem großen Kohlebergbauunternehmen in China.

Vor der Datenanalyse ist eine Datenvorverarbeitung erforderlich, da die in den meisten industriellen Prozessen gesammelten Rohdaten in der Regel viele Datensatzprobleme aufweisen, wie z. B. Werte außerhalb des Bereichs, Ausreißer, fehlende Werte usw.7. Diese Forschung führt während der Vorverarbeitung drei Datenbereinigungsverfahren durch: Eliminierung von Extremwerten, Ausreißern und Datenstandardisierung.

Extreme Datenwerte (in diesem Artikel auch Extremwerte genannt) gelten in dieser Untersuchung als Werte außerhalb des Bereichs. Die Extremwerte könnten zu erheblich verzerrten Schlussfolgerungen führen und weggelassen werden8. Andere Datenqualitätsprobleme – wie Messfehler, Rauschen, fehlende Werte usw. – können durch Hardware-Verlagerung, Sensorentfernung, hinzugefügte Detektoren und/oder nicht verwendete Sensoren beeinträchtigt werden. Solche Fragen werden in dieser Untersuchung nicht diskutiert. Sie werden aber in weiteren Studien untersucht.

Ausreißer stammen bei den meisten Datensätzen aus Verteilungen außerhalb der Reihenfolge. Sie könnten die meisten parametrischen Tests erheblich beeinflussen, was sich tiefgreifend auf die statistische Analyse auswirken und häufig zu Verzerrungen und möglicherweise ungenauen und fehlerhaften Schlussfolgerungen führen würde9. Anomaliendaten wurden hauptsächlich beobachtet, da angenommen wurde, dass die Ausreißer aus einer anderen Verteilung in den meisten Datensätzen stammten9. Anomaliedaten gelten in dieser Untersuchung als Ausreißer. Die Boxplot-Technik wird verwendet, um Extremwerte und Ausreißer zu eliminieren. Der Boxplot-Ansatz verwendet den Median, die ungefähren Quartile sowie die niedrigsten und höchsten Datenpunkte, um das Niveau, die Streuung und die Symmetrie einer Verteilung von Datenwerten darzustellen. Dieser Ansatz könnte leicht verfeinert werden, um Ausreißerdatenpunkte zu identifizieren10.

Die Datenstandardisierung erfolgt, da Daten von den verschiedenen Sensoren mit verschiedenen Messungen erfasst werden. Zu den gebräuchlichsten Methoden zur Standardisierung von Daten gehören die Z-Score-Normalisierung, die Min-Max-Standardisierung, die Normalisierung der Entfernung zum Ziel und die Normalisierung des Raking-Rankings11,12. In dieser Untersuchung wird die Z-Score-Normalisierungsmethode verwendet (siehe Gleichung 1)13 und mit SPSS Statistics Version 26 berechnet.

Dabei ist z der Standardwert, x der Wert der Originaldaten, μ der Durchschnitt des Datensatzes und σ die Standardabweichung des Datensatzes.

Zwei-Runden-Datenanalysen werden unter Verwendung verschiedener Datensätze durchgeführt. Die Zuverlässigkeit und Gültigkeit der erhaltenen Daten sollte getrennt nach Gas und Gas, Gas und Temperatur sowie Gas und Wind erreicht werden.

Für Hypothesentests wurden mehrere statistische Signifikanzniveaus akzeptiert, darunter 0,05, 0,01 und 0,001 in sozialwissenschaftlichen Studien14. P-Werte von 0,05 gelten als akzeptabel für die „Signifikanz“, um zu bestimmen, ob die Nullhypothese abzulehnen ist15. Je kleiner jedoch der Signifikanzwert ist, desto geringer ist das Risiko, die Nullhypothese abzulehnen, wenn sie wahr ist. Dies muss durch das Risiko ausgeglichen werden, die Nullhypothese zu akzeptieren, wenn sie nicht wahr ist16. Neuere Untersuchungen gehen davon aus, dass ein ap-Wert von 0,01 oft als hochsignifikant angesehen wird17. Diese Untersuchung bestätigt, dass der Wert von 0,01 ein geeigneter Grenzwert für das Signifikanzniveau ist, um das Risiko einer Ablehnung der Nullhypothese bei der Entwicklung eines Gaswarnsystems zu verringern.

Cronbachs Alpha bestätigt die Datenzuverlässigkeit. Wenn die Werte von Cronbachs Alpha über 0,6 lägen, würde dies als angemessen oder über der Zuverlässigkeit angesehen werden. Explorative Faktorenanalysen bestätigen die Validitätsanalyse. Wenn der Kaiser-Meyer-Olkin-Wert (KMO) größer als 0,6 wäre, würde man davon ausgehen, dass er akzeptabel ist oder über den Maßen liegt. Bartletts Sphärizitätstest sollte 0,000 betragen (p < 0,001). Alle durchschnittlichen Kommunalitätswerte sollten größer als 0,6 sein. Alle Anti-Image-Korrelationen müssen mehr als 0,5 betragen.

Anschließend wird eine Korrelationsforschung durchgeführt, um zu zeigen, dass zwei Variablen durch einen gemeinsamen zugrunde liegenden Mechanismus beeinflusst werden18. Für diese Forschung wird die Pearson-Korrelationsanalysemethode verwendet. Der Korrelationskoeffizient wird zur Bewertung und Messung der Korrelation zwischen Paaren von Eingabe- und Ausgabevariablen verwendet. Die Größe des Korrelationskoeffizienten gibt an, dass die Stärke der Beziehung davon abhängt, wie nahe der Koeffizient bei − 1 oder 1 liegt, was dem Bereich des Korrelationskoeffizienten entspricht19. Die folgenden mathematischen Formeln werden zur Berechnung des Pearson-Korrelationskoeffizienten (siehe Gleichung 2)20 verwendet und von SPSS Statistics Version 26 berechnet.

r wird aus (\({\mathrm{x}}_{\mathrm{i}}\), \({\mathrm{y}}_{\mathrm{i}}\)), dem Mittelwert, geschätzt von Standardwerten von Stichprobenpunkten, und der Ausdruck, der der obigen Formel entspricht, wird erhalten.

Dabei ist \(\mathrm{r}\) der Korrelationskoeffizient. \({x}_{i}\) ist der Wert der x-Variablen in einer Stichprobe. \(\overline{x}\) ist der Mittelwert der Werte der x-Variablen. \({y}_{i}\) ist der Wert der y-Variablen in einer Stichprobe. \(\overline{y}\) ist der Mittelwert der Werte der y-Variablen.

Neuere Forschungsergebnisse deuten jedoch darauf hin, dass es keine standardisierte formale Klassifizierung der Korrelationskoeffizientenskalen gibt5, was die Verwendung von sechs Skalen zur Klassifizierung des Ausmaßes und der Größe der Korrelation als „groß“ (zwischen ± 0,9 und ± 1), „sehr gut“ (zwischen ± 0,75 und ± 0,89) und „gut“ vorschlägt (zwischen ± 0,5 und ± 0,74), mittelmäßig (zwischen ± 0,3 und ± 0,49), schlecht (zwischen ± 0,0 und < ± 0,29) und keine Korrelation (null). Ein Korrelationswert von ± 0,3 oder mehr weist auf eine Korrelation zwischen zwei Variablen hin.

Die Verifizierungsanalyse zielt darauf ab, zu untersuchen, ob die Ergebnisse der Datenanalyse der ersten Runde unter gleichzeitiger Verwendung von Datensätzen der zweiten Runde akzeptiert werden könnten und ob die Ergebnisse der Datenanalyse der zweiten Runde unter Verwendung der Datensätze der ersten Runde akzeptiert werden könnten. Für die Ergebnisse der Verifizierungsanalyse zwischen Gas und Gas, Gas und Temperatur sowie Gas und Wind würden wiederholte Zuverlässigkeits- und Gültigkeitsanalysen durchgeführt.

Basierend auf den oben genannten Verifizierungsergebnissen wird dann eine Korrelationsanalyse durchgeführt, um zu testen und zu bewerten, ob der Grad einer starken Beziehung zwischen zwei Variablen getrennt besteht: Gas und Gas, Gas und Temperatur sowie Gas und Wind. Ein Korrelationswert von ± 0,3 oder mehr wird auch verwendet, um eine Korrelation zwischen zwei Variablen zu messen.

Die Erstrundenanalyse verwendet die zwischen 00:00:00 und 23:59:00 Uhr am 5. Februar 2022 im Fallstudienbergwerk gewonnenen Daten. Bei der Analyse der zweiten Runde werden die zwischen 00:00:00 und 23:59:00 Uhr am 6. Februar 2022 gesammelten Daten verwendet. Vor der Durchführung der Datenanalyse werden drei Datenbereinigungsverfahren während der Datenvorverarbeitung für die Analyse der ersten und zweiten Runde durchgeführt Rundumanalyse: Eliminierung von Extremwerten, Ausreißern und Datenstandardisierung. Messfehler und Verzerrungen der Hardwaregeräte im Gasüberwachungssystem führen zu Extremwerten und Ausreißern. Die von den Sensoren T4 und T5 erhaltenen Daten werden aufgrund zu vieler Nullwerte eliminiert, da diese beiden Sensoren nicht für die Ortsbrust im Fallstudienbergwerk verwendet werden. Sie wurden jedoch nicht aus dem Gasüberwachungssystem entfernt. Daher werden sowohl T4 als auch T5 nicht in diese Untersuchung einbezogen. Sie werden aber in weiteren Studien untersucht. Die Datenstandardisierung löst die Probleme der Datenerfassung von verschiedenen Sensoren mit verschiedenen Messungen.

Daher werden für die folgenden Datenanalysen Daten von sechs Gassensoren (T1, T2, T3, T6, T7 und T8) und zwei Temperatursensoren (WD1 und WD2) verwendet. In diesem Abschnitt werden Datenanalysen zur Unterstützung der technischen Qualität der Datensätze vorgestellt, einschließlich der Analyse zwischen Gas und Gas, Gas und Temperatur sowie Gas und Wind.

Mit den am 5. und 6. Februar 2022 erhaltenen Daten werden zwei Analyserunden zwischen Gas und Gasdaten getrennt durchgeführt.

Für die Erstrundenanalyse zwischen Gas und Gas werden Daten vom 5. Februar 2022 verwendet. Die Zuverlässigkeit und Gültigkeit werden zwischen sechs Elementen (T1, T2, T3, T6, T7 und T8) durchgeführt (siehe Schritte 3.1 und 3.2 im Online-Anhang 1). Alle Werte von Cronbachs Alpha gelten als sehr zuverlässig (über 0,6) (siehe Tabelle 4).

Die am 6. Februar 2022 erhobenen Daten werden für die Zweitrundenanalyse zwischen Gas und Gas verwendet. Die Zuverlässigkeits- und Validitätstests werden zwischen den oben genannten sechs Punkten durchgeführt (siehe Schritte 3.1 und 3.2 im Online-Anhang 1). Alle Werte von Cronbachs Alpha gelten als sehr zuverlässig (über 0,7) (siehe Tabelle 5).

Anschließend wird die Verifizierungsanalyse durchgeführt, um die Ergebnisse der ersten und zweiten Analyserunde zu vergleichen und die Zuverlässigkeit und Gültigkeit der Daten zu bestätigen. Da bei der Verifizierungsanalyse die Ergebnisse der Zwei-Runden-Studien und nicht die Ergebnisse der Sensoren verwendet werden, ist es nicht erforderlich, Extremwerte, Ausreißer und Datenstandardisierung zu eliminieren.

Basierend auf den Tabellen 4 und 5 vergleicht Abb. 3 die Ergebnisse der ersten und zweiten Analyserunde, die auf vier Korrelationsgruppen hinweisen, darunter T2 und T6, T6 und T8, T7 und T8 sowie T8 und T7.

Dargestellt sind die Ergebnisse zwischen der ersten und zweiten Analyserunde. Die vertikale Y-Achse zeigt eine Reihe von Einflusssensoren (Gas). Auf der horizontalen X-Achse sind die verursachenden Sensoren (Gas) dargestellt. Helles Cyan färbt das Korrelationsfeld ein, um bestehende Korrelationen von T3 und T1 in der ersten Analyserunde und T6 und T2 in der zweiten Analyserunde anzuzeigen. Das Korrelationsfeld wird in tiefem Cyan eingefärbt, um die Korrelationen von T2 und T6, T6 und T8, T7 und T8 sowie T8 und T7 in beiden Rundenanalysen anzuzeigen.

Wiederholte Zuverlässigkeit und Gültigkeit werden zwischen vier Korrelationsgruppen durchgeführt (siehe Schritte 4.1 und 4.2 im Online-Anhang 1). Alle Korrelationsgruppen erfüllen zufriedenstellend die Standards für Zuverlässigkeit und explorative Faktorenanalyse. Anschließend wird eine wiederholte Korrelationsanalyse durchgeführt, um zu testen, ob Korrelationen zwischen den Elementen bestehen (siehe Tabelle 6).

Somit bestätigt die FSV-Analyse, dass signifikante Korrelationen bestehen (T2 und T6, T6 und T8, T7 und T8 sowie T8 und T7) (siehe Schritt 5 im Online-Anhang 1). Die signifikanten Korrelationen zwischen solchen Elementen werden dann in Abb. 4 dargestellt.

Dargestellt sind vier signifikante Korrelationen zwischen Gas und Gas, darunter zwei gute Korrelationen von T2 und T6 (0,617) und T6 und T8 (0,653) sowie zwei sehr gute Korrelationen von T7 und T6 (0,815) und T8 und T7 (0,815).

Zwei Analyserunden zwischen Gas- und Temperaturdaten werden getrennt anhand der am 5. und 6. Februar 2022 erhaltenen Daten durchgeführt.

Die erste Analyserunde wird anhand der am 5. Februar gesammelten Gas- und Temperaturdaten durchgeführt. Die Ergebnisse zeigen, dass sechs Gaselemente und zwei Temperaturelemente die Standards der Zuverlässigkeits- und explorativen Faktoranalysen erfüllten, einschließlich sechs Korrelationsgruppen (T1 und WD1, T2 und WD1, T3 und WD1, T6 und WD2, T7 und WD1 sowie T8 und). WD2) (siehe Tabelle 7). Alle Cronbach-Alpha-Werte weisen eine sehr gute Zuverlässigkeit auf (über 0,7). Detaillierte Datenanalysen von sechs Korrelationsgruppen sind in den Tabellen 8, 9, 10, 11, 12 und 13 dargestellt.

Die zweite Analyserunde zu Gas und Temperatur basiert auf Daten, die am 6. Februar gesammelt wurden. Die Ergebnisse zeigen, dass sechs Gaselemente und zwei Temperaturelemente die Standards der Zuverlässigkeits- und explorativen Faktoranalysen erfüllen, einschließlich sechs Korrelationsgruppen (T1 und WD2, T2 und WD2, T3 und WD1, T6 und WD2, T7 und WD2 sowie T8 und). WD2) (siehe Tabelle 14). Eine detaillierte Datenanalyse von sechs Gruppen ist in den Tabellen 15, 16, 17, 18, 19 und 20 dargestellt.

Anschließend wird eine Verifizierungsanalyse durchgeführt, um die Ergebnisse der ersten und zweiten Analyserunde zu vergleichen und die Zuverlässigkeit und Gültigkeit der Daten zu bestätigen. Basierend auf den Tabellen 7 und 14 vergleicht Abb. 5 die Ergebnisse von Zwei-Runden-Analysen zwischen Gas und Temperatur.

Dargestellt sind die Ergebnisse von Zwei-Runden-Analysen zwischen Gas und Temperatur. Die vertikale Y-Achse zeigt eine Reihe von Einflusssensoren (Gas). Auf der horizontalen X-Achse sind die verursachenden Sensoren (Temperatur) dargestellt. Hellblau färbt das Korrelationsfeld ein, um anzuzeigen, dass Korrelationen zwischen T1 und WD1, T2 und WD1 sowie T7 und WD1 in der ersten Runde und T1 und WD2, T2 und WD2 sowie T7 und WD2 in der zweiten Runde bestanden. In beiden Zweirundenanalysen wird das Korrelationsfeld tiefblau gefärbt, um die Korrelationen zwischen T2 und WD1, T6 und WD2 sowie T8 und WD2 anzuzeigen.

Wiederholte Zuverlässigkeits- und Validitätsanalysen werden durchgeführt, um zu bestätigen, dass die oben genannten drei Korrelationsgruppen (T3 und WD1, T6 und WD2 sowie T8 und WD2) die Datenanalysestandards zufriedenstellend erfüllen. Anschließend wird eine wiederholte Korrelationsanalyse durchgeführt, um zu testen, ob signifikante Korrelationen zwischen den oben genannten Gruppen (T3 und WD1, T6 und WD2 sowie T8 und WD2) bestehen (Tabelle 21).

Daher bestätigt die FSV-Analyse signifikante Korrelationen zwischen T3 und WD1, T6 und WD2 sowie T8 und WD2 (siehe Abb. 6).

Dargestellt sind drei signifikante Korrelationen zwischen Gas und Temperaturwind, darunter eine sehr gute Korrelation von T3 und WD1 (0,795), eine sehr gute Korrelation von T6 und WD2 (0,768) und eine gute Korrelation von T8 und WD2 (0,669).

Zwei Analyserunden zwischen Gas- und Winddaten werden getrennt anhand der am 5. und 6. Februar 2022 erhaltenen Daten durchgeführt.

Die erste Analyserunde zu Gas und Wind basiert auf Daten, die am 5. Februar gesammelt wurden. Die Ergebnisse zeigen, dass sechs Gaselemente und zwei Windelemente die Standards der Zuverlässigkeits- und explorativen Faktoranalysen erfüllen, einschließlich sechs Korrelationsgruppen (T1, FS1 und FS2, T2, FS1 und FS2, T3, FS1 und FS2, T6, FS1 und FS2). , T7, FS1 und FS2 und T8, FS1 und FS2) (siehe Tabelle 22). Eine detaillierte Datenanalyse von sechs Gruppen ist in den Tabellen 23, 24, 25, 26, 27 und 28 dargestellt.

Die zweite Runde der Gas- und Winddatenanalyse basiert auf Daten, die am 6. Februar gesammelt wurden. Die Ergebnisse zeigen, dass sechs Gaselemente und drei Windelemente die Standards der Zuverlässigkeits- und explorativen Faktoranalysen erfüllen, einschließlich sechs Korrelationsgruppen (T1 und FS3, T2 und FS1, T3 und FS2, T6 und FS1, T7 und FS1 sowie T8 und). FS1) (siehe Tabelle 29). Alle Cronbach-Alpha-Werte weisen eine sehr gute Zuverlässigkeit auf (über 0,6). Alle KMO-Werte weisen ein größeres Maß auf (größer als 0,5). Bartletts Sphärizitätstest beträgt 0,000 (p < 0,001). Alle durchschnittlichen Gemeinschaftswerte sind ausreichend (größer als 0,7). Die Anti-Image-Korrelationswerte sind signifikant (mehr als 0,5). Eine detaillierte Datenanalyse von sechs Gruppen ist in den Tabellen 30, 31, 32, 33, 34 und 35 dargestellt.

Anschließend wird eine Verifizierungsanalyse durchgeführt, um die Ergebnisse der ersten und zweiten Analyserunde zu vergleichen und die Zuverlässigkeit und Gültigkeit der Daten zu bestätigen. Basierend auf den Tabellen 22 und 29 vergleicht Abb. 7 die Ergebnisse von Zwei-Runden-Analysen zwischen Gas und Wind.

Gezeigt werden die Ergebnisse von Zwei-Runden-Analysen zwischen Gas und Wind. Die vertikale Y-Achse zeigt eine Reihe von Einflusssensoren (Gas). Auf der horizontalen X-Achse sind die verursachenden Sensoren (Wind) dargestellt. Hellblau färbt das Korrelationsfeld, um Korrelationen zwischen T1 und FS1, T1 und FS2, T3 und FS1, T6 und FS2, T7 und FS2 sowie T8 und FS2 in der ersten Runde und T1 und FS3 in der zweiten Runde anzuzeigen. Das Korrelationsfeld ist tiefblau gefärbt, um Korrelationen zwischen T2 und FS1, T3 und FS2, T6 und FS1, T7 und FS1 sowie T8 und TS1 in Zwei-Runden-Analysen anzuzeigen.

Wiederholte Zuverlässigkeit und Gültigkeit werden zwischen fünf Korrelationsgruppen durchgeführt. Zwei Gruppen (T2 und FS1, T7 und FS1) erfüllen nicht die Datenanalysestandards. Drei Korrelationsgruppen erfüllen zufriedenstellend die Standards für Zuverlässigkeit und explorative Faktorenanalyse. Sie sind T3 und FS2, T6 und FS1 sowie T8 und FS1. Eine wiederholte Korrelationsanalyse prüft, ob Korrelationen zwischen solchen Elementen bestehen (siehe Tabelle 36).

Dargestellt sind drei faire Korrelationen, die zwischen Gas und Wind überprüft wurden, darunter T3 und FS2 (0,467), T6 und FS1 (0,468) sowie T8 und FS1 (0,428).

Basierend auf Abb. 4, 6 und 8 wird ein Dreifachkorrelationsanalysemodell für die Entwicklung eines Gaswarnsystems im Fallstudienbergwerk erstellt (siehe Abb. 9). Es umfasst zehn verifizierte Korrelationen, darunter Gas und Gas (4), Gas und Temperatur (3) sowie Gas und Wind (3). Das Ergebnis beweist, dass die Korrelationsanalyse zwischen Gas und Gas, Gas und Temperatur sowie Gas und Wind existierte.

Dargestellt ist das Modell der Triple-Correlation-Analyse, einschließlich zehn verifizierter Korrelationen. Es bestehen vier signifikante Korrelationen zwischen Gas und Gas, darunter zwei gute Korrelationen zwischen T2 und T6 (0,617) und T6 und T8 (0,653) sowie zwei sehr gute Korrelationen zwischen T7 und T6 (0,815) und T8 und T7 (0,815) (siehe Tabelle). 6). Es bestehen drei signifikante Korrelationen zwischen Gas und Temperatur, darunter zwei sehr gute Korrelationen zwischen T3 und WD1 (0,795) und T6 und WD2 (0,768) sowie eine gute Korrelation zwischen T8 und WD2 (0,669) (siehe Tabelle 21). Es bestehen drei faire Korrelationen zwischen Gas und Wind, darunter T3 und FS2 (0,467), T6 und FS1 (0,468) sowie T8 und FS1 (0,428) (siehe Tabelle 36).

Zur Verbesserung der Validierung der Forschungsergebnisse werden außerdem vier zusätzliche Experimente durchgeführt, um zu testen, ob solche Korrelationen in verschiedenen Abbauorten (Nr. 1217 und Nr. 3209) und anderen Jahreszeiten (Sommer und Winter) im Fallstudienbergwerk bestanden (siehe Tabelle). 37 und Datensatz 3). Alle Ergebnisse deuten auf starke bestehende Korrelationen zwischen Gas und Gas, Gas und Temperatur sowie Gas und Wind hin.

Daher verwendet diese Forschung einen erforschten FSV-Analyseansatz, um die Robustheit des theoretischen Rahmens der Dreifachkorrelationsanalyse für die Entwicklung eines Gaswarnsystems zur Verbesserung der Empfindlichkeit des Warnsystems und zur Reduzierung des Auftretens von Gasexplosionen umfassend zu verifizieren. Um Forschern und Praktikern zu helfen, den Architekturentwurf des Systems besser zu verstehen, wird eine einheitliche Modellierungssprache (UML) entwickelt, um zu demonstrieren, wie dieses Framework in ein Gassystem5 integriert wird, das drei Schichten (Datenzugriffsschicht, Domänenschicht und Ansichtsschicht) umfasst drei Entscheidungsregeln (siehe Abb. 10).

Dargestellt ist ein UML-Modell eines Gaswarnsystems, das von unten nach oben aus drei Schichten besteht – Datenzugriffsschicht, Domänenschicht und Ansichtsschicht: (1) Datenerfassung: Dieser Logikfluss wird zwischen der Datenzugriffsschicht und der Domäne ausgeführt Schicht. Die Daten stammen aus Gas-, Temperatur- und Winddatenbanken. (2) Korrelationsanalyse: Innerhalb der Domänenschicht werden Korrelationsanalysen getrennt zwischen Daten vor Gas und Gas, Gas und Temperatur sowie Gas und Wind durchgeführt. (3) Aktivierte Entscheidung: Dieser Schritt überbrückt die Domänenschicht und die Ansichtsschicht.

Drei Entscheidungsregeln bestehen aus:

Wenn die Datenausgaben den TLV überschreiten, alarmiert das Alarmsystem sofort das Sicherheitsmanagementteam.

Das Warnsystem informiert das Sicherheitsteam, wenn der Echtzeit-Korrelationsanalysewert (CAV) den Korrelationsanalysegrenzwert (CALV) zwischen Gas und Gas, Gas und Temperatur oder Gas und Wind überschreitet. Dieser Status weist nicht auf Risiken hin, aber das Sicherheitsmanagementteam muss das Überwachungssystem sofort überprüfen, um potenzielle Gefahren zu identifizieren.

Die Originaldaten werden an das Überwachungssystem weitergeleitet, wenn der CAV den CALV nicht überschreitet.

Als Ergebnis wurde das Triple-Correlation Analysis-Modell (siehe Abb. 9) in das Gasüberwachungssystem im Fallstudienbergwerk mit integrierter Analyse von Gas und Gas, Gas und Temperatur sowie Gas und Wind integriert und erfolgreich eingesetzt Entwicklung eines innovativen integrierten Gaswarnsystems im Dezember 2021. Der Screenshot des Systems ist in Abb. 11 dargestellt.

Abgebildet ist der System-Screenshot des innovativen integrierten Gaswarnsystems, das in der Case Study-Mine eingesetzt wird. Das System integriert das Triple-Correlation-Analysemodell in das Gasüberwachungssystem mit integrierter Analyse von Gas und Gas, Gas und Temperatur sowie Gas und Wind. Cyanfarbene Linien zeigen bestehende Korrelationen zwischen Gas und Gas an. Blaue Linien zeigen bestehende Zusammenhänge zwischen Gas und Temperatur an. Marinelinien weisen auf bestehende Zusammenhänge zwischen Gas und Wind hin.

Diese Forschung zielt darauf ab, einen vorgeschlagenen FSV-Analyseansatz zu untersuchen, um die Robustheit des theoretischen Rahmens der Trip-Korrelationsanalyse für die Entwicklung eines Gaswarnsystems zu überprüfen, um die Empfindlichkeit der Warnsysteme zu verbessern und das Auftreten von Gasexplosionen zu reduzieren. Es wird eine gemischte qualitative und quantitative Forschungsmethodik angewendet, die eine Fallstudie und Korrelationsforschung umfasst.

Die erste Analyserunde basiert auf Daten, die am 5. Februar 2022 im Fallstudienbergwerk gewonnen wurden. Die Zweitrundenanalyse verwendet Daten, die am 6. Februar 2022 gesammelt wurden. Anschließend folgt eine Verifizierungsanalyse, um die Ergebnisse der Erst- und Zweitrundenanalyse zu vergleichen und die Datenzuverlässigkeit und -validität zu bestätigen. Darüber hinaus werden vier zusätzliche Experimente durchgeführt, um zu testen, ob solche Korrelationen in verschiedenen Abbauorten (Nr. 1217 und Nr. 3209) und anderen Jahreszeiten (Sommer und Winter) bestehen. Alle Tests weisen auf drei signifikante Korrelationen zwischen Gas, Temperatur und Wind hin, die die Robustheit des theoretischen Rahmens der Dreifachkorrelationsanalyse bestätigen (siehe Abb. 1).

Um Forschern und Praktikern ein besseres Verständnis des architektonischen Designs des Systems zu ermöglichen, wird eine UML entwickelt, um zu demonstrieren, wie dieses Framework in ein Gassystem integriert wird (siehe Abb. 10). Außerdem wird Pseudocode zur Beschreibung der Systemimplementierung bereitgestellt, einschließlich der Datenanalyse- und Verarbeitungslogik des Systems, der Forschern in anderen Bereichen bei der Implementierung der in dieser Arbeit vorgestellten Methodik helfen kann (siehe Online-Anhang 7).

Die Ergebnisse deuten darauf hin, dass dieser Rahmen potenziell wertvoll für die Entwicklung anderer Warnsysteme ist. Der vorgeschlagene FSV-Ansatz kann auch zur aufschlussreichen Untersuchung von Datenmustern übernommen werden, um neue Perspektiven für die Entwicklung von Warnsystemen für verschiedene Branchenanwendungen zu bieten. Ein weiteres Ergebnis ist, dass T4- und T5-Sensoren nicht verwendet werden, da sie nicht aus dem Gasüberwachungssystem entfernt wurden. Die Implikation ist, dass sie den theoretischen Rahmen der Trip-Korrelations-Analyse in weiteren Forschungen ergänzen könnten, um ein empfindlicheres Warnsystem zu entwickeln. Es ist wertvoller, solche Erkenntnisse zur Erforschung eines erweiterten theoretischen Rahmens für die Trip-Korrelationsanalyse in der weiteren Forschung zu nutzen.

Die Einschränkung besteht darin, dass Gas-, Temperatur- und Windsensoren aufgrund der laufenden Bergbauarbeiten im Fallstudienbergwerk regelmäßig monatlich ausgetauscht werden. Zu den Änderungen können die Verlagerung der Hardware, das Entfernen von Sensoren und das Hinzufügen von Detektoren gehören. Die Korrelationsanalyse der von Gas, Temperatur und Wind erfassten Daten muss für alle Sensoränderungen nach dem Verfahren des FSV-Analyseansatzes erneut durchgeführt werden. Die zweite Einschränkung besteht darin, dass sich diese Forschung auf die Überprüfung der Robustheit des theoretischen Rahmens für die Trip-Korrelationsanalyse konzentriert, der die Analyse von Gas und Gas, Gas und Temperatur sowie Gas und Wind umfasst. Die Umgebungsbedingungen bleiben am 5. Februar und 6. Februar 2022 gleich. Weitere Untersuchungen sind erforderlich, um zu untersuchen, ob andere Umgebungsbedingungen die Leistung und Wirksamkeit von Gaswarnsystemen beeinflussen, wie z. B. Luftfeuchtigkeit, Wind, Sonne, Bewölkung und sogar menschliche Störungen. Eine weitere Einschränkung besteht darin, dass diese Forschung andere Datenqualitätsprobleme wie Messfehler, Rauschen, fehlende Werte usw. nicht berücksichtigt. Sie sollten durch aktualisierte Hardwaregeräte und Systemalgorithmen gelöst werden. Beispielsweise haben viele Studien Methoden zur Lösung von Messfehlern bereitgestellt21. Effektivere Sensoren mit effizienten Systemalgorithmen, die auf das theoretische Rahmenwerk der Trip-Korrelations-Analyse angewendet werden, könnten für die Entwicklung eines innovativen Gaswarnsystems verwendet werden, um die Empfindlichkeit der Warnsysteme zu verbessern und das Auftreten von Gasexplosionen zu reduzieren. Es ist wertvoll, sie weiter zu untersuchen.

Für diese Forschung wird IBM® SPSS® Statistics Version 26 zur Datenanalyse verwendet. Dieser veröffentlichte Artikel und seine ergänzenden Informationsdateien enthalten alle im Rahmen dieser Studie generierten oder analysierten Daten. Die Daten, die die Ergebnisse der Studie stützen, sind im öffentlichen Bereich Zenodo mit der Lizenz CC BY4.0 unter https://zenodo.org/record/6450546, https://zenodo.org/record/6450554 und https://doi verfügbar .org/10.5281/zenodo.7603551.

IEA. Kohle 2020-Analyse und Prognose bis 2025. Gesehen am 7. Januar 2021, https://www.iea.org/reports/coal-2020/supply (2020).

Hutzler. Chinas Wirtschaftsaufschwung wird durch Kohle vorangetrieben. Gesehen am 8. Januar 2021, https://www.powermag.com/chinas-economic-recovery-will-be-powered-bycoal/ (2020).

Wu, MX et al. Eine vergleichende Analyse der Hauptkomponentenanalyse und der Entropiegewichtsmethoden zur Festlegung der Indexmessung. PLoS ONE 17(1), 1–26 (2022).

Artikel CAS Google Scholar

Zhang, JY, Ai, ZB, Guo, LW & Cui, X. Erforschung eines Synergiewarnsystems für Gasausbrüche basierend auf Entropy-Weight Bayesian. Int. J. Comput. Intel. Syst. 14(1), 376–385 (2021).

Artikel Google Scholar

Wu, MX et al. Eine Korrelationsforschung zur Entwicklung eines innovativen integrierten Gaswarnsystems: Eine Fallstudie in ZhongXing, China. Geomat. Nat. Gefahr. Risiko 12(1), 3175–3204 (2021).

Artikel Google Scholar

Boukerche, A. & Wang, JH Auf maschinellem Lernen basierende Verkehrsvorhersagemodelle für intelligente Transportsysteme. Berechnen. Netw. 181, 1–21 (2020).

Artikel Google Scholar

Moghadasi, M., Ozgoli, HA & Farhani, F. Vorhersage des Dampfverbrauchs eines Gassüßungsprozesses mit Methyldiethanolamin-Lösungsmittel unter Verwendung von Ansätzen des maschinellen Lernens. Int. J. Energy Res. 45(1), 879–893 (2021).

Artikel Google Scholar

Barlow, AM, Sherlock, C. & Tawn, J. Inferenz für Extremwerte unter schwellenwertbasierten Stoppregeln. JR-Stat. Soc. Ser. C: Appl. Stat. 69(4), 765–789 (2020).

Artikel MathSciNet Google Scholar

Schwertman, NC, Owens, MA und Adnan, R. Eine einfache, allgemeinere Boxplot-Methode zur Identifizierung von Ausreißern. Berechnen. Stat. Daten Anal. 47(1), 165–174 (2004).

Artikel MathSciNet MATH Google Scholar

Williamson, DF, Parker, RA & Kendrick, JS Der Boxplot: Eine einfache visuelle Methode zur Interpretation von Daten. Ann. Praktikant. Med. 110(11), 916–921 (1989).

Artikel CAS PubMed Google Scholar

Larriva-Novo, Sensoren 21(2), 1–15 (2021).

Artikel Google Scholar

Luana, LM, Mariana, MDB & Masato, K. Auswirkungen verschiedener Normalisierungs-, Aggregations- und Klassifizierungsmethoden auf die Erstellung von Hochwasseranfälligkeitsindizes. Wasser (Schweiz) 13(98), 1–16 (2021).

Google Scholar

Zach. Z-Score-Normalisierung: Definition und Beispiele. Gesehen am 28. Januar 2023. https://www.statology.org/z-score-normalization/ (2023).

Wu, MX, Gide, E. & Jewell, R. Ein Augapfeldiagramm: Veranschaulichung der gemeinsamen CSFs in der E-Commerce-Geschäftszufriedenheit für die erfolgreiche Einführung von E-Commerce-Systemen durch KMU. Int. J. Electron. Kundenbeziehung. Geschäftsführer 6(2), 169–192 (2012).

Google Scholar

Nahm, KN Was uns die P-Werte wirklich sagen. Korean J. Pain 30(4), 241–242 (2017).

Artikel PubMed PubMed Central Google Scholar

Malhotra, N., Hal, J., Shaw, M. & Oppenheim, P. Marketingforschung: Eine angewandte Orientierung (Pearson, 2006).

Buchen Sie Google Scholar

Benjamin, DJ & Berger, JO Drei Empfehlungen zur Verbesserung der Verwendung von p-Werten. Bin. Stat. 73(1), 186–191 (2019).

Artikel MathSciNet MATH Google Scholar

Messerli, FH Schokoladenkonsum, kognitive Funktion und Nobelpreisträger. N. engl. J. Med. 367(16), 1562–1564 (2012).

Artikel CAS PubMed Google Scholar

AL-Rousan, N., Mat Isa, NA & Mat Desa, MK Korrelationsanalyse und MLP/CMLP für optimale Variablen zur Vorhersage von Ausrichtung und Neigungswinkeln in intelligenten Sonnenverfolgungssystemen. Int. J. Energy Res. 45(1), 453–477 (2021).

Artikel Google Scholar

Statisticshowto. Korrelationskoeffizient: Einfache Definition, Formel, einfache Schritte. Gesehen am 28. Januar 2023. https://www.statisticshowto.com/probability-and-statistics/correlation-coefficient-formula/ (2023).

Wilcox, RR Grundlagen moderner statistischer Methoden: Wesentliche Verbesserung von Leistung und Genauigkeit, 2. Aufl. (Springer, 2010). https://doi.org/10.1007/978-1-4419-5525.

Buchen Sie MATH Google Scholar

Referenzen herunterladen

Die in diesem Artikel vorgestellte Forschung wird durch den 14. Fünfjahresplan 2021 der Shanxi Provincial Education Science (GH-21316), das Shanxi Coking Coal Project (201809fx03) und die Shanxi Social Science Federation (SSKLZDKT2019053) finanziert.

Diese Autoren trugen gleichermaßen bei: Robert MX Wu, Zhongwu Zhang und Huan Zhang.

Diese Autoren haben diese Arbeit gemeinsam betreut: Yongwen Wang, Niusha Shafiabady und Wanjun Yan.

Fakultät für Ingenieurwesen und Informationstechnologie, University of Technology Sydney, Sydney, 2000, Australien

Robert MX Wu

Fakultät für Geographie, Shanxi Normal University, Taiyuan, 030009, China

Robert MX Wu, Zhongwu Zhang und Huan Zhang

Shanxi Fenxi Mining Industry (Group) Co. Ltd, Jiexiu, 032000, China

Yongwen Wang & Wanjun Yan

Fakultät für Naturwissenschaften und Technologie, Charles Darwin University (Sydney Campus), Sydney, 2000, Australien

Niusha Shafiabady

Shanxi Fenxi Mining Zhongxing Coal Industry Co. Ltd, Lvliang, 030500, China

Jinwen Gou

School of Engineering and Technology, Central Queensland University, Sydney, 2000, Australien

Ergun Gide

Taiyuan Normal University, Taiyuan, 030009, China

Siqing Zhang

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung: RMXWDatenerfassung: YW, WY, JG, HZ, Formale Analyse: RMXW, NS, HZ, SZIUntersuchung: RMXW, YW, NS, WY, JG Methodik: RMXW, NS, EG. Projektverwaltung: RMXW, ZZ, YW, WY, JG Ressourcen: RMXW, ZZ, YW, NS, WY, JG Aufsicht: RMXW, ZZ, YW, NS Validierung: RMXW, NS, HZ, SZVisualisierung: RMXW, HZSchreiben – Originalentwurf: RMXW, HZ, EGWriting – Überprüfung und Bearbeitung: RMXW, NS

Korrespondenz mit Robert MX Wu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wu, RMX, Zhang, Z., Zhang, H. et al. Ein FSV-Analyseansatz zur Überprüfung der Robustheit des theoretischen Rahmens der Dreifachkorrelationsanalyse. Sci Rep 13, 9621 (2023). https://doi.org/10.1038/s41598-023-35900-3

Zitat herunterladen

Eingegangen: 22. November 2022

Angenommen: 25. Mai 2023

Veröffentlicht: 14. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-35900-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.