О МЕТОДЕ ОБРАБОТКИ ДАННЫХ СЕЙСМИЧЕСКОГО И ДЕФОРМАЦИОННОГО МОНИТОРИНГА ПРИ ВЕДЕНИИ ПОДЗЕМНЫХ ГОРНЫХ РАБОТ НА ПРИМЕРЕ КИКУСВУМЧОРРСКОГО МЕСТОРОЖДЕНИЯ АО «АПАТИТ»

Задачей настоящего исследования является разработка метода оценки результатов мониторинга геомеханических процессов в массиве горных пород на примере Объединенного Кировского рудника АО «Апатит». Задача прогнозирования основных параметров напряженного состояния массива горных пород, как и любая другая проблема, возникающая в процессе работы с большими массивами данных, зависит как от выбора числа, так и от типа аппроксимирующих функций. Несмотря на значительное число формальных метрик качества и способов оценки параметров, для каждого конкретного массива данных аппроксимирующие модели и критерии должны подбираться индивидуально. В результате проведения подземных горных работ в массиве горных пород происходит изменение его естественного напряженного состояния. Изложены алгоритмы машинного обучения в прикладных задачах геомеханики и геоинформатики. Сопоставляя график ведения горных работ и данные сейсмической активности с временными рядами деформаций, основанных на данных деформационного мониторинга, можно получить функциональную взаимосвязь, которая позволяет прогнозировать распределение деформаций в массиве горных пород. Приводятся результаты вычислительного эксперимента, иллюстрирующего возможность и целесообразность применения алгоритмов машинного обучения при решении задач геомеханики.


Для цитирования: Господариков А. П., Морозов К. В., Ревин И. Е. О методе обработки данных сейсмического и деформационного мониторинга при ведении подземных горных работ на примере Кикусвумчоррского месторождения АО «Апатит» // Горный информационно-аналитический бюллетень. – 2019. – № 8. – С. 157–168. DOI: 10.25018/0236-1493-2019-08-0-157-168.

Ключевые слова

Алгоритм, градиентный бустинг, мониторинг, Хибинские апатит-нефелиновые месторождения, геоинформатика.

Номер: 8
Год: 2019
ISBN: 0236-1493
UDK: 622.83.551.252
DOI: 10.25018/0236-1493-2019-08-0-157-168
Авторы: Господариков А. П., Морозов К. В., Ревин И. Е.

Информация об авторах: Господариков Александр Петрович — д-р техн. наук, профессор, Морозов Константин Валентинович — канд. техн. наук, Ревин Илья Евгеньевич1 — аспирант, revine@inbox.ru, Санкт-Петербургский горный университет. Для контактов: Ревин И.Е., e-mail: revine@inbox.ru.

Библиографический список:

1. Протосеня А. Г., Вербило П. Э. Изучение прочности на сжатие трещиноватого горного массива // Записки Горного института. — 2017. — Т. 223. — С. 51—57.

2. Ridgeway G. The state of boosting // Computing Science and Statistics. 1999, Vol. 31. Pp. 172—181.

3. Мишулина О. А. Статистический анализ и обработка временных рядов. — М.: МИФИ, 2004. — 180 с.

4. Holt Charles C. Forecasting trends and seasonal by exponentially weighted averages // International Journal of Forecasting. January—March 2004. 20 (1): 5—10.

5. Friedman J. H. Greedy Function Approximation: a Gradient Boosting Machine. Technical Report. Dept. of Statistics, Stanford University, 1999.

6. Mason L., Baxter J., Bartlett P. L., Frean Marcus. Boosting Algorithms as Gradient Descent (PDF) / In S. A. Solla and T.K. Leen and K. Müller. Advances in Neural Information Processing Systems 12. MIT Press. 1999. pp. 512—518.

7. Brown R. G., Meyer R. F. The fundamental theorum of exponential smoothing. Oper. Res, 1961. Vol. 9. no 5.

8. Muller A., Guido S. Introduction to Machine Learning with Python: A Guide for Data Scientist. Moscow: O'Reilly Media, 2017. p. 392.

9. Силен Д., Мейсман А., Али М. Основы Data Science и Big Data. Python и наука о данных. — СПб.: Питер, 2017. — 336 с.

10. Brown Robert Goodell Smoothing Forecasting and Prediction of Discrete Time Series. Englewood Cliffs, NJ: Prentice-Hall. 1963.

11. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003. — 416 с.

12. Подкорытова О. А., Соколов М. В. Анализ временных рядов: учебное пособие для бакалавриата и магистратуры. 2-е изд., перераб. и доп. — М.: Изд-во Юрайт, 2018. — 267 с.

13. Box G., Jenkins G., Reinsel G., Ljung G. Time series analysis: forecasting and control. John Wiley & Sons, 2015.

14. Aravkin A., Burke J. V. , Ljung L., Lozano A., Pillonetto G. Generalized kalman smoothing: Modeling and algorithms. Survey to appear in Automatica, 2017.

15. Aravkin A., Abrami A., Kim Y. Time series using exponential smoothing cells. Stat ML, 2017.

Наши партнеры

Подписка на рассылку

Раз в месяц Вы будете получать информацию о новом номере журнала, новых книгах издательства, а также о конференциях, форумах и других профессиональных мероприятиях.