Комплексный подход к прогнозированию сейсмической активности в горных выработках: интеграция временных рядов и нейронных сетей

Исследование направлено на разработку методики прогнозирования геодинамических событий в горных выработках. Представлен комплексный подход к анализу сейсмических данных, сочетающий методы временных рядов, машинного обучения и нейронных сетей. Выполнен ретроспективный анализ данных, собранных сейсмостанцией Шерегешского месторождения за период 2016–2024 гг. Для определения паттернов применены кластеризация и анализ автокорреляции, выявивший авторегрессионный процесс первого порядка с коэффициентом 0.422. Кластеризация позволяет выявить зоны с различной сейсмической активностью и аномальные события. Тесты стационарности показали противоречивые результаты, что объясняется наличием сезонности и цикличности горных работ. Установлена нестационарность, связанная с техногенными факторами. Для прогнозирования среднедневной энергии событий реализована рекуррентная нейронная сеть с долгой краткосрочной памятью, обученная на 90-дневных окнах сейсмических данных. Модель продемонстрировала эффективность в учете долгосрочных зависимостей и применимость для прогнозирования сейсмической активности в условиях изменяющейся геомеханической среды. Определены стандартные метрики оценки качества: средняя абсолютная ошибка – 0б19, среднеквадратичная ошибка – 0б31. Исследование вносит вклад в развитие методов прогнозирования геодинамических рисков, предлагая адаптивные решения для горной промышленности.

Конурин А. И., Орлов Д. В. Комплексный подход к прогнозированию сейсмической активности в горных выработках: интеграция временных рядов и нейронных сетей // Горный информационно-аналитический бюллетень. – 2025. – № 10. – С. 140–152. DOI: 10.25018/0236_1493_2025_10_0_140.

Исследование выполнено за счет гранта Российского научного фонда № 25-27-00034, https://rscf.ru/project/25-27-00034/.

Конурин Антон Игоревич¹ — канд. техн. наук, старший научный сотрудник, e-mail: konurin@misd.ru, ORCID ID: 0000-0003-3373-2382,
Орлов Дмитрий Витальевич¹ — аспирант, инженер, e-mail: dmiorl@gmail.com,
¹ Институт горного дела им. Н.А. Чинакала СО РАН.

Конурин А.И., e-mail: konurin@misd.ru.

1. Пелипенко М. В., Айнбиндер И. И., Рыльникова М. В. Принципы оценки риска аварии при эксплуатации подземных рудников // Известия Тульского государственного университета. Науки о Земле. — 2021. — № 4. — С. 178—192. DOI: 10.46689/2218-5194-2021-4-1-178-192.

2. Сидоров Д. В., Потапчук М. И., Сидляр А. В. Прогнозирование удароопасности тектонически нарушенного рудного массива на глубоких горизонтах Николаевского полиметаллического месторождения // Записки Горного института. — 2018. — Т. 234. — С. 604—611. DOI: 10.31897/PMI.2018.6.604.

3. Ломов М. А., Сидляр А. В. Оценка факторов удароопасности Николаевского месторождения с помощью системы 3D-моделирования результатов сейсмоакустического мониторинга // Проблемы недропользования. — 2021. — № 1. — С. 64—72. DOI: 10.25635/2313-1586.2021.01.064.

4. Корчак П. А., Карасев М. А. Геомеханическое обоснование формирования зон хрупкого разрушения пород в окрестности сопряжений горных выработок рудников АО «АПАТИТ» // Устойчивое развитие горных территорий. — 2023. — Т. 15. — № 1 (55). — С. 67—80. DOI: 10.21177/1998-4502-2023-15-1-67-80.

5. Козырев А. А., Батугин А. С., Жукова С. А. О влиянии обводненности массива на его сейсмическую активность при разработке апатитовых месторождений Хибин // Горный журнал. — 2021. — № 1. — С. 31—36. DOI: 10.17580/gzh.2021.01.06.

6. Козырев А. А., Журавлева О. Г., Жукова С. А. Пространственно-временные вариации сейсмичности в районе Саамского разлома (Хибинский массив, Кольский полуостров) // Горный журнал. — 2023. — № 1. — С. 79—84. DOI: 10.17580/gzh.2023.01.13.

7. Грунин А. П., Сидляр А. В., Косматов С. Б. Снижение погрешности локации сейсмоакустических событий в системе геомеханического мониторинга массива горных пород PROGNOZ-ADS // Вестник Тихоокеанского государственного университета. — 2024. — № 1 (72). — С. 13—20.

8. Авдеев А. Н., Сосновская Е. Л. Обоснование рациональных параметров систем разработки наклонных жил малой и средней мощности при изменении криоусловий // Известия Тульского государственного университета. Науки о Земле. — 2022. — № 2. — С. 157—168. DOI: 10.46689/2218-5194-2022-2-1-157-168.

9. Беседина А. Н., Кишкина С. Б., Кочарян Г. Г. Параметры источников роя микросейсмических событий, инициированных взрывом на Коробковском железорудном месторождении // Физика Земли. — 2021. — № 3. — С. 63—81. DOI: 10.31857/S0002333721030030.

10. Батугин А. С. Геодинамические эффекты предельно напряженного состояния земной коры // Горная промышленность. — 2023. — № S1. — С. 14—21. DOI: 10.30686/1609-9192-2023-S1-14-21.

11. Беседина А. Н., Гридин Г. А., Кочарян Г. Г., Морозова К. Г., Павлов Д. В. Активизация сейсмоакустических событий после массовых взрывов на железорудном месторождении Курской магнитной аномалии // Физико-технические проблемы разработки полезных ископаемых. — 2024. — № 1. — С. 3—14. DOI: 10.15372/FTPRPI20240101.

12. Ловчиков А. В. Новая концепция механизма горно-тектонических ударов и других динамических явлений для условий рудных месторождений // Горные науки и технологии. — 2020. — Т. 5. — № 1. — С. 30—38. DOI: 10.17073/2500-0632-2020-1-30-38.

13. Гвишиани А. Д., Панченко В. Я., Никитина И. М. Системный анализ больших данных для наук о Земле // Вестник Российской академии наук. — 2023. — Т. 93. — № 6. — С. 518—525. DOI: 10.31857/S0869587323060087.

14. Konurin A., Neverov S., Neverov A., Orlov D., Zharov I., Konurina M. Application of artificial neural networks for stress state analysis based on the photoelastic method // Geohazard Mechanics. 2023, vol. 1, no. 2, pp. 128—139. DOI: 10.1016/j.ghm.2023.03.001.

15. Еременко А. А., Мулев С. Н., Штирц В. А. Мониторинг геодинамических явлений микросейсмическим методом при освоении удароопасных месторождений // Физико-технические проблемы разработки полезных ископаемых. — 2022. — № 1. — С. 12—22. DOI: 10.15372/ FTPRPI20220102.

16. Романевич К. В., Мулёв С. Н. Автоматизация классификации сейсмических событий при сейсмомониторинге угольной шахты с использованием машинного обучения // Горная промышленность. — 2023. — № S5. — С. 58—64. DOI: 10.30686/1609-9192-2023-5S-58-64.

17. Mousavi S. M., Ellsworth W. L., Zhu W., Chuang L. Y., Beroza G. C. Earthquake transformer-an attentive deep-learning model for simultaneous earthquake detection and phase picking // Nature Communications. 2020, vol. 11, no. 1, pp. 1—12. DOI: 10.1038/s41467-020-17591-w.

18. Alsharef A., Aggarwal K., Sonia G., Kumar M., Mishra A. Review of ML and AUTOML solutions to forecast time-series data // Archives of Computational Methods in Engineering. 2022, vol. 29, no. 7, pp. 5297—5311. DOI: 10.1007/s11831-022-09765-0.

19. Sherstinsky A. Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network // Physica D: Nonlinear Phenomena. 2020, vol. 404, article 132306. DOI: 10.1016/j. physd.2019.132306.

20. Sarker I. H. Deep learning: a comprehensive overview on techniques, taxonomy, applications and research directions // SN Computer Science. 2021, vol. 2, no. 6. DOI: 10.1007/s42979-021-00815-1.

21. Di Y., Wang E., Li Z., Liu X., Huang T., Yao J. Comprehensive early warning method of microseismic, acoustic emission, and electromagnetic radiation signals of rock burst based on deep learning // International Journal of Rock Mechanics and Mining Sciences. 2023, vol. 170, article 105519. DOI: 10.1016/j.ijrmms.2023.105519.