Передовые методы и средства геомеханического мониторинга на основе технологий машинного обучения

При геомеханическом мониторинге удароопасных месторождений современные системы контроля горного давления регистрируют значительные объемы данных. Для обработки таких массивов данных необходимым становится применение передовых методов и средств на основе технологий машинного обучения. Работа посвящена обработке данных системы «Prognoz-ADS» Николаевского месторождения. Иерархический подход к обработке данных требует средств автоматической классификации данных нижнего уровня – зарегистрированных импульсов. Импульсы делятся на три категории: естественная акустическая эмиссия, сигналы от буровых работ, а также сигналы, возникающие при проведении взрывных работ. В процессе исследования рассмотрены основные этапы проектирования классификационной модели машинного обучения. Полученная модель достигла точности выше 95%, что позволяет получать более полную информацию о состоянии породного массива и способствует повышению безопасности ведения горных работ.

Грунин А. П., Константинов А. В., Ломов М. Е. Передовые методы и средства геомеханического мониторинга на основе технологий машинного обучения // Горный информационно-аналитический бюллетень. – 2025. – № 12-2. – С. 166–179. DOI: 10.25018/0236_1493_2025_122_0_166.

Грунин Алексей Петрович¹ — канд. техн. наук, старший научный сотрудник, e-mail: lexx188@mail.ru, ORCID ID: 0009-0002-2394-5608,
Константинов Александр Викторович¹ — научный сотрудник, e-mail: alex-sdt@yandex.ru, ORCID ID: 0000-0001-6481-292X, 
Ломов Михаил Андреевич¹ — младший научный сотрудник, e-mail: 9241515400@mail.ru,
¹ Институт горного дела Дальневосточного отделения РАН.

Грунин А.П., e-mail: lexx188@mail.ru.

1. 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.

2. Рассказов И. Ю., Аникин П. А., Грунин А. П., Мигунов Д. С., Терешкин А. А. Совершенствование технических средств локального контроля удароопасности при ведении горных работ // Физико-технические проблемы разработки полезных ископаемых. — 2023. — № 5. — С. 177—184. DOI: 10.15372/FTPRPI20230519.

3. Abetov A., Kudaibergenova S., Sidorov V. Creation of geodynamic polygons and technologies for conducting geodynamic monitoring in the hydrocarbon fields // Engineering Journal of Satbayev University. 2021, vol. 143, no. 2, pp. 3—13. DOI: 10.51301/vest.su.2021.i2.01.

4. Рассказов И. Ю., Аникин П. А., Грунин А. П., Константинов А. В. Методы и средства геомеханического мониторинга для безопасного и эффективного освоения недр // Горный журнал. — 2025. — № 3. — С. 4—11. DOI: 10.17580/gzh.2025.03.01.

5. Рассказов И. Ю., Федотова Ю. В., Аникин П. А., Мигунов Д. С., Константинов А. В. Совершенствование методов и средств геомеханического мониторинга на основе цифровых технологий // Горная промышленность. — 2023. — № S5. — С. 18—24. DOI: 10.30686/1609-9192-2023-5S-18-24.

6. Бычков И. В., Владимиров Д. Я., Опарин В. Н., Потапов В. П., Шокин Ю. И. Горная информатика и проблема «больших данных» в построении комплексных мониторинговых систем безопасности недропользования // Физико-технические проблемы разработки полезных ископаемых. — 2016. — № 6. — С. 163—179.

7. Song Y., Wang E., Yang H., Liu C., Di Y., Li B., Chen D. Comprehensive early warning of rockburst hazards based on unsupervised learning // Physics of Fluids. 2024, vol. 36, no. 7, article 076628. DOI: 10.1063/5.0221722.

8. 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.

9. Радисавлевич Й. Применение искусственных нейронных сетей для прогнозирования интенсивности сейсмических колебаний пород на медном руднике «Велики Кривель» // Физико-технические проблемы разработки полезных ископаемых. — 2023. — № 2. — С. 34—47. DOI: 10.15372/FTPRPI20230204.

10. Ahn H., Kim S., Lee K., Choi A., You K. Imbalanced seismic event discrimination using supervised machine learning // Sensors. 2022, vol. 22, article 2219. DOI: 10.3390/s22062219.

11. Zhang W. An improved DBSCAN algorithm for hazard recognition of obstacles in unmanned scenes // Soft Computing. 2023, vol. 27, pp. 18585—18604.

12. Schubert E., Sander J., Ester M., Kriegel H. P., Xu X. DBSCAN revisited, revisited: Why and how you should (still) use DBSCAN // ACM Transactions on Database Systems. 2017, vol. 42, no. 3, pp. 1—21. DOI: 10.1145/3068335.

13. Radeef Z. M., Hashem S. H., Gbashi E. K. New feature selection using principal component analysis // Journal of Soft Computing and Computer Applications. 2024, vol. 1, no. 2, article 1012. DOI: 10.70403/3008-1084.1012.

14. Das M. P., Dhar V. K., Verma S., Yadav K. K. Dimensionality reduction and sensitivity improvement for TACTIC Cherenkov data using t-SNE machine learning algorithm // Nuclear Instruments and Methods in Physics Research Section A. 2023, vol. 1057, article 168683. DOI: 10.1016/j.nima.2023.168683.

15. Jing R., Xue L., Li M., Yu L., Luo J. layerUMAP: A tool for visualizing and understanding deep learning models in biological sequence classification using UMAP // iScience. 2022, vol. 25, no. 12, article 105530. DOI: 10.1016/j.isci.2022.105530.

16. Butorin A., Mokhov G. Implementation of seismic facies analysis using the random forest classification // ProGREss’21, European Association of Geoscientists & Engineers. 2021, vol. 2021, pp. 1—5. DOI: 10.3997/2214-4609.202159080.

17. Oktafiani R., Hermawan A., Avianto D. Max depth impact on heart disease classification: decision tree and random forest // Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi). 2024, vol. 8, pp. 160—168.

18. Doke P., Shrivastava D., Pan C., Zhou Q., Zhang Y.-D. Using CNN with Bayesian optimization to identify cerebral micro-bleeds // Machine Vision and Applications. 2020, vol. 31, article 67. DOI: 10.1007/s00138-020-01087-0.

19. Markoulidakis J., Kopsiaftis G., Rallis I., Georgoulas I. Multiclass confusion matrix reduction method and its application on net promoter score classification problem // Technologies. 2021, vol. 9, no. 4, article 81. DOI: 10.1145/3453892.3461323.

20. Mazumder P., Baruah S. A hybrid model for predicting classification dataset based on random forest, support vector machine and artificial neural network // International Journal of Innovative Technology and Exploring Engineering. 2023, vol. 13, pp. 19—25. DOI: 10.35940/ijitee.A9757.1213123.