НЕЙРОСЕТЕВЫЕ МОДЕЛИ ПРОГНОЗА ПОСЛЕДСТВИЙ ПОДРАБОТКИ ЗЕМНОЙ ПОВЕРХНОСТИ
DOI:
https://doi.org/10.24412/0136-4545-2024-4-104-112Ключевые слова:
прогноз сдвижений земной поверхности, методы прогноза, состояние горного массива, программное обеспечение, нейросетевые моделиПоддерживающие организации
Аннотация
В статье рассмотрены вопросы применения нейросетевых методов прогноза сдвижений земной поверхности при подземной отработке угольных пластов. Выделены недостатки применяемых методов прогноза. Проведен анализ используемых нейросетевых моделей в горном деле. Предложена структура нейросети для прогноза оседаний земной поверхности, учитывающая основные влияющие факторы.
Скачивания
Библиографические ссылки
1. Tan X. Extraction of Irregularly Shaped Coal Mining Area Induced Ground Subsidence Prediction Based on Probability Integral Method / X. Tan, B. Song, H. Bo, Y. Li, M. Wang, G. Lu // Applied Sciences. – 2020. – № 10(18):6623. – DOI: 10.3390/app10186623.
2. Федотов Г.С. Создание блочной геомеханической модели района Северомуйского тоннеля в ГГИС Micromine Origin and Beyond / Г.С. Федотов, Б.В. Курцев, А.М. Янбеков, А.Р. Умаров // Горный журнал. – 2023. – № 1. – С. 64-68. – DOI: 10.17580/gzh.2023.01.10.
3. Хажыылай Ч.В. Расчет паспорта прочности горных пород, находящихся в естественных условиях массива, с использованием критерия Хука-Брауна и программы RocData / Ч.В. Хажыылай,В.А.Еременко,М.А.Косырева,А.М.Янбеков//Горный информационно-
аналитический бюллетень. – 2018. – № 12. – С. 92–101.
4. Захаров В.Н. Анализ методов подготовки и преобразования информации, поступающей в хранилища данных для эффективного управления горнотехнической системой / В.Н. Захаров, Д.А. Клебанов, М.А. Макеев, Д.Н. Радченко // Горная промышленность. – 2023. – №(5S). – С. 10–17. – DOI: 10.30686/1609-9192-2023-5S-10-17.
5. Дрибан В.А. Прогноз образования провалов на подработанных территориях методом искусственного интеллекта на основе нейронных сетей / В.А. Дрибан, Б.В. Хохлов, А.В. Антипенко // Проблемы недропользования. – 2024. – № 3. – С. 51–61.
6. Ронкин М.В. Обзор применения глубоких нейронных сетей и параллельных архитектур в задачах фрагментации горных пород / М.В. Ронкин, Е.Н. Акимова, В.Е. Мисилов, К.И. Решетников // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. – 2023. – Т. 12, № 4. – С. 5–54. – DOI: 10.14529/cmse230401.
7. Великанов В.С. Технологии нейронных сетей в интеллектуальном анализе данных гранулометрического состава взорванных пород / В.С. Великанов, А.В. Дремин, С.А. Чернухин, Н.В. Ломовцева // Горная промышленность. – 2024. – № 4. – С. 90–94.
8. Куприянов В.В. Распознавание классов подземных аварий в угольных шахтах на основе нейросетевой технологии / В.В. Куприянов // Горный информационно-аналитический бюллетень. – 2022. – № 8. – С. 148–157.
9. Мальцев Е.Н. Нейросетевые технологии обработки данных для решения практических задач прогнозирования в ходе геолого-технологического моделирования / Е.Н. Мальцев // Золото и технологии: информационно-аналитический журнал. – 2021. – № 1. – С. 74-78.
10. ПБ 07269-98. Правила охраны сооружений и природных объектов от вредного влияния подземных горных разработок на угольных месторождениях. – Введ. 1998-10-01.– М., 1998. – 203 с.
11. ГСТУ 101.00159226.001– 2003. Правила подработки зданий, сооружений и природных объектов при добыче угля подземным способом. – Введ. 2003-10-28. – К., 2004. – 128 с.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Журнал теоретической и прикладной механики» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
