Разработка комплекса нейросетевых моделей для идентификации типа источника акустического излучения на удароопасном месторождении

Современные подходы в изучении геомеханических процессов включают математическое моделирование и широкое использование методов машинного обучения. Максимальный прогресс достигается при сочетании натурных и теоретических методов с непрерывным мониторингом интеллектуальными геомеханическими системами. В работе особое внимание уделено системе геоакустического мониторинга Prognoz-ADS, установленной на полиметаллическом руднике «Южный» в Восточном Приморье, одном из наиболее удароопасных в России. Система позволяет осуществлять регистрацию акустических волн, вызванных микроразрушениями пород, и выявлять зарождающиеся очаги опасных геодинамических явлений. Эффективность ее работы во многом зависит от решения проблемы выделения полезных сигналов в общем потоке регистрируемых событий. Предложенные алгоритмы на основе нейросетевых моделей позволяют классифицировать акустические сигналы по источникам излучения. В процессе проведенных исследований была разработана ансамблевая модель машинного обучения, включающая комплекс нейронных сетей, дающая возможность на основе параметрических характеристик акустических сигналов идентифицировать тип источника. Полученные результаты свидетельствуют о высокой эффективности применения разработанных средств для выделения из потока акустических данных сигналов естественного происхождения, количество которых на руднике «Южный» составило около 14,8% от общего числа зарегистрированных импульсов. Это позволяет улучшить автоматизацию обработки данных, получать более полную информацию о геомеханическом состоянии породного массива и способствует повышению безопасности и эффективности горных работ.

Константинов А. В., Рассказов И. Ю. Разработка комплекса нейросетевых моделей для идентификации типа источника акустического излучения на удароопасном месторождении // Горный информационно-аналитический бюллетень. – 2024. – № 11. – С. 23–36. DOI: 10.25018/0236_1493_2024_11_0_23.

Константинов Александр Викторович — научный сотрудник, Институт горного дела Дальневосточного отделения РАН, e-mail: alex-sdt@yandex.ru, ORCID ID: 0000-0001-6481-292X,
Рассказов Игорь Юрьевич — член-корреспондент РАН, д-р техн. наук, директор, Хабаровский Федеральный исследовательский центр Дальневосточного отделения РАН, e-mail: rasskazov@igd.khv.ru, ORCID ID: 0000-0002-2215-6642.

Константинов А.В., e-mail: alex-sdt@yandex.ru.

1. Батугин А. С., Батугина И. М. Петухов И. М. Горное дело и окружающая среда. Геодинамика недр. — М.: Недра, 2012. — 121 с.

2. Кочарян Г. Г. Возникновение и развитие процессов скольжения в зонах континентальных разломов под действием природных и техногенных факторов. Обзор современного состояния вопроса // Физика Земли. — 2021. — № 4. — С. 3—41. DOI: 10.31857/S0002333721040062.

3. Feng J., Wang E., Ding H., Huang Q., Chen X. Deterministic seismic hazard assessment of coal fractures in underground coal mine. A case study // Soil Dynamics and Earthquake Engineering. 2020, vol. 129, article 105921. DOI: 10.1016/j.soildyn.2019.105921.

4. Batugin A. A proposed classification of the Earth's crustal areas by the level of geodynamic threat // Geodesy and Geodynamics. 2021, vol. 12, no. 1, pp. 21—30. DOI: 10.21203/rs.3.rs-62724/v1.

5. Козырев А. А., Савченко С. Н., Панин В. И., Семенова И. Э., Рыбин В. В., Федотова Ю. В., Козырев С. А. Геомеханические процессы в геологической среде горнотехнических систем и управление геодинамическими рисками. — Апатиты: КНЦ РАН, 2019. — 431 с. DOI: 10.37614/ 978.5.91137.391.7.

6. Oparin V., Tapsiev A., Freidin A. Classification of mining methods for deep orebodies / Advances in Applied Strategic Mine Planning. Springer, Cham, 2018, pp. 559—572. DOI: 10.1007/978-3-31969320-0_32.

7. Шабаров А. Н., Цирель С. В., Морозов К. В., Рассказов И. Ю. Концепция комплексного геодинамического мониторинга на подземных горных работах // Горный журнал. — 2017. — № 9. — С. 59—64. DOI: 10.17580/gzh.2017.09.11.

8. Трубецкой К. Н., Викторов С. Д., Осокин А. А., Шляпин А. В. Прогноз горных ударов на основе контроля эмиссии субмикронных частиц при деформировании и разрушении горных пород // Горный журнал. — 2017. — № 6. — С. 16—20. DOI: 10.17580/gzh.2017.06.03.

9. Zhou J., Zhang Y., Li C., He H., Li X. Rockburst prediction and prevention in underground space excavation // Underground Space. 2023, vol. 14, pp. 70—98. DOI: 10.1016/j.undsp.2023.05.009.

10. Feng X. T., Liu J., Chen B., Xiao Y., Feng G., Zhang F. Monitoring, warning, and control of rockburst in deep metal mines // Engineering. 2017, vol. 3, no. 4, pp. 538—545. DOI: 10.1016/J.ENG. 2017.04.013.

11. Wang A., Qiu L., Liu Y., Lou Q., Sun Z., Wang W. Study on synchronous response law of acoustic and electrical signals of outburst coal rock under load and fracture // Geofluids. 2023, no. 2, pp. 1—11. DOI: 10.1155/2023/1253236.

12. He X., Zhou C., Song D., Li X., He S., Khan M., Cao A. Mechanism and monitoring and early warning technology for rockburst in coal mines // International Journal of Minerals, Metallurgy and Materials. 2021, no. 28, pp. 1097—1111. DOI: 10.1007/s12613-021-2267-5.

13. Manchao H., Fuqiang R., Dongqiao L. Rockburst mechanism research and its control // International Journal of Mining Science and Technology. 2018, vol. 28, no. 5, pp. 829—837. DOI: 10.1016/j. ijmst.2018.09.002.

14. Рассказов И. Ю., Калинов Г. А., Аникин П. А., Мигунов Д. С. Патент на промышленный образец РФ № 129484, 25.01.2022. Автоматизированная система контроля горного давления Prognoz-ADS.

15. Аглетдинов Э. А. Исследование процесса деформации металлических материалов с применением статистического подхода к анализу временных рядов акустической эмиссии: Автореф. дис. … канд. физ.-мат. наук. — Самара: ТГУ, 2021. — 24 с.

16. Краснояров Н. А., Дмитриева Т. Л. Современное состояние методов неразрушающего контроля и возможности их автоматизации // Ученые записки Комсомольского-на-Амуре государственного технического университета. — 2022. — № 3(59). — С. 35—42. DOI: 10.17084/207643592022-59-35.

17. Gholizadeh S., Leman Z., Baharudin B. T. H. T. State-of-the-art ensemble learning and unsupervised learning in fatigue crack recognition of glass fiber reinforced polyester composite (GFRP) using acoustic emission // Ultrasonics. 2023, vol. 132, article 106998. DOI: 10.1016/j.ultras.2023.106998.

18. Peng K., Tang Z., Dong L., Sun D. Machine learning based identification of microseismic signals using characteristic parameters // Sensors. 2021, no. 21, 6967. DOI: 10.3390/s21216967.

19. Çakır E., Parascandolo G., Heittola T., Huttunen H., Virtanen T. Convolutional recurrent neural networks for polyphonic sound event detection // IEEE ACM Transactions on Audio, Speech, and Language Processing. 2017, vol. 25, no. 6, pp. 1291—1303. DOI: 10.1109/TASLP.2017.2690575.

20. Liu R. Research on feature fusion method of mine microseismic signal based on unsupervised learning // Shock and Vibration. 2021, vol. 2021. DOI: 10.1155/2021/9544997.

21. Olkhovskiy M., Mullerova E., Martinek P. Impulse signals classification using one dimensional convolutional neural network // Journal of Electrical Engineering. 2020, vol. 71, no. 6, pp. 397—405. DOI: 10.2478/jee-2020-0054.

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

23. Аникин П. А., Терешкин А. А., Сидляр А. В., Рассказов М. И., Константинов А. В., Грунин А. П. Свидетельство о государственной регистрации базы данных РФ № 2023624340, 04.12.2023. База данных South-Dalpolimetall системы геомеханического мониторинга PrognozADS.