Разработка моделей прогноза площади поперечного сечения тоннеля при ведении буровзрывных работ

Одним из важнейших критериев оценки буровзрывного метода разрушения горных пород при проходке тоннеля является его значение площади поперечного сечения после взрывных работ. Площадь поперечного сечения тоннеля после взрывных работ определяет во многом виды и объемы работ, возникающие во время проходки тоннеля, такие как облицовка тоннеля, выемка и транспортировка грунта/скальной породы. В данной статье предложены два метода прогноза значения площади поперечного сечения тоннеля после взрыва: первая модель основана на методе искусственного интеллекта с использованием модели адаптивной нейро-нечеткой системы вывода (ANFIS); вторая модель – метод множественного линейного регрессионного анализа (MLRA). Для построенных прогнозных моделей определения площади поперечного сечения тоннеля после взрывных работ было проведено широкое сравнение численных результатов, полученных обоими методами (эффективность прогнозных моделей оценивалась по значениям среднеквадратичной ошибки RMSE и коэффициента детерминации R2). Значения RMSE и R2 модели MLRA равны 0,2135 и 0,9362, соответственно, для обучающих наборов данных. Эти значения для тестовых наборов данных равны 0,1827 и 0,9605, соответственно. В модели ANFIS, значения RMSE и R2 равны 0,099 и 0,9758 для обучающих наборах данных, а для тестовых наборов данных составляют 0,1211 и 0,9704, соответственно. Таким образом, был сделан вывод, что метод искусственного интеллекта с использованием модели ANFIS может быть использован при прогнозе значения площади поперечного сечения тоннеля после взрывных работ с достаточно высокой точностью.

Буй Мань Тунг, Нгуен Чи Тхань, Господариков А. П., Зацепин М. А. Разработка моделей прогноза площади поперечного сечения тоннеля при ведении буровзрывных работ // Горный информационно-аналитический бюллетень. – 2024. – № 6. – С. 31–49. DOI: 10.25018/0236_1493_2024_6_0_31.

Исследование проводилось при поддержке Министерства образования и профессиональной подготовки Вьетнама и Ханойского университета горного дела и геологии.

Буй Мань Тунг¹ — канд. техн. наук, доцент, e-mail: buimanhtung@humg.edu.vn, ORCID ID: 0000-0003-3559-0656,
Нгуен Чи Тхань¹ — канд. техн. наук, доцент, e-mail: nguyenthanh.xdctn47@gmail.com, ORCID ID: 0000-0003-4455-0234,
Господариков Александр Петрович² — д-р техн. наук, зав. кафедрой, e-mail: kvm1823@mail.ru, ORCID ID: 0000-0003-1018-6841,
Зацепин Михаил Александрович² — канд. физ.-мат. наук, доцент, e-mail: zatsepin_ma@pers.spmi.ru, ORCID ID: 0000-0002-6304-8349,
¹ Ханойский университет горного дела и геологии, Ханой, Вьетнам,
² Санкт-Петербургский горный университет императрицы Екатерины II.

Зацепин М.А., e-mail: zatsepin_ma@pers.spmi.ru.

1. Холодилов А. Н., Виноградов Ю. И. Методика прогнозирования колебаний наземных объектов при импульсном воздействии воздушных ударных волн // Горный информационно-аналитический бюллетень. — 2021. — № 2. — С. 55—63. DOI: 10.25018/0236-1493-2021-2-0-55-63.

2. Сабянин Г. В., Шиленко С. Ю., Трофимов А. В., Киркин А. П. Разгрузка массива горных пород взрывным способом на глубоких рудниках ЗФ ПАО «ГМК «Норильский никель» // Горный журнал. — 2021. — № 2. — С. 32—36. DOI: 10.17580/gzh.2021.02.04.

3. Iphar M. ANN and ANFIS performance prediction models for hydraulic impact hammers // Tunnelling and Underground Space Technology. 2012, vol. 27, no. 1, pp. 23—29. DOI: 10.1016/j. tust.2011.06.004.

4. Jang H., Topal E. Optimizing over break prediction based on geological parameters comparing multiple regression analysis and artificial neural network // Tunnelling and Underground Space Technology. 2013, vol. 38, pp. 161—169. DOI: 10.1016/j.tust.2013.06.003.

5. Hasanipanah M., Amine B. H., Arab H., Zamzam M. S. Feasibility of PSO—ANFIS model to estimate rock fragmentation produced by mine blasting // Neural Computing and Applications. 2016, vol. 30. DOI: 10.1007/s00521-016-2746-1.

6. Mottahedi A., Sereshki F., Ataei M. Development of overbreak prediction models in drill and blast tunneling using soft computing methods // Engineering with Computers. 2018, vol. 34, no. 1, pp. 45—58. DOI: 10.1007/s00366-017-0520-3.

7. Трушко В. Л., Баева Е. К. Обоснование рациональных параметров крепи комплекса горных выработок, проводимых в сложных горно-геологических условиях // Горный информационно-аналитический бюллетень. — 2023. — № 12. — С. 55—69. DOI: 10.25018/0236-1493-202312-0-55.

8. 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. — С. 67—80. DOI: 10.21177/19984502-2023-15-1-67-80.

9. Ibarra J. A., Maerz N. H., Franklin J. A. Overbreak and underbreak in underground openings part 2: causes and implications // Geotechnical and Geological Engineering. 1996, vol. 14, pp. 325— 340.

10. Мысин А. В., Ковалевский В. Н., Должиков В. В. Экспериментальные исследования параметров функционирования удлиненных зарядов различной конфигурации // Горный информационно-аналитический бюллетень. — 2022. — № 10. — С. 125—140. DOI: 10.25018/0236-14932022-10-0-125.

11. Kosko B. Neural networks and fuzzy systems: a dynamical systems approach to machine intelligence. Prentice Hall, New Delhi, 1994, 449 p.

12. Mandal S. K., Singh M. M., Dasgupta S. Theoretical concept to understand plan and design smooth blasting pattern // Geotechnical and Geological Engineering. 2008, vol. 26, no. 4, pp. 399— 416.

13. Monjezi M., Mohamadi H., Barati B., Khandelwal M. Application of soft computing in predicting rock fragmentation to reduce environmental blasting side effects // Arabian Journal of Geosciences. 2012, vol. 7, pp. 505—511.

14. Набатов В. В., Вознесенский А. С. Геомеханический анализ влияния строительства новых тоннелей в окрестности действующих подземных сооружений метрополитена на состояние грунтового массива // Записки Горного института. — 2023. — Т. 264. — С. 926—936.

15. Mohammad E., Morteza O., Rashidinejad F., Aghajani B. A., Mohammad T. Multiple regression, ANN and ANFIS models for prediction of backbreak in the open pit blasting // Engineering with Computers. 2014, vol. 30, pp. 549—558.

16. Chi T. N., Do N. A., Pham V. V., Gospodarikov A. Prediction of blast-induced the area of the tunnel face in underground excavations using fuzzy set theory ANFIS and artificial neural network ANN // International Journal of GEOMATE. 2022, vol. 23, no. 95, pp. 136—143.

17. Шабаров А. Н., Куранов А. Д. Основные направления развития горнодобывающей отрасли в усложняющихся горнотехнических условиях ведения горных работ // Горный журнал. — 2023. — № 5. — С. 5—10. DOI: 10.17580/gzh.2023.05.01.

18. Литвиненко В. С., Петров Е. И., Василевская Д. В., Яковенко А. В., Наумов И. А., Ратников М. А. Оценка роли государства в управлении минеральными ресурсами // Записки Горного института. — 2023. — Т. 259. — С. 95—111. DOI: 10.31897/PMI.2022.100.

19. Шадрин М. А., Сидоров Д. В., Корнаушенко А. П., Минзарипов Р. Г. Обоснование безопасных параметров междукамерных податливых целиков при применении технологической схемы со скважинной отбойкой руды и принудительной посадкой кровли в сложных удароопасных условиях шахт СУБРа // Горный журнал. — 2023. — № 1. — С. 85—88. DOI: 10.17580/gzh.2023. 01.14.

20. Протосеня А. Г., Беляков Н. А., Буслова М. А. Моделирование напряженно-деформированного состояния блочного горного массива рудных месторождений при отработке системами разработки с обрушением // Записки Горного института. — 2023. — Т. 262. — С. 619—627.

21. Nguyen Tai Tien, Do N. A., Karasev M. A., Kien D. V., Dias D. Influence of tunnel shape on tunnel lining behavior // Proceedings of the Institution of Civil Engineers: Geotechnical Engineering, 2021, vol. 74, no. 4, pp. 355—371. DOI: 10.1680/jgeen.20.00057.

22. Kim Y., Moon H. K. Application of the guideline for overbreak control in granitic rock masses in Korean tunnels // Tunnelling and Underground Space Technology. 2013, vol. 35, pp. 67—77. DOI: 10.1016/j.tust.2012.11.008.

23. Ghasemi E., Kalhori H., Bagherpour R. A new hybrid ANFIS—PSO model for prediction of peak particle velocity due to bench blasting // Engineering with Computers. 2016, vol. 32, no. 4, pp. 607—614.

24. Shoorehdeli M. A., Teshnehlab M., Sedigh A. K. Identification using ANFIS with intelligent hybrid stable learning algorithm approaches // Neural Computing and Applications. 2009, vol. 18, pp. 157—174.

25. Fisne A., Kuzu C., Hüdaverdi T. Prediction of environmental impacts of quarry blasting operation using fuzzy logic // Environmental Monitoring and Assessment. 2011, vol. 174, pp. 461—470.

26. Anatolyev S. Durbin-Watson statistic and random individual effects // Econometric Theory. 2003, vol. 19, no. 5, pp. 882—883.

27. Jang R. J. S. Anfis: adaptive-network-based fuzzy inference system // IEEE Transactions on Systems Man and Cybernetics. 1993, vol. 23, no. 3, pp. 665—685.

28. Jang R. J. S., Sun C. T., Mizutani E. Neuro-fuzzy and soft computing. Prentice-Hall, Upper Saddle River, 1997, 614 p.

29. Mohamed M. T. Performance of fuzzy logic and artificial neural network in prediction of ground and air vibrations // International Journal of Rock Mechanics and Mining Sciences. 2011, vol. 48, no. 5, pp 845—851.

30. Ozer U., Kahriman A., Aksoy M., Adiguzel D., Karadogan A. The analysis of ground vibrations induced by bench blasting at Akyol quarry and practical blasting charts // Environmental Geology. 2008, vol. 54, pp. 737—743.

31. Кашников А. В., Круглов Ю. В. Стратегия управления проветриванием рудника в оптимальном режиме с использованием аппарата нечеткой логики // Записки Горного института. — 2023. — Т. 262. — С. 594—605. DOI: 10.31897/PMI.2022.75.

32. Sedykh I., Istomin V. Management of the strip cooling process using neural networks based on clustered dat / 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency. 2020, pp. 375—377.

33. Looney C. G. Advances in feed-forward neural networks: demystifying knowledge acquiring black boxes // IEEE Transactions on Knowledge and Data Engineering. 1996, vol. 8, no. 2, pp. 211— 226.

34. Swingler K. Applying neural networks: a practical guide. Academic Press. New York, 1996, 303 p.

35. Zorlu K., Gokceoglu C., Ocakoglu F., Nefeslioglu H. A., Acikalin S. Prediction of uniaxial compressive strength of sandstones using petrography-based models // Engineering Geology. 2008, vol. 96, pp. 141—158.