Библиографическое описание:АВТОМАТИЗИРОВАННАЯ ДИАГНОСТИКА СОСТОЯНИЯ ГОРНЫХ МАССИВОВ НА ОСНОВЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА : научное издание / В. В. Кукарцев, С. В. Пчелинцева. - Текст : непосредственный // Известия Тульского государственного университета. Науки о Земле. - 2025. - № 3. - С. 275-279. - ISSN 2218-5194.
Аннотация:Рассмотрены подходы к автоматизации диагностики состояния горных массивов с использованием методов искусственного интеллекта. Создан прототип системы, основанный на анализе ограниченного набора диагностических признаков, включающих акустическую эмиссию, скорость распространения упругих волн и характеристики устойчивости образцов при нагружении. Проведенные эксперименты показали, что применение алгоритмов машинного обучения, включая нейронные сети и градиентный бустинг, обеспечивает точность классификации до 91 % при перекрестной проверке. Полученные результаты подтверждают способность системы выявлять потенциальные очаги нестабильности и формировать прогностические решения даже при неполных данных. Разработанный прототип может служить основой для создания комплексных систем мониторинга, интегрирующих лабораторные и полевые наблюдения, что позволит повысить надежность и безопасность эксплуатации горнодобывающих объектов.
This study examines approaches to automating rock mass stability diagnostics using artificial intelligence methods. A prototype system was developed based on a limited set of diagnostic indicators, including acoustic emission, elastic wave propagation velocity, and specimen stability under loading. Experimental results demonstrated that the application of machine learning algorithms, such as neural networks and gradient boosting, achieved classification accuracy of up to 91% under cross-validation. The findings confirm the system’s ability to identify potential instability zones and generate predictive assessments even with incomplete data. The developed prototype can serve as a foundation for comprehensive monitoring systems integrating laboratory and field observations, thereby enhancing the reliability and safety of mining operations.
