Библиографическое описание:ИНТЕРПРЕТИРУЕМЫЕ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧАХ ОЦЕНКИ ЭКОЛОГИЧЕСКОЙ И ПРОМЫШЛЕННОЙ БЕЗОПАСНОСТИ ГОРНОДОБЫВАЮЩИХ ПРЕДПРИЯТИЙ : научное издание / Л. А. Казаковцев [и др.]. - Текст : непосредственный // Известия Тульского государственного университета. Науки о Земле. - 2026. - № 1. - С. 169-174. - ISSN 2218-5194.
Аннотация:Рассматривается применение интерпретируемых моделей машинного обучения для оценки экологической и промышленной безопасности горнодобывающих предприятий. В качестве методического подхода использован алгоритм решающего дерева регрессии, позволяющий не только выполнять прогнозирование интегрального показателя безопасности, но и анализировать влияние отдельных производственных и экологических факторов. Исследование выполнено на основе статистических данных, характеризующих технологические параметры добычи, уровень выбросов загрязняющих веществ, образование отходов, энергопотребление и надежность оборудования. В ходе эксперимента проведена подготовка и нормализация данных, обучение модели и оценка ее точности. Дополнительно выполнен анализ важности признаков с использованием метода SHAP. Полученные результаты показали, что наибольшее влияние на уровень безопасности оказывают показатели удельных выбросов, энергопотребления и надежности оборудования. Предложенный подход может применяться в системах анализа и управления экологическими и производственными рисками.
The article considers the application of interpretable machine learning models for assessing the environmental and industrial safety of mining enterprises. A regression decision tree algorithm was used as the main methodological approach, enabling not only prediction of the integrated safety indicator but also interpretation of the influence of individual production and environmental factors. The study is based on statistical data describing technological parameters of mining operations, pollutant emissions, waste generation, energy consumption, and equipment reliability. The experimental procedure included data preprocessing and normalization, model training, and evaluation of predictive accuracy. Additionally, feature importance analysis was carried out using the SHAP method. The results show that specific emissions, energy consumption, and equipment reliability have the greatest influence o n the safety indicator. The proposed approach can be used as a tool for analytical support of environmental and industrial risk management in mining enterprises.
