Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: intelligent systems, decision support systems, mineral extraction, production data analysis, machine learning, technological process optimization, интеллектуальные системы, поддержка принятия решений, добыча полезных ископаемых, анализ производственных данных, машинное обучение, оптимизация технологических процессов
Аннотация: Рассматривается разработка и исследование элементов интеллектуальной системы поддержки принятия решений для управления технологическими процессами добычи полезных ископаемых. Основу системы составляет модель машинного обучения, предназначенная для анализа производственных данных и выявления зависимостей между параметрами работы обоПоказать полностьюрудования и показателями эффективности добычи. Экспериментальные исследования выполнены на основе массива технологических данных, включающего показатели производительности оборудования, энергетических затрат и режимов работы добычного участка. В результате обучения модели получена прогнозная зависимость, позволяющая оценивать производительность оборудования при различных комбинациях технологических параметров. Проведённое моделирование показало, что использование рекомендаций интеллектуальной системы позволяет повысить производительность добычного оборудования и снизить удельные энергетические затраты. Полученные результаты подтверждают перспективность применения методов анализа данных и машинного обучения для повышения эффективности управления горнотехнологическими процессами. The paper presents the development and study of elements of an intelligent decision support system for managing technological processes in mineral extraction. The system is based on a machine learning model designed to analyze production data and identify relationships between equipment operating parameters and mining efficiency indicators. Experimental studies were carried out using a dataset of technological parameters including equipment productivity, energy consumption, and operational characteristics of the mining site. As a result of model training, a predictive relationship was obtained that allows estimating equipment productivity under various combinations of technological parameters. Simulation results demonstrated that the use of recommendations generated by the intelligent system can increase mining equipment productivity and reduce specific energy consumption. The obtained results confirm the prospects of applying data analysis and machine learning methods to improve the efficiency of managing mining technological processes.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 1
Номера страниц: 364-368
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет