Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: geomechanical modeling, artificial intelligence, machine learning, rock failure, prediction, random forest, геомеханическое моделирование, искусственный интеллект, машинное обучение, разрушение пород, прогнозирование, случайный лес
Аннотация: Рассмотрена возможность применения методов искусственного интеллекта для прогнозирования локальных разрушений пород на основе результатов геомеханического моделирования. Для проведения исследований была построена упрощенная численная модель участка породного массива с горной выработкой, для которой выполнена серия расчетов при разлПоказать полностьюичных уровнях внешней нагрузки. На основе полученных данных сформирована обучающая выборка, включающая параметры напряженно-деформированного состояния массива. Для прогнозирования опасных зон использован алгоритм случайного леса. Проведенный анализ показал наличие устойчивой связи между характеристиками напряженного состояния и вероятностью разрушения пород. Разработанная модель обеспечила точность классификации более 90 % и позволила корректно идентифицировать большую часть потенциально опасных участков. Полученные результаты подтверждают перспективность совместного использования геомеханического моделирования и методов машинного обучения для решения прикладных задач горного производства. Considers the possibility of applying artificial intelligence methods to predict local rock failures based on geomechanical modeling results. A simplified numerical model of a rock mass containing a mine opening was developed, and a series of calculations was performed under different loading conditions. Based on the obtained results, a training dataset describing the stress-strain state of the rock mass was formed. A random forest algorithm was used to identify potentially hazardous zones. The analysis revealed a stable relationship between stress state parameters and the probability of rock failure. The developed model achieved a classification accuracy exceeding 90% and successfully identified most potentially unstable areas. The obtained results demonstrate the prospects of combining geomechanical modeling and machine learning methods for solving practical problems of mining engineering.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 2
Номера страниц: 427-432
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет