Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: mining transport complex, machine learning, random forest, forecasting, production data, quarry transport, горно-транспортный комплекс, машинное обучение, случайный лес, прогнозирование, производственные данные, карьерный транспорт
Аннотация: Рассмотрена возможность применения методов машинного обучения для повышения эффективности функционирования горно-транспортных комплексов. Исследование выполнено на основе производственных данных, включающих показатели работы карьерных автосамосвалов, характеристики транспортного цикла и параметры эксплуатации техники. Для решения пПоказать полностьюоставленной задачи проведено сравнение нескольких алгоритмов машинного обучения, включая линейную регрессию, дерево решений и случайный лес. Выполнена оценка качества прогнозирования по коэффициенту детерминации и величине ошибок модели. Установлено, что наилучшие результаты обеспечивает алгоритм случайного леса, для которого коэффициент детерминации составил 0,91 при средней абсолютной ошибке менее одной минуты. Определены наиболее значимые факторы, влияющие на продолжительность транспортного цикла. Полученные результаты подтверждают перспективность использования методов машинного обучения для анализа производственных процессов и повышения эффективности эксплуатации карьерного транспорта. Сonsiders the possibility of applying machine learning methods to improve the efficiency of mining transport complexes. The study is based on production data including haul truck performance indicators, transport cycle characteristics, and equipment operating parameters. Several machine learning algorithms, including linear regression, decision tree, and random forest, were compared to solve the problem. Forecasting quality was evaluated using the coefficient of determination and model error metrics. The results showed that the random forest algorithm achieved the highest accuracy with a coefficient of determination of 0.91 and a mean absolute error of less than one minute. The most significant factors affecting transport cycle duration were identified. The obtained results demonstrate the potential of machine learning methods for production process analysis and for improving the operational efficiency of quarry transportation systems.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: №2
Номера страниц: 565-569
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет