Получение и анализ больших данных в практике мониторинга состояния горнотехнических сооружений
- DOI: http://dx.doi.org/10.30686/1609-9192-2019-2-144-86-88
- УДК: 624.131.3; 622:51-7
В.В. Ческидов, канд. техн. наук, мл. науч. сотр. кафедры Геологии и маркшейдерского дела, НИТУ «МИСиС»
А.И. Маневич, науч. сотр. лаборатории геодинамики, Геофизический центр РАН, инженер кафедры Безопасность и экология горного производства, НИТУ «МИСиС»
А.В. Липина, ассистент кафедры Геологии и маркшейдерского дела, НИТУ «МИСиС»
Двадцать первое столетие началось с бурного развития информационных технологий, которые все чаще становятся не просто инструментом, позво- ляющим ускорить расчеты, формирование документов или оптимизировать отдельные параметры объектов, сегодня они являются неотъемлемой часть любого производственного процесса и процесса принятия, в том числе стратегических управленческих решений. В последние годы важней- шими трендами в развитии ИТ являются: создание систем искусственного интеллекта; распространение технологии интернета вещей, которая позволяет организовать взаимодействие объектов друг с другом и окружающей средой без участия человека; разработка и внедрение беспилотных автомобилей и других видов транспорта. Несомненно, глобальные изменения, вызванные развитием информационных технологий, коснулись и предприятий горнодобывающей отрасли. В последние несколько лет активно развиваются направления, связанные с беспилотным управлением большегрузной техникой, экскаваторами, добычными комбайнами и комплексами, буровыми станками и т.д., автоматизированными системами оценки качества сырья и продукции на всех стадиях производства, разработкой систем позиционирования персонала и техники для обеспечения безопасности и оптимизации производственных процессов.
Кроме того, на горных предприятиях стали внедряться горно-геологические информационные системы и системы управления транспортом. Они позволяют на качественно новом уровне осуществлять планирование и проектирование горных работ, оптимизировать потоки горной массы, управлять качеством добываемого сырья, определять простои транспорта и минимизировать их. Перечисленные примеры внедрения информационных систем с одной стороны подтверждают факт того, что развитие ИТ отрасли захватило и добывающий сектор, однако с другой стороны говорит о том, что на предприятиях внедряется большое количество разрозненных программных продуктов и средств автоматизации, которые на сегодняшний день не объединены в комплексы.
Очевидно, что следующим шагом эволюции информационных систем в горнодобывающей отрасли будет разработка и внедрение комплексных систем на основе искусственного интеллекта, которые буду обеспечивать управление всеми производственными процессами. На сегодняшний день применение разработок такого уровня сдерживается несколькими факторами: во-первых, в большинстве случаев управление отдельными процессами не формализовано и ответственный сотрудник принимает субъективное решение, опираясь на свой опыт [1, 2]; во-вторых, в России отсутствуют базы данных, которые могут стать обучающим множеством для интеллектуальных обучающихся систем, построенных на принципах нейронных сетей, теории автоматов и т.д. [3, 4].
Мониторинг состояния горнопромышленных природно-технических систем и отдельных объектов в сложившихся условиях может стать одной из первых областей деятельности горных предприятий, в которой будут формироваться большие данные и реализовываться методы работы с ними. Общий объем информации, собираемой на крупных предприятиях ежедневно, может исчисляться сотнями гигабайтов [5], однако только несколько процентов получаемых данных в дальнейшем используются в анализе технологических процессов и при оптимизации режимов работы оборудования. Во многом это связано с отсутствием проработанных способов анализа больших данных и попытками стандартными аналитическими методами определить зависимости между наблюдаемыми параметрами и состоянием горнотехнических систем и их объектов [3].
В последние два десятилетия ряд зарубежных и отечественных компаний (Google, Microsoft, Alibaba group, Яндекс, United States Geological Survey, NASA и др.) в рамках своей деятельности внедряют программное обеспечение на основе методов распознания образов и машинного обучения, используя аппарат нейронных сетей, кластерного и дисперсионного анализа, теории автоматов и т.д. Нужно отметить, что в начале XXI в. наметился общий переход от аналитических методов, которые перестали в полной мере решать задачи в области анализа данных. В рамках своей деятельности человек начал сталкиваться со сложными системами (природно-техническими, производственными, социально-экономическими), на состояние которых оказывает влияние набор большого количество факторов. В полной мере в моделях невозможно учесть все факторы, что приводит к расхождению в прогнозировании изменения состояния реальных объектов на основе моделей.
Рассмотрим процесс оценки устойчивости откосного сооружения. Как показывает анализ опыта мониторинга состояния бортов карьера, отвальных насыпей, ограждающих дамб гидротехнических сооружений, а также естественных склонов показывает в краткосрочной перспективе на устойчивость сооружения наибольшее влияние оказывает положение депрессионной кривой в массиве [6–8].
Обильные осадки и таяние снега являются основными причинами нарушения устойчивости откосных сооружений, для техногенных объектов важное значение оказывают режимы эксплуатации [7].
На сегодняшний день основной аналитической моделью, которая используются для оценки устойчивости откосных сооружения, является соотношение удерживающих и сдвигающих сил, действующих в массиве [1, 9]:
где 
γi – плотность (объемный вес) отложений в зоне скольжения, т/м3;
Hcp.i – высота расчетного блока, м;
li – длина основания расчетного блока, м;
γεi– вес единицы объема воды (плотность воды), т/м3;
Hcp.ε.i– средний уровень водоносного горизонта в расчетном блоке, м;
lε.i– длина основания обводненного расчетного блока, м;
φi – угол внутреннего трения, град;
ci – удельное сцепление отложений в зоне скольжения, МПа;
αi – угол наклона основания расчетного блока к горизонтали, град;
Fпроч.уд. – прочие удерживающие силы;
Fпроч.сдв.– прочие сдвигающие силы.
В данной расчетной модели геометрия склона, положение кривой скольжения, физико-механические свойства отложений в области скольжения, как правило считаются постоянными при изменении уровня водоносного горизонта. Значение коэффициента устойчивости в основном изменяется за счет изменения уровня водоносного горизонта [6]. Однако, увеличение количества воды в массиве обусловливает более сложные процессы: за счет увеличение влажности изменяется плотность отложений в потенциально оползневом теле; так как зона скольжения, как правило, является также и зоной ослабления с повышенными фильтрационными способностями, то дополнительный объем воды, проходящий через нее, обусловливает усиление процессов выветривания отложений, в том числе суффозии. Последнее определяет уменьшение механических свойств (угла внутреннего трения и удельного сцепления) отложений, которые учитываются при оценке устойчивости откоса. Таким образом, расчетная модель, более точно соответствующая реальному объекту примет вид:
где – уровень водоносного горизонта в потенциальном оползневом теле.
В конечном итоге, если предпринять попытку учесть все факторы, определяющие состояние откосного сооружения, то получим многофакторную модель, которую невозможно в полной мере описать аналитическими зависимостями. В связи с этим в последние годы учеными из различных стран разрабатываются методы оценки состояния природных и техногенных объектов с использованием искусственного интеллекта, в первую очередь, с применением нейронных сетей [3–4, 10–11]. При этом обучение искусственного интеллекта проводится на основе собранных ранее данных и получаемых непосредственно в процессе эксплуатации объекта. Подобный подход имеет ряд отличительных особенностей:
• цифровая модель объекта постоянно совершенствуется, что повышает качество моделирования поведения объекта при изменении условий окружающей среды и параметров эксплуатации;
• пользователь системы не может отследить четких зависимостей между составными частями искусственного интеллекта, последний становится «черным ящиком», который можно оценивать только на основе зависимости между входными и выходными параметрами;
• нейронная сеть не отображает сущность физической модели объекта;
• мониторинг параметров и состояния объектов становится своеобразным регулятором с обратной отрицательной связью для системы искусственного интеллекта (рис. 1).
Рис. 1 Схема накопления больших данных и их взаимодействие с системой искусственного интеллекта
Для реализации накопления больших данных и систем искусственного интеллекта при оценке состояния горнотехнических сооружений необходима четкая формализация всех процессов при сборе, передаче, обработке информации, а также описание самих объектов [5, 12]. С этой целью были разработаны предложения по схематизации объектов и процессов при мониторинге состояния горнотехнических сооружений. На рис. 2 представлен пример описания техногенного массива, обладающего характеристиками состояния (на схеме показаны ромбами (4)), которые с помощью запротоколированные процессов (3) можно рассчитать или измерить, опираясь на методы или инструменты, описанные в соответствующих сущностях (показаны прямоугольниками).
Рис. 2 Схема описания техногенного массива: 1 – связи, отображающие потоки передачи данных, 2 – граница техногенного объекта и окружающей среды, 3 – процессы, описывающие взаимодействие объектов (сущностей), 4 – параметры состояния объектов, 5 – объект (сущность), 6 – конечные ветви, отображающие процессы расчета или измерения параметров (состояния) объектов
Формирование больших данных способствует развитию принципиально новых технологий управления процессами на предприятиях, в том числе, при проведении комплексного мониторинга состояния природных техногенных объектов. Предлагаемые методы описания структуры горнотехнических сооружений позволят формализовать передачу данных между объектами и на основе этого внедрить системы накопления и анализа данных.
