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].086 10

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].086 14

На сегодняшний день основной аналитической моделью, которая используются для оценки устойчивости откосных сооружения, является соотношение удерживающих и сдвигающих сил, действующих в массиве [1, 9]:086 11

где 086 12

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:

086 13

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).

086 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).

086 2

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.

086 16

Ключевые слова: добыча полезных ископаемых, мониторинг состояния откосных сооружений, большие данные, искусственный интеллект, техногенный массив, горнотехнические сооружения

ИНФОРМАЦИОННЫЕ ИСТОЧНИКИ:

1.Мосейкин В.В., Гальперин А.М., Ческидов В.В., Пуневский С.А. Совершенствование удаленного автоматизированного контроля откосных сооружений на горных предприятиях // Горный журнал. 2017. 12. С. 82–86.

2. Jinsong Huang, Griffi ths D.V. Modelling spatial variability in geotechnical engineering // Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards. 2016. Vol. 10. No. 1. P. 1.

3. Cheskidov V. Data flows management of mining natural/man-made systems integrated state monitoring // Исследования по геоинформатике: труды Геофизического центра РАН. 2017. Т. 5.№ 1. С. 61–62.

4. Маневич А.И., Татаринов В.Н. Применение искусственных нейронных сетей для прогноза современных движений земной коры // Исследования по геоинформатике: труды Геофизического центра РАН. 2017. Vol.5. №2. C. 37–48, DOI: 10.2205/2017BS045;

5. Напольских С.А., Крючков А.В., Андриевский А.О., Ческидов В.В. Дистанционный контроль устойчивости намывных сооружений на Стойленском ГОКе // Горный журнал. 2017. 10. С. 52–55.

6. Ческидов В.В. Гидрогеомеханический мониторинг состояния откосных сооружений // Горная промышленность. 2017. 4 (134). С. 78.

7. Galperin A.M., Moseikin V.V., Kutepov Yu.I., Derevyankin V.V. Assessment of state of watersaturated mine waste for the justifi cation of engineering structure designs at open pit mines // Eurasian Mining. 2017. –№ 1. С. 6–9 DOI: 10.17580/em.2017.01.02.

8. Di Sante M., Fratalocchi E., Mazzieri F., Brianzoni V. Influence of delayed compaction on the compressibility and hydraulic conductivity of soil-lime mixtures // Engineering Geology. 2015. Vol. 185. P. 131–138.

9. Gurung N., Haneberg W.C., Ramana G.V., Datta M. Engineering geology and stability of the laprak landslide, gorkha district, western Nepal // Environmental and Engineering Geoscience. -2011. -Vol. 17. -P. 23-38. -ISSN: 10787275 DOI: 10.2113/gseegeosci.17.1.23.

10. Zhou X., Chen J., Chen Y., Song S., Shi M. et al. Bayesian-based probabilistic kinematic analysis of discontinuity-controlled rock slope instabilities//Bulletin of Engineering Geology and the Environment. 2017. Vol. 76. Iss. 4. Р. 1249–1262.

11. Chakraborty A., Goswami, D. Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN) // Arabian Journal of Geosciences. 2017. Vol. 10. Iss. 385. DOI: 10.1007/s12517-017-3167-x.

12. Minaeian V., Dewhurst D.N., Rasouli V. Deformational behaviour of a clay-rich shale with variable water saturation under true triaxial stress conditions // Geomechanics for Energy and the Environment. 2017. Vol. 11. P. 1–13.

Журнал "Горная Промышленность" №2 (144) 2019, стр.86-88