Получение и анализ больших данных в практике мониторинга состояния горнотехнических сооружений

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

γ_i – плотность (объемный вес) отложений в зоне скольжения, т/м3;

H_cp.i – высота расчетного блока, м;

l_i – длина основания расчетного блока, м;

γ_εi– вес единицы объема воды (плотность воды), т/м3;

H_cp.ε.i– средний уровень водоносного горизонта в расчетном блоке, м;

l_ε.i– длина основания обводненного расчетного блока, м;

φ_i – угол внутреннего трения, град;

c_i – удельное сцепление отложений в зоне скольжения, МПа;

α_i – угол наклона основания расчетного блока к горизонтали, град;

F_{проч.уд.} – прочие удерживающие силы;

F_{проч.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.

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