Адаптивная оптимизация транспортных потоков внутри подземных выработок на базе методов искусственного интеллекта
Г.М. Кадырова , Н.Л. Красюкова, И.А. Рождественская, Т.М. Токмурзин, Е.И. Воронова
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Russian Mining Industry №1 / 2025 p. 137-146
Резюме: Данное исследование посвящено разработке и оценке методов адаптивной оптимизации транспортных потоков внутри подземных выработок на базе искусственного интеллекта. Актуальность темы обусловлена потребностью в повышении эффективности и безопасности транспортных операций в горнодобывающей отрасли. В работе применен комплексный подход, сочетающий методы машинного обучения, имитационного моделирования и многокритериальной оптимизации. Эмпирическая база включает данные о транспортных потоках на пяти горнодобывающих предприятиях за период 2020–2023 гг. Результаты демонстрируют, что внедрение адаптивных методов искусственного интеллекта позволяет сократить среднее время транспортировки на 22%, повысить пропускную способность выработок на 18% и снизить энергозатраты на 14% по сравнению с базовым сценарием. Предложенные решения способствуют повышению экономической эффективности и экологической устойчивости горнодобывающих предприятий. Дальнейшие исследования могут быть направлены на расширение функциональных возможностей интеллектуальных транспортных систем и их интеграцию с цифровыми двойниками горных выработок.
Ключевые слова: искусственный интеллект, транспортные потоки, подземные выработки, машинное обучение, имитационное моделирование
Для цитирования: Кадырова Г.М., Красюкова Н.Л., Рождественская И.А., Токмурзин Т.М., Воронова Е.И. Адаптивная оптимизация транспортных потоков внутри подземных выработок на базе методов искусственного интеллекта. Горная промышленность. 2025;(1):137–146. https://doi.org/10.30686/1609-9192-2025-1-137-146
Информация о статье
Поступила в редакцию: 25.12.2024
Поступила после рецензирования: 22.01.2025
Принята к публикации: 23.01.2025
Информация об авторах
Кадырова Гульназ Маннуровна – доктор экономических наук, декан факультета «Высшая школа управления», Финансовый университет при Правительстве Российской Федерации, г Москва, Российская Федерация; e-mail: GMKadyirova@fa.ru
Красюкова Наталья Львовна – доктор экономических наук, профессор кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: NLKrasyukova@fa.ru
Рождественская Ирина Андреевна – доктор экономических наук, профессор кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: IARozhdestvenskaya@fa.ru
Токмурзин Тимур Маратович – кандидат экономических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: ttokmurzin@fa.ru
Воронова Екатерина Игоревна – ассистент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: EIShayuk@fa.ru
Список литературы
1. Агафонов О.А., Афонина Н.Б. Уточнение методов расчета грузопотоков конвейерных транспортных систем угольных шахт. Горная промышленность. 2023;(6):89–94. https://doi.org/10.30686/1609-9192-2023-6-89-94 Agafonov O.A., Afonina N.B. Refinement of methods for calculating the material flows of conveyor transportation systems in coal mines. Russian Mining Industry. 2023;(6):89–94. (In Russ.) https://doi.org/10.30686/1609-9192-2023-6-89-94
2. Арифджанова Н.З. Применение искусственного интеллекта для оптимизации маршрутов транспорта. Universum: технические науки. 2023;(5-4);10–12. https://doi.org/10.32743/UniTech.2023.110.5.15404 Arifjanova N.Z. Application of artificial intelligence to optimize transport routes. Universum: Tekhnicheskie Nauki. 2023;(5-4);10–12. (In Russ.) https://doi.org/10.32743/UniTech.2023.110.5.15404
3. Дмитриева В.В., Сизин П.Е. Корреляционный анализ и методы моделирования случайного грузопотока, поступающего на сборный конвейер. Горный информационно-аналитический бюллетень. 2018;(10):145–155. Режим доступа: https://giab-online.ru/files/Data/2018/10/145_155_10_2018.pdf (дата обращения: 18.12.2024). Dmitrieva V.V., Sizin P.E. Correlation analysis and method of modeling random load flow on collecting conveyor. Mining Informational and Analytical Bulletin. 2018;(10):145–155. (In Russ.) Available at: https://giab-online.ru/files/Data/2018/10/145_155_10_2018.pdf (accessed: 18.12.2024).
4. Журавлёв А.Г., Семёнкин А.В., Черепанов В.А., Глебов И.А., Чендырев М.А. Задачи развития перспективных циклично-поточных технологий для глубоких карьеров. Горная промышленность. 2022;(1S):53–62. https://doi.org/10.30686/1609-9192-2022-1S-53-62 Zhuravlev A.G., Semenkin A.V., Cherepanov V.A., Glebov I.A., Chendyrev M.A. The purpose of developing advanced inpit crushing and conveying technology for deep open pits. Russian Mining Industry. 2022;(1 Suppl.): 53–62. (In Russ.) https://doi.org/10.30686/1609-9192-2022-1S-53-62
5. Ильинов Н.Д., Мажитов А.М., Аллабердин А.Б., Важдаев К.В. Оптимизация схемы проветривания при увеличении производственной мощности подземного рудника. Горная промышленность. 2021;(6):89–93. https://doi.org/10.30686/1609-9192-2021-6-89-93 Iliinov N.D., Mazhitov A.M., Allaberdin A.B., Vazhdaev K.V. Optimization of the ventilation scheme for increasing production capacity of underground mines. Russian Mining Industry. 2021;(6):89–93. https://doi.org/10.30686/1609-9192-2021-6-89-93
6. Каримов К.С. Методы искусственного интеллекта и применение их на транспорте. Постсоветский материк. 2023;(4):106–115. https://doi.org/10.48137/23116412_2023_4_106 Karimov K.S. Artificial intelligence methods and their application in transport. Post-Soviet Continent. 2023;(4):106–115. (In Russ.) https://doi.org/10.48137/23116412_2023_4_106
7. Каримов К.С. Методы искусственного интеллекта и применение их на транспорте. Постсоветский материк. 2023;(4):106–115. https://doi.org/10.48137/23116412_2023_4_106 Karimov K.S. Artificial intelligence methods and their application in transport. Post-Soviet Continent. 2023;(4):106–115. (In Russ.) https://doi.org/10.48137/23116412_2023_4_106
8. Кузьмин С.В., Шнайдер И.В., Кыштымов И.В. Выявление опасных зон при проходке подготовительных выработок в сложных горно-геологических условиях. Горный журнал. 2024;(1):45–49. https://doi.org/10.17580/gzh.2024.01.07 Kuzmin S.V., Shnaider I.V., Kyshtymov I.V. Detection of hazardous zones in development headings in difficult geological conditions. Gornyi Zhurnal. 2024;(1):45–49. (In Russ.) https://doi.org/10.17580/gzh.2024.01.07
9. Лисковец А.С., Тациенко В.П., Мешков А.А. Направления развития и совершенствования тампонажной крепи. Горная промышленность. 2020;(2):88–93. https://doi.org/10.30686/1609-9192-2020-2-88-93 Liskovets A.S., Tatsienko V.Р., Meshkov A.А. Directions of development and improvement of grouting support. Russian Mining Industry. 2020;(2):88–93. (In Russ.) https://doi.org/10.30686/1609-9192-2020-2-88-93
10. Месропян К., Житарев М.Ю. Инновационные решения на основе искусственного интеллекта для оптимизации маршрутов доставки и управления транспортными средствами. Актуальные исследования. 2024;(5-1):41–43. Режим доступа: https://apni.ru/article/8374-innovatsionnie-resheniya-na-osnove-iskusstven (дата обращения: 18.12.2024). Mesropyan K., Zhitarev M.Yu. Innovative solutions based on artificial intelligence to optimize delivery routes and vehicle management. Aktualnye Issledovaniya. 2024;(5-1):41–43. (In Russ.) Available at: https://apni.ru/article/8374-innovatsionnie-resheniya-na-osnove-iskusstven (accessed: 18.12.2024).
11. Насыров Р.Ш., Третьяк А.В., Неугомонов С.С., Мажитов А.М. Разработка технологии проведения и крепления горной выработки в зоне тектонически-ослабленных пород. Горная промышленность. 2024;(3):126–130. https://doi.org/10.30686/1609-9192-2024-3-126-130 Nasyrov R.Sh., Tretyak A.V., Neugomonov S.S., Mazhitov A.M. Developing a technology of driving and supporting mine workings in tectonically weakened rock zones. Russian Mining Industry. 2024;(3):126–130. (In Russ.) https://doi.org/10.30686/1609-9192-2024-3-126-130
12. Панина О.В., Попадюк Н.К., Еремин С.Г., Токмурзин Т.М., Разумова Е.В. Применение технологий BigData для оптимизации производственных процессов в горнодобывающей промышленности России: анализ внедрения и эффективности. Горная промышленность. 2024;(6):178–185. https://doi.org/10.30686/1609-9192-2024-6-178-185 Panina O.V., Popadyuk N.K., Eremin S.G., Tokmurzin T.M., Razumova E.V. Application of the BigData technologies to optimize production processes in the Russian mining industry: analysis of implementation and efficiency. Russian Mining Industry. 2024;(6):178–185. (In Russ.) https://doi.org/10.30686/1609-9192-2024-6-178-185
13. Турсунов Д.Г. Оптимизация транспортных потоков в городской транспортной системе с использованием имитационного моделирования. Молодой ученый. 2022;(14):11–16. Режим доступа: https://moluch.ru/archive/409/89953/ (дата обращения: 18.12.2024). Tursunov D.G. Optimization of traffic flows in urban transport system using simulation modeling. Molodoi Uchenyi. 2022;(14):11–16. (In Russ.) Available at: https://moluch.ru/archive/409/89953/ (accessed: 18.12.2024).
14. Федотенко В.С., Власов А.В., Кливер С.Я., Шадрунов А.Г. К обоснованию условий и параметров формирования горнотехнических систем при строительстве и эксплуатации комплекса циклично-поточной геотехнологии в глубоких карьерах. Горная промышленность. 2020;(5):102–107. https://doi.org/10.30686/1609-9192-2020-5-102-107 Fedotenko V.S., Vlasov A.V., Kliver S.Ya., Shadrunov A.G. Justification of Conditions and Parameters for Designing of Mining Systems in Construction and Operation of Complex Conveyor Ore Transportation in Deep Open-Cast Mines. Russian Mining Industry. 2020;(5):102–107. (In Russ.) https://doi.org/10.30686/1609-9192-2020-5-102-107
15. Федотов И.С. Применение методов глубокого обучения для анализа больших данных. Вестник науки. 2024;4(8):196– 198. Режим доступа: https://www.вестник-науки.рф/article/17070 (дата обращения: 18.12.2024). Fedotov I.S. Application of deep learning methods for big data analysis. Vestnik Nauki. 2024;4(8):196–198. (In Russ.) Available at: https://www.вестник-науки.рф/article/17070 (accessed: 18.12.2024).
