Методика геодинамического районирования на основе факторного анализа пространственных данных

DOI: https://doi.org/10.30686/1609-9192-2025-1-97-101

Е.А Тагаев¹, Я.С. Глатко¹, С.А. Глатко¹, А.М. Кулешов² , И.О. Паничкин¹
¹ Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация
² Брянский государственный инженерно-технологический университет, г. Брянск, Российская Федерация
Russian Mining Industry №1 / 2025 p. 97-101

Резюме: В статье рассмотрена методика геодинамического районирования, основанная на факторном анализе пространственных данных. Данный алгоритм включает в себя несколько ключевых принципов: идентификацию геодинамических факторов, сбор и обработку данных, статистический анализ, классификацию территории и прогнозирование. Основываясь на использовании современных методов анализа данных, включая применение нейронных сетей, данная методология позволяет определить важность каждого геодинамического фактора. В статье обсуждается проблема выбора и оценки эффективности выбора факторов при геодинамическом районировании территорий. Особое внимание уделяется определению информативных признаков и преодолению проблемы переобучения. Представлен алгоритм анализа частот повторяемости для оценки равномерности распределения значений обобщающей функции Фkn (F). Подчеркивается важность этого метода для обеспечения безопасности горных работ на опасных месторождениях и управления геодинамическими рисками. Определение таких зон позволяет эффективно сосредоточивать усилия и ресурсы на предотвращении аварийных ситуаций и минимизации рисков, что служит гарантией безопасности для работников и снижает вероятность возникновения неожиданных происшествий в процессе эксплуатации месторождений.

Ключевые слова: геодинамическое районирование, факторный анализ, пространственные данные, потенциально опасные зоны, безопасность горных работ, эксплуатация месторождений

Для цитирования: Тагаев Е.А, Глатко Я.С., Глатко С.А., Кулешов А.М., Паничкин И.О. Методика геодинамического районирования на основе факторного анализа пространственных данных. Горная промышленность. 2025;(1):97–101. https://doi.org/10.30686/1609-9192-2025-1-97-101

Информация о статье

Поступила в редакцию: 29.10.2024

Поступила после рецензирования: 09.01.2025

Принята к публикации: 10.01.2025

Информация об авторах

Тагаев Егор Андреевич – аспирант кафедры геологии и маркшейдерского дела Горного института, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Глатко Ярослав Сергеевич – аспирант кафедры геологии и маркшейдерского дела Горного института, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Глатко Светлана Андреевна – аспирант кафедры геологии и маркшейдерского дела Горного института, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Кулешов Андрей Михайлович – студент кафедры производства строительных конструкций Строительного института, Брянский государственный инженерно-технологический университет, г. Брянск, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Паничкин Илья Олегович – аспирант кафедры геологии и маркшейдерского дела Горного института, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Список литературы

1. Бондарик Г.К., Ярг Л.А. Инженерно-геологические изыскания. 3-е изд. М.: Книжный дом «Университет»; 2014. 418 с.

2. Акматов Д.Ж., Евлоев Х.Ю., Меллер А.Д., Манукян Т.А., Чадин В.Н. Методика численного моделирования полей напряжений в районе размещения угольных шахт. Горная промышленность. 2023;(1):39–44. https://doi.org/10.30686/1609-9192-2023-1-39-44

Akmatov D.Zh., Evloev H.Y., Meller A.D., Manukyan T.A., Chadin V.N. Methodology for numerical modeling of stress fields in vicinities of coal mines. Russian Mining Industry. 2023;(1):39–44. (In Russ.) https://doi.org/10.30686/1609-9192-2023-1-39-44

3. Manevich A.I., Kolikov K.S., Egorova E.A., Geoecological aspects of stress-strain state modeling results of Leninsky coal deposit (Kuzbass, Russia). Russian Journal of Earth Science. 2019;19:ES4002. https://doi.org/10.2205/2019ES000663

4. Morozov V.N., Tatarinov V.N., Manevich A.I., Losev I.V. Analogy method to determine the stress-strain state of structuraltectonic blocks of the Earth’s crust for the disposal of radioactive waste. Russian Journal of Earth Science. 2019;19:ES6001. https://doi.org/10.2205/2019ES000687

5. Гвишиани А.Д., Агаян С.М., Лосев И.В., Татаринов В.Н. Методика оценки геодинамической опасности структурного блока, вмещающего объект подземной изоляции РАО. Горный информационно-аналитический бюллетень. 2021;(12):5–18. https://doi.org/10.25018/0236_1493_2021_12_0_5 Gvishiani A.D., Agayan S.M., Losev I.V., Tatarinov V.N. Geodynamic hazard assessment of a structural block holding an underground radioactive waste disposal facility. Mining Informational and Analytical Bulletin. 2021;(12):5–18. (In Russ.) https://doi.org/10.25018/0236_1493_2021_12_0_5

6. Татаринов В.Н., Маневич А.И., Лосев И.В. Системный подход к геодинамическому районированию на основе искусственных нейронных сетей. Горные науки и технологии. 2018;(3):14–25. https://doi.org/10.17073/2500-0632-2018-3-14-25 Tatarinov V.N., Manevich A.I., Losev I.V. A system approach to geodynamic zoning based on artificial neural networks. Mining Science and Technology (Russia). 2018;(3):14–25. (In Russ.) https://doi.org/10.17073/2500-0632-2018-3-14-25

7. Гвишиани А.Д., Татаринов В.Н., Кафтан В.И., Лосев И.В., Маневич А.И. ГИС-ориентированная база данных для системного анализа и прогноза геодинамической устойчивости Нижне-Канского массива. Исследования Земли из космоса. 2021;(1):53–66. https://doi.org/10.31857/S020596142101005X Gvishiani A.D., Tatarinov V.N., Kaftan V.I., Losev I.V., Manevich A.I. GIS-oriented database for the system analysis and prediction of the geodynamic stability of the Nizhne-Kansky massif. Izvestiya, Atmospheric and Oceanic Physics. 2021;57(9):1151–1161. https://doi.org/10.1134/S0001433821090486

8. Agayan S.M., Losev I.V., Belov I.O., Tatarinov V.N., Manevich A.I., Pasishnichenko M.A. Dynamic activity index for feature engineering of geodynamic data for safe underground isolation of high-level radioactive waste. Applied Sciences. 2022;12(4):2010. https://doi.org/10.3390/app12042010

9. Gvishiani A.D., Tatarinov V.N., Manevich A.I., Kaftan V.I. Geodynamic interpretation of modern geodynamic Movements in the southern part of the Yenisei Ridge (in application to the problems of underground isolation of radioactive waste). Eurasian Mining. 2021;(2):7–11. https://doi.org/10.17580/em.2021.02.02

10. Шевчук Р.В., Маневич А.И., Акматов Д.Ж., Урманов Д.И., Шакиров А.И. Современные методы, методики и технические средства мониторинга движений земной коры. Горная промышленность. 2022;(5):99–104. https://doi.org/10.30686/1609-9192-2022-5-99-104 Shevchuk R.V., Manevich A.I., Akmatov D.Zh., Urmanov D.I., Shakirov A.I. Modern methods, techniques and technical means of monitoring movements of the Earth crust. Russian Mining Industry. 2022;(5):99–104. (In Russ.) https://doi.org/10.30686/1609-9192-2022-5-99-104

11. Manevich A., Kaftan V., Shevchuk R., Urmanov D. Modelling the horizontal velocity field of the Nizhne-Kansk massif according to GNSS observations. Environment. Technology. Resources. Proceedings of the 13th International Scientific and Practical Conference. 2021;1:162–169. https://doi.org/10.17770/etr2021vol1.6545

12. Воронцов К.В. Оценивание качества классификации. Обобщающая способность. Методы отбора признаков. Режим доступа: http://www.machinelearning.ru/wiki/images/2/2d/Voron-ML-Modeling.pdf (дата обращения: 20.11.2024).

13. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer; 2001. 533 p.