Интеллектуальное прогнозирование смещения грунта с использованием параллельных нейросетевых моделей и высокоточных геодезических измерений
Н.Л. Красюкова, О.В. Панина, С.Г. Еремин, А.В. Зубенко, А.М. Лаффах
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Горная Промышленность №2 / 2025 стр.106-112
Резюме: Цель – исследовать возможности применения параллельных нейросетевых моделей в сочетании с высокоточными геодезическими измерениями для прогнозирования смещения грунта. Актуальность этой задачи обусловлена растущей потребностью в эффективных методах обеспечения безопасности и снижения рисков при эксплуатации инженерной инфраструктуры. В рамках исследования разработана методика интеллектуального прогнозирования, основанная на анализе комплексного массива данных с помощью параллельных нейросетевых моделей. Эмпирическую базу составили результаты геодезического мониторинга на выборке из 120 точек наблюдения в течение двух лет. Ключевые результаты включают: повышение точности прогнозов смещения грунта до 95% (SE = 1,2; p < 0,01); сокращение времени обработки данных в 3,5 раза (t = –14,8; p < 0,001); снижение количества ошибок на 28% (F = 23,4; p < 0,01). Практическая ценность разработанного подхода связана с возможностью его применения для минимизации рисков и затрат при управлении сложными инфраструктурными объектами. Теоретическая значимость состоит в развитии методологии интеллектуального анализа больших данных для прогнозирования динамических процессов в реальном времени.
Ключевые слова: прогнозирование смещения грунта, параллельные нейросетевые модели, геодезический мониторинг, анализ больших данных, управление инфраструктурными рисками
Для цитирования: Красюкова Н.Л., Панина О.В., Еремин С.Г., Зубенко А.В., Лаффах А.М. Интеллектуальное прогнозирование смещения грунта с использованием параллельных нейросетевых моделей и высокоточных геодезических измерений. Горная промышленность. 2025;(2):106–112. https://doi.org/10.30686/1609-9192-2025-2-106-112
Информация о статье
Поступила в редакцию: 09.01.2025
Поступила после рецензирования: 27.02.2025
Принята к публикации: 02.03.2025
Информация об авторах
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
Панина Ольга Владимировна – кандидат экономических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: opanina@fa.ru
Еремин Сергей Геннадьевич – кандидат юридических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: SGEremin@fa.ru
Зубенко Андрей Вячеславович – кандидат экономических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: ZubenkoAV@yandex.ru
Лаффах Адам Майерович – ассистент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: AMLaffakh@fa.ru
Список литературы
1. Lee Y.-S., Wang J.-R., Zhan J.-W., Zhang J.-M. Data mining analysis of overall team information based on internet of things. IEEE Access. 2020;8:41822–41829. https://doi.org/10.1109/access.2020.2976728
2. Mahmoodzadeh A., Mohammadi M. Forecasting factor of safety of slopes stability using several machine learning techniques. 2021, Preprint (Version 1). https://doi.org/10.21203/rs.3.rs-669928/v1
3. Ferentinou M., Fakir M. Integrating Rock Engineering Systems device and Artificial Neural Networks to predict stability conditions in an open pit. Engineering Geology. 2018;246:293–309. https://doi.org/10.1016/j.enggeo.2018.10.010
4. Milillo P., Sacco G., Di Martire D., Hua H. Neural network pattern recognition experiments toward a fully automatic detection of anomalies in InSAR time series of surface deformation. Frontiers in Earth Science. 2021;9:728643. https://doi.org/10.3389/feart.2021.728643
5. Quarcoo C.K., Ziggah Y.Y., Kumiboateng B. Artificial intelligence approach to predicting geodetic point velocity using GNSS campaign data (a case study of Ghana). In: FIG Working Week 2024: Your World, Our World: Resilient Environment and Sustainable Resource Management for all, Accra, Ghana, 19–24 May 2024. Paper No: 12376. Available at: https://fig.net/resources/proceedings/fig_proceedings/fig2024/papers/ts08f/TS08F_quarcoo_yao_yevenyo_et_al_12376.pdf (accessed: 27.12.2024).
6. Kuang P., Li R., Huang Y., Wu J., Luo X., Zhou F. Landslide displacement prediction via attentive graph neural network. Remote Sensing. 2022;14(8):1919; https://doi.org/10.3390/rs14081919
7. Konakoglu B. Prediction of geodetic point velocity using MLPNN, GRNN, and RBFNN models: a comparative study. Acta Geodaetica et Geophysica. 2021;56(2):271–291. https://doi.org/10.1007/s40328-021-00336-6
8. Аташов С., Ашыров Ю., Байрамов М., Амантуваков С. Разработка новых методов поиска и разведки рудных месторождений с использованием нейронных сетей. Символ науки. 2024;3(11-2):48–50. Atashov S., Ashyrov Yu., Bairamov M., Amantuvakov S. Development of new methods for prospecting and exploration of ore deposits using neural networks. Simvol Nauki. 2024;3(11-2):48–50. (In Russ.).
9. Быков Ф.Л. Постпроцессинг численных прогнозов приземных метеорологических параметров на основе нейросетевых методов: дис. ... канд. физ.-мат. наук. М.; 2021. 235 с.
10. Верзунов С.Н., Лыченко Н.М. Мультивейвлетная полиморфная сеть для прогнозирования геофизических временных рядов. Проблемы автоматики и управления. 2017;(1):78–87. Verzunov S.N., Lychenko N.M. Multiwavelet polymorphic network for geophysical time series forecasting. Problemy Avtomatiki i Upravleniya. 2017;(1):78–87. (In Russ.).
