Мониторинг деформаций перегонных туннелей метрополитена с применением нейросетевого подхода

DOI: https://doi.org/10.30686/1609-9192-2025-2-163-166

Читать на русскоя языкеА.Д. Меллер1, Р.Р. Галиева2, А.В. Кулешова2, А.К. Петросян2, С.А. Глатко2
1 Российский университет дружбы народов, г. Москва, Российская Федерация
2 Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация

Горная Промышленность №2 / 2025 стр.163-166

Резюме: В статье рассматривается применение искусственных нейронных сетей и алгоритмов машинного обучения для мониторинга деформаций туннелей метрополитена, расположенных в сложных горно-геологических условиях. Особое внимание уделяется промышленной и экологической безопасности, а также современным методам измерения деформаций земной коры с использованием GPS/ГЛОНАСС-технологий, геодезической и маркшейдерской съемки. Описываются основные этапы работы искусственных нейронных сетей: обучение на основе данных о параметрах и состоянии туннелей, тестирование, валидация и эксплуатация для предсказания потенциальных деформаций. Рассмотрены ключевые архитектуры нейронных сетей, такие как глубокие, сверточные и рекуррентные сети, а также их возможности в обработке данных. Приведены примеры использования искусственных нейронных сетей для интерполяции данных, распознавания опасных зон и мониторинга колец туннелей. Отмечается важность качественных исходных данных, включающих геометрические параметры, физические характеристики материалов, климатические условия и исторические данные. В результате применения искусственных нейронных сетей обеспечивается оперативное обнаружение рисков, прогнозирование динамики деформаций и классификация их типов, что позволяет принимать своевременные меры для предотвращения аварийных ситуаций.

Ключевые слова: искусственные нейронные сети, деформации туннелей, мониторинг конструкций, машинное обучение, геодинамика, интерполяция данных

Для цитирования: Меллер А.Д., Галиева Р.Р., Кулешова А.В., Петросян А.К., Глатко С.А. Мониторинг деформаций перегонных туннелей метрополитена с применением нейросетевого подхода. Горная промышленность. 2025;(2):163–166. https://doi.org/10.30686/1609-9192-2025-2-163-166


Информация о статье

Поступила в редакцию: 06.01.2025

Поступила после рецензирования: 05.03.2025

Принята к публикации: 17.03.2025


Информация об авторах

Меллер Александр Дмитриевич – аспирант департамента недропользования и нефтегазового дела, Российский университет дружбы народов, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Галиева Рита Ришатовна – аспирант кафедры энергоэффективных и ресурсосберегающих промышленных технологий, 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.

Кулешова Анастасия Владимировна – аспирант кафедры энергоэффективных ресурсосберегающих промышленных технологий, 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.

Петросян Артур Карленович – аспирант кафедры энергоэффективных ресурсосберегающих промышленных технологий, 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, 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. Manevich A.I., Losev I.V., Avdonina A.M., Shevchuk R.V., Kaftan V.I., Tatarinov V.N. Modeling the horizontal velocity field of the earth’s crust in a regular grid from GNSS measurements. Russian Journal of Earth Sciences. 2023;23(6):ES6002. https://doi.org/10.2205/2023es000885

2. Boubou R., Emeriault F., Kastner R. Artificial neural network application for the prediction of ground surface movements induced by shield tunnelling. Canadian Geotechnical Journal. 2010;47(11):1214–1233. https://doi.org/10.1139/t10-023

3. Grishchenkova E.N. Development of a neural network for earth surface deformation prediction. Geotechnical and Geological Engineering. 2018;36:1953–1957. https://doi.org/10.1007/s10706-017-0438-y

4. 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

5. Замараев Р.Ю., Гречишкин П.В., Гиниятуллина О.Л. Повышение оперативности прогноза сейсмической активности при отработке запасов угля на шахтах с применением алгоритмов нейронных сетей. Горная промышленность. 2024;(3S):57–62. https://doi.org/10.30686/1609-9192-2024-3S-57-62 Zamaraev R.Y., Grechishkin P.V., Giniyatullina O.L. Improving the efficiency of forecasting seismic activity during mining of coal reserves in mines using neural network algorithms. Russian Mining Industry. 2024;(3S):57–62. (In Russ.) https://doi.org/10.30686/1609-9192-2024-3S-57-62

6. Suwansawat S., Einstein H.H. Artificial neural networks for predicting the maximum surface settlement caused by EPB shield tunneling. Tunnelling and Underground Space Technology. 2006;21(2):133–150. https://doi.org/10.1016/j.tust.2005.06.007

7. Yoo C., Kim J.-M. Tunneling performance prediction using an integrated GIS and neural network. Computers and Geotechnics. 2007;34(1):19–30. https://doi.org/10.1016/j.compgeo.2006.08.007

8. Kasper T., Meschke G. A numerical study of the effect of soil and grout material properties and cover depth in shield tunnelling. Computers and Geotechnics. 2006;33(4-5):234–247. https://doi.org/10.1016/j.compgeo.2006.04.004

9. Kasper T., Meschke G. On the influence of face pressure, grouting pressure and TBM design in soft ground tunnelling. Tunnelling and Underground Space Technology. 2006;21(2):160–171. https://doi.org/10.1016/j.tust.2005.06.006

10. Kim C.Y., Bae G.J., Hong S.W., Park C.H., Moon H.K., Shin H.S. Neural network based prediction of ground surface settlements due to tunnelling. Computers and Geotechnics. 2001;28(6-7):517–547. https://doi.org/10.1016/S0266-352X(01)00011-8

11. Великанов В.С., Дремин А.В., Чернухин С.А., Ломовцева Н.В. Технологии нейронных сетей в интеллектуальном анализе данных гранулометрического состава взорванных пород. Горная промышленность. 2024;(4):90–94. https://doi.org/10.30686/1609-9192-2024-4-90-94 Velikanov V.S., Dremin A.V., Chernukhin S.A., Lomovtseva N.V. Neural network technologies in mining data on particle size distribution of muck pile rocks. Russian Mining Industry. 2024;(4):90–94. (In Russ.) https://doi.org/10.30686/1609-9192-2024-4-90-94

12. Javadi A.A. Estimation of air losses in compressed air tunneling using neural network. Tunnelling and Underground Space Technology. 2006;21(1):9–20. https://doi.org/10.1016/j.tust.2005.04.007