Мониторинг деформаций перегонных туннелей метрополитена с применением нейросетевого подхода
А.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: mellera33@gmail.com
Галиева Рита Ришатовна – аспирант кафедры энергоэффективных и ресурсосберегающих промышленных технологий, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: jebulcan@gmail.com
Кулешова Анастасия Владимировна – аспирант кафедры энергоэффективных ресурсосберегающих промышленных технологий, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: nastya.kramar98@gmail.com
Петросян Артур Карленович – аспирант кафедры энергоэффективных ресурсосберегающих промышленных технологий, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: petrosyan98.archi@yandex.ru
Глатко Светлана Андреевна – аспирант кафедры геологии и маркшейдерского дела, Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация; e-mail: taratorina.svetlana99@mail.ru
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