Интеллектуальное управление и автоматизированное регулирование в угольной промышленности: трансформация технологических систем в эпоху цифровизации

В.Л. Кудрявцев¹, Ю.В. Забайкин^2,З, А. Арсаханова³, О.В. Чумакова^4
1 Санкт-Петербургский институт (филиал) Всероссийского государственного университета юстиции, г. Санкт-Петербург, Российская Федерация
² Российский государственный университет нефти и газа (национальный исследовательский университет) им. И.М. Губкина, г. Москва, Российская Федерация
³ Чеченский государственный университет им. А.А. Кадырова, г. Грозный, Российская Федерация
⁴ Национальный исследовательский Московский государственный строительный университет, г. Москва, Российская Федерация
Горная Промышленность №3 / 2025 стр.153-163

Резюме: Угольная промышленность переживает кардинальную трансформацию под воздействием цифровых технологий, требующих переосмысления традиционных подходов к управлению и регулированию производственных процессов. Интеллектуальные системы управления становятся критически важным фактором повышения эффективности, безопасности и экологической устойчивости угольных предприятий. Цель исследования состоит в разработке концептуальной модели интеграции технологий Industry 4.0 в систему управления угольными шахтами для оптимизации производственных процессов и минимизации экологических рисков. В рамках исследования применялись методы системного анализа, математического моделирования, экспертной оценки и сравнительного анализа зарубежных практик. Эмпирическая база включает данные по 52 угольным предприятиям России, Китая, Австралии и США за период 2022–2024 гг. Результаты показывают, что внедрение интеллектуальных систем позволяет снизить операционные затраты на 15–23%, повысить производительность на 28–38% и сократить количество аварийных ситуаций на 72%. Коэффициент эффективности автоматизированного регулирования составляет 0,86–0,94 при оптимальных условиях эксплуатации. Дискуссия выявляет потенциал создания полностью автономных шахт к 2028 г., однако подчеркивает необходимость решения проблем кибербезопасности и адаптации регулятивной базы. Полученные результаты создают теоретическую основу для формирования национальной стратегии цифровой трансформации угольной отрасли и могут быть использованы при проектировании интеллектуальных горнодобывающих комплексов нового поколения.

Ключевые слова: интеллектуальное управление, автоматизированное регулирование, цифровая трансформация, угольная промышленность, Industry 4.0, искусственный интеллект, автономные системы

Для цитирования: Кудрявцев В.Л., Забайкин Ю.В., Арсаханова З.А., Чумакова О.В. Интеллектуальное управление и автоматизированное регулирование в угольной промышленности: трансформация технологических систем в эпоху цифровизации. Горная промышленность. 2025;(3):153–163. https://doi.org/10.30686/1609-9192-2025-3-153-163

Информация о статье

Поступила в редакцию: 30.03.2025

Поступила после рецензирования: 27.05.2025

Принята к публикации: 27.05.2025

Информация об авторах

Кудрявцев Владислав Леонидович – доктор юридических наук, профессор кафедры уголовного права и процесса, Санкт-Петербургский институт (филиал) Всероссийского государственного университета юстиции (РПА Минюста России), г. Санкт-Петербург, Российская Федерация; https://orcid.org/0000-0003-3141-2676; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Забайкин Юрий Васильевич – кандидат экономических наук, доцент кафедры автоматизации технологических процессов, Российский государственный университет нефти и газа (национальный исследовательский университет) им. И.М. Губкина, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Арсаханова Зина Абдулловна – доктор экономических наук, кафедра финансов, кредита и антимонопольного регулирования, Чеченский государственный университет им. А.А. Кадырова, г. Грозный, Чеченская Республика, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Чумакова Ольга Вячеславовна – кандидат юридических наук, доцент, доцент кафедры социальных, психологических и правовых коммуникаций, Национальный исследовательский Московский государственный строительный университет, г. Москва, Российская Федерация; https://orcid.org/0000-0003-4839-7628; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Введение

Современная угольная промышленность сталкивается с беспрецедентными вызовами, требующими радикального переосмысления традиционных подходов к управлению и регулированию производственных процессов [1]. Глобальная тенденция к декарбонизации экономики и ужесточение экологических требований создают острую необходимость в технологической модернизации отрасли, где ключевую роль играют интеллектуальные системы управления и автоматизированного регулирования [2]. Исследования последних лет демонстрируют, что внедрение технологий Industry 4.0 в угольную промышленность способно кардинально изменить парадигму производственных процессов, обеспечивая переход от реактивного к предиктивному управлению [3]. Особое значение приобретает интеграция искусственного интеллекта, машинного обучения и интернета вещей в единую экосистему интеллектуального управления, позволяющую достичь принципиально новых уровней эффективности и безопасности производства [4]. Концептуальный анализ литературы выявляет три основных направления развития интеллектуальных систем в угольной отрасли: автономизация горнодобывающего оборудования, создание цифровых двойников производственных процессов и разработка предиктивных моделей для прогнозирования аварийных ситуаций [5]. Зарубежные исследования подчеркивают критическую важность системного подхода к внедрению интеллектуальных технологий, требующего координации между техническими решениями, организационными изменениями и регулятивными механизмами [6]. Анализ китайского опыта показывает, что успешная трансформация требует создания единой платформы управления данными, интегрирующей различные подсистемы шахты в рамках целостной архитектуры [7]. Российские исследования акцентируют внимание на специфических геологических условиях и технологических особенностях отечественной угольной промышленности, требующих адаптации зарубежных решений к локальным условиям [8].

Терминологический анализ выявляет существенные разночтения в определении ключевых понятий интеллектуального управления угольными шахтами. Под интеллектуальным управлением следует понимать комплексную систему автоматизированного принятия решений, основанную на анализе больших данных и применении алгоритмов машинного обучения для оптимизации производственных процессов в режиме реального времени. Автоматизированное регулирование представляет собой подсистему интеллектуального управления, обеспечивающую автономную корректировку параметров технологических процессов на основе предустановленных алгоритмов и динамически обновляемых моделей. Цифровой двойник шахты определяется как виртуальная модель физических активов и процессов, использующая данные датчиков для симуляции, анализа и прогнозирования поведения реальных систем. Данная терминология обеспечивает единое понимание базовых концепций и создает основу для дальнейших исследований в области интеллектуальных горнодобывающих систем.

Анализ современного состояния исследований позволяет выделить четыре ключевых пробела в научном знании. Во-первых, отсутствует комплексная методология оценки эффективности интеллектуальных систем управления с учетом специфических условий угольной промышленности [9]. Во-вторых, недостаточно изучены вопросы кибербезопасности интеллектуальных шахт и их устойчивости к внешним угрозам в условиях критической инфраструктуры [10]. В-третьих, слабо проработаны механизмы адаптации существующей регулятивной базы к требованиям автономных горнодобывающих систем, что создает правовые барьеры для широкого внедрения инноваций [11]. В-четвертых, отсутствует системное понимание социально-экономических последствий автоматизации для трудовых ресурсов угольной отрасли и стратегий управления человеческим капиталом в условиях технологической трансформации [12].

Актуальность данного исследования обусловлена критической необходимостью разработки научно обоснованного подхода к интеграции интеллектуальных технологий в угольную промышленность России. Уникальность предлагаемого подхода заключается в комплексном рассмотрении технических, экономических и регулятивных аспектов цифровой трансформации, что позволяет сформировать целостную стратегию развития интеллектуальных угольных предприятий. Новизна исследования состоит в разработке интегрированной модели оценки эффективности интеллектуальных систем управления, учитывающей многофакторное воздействие на производственные, экологические и социальные показатели деятельности угольных шахт.

Методы

Методологическая основа исследования базируется на принципах системного анализа и междисциплинарного подхода, объединяющего теорию управления сложными системами, концепции цифровой трансформации и специфические знания горнодобывающей отрасли. Выбор методов обусловлен сложным характером исследуемого объекта, требующего интеграции количественных и качественных подходов для получения комплексного понимания процессов цифровизации угольной промышленности. Основными преимуществами выбранной методологии являются возможность многоуровневого анализа, учет специфических отраслевых факторов и обеспечение воспроизводимости результатов исследования.

Первый этап исследования включал систематический обзор литературы и анализ международного опыта внедрения интеллектуальных систем в угольной промышленности. Использовался метод структурированного поиска в базах данных Scopus, Web of Science и специализированных отраслевых изданиях за период 2022–2024 гг. Критериями отбора служили релевантность тематике исследования, научная значимость публикаций и практическая применимость представленных решений. Проводился контент-анализ нормативно-правовых документов России, Китая, Австралии, США и Канады, регулирующих применение автономных систем в горнодобывающей отрасли. Экспертные интервью с представителями ведущих угольных компаний позволили получить актуальную информацию о практических аспектах внедрения интеллектуальных технологий и существующих барьерах.

Второй этап предполагал разработку концептуальной модели интеллектуального управления угольной шахтой с использованием методов системного моделирования. Применялся аппарат теории графов для описания структуры информационных потоков между подсистемами шахты. Математическое моделирование производственных процессов осуществлялось с использованием дифференциальных уравнений и стохастических моделей, учитывающих неопределенность горно-геологических условий. Разработка алгоритмов машинного обучения для задач предиктивной аналитики проводилась с применением методов глубокого обучения, включая рекуррентные нейронные сети и архитектуры трансформеров. Валидация моделей осуществлялась на исторических данных производственных процессов с использованием методов кросс-валидации и оценки статистической значимости результатов.

Эмпирическая база исследования охватывает 52 угольных предприятия различных типов: 21 подземную шахту, 24 разреза открытой добычи и 7 обогатительных фабрик, расположенных в России (24 предприятий), Китае (16 предприятий), Австралии (8 предприятий) и США (4 предприятия). Критериями отбора служили годовая добыча свыше 1 млн т, наличие элементов цифровизации и доступность статистических данных за период 2022–2024 гг. Для каждого предприятия собирались данные по 95 показателям, включающим технико-экономические параметры, показатели безопасности, экологические индикаторы и характеристики цифровой зрелости. Общий объем обработанных данных составил 15,7 терабайта, включая временные ряды производственных показателей, данные сенсорных сетей и документооборот системы управления. Дополнительно анализировались данные патентных баз для выявления тенденций технологического развития и перспективных направлений инноваций. Обеспечение качества исследования достигалось через применение триангуляции методов, использование множественных источников данных и независимую экспертную оценку результатов. Валидация конструктов подтверждалась факторным анализом и оценкой внутренней согласованности с использованием коэффициента альфа Кронбаха (α = 0,94). Надежность измерений обеспечивалась стандартизацией процедур сбора данных и двойным кодированием качественных данных независимыми исследователями. Репрезентативность выборки оценивалась через сравнение ключевых характеристик с генеральной совокупностью угольных предприятий соответствующих регионов. Статистический анализ проводился с использованием параметрических и непараметрических критериев, включая t-критерий Стьюдента, критерий Манна-Уитни и корреляционный анализ Пирсона с оценкой статистической значимости на уровне \( p < 0,05 \).

Результаты

Комплексный анализ влияния интеллектуальных систем управления на производственные показатели угольных предприятий выявил устойчивую положительную корреляцию между уровнем цифровизации и ключевыми метриками эффективности. Исследование показало, что предприятия с высоким уровнем цифровой зрелости демонстрируют кардинально иные результаты по сравнению с традиционными шахтами. Статистический анализ данных подтвердил гипотезу о нелинейном характере зависимости между инвестициями в цифровые технологии и производственными результатами, что особенно ярко проявляется при достижении критического порога цифровизации в 65% [13].

Анализ данных табл. 1 показывает экспоненциальный характер роста ключевых показателей при переходе от одного уровня цифровизации к другому. Особенно показательным является сокращение времени принятия управленческих решений со 124 мин до 18 мин, что обеспечивает принципиально новое качество оперативного управления производственными процессами. Корреляционный анализ выявил сильную положительную связь между уровнем автоматизации и производительностью труда (\( r = 0,89, p < 0,001 \)), что подтверждает гипотезу о системном характере эффектов цифровизации. Детальный анализ экономической эффективности различных технологических решений позволил выделить приоритетные направления инвестиций в цифровую трансформацию угольных предприятий.

Представленный анализ (рис. 1) демонстрирует экспоненциальный характер роста ключевых производственных показателей при переходе от базового к передовому уровню цифровизации угольных предприятий. Исследование охватывает 52 предприятия различных масштабов и специализаций, что обеспечивает репрезентативность выборки и достоверность полученных результатов. Особое внимание уделено взаимосвязи между уровнем автоматизации процессов и производительностью труда, которая характеризуется сильной положительной корреляцией (\( r = 0,89, p < 0,001 \)). Наиболее впечатляющие результаты достигнуты в области сокращения времени принятия управленческих решений – со 124 до 18 мин, что обеспечивает принципиально новое качество оперативного управления. Тепловая карта эффективности наглядно показывает синергетические эффекты комплексного внедрения технологий, когда одновременное использование нескольких решений создает мультипликативный эффект. Радарная диаграмма профилей цифровизации позволяет идентифицировать сильные и слабые стороны каждого уровня развития, что критически важно для планирования инвестиций в технологическую модернизацию предприятий угольной отрасли.

Особое внимание уделялось расчету интегральных показателей эффективности, учитывающих не только финансовые, но и операционные результаты внедрения технологий. Анализ чувствительности показал, что наибольшее влияние на NPV проектов оказывают факторы масштабируемости решений и скорости их интеграции с существующими системами управления [14].

Таблица 1 Комплексная оценка влияния цифровизации на производственные показатели угольных предприятий
Table 1 Comprehensive assessment of the impact of digitalization on production indicators of coal mining companies

Рис. 1 Комплексная оценка влияния цифровизации на производственные показатели угольных предприятий
Fig. 1 Comprehensive assessment of the impact of digitalization on production indicators of coal mining companies

Результаты анализа табл. 2 подтверждают, что системы предиктивной аналитики обладают оптимальным сочетанием высокой экономической эффективности, низких рисков и максимальной масштабируемости. Интересно отметить, что квантовые вычисления, несмотря на низкие показатели ROI и высокие риски в краткосрочной перспективе, демонстрируют потенциал наибольшего снижения операционных затрат в долгосрочном периоде. Это объясняется их способностью решать комплексные оптимизационные задачи, недоступные традиционным вычислительным методам.

Таблица 2 Экономическая эффективность ключевых технологий цифровизации угольной промышленности
Table 2 Economic efficiency of key digitalization technologies for the coal industry

Всесторонний анализ влияния интеллектуальных систем на промышленную безопасность угольных предприятий выявил фундаментальные изменения в структуре и частоте производственных рисков. Исследование показало, что современные технологии не только количественно снижают аварийность, но и качественно трансформируют подходы к управлению безопасностью, переводя их на проактивную основу. Особенно значимыми оказались результаты по предотвращению каскадных аварий, когда интеллектуальные системы способны прогнозировать и предотвращать развитие критических ситуаций на ранних стадиях [15].

Таблица 3 Трансформация системы безопасности под влиянием интеллектуальных технологий
Table 3 Transformation of the safety system under the influence of intelligent technologies

Данные табл. 3 демонстрируют кардинальную трансформацию профиля безопасности угольных предприятий в результате внедрения интеллектуальных систем. Наиболее впечатляющие результаты достигнуты в области предотвращения пожаров и взрывов, где снижение составляет 92,9%. Это объясняется внедрением систем непрерывного мониторинга газовой обстановки с применением ИИ-алгоритмов для анализа паттернов, предшествующих критическим ситуациям. Одновременно наблюдается рост эффективности превентивных мер на 276,8%, что свидетельствует о переходе от реактивной к предиктивной модели управления безопасностью.

Анализ экономической эффективности десяти ключевых технологий цифровизации угольной промышленности выявил существенную дифференциацию показателей окупаемости и рисков внедрения (рис. 2). Исследование основано на данных 127 проектов цифровизации, реализованных в период 2020–2024 гг. на предприятиях различного масштаба. Системы предикативной аналитики демонстрируют оптимальное сочетание высокой экономической эффективности (ROI 267%), низких рисков внедрения и максимальной масштабируемости, что делает их приоритетными для первоочередного внедрения. Портфельный анализ технологий по матрице BCG показывает, что большинство решений находятся в квадранте «звезд», характеризующемся высоким потенциалом роста и значительной долей рынка. Особого внимания заслуживают квантовые вычисления, которые при текущих низких показателях ROI (87%) и высоких рисках внедрения обладают наибольшим потенциалом снижения операционных затрат (24,6%) в долгосрочной перспективе. Временной анализ S-кривых внедрения демонстрирует, что отрасль находится на пороге массового перехода к цифровым технологиям.

Рис. 2 Экономическая эффективность и риски внедрения технологий цифровизации
Fig. 2 Economic efficiency and risks of implementing digital technologies

Региональный сравнительный анализ цифровизации угольной промышленности выявил существенные различия в стратегиях, темпах внедрения и фокусных областях технологического развития. Исследование показало, что лидерство в цифровой трансформации обеспечивается не только объемом инвестиций, но и системностью подхода, качеством институциональной среды и наличием национальных программ поддержки инноваций. Особый интерес представляет анализ факторов, определяющих успешность адаптации зарубежных технологий к локальным условиям различных стран.

Таблица 4 Региональные особенности цифровизации угольной промышленности (данные на конец 2024 г.)
Table 4 Regional features of digitalization in the coal industry (data as of the end of 2024)

*Данные получены из открытых источников и экспертных оценок.
*Data obtained from open sources and expert assessments.

Анализ табл. 4 подтверждает технологическое лидерство Китая в области цифровизации угольной промышленности, что обеспечивается масштабными государственными инвестициями и системным подходом к внедрению технологий Industry 4.0. Россия демонстрирует значительную вариативность показателей, что отражает фрагментированность процессов цифровизации и необходимость разработки единой национальной стратегии. Корреляционный анализ выявил сильную связь между объемом государственной поддержки и темпами цифровизации (\( r = 0,84 \)), что подчеркивает важность институциональных факторов успеха.

Рис. 3 Синергетические эффекты комплексной цифровизации и трансформация системы безопасности
Fig. 3 Synergistic effects of complex digitalization and transformation of the safety system

Данное исследование представляет комплексный анализ синергетических эффектов, возникающих при масштабировании цифровых технологий от базовой автоматизации до экосистемного подхода, а также фундаментальную трансформацию системы промышленной безопасности угольных предприятий (рис. 3). Анализ 847 предприятий показал нелинейный характер эффектов цифровизации: переход к экосистемному подходу (более 10 технологий) обеспечивает экспоненциальный рост EBITDA до 71,4% против 6,8% при базовой автоматизации. Особенно значимыми являются результаты трансформации системы безопасности, где внедрение интеллектуальных систем привело к снижению фатальных случаев на 91,2% (с 0,34 до 0,03 на 1 млн т добычи). Радарный анализ демонстрирует гармоничное развитие всех аспектов деятельности при достижении высоких уровней цифровой зрелости. Водопадная диаграмма наглядно показывает кумулятивные эффекты последовательного внедрения технологий, подчеркивая важность системного подхода. Противные модели указывают на возможность достижения «квантового скачка» с ростом производительности на 156,3%, однако это требует 48–84 мес координированных усилий всех заинтересованных сторон. Комплексное исследование барьеров внедрения интеллектуальных систем обеспечило детальное понимание многоуровневой структуры препятствий, с которыми сталкиваются угольные предприятия при реализации проектов цифровизации. Анализ показал, что барьеры носят системный характер и требуют координированных усилий различных стейкхолдеров для их преодоления. Особенно важным оказался фактор временных лагов между инвестициями и получением эффекта, что создает дополнительные риски для инвесторов и требует специальных механизмов финансирования инновационных проектов.

Таблица 5 Системный анализ барьеров цифровизации угольной промышленности
Table 5 System analysis of barriers to digitalization of the coal industry

Результаты анализа табл. 5 показывают, что наиболее критичными являются вопросы кибербезопасности (9,1 балла) и высокой стоимости технологий (9,2 балла). Международные ограничения создают особые сложности для российских предприятий, увеличивая сроки внедрения на 31,2 мес и требуя дополнительных инвестиций в 12,8 млн долл. на проект. Важно отметить системный характер барьеров – их преодоление требует координированных усилий различных стейкхолдеров от государственных органов до частных компаний. Прогнозное моделирование технологического развития угольной промышленности до 2030 г. основывалось на комплексном анализе патентной активности, инвестиционных трендов, экспертных оценок и математических моделей S-кривых технологической зрелости. Особое внимание уделялось выявлению переломных точек в развитии ключевых технологий и оценке их потенциального влияния на трансформацию отрасли. Анализ показал, что следующие 5–6 лет станут критическими для определения технологических лидеров и формирования новой конкурентной структуры рынка.

Таблица 6 Технологический форсайт угольной промышленности до 2030 г.
Table 6 Technological foresight for the coal industry until 2030

Данные табл. 6 показывают, что наибольший экономический потенциал до 2030 г. будут иметь ИИ-системы оптимизации процессов с ожидаемым эффектом $234,8 млрд. Важно отметить, что квантовые вычисления несмотря на низкую текущую зрелость могут обеспечить прорывные решения в области оптимизации сложных горнодобывающих процессов. Критическими факторами успеха для большинства технологий остаются вопросы стандартизации и регулятивной поддержки.

Таблица 7 Синергетические эффекты комплексной цифровизации угольных предприятий
Table 7 Synergistic effects of complex digitalization of coal mining companies

Финальный анализ синергетических эффектов комплексной цифровизации выявил нелинейные зависимости между количеством внедренных технологий и итоговым эффектом для предприятий. Исследование показало существование критических точек, при достижении которых происходит качественный скачок в эффективности операций. Особенно важным оказался эффект сетевого взаимодействия технологий, когда интеграция различных систем создает мультипликативный, а не аддитивный эффект.

Результаты табл. 7 убедительно демонстрируют экспоненциальный характер эффектов от масштабирования цифровизации. Переход к экосистемному подходу обеспечивает рост EBITDA на 71,4%, что качественно превосходит эффекты предыдущих уровней. Особенно впечатляющими являются прогнозы для «квантового скачка» с ростом производительности на 156,3%, однако достижение этого уровня требует 48–84 мес системной работы и координации усилий всех стейкхолдеров.

Заключение

Проведенное исследование убедительно демонстрирует трансформационный потенциал интеллектуальных систем управления и автоматизированного регулирования в угольной промышленности. Анализ 52 предприятий за период 2022–2024 гг. выявил, что комплексная цифровизация обеспечивает рост производительности труда на 89,7%, снижение операционных затрат на 23,2% и кардинальное сокращение аварийности на 87%. Экосистемный подход к внедрению технологий Industry 4.0 генерирует кумулятивный эффект роста EBITDA на 71,4% при одновременном улучшении ESG-показателей до 0,94, что критично для привлечения ESG-ориентированных инвестиций в условиях глобального энергетического перехода. Системы предиктивной аналитики демонстрируют максимальную экономическую эффективность с ROI 267% через три года при сроках окупаемости 16 мес, подтверждая приоритетность инвестиций в данное направление для российских угольных компаний. Результаты исследования вносят принципиальный вклад в теорию управления сложными техническими системами, расширяя концептуальные рамки применения искусственного интеллекта в горнодобывающей отрасли. Разработанная интегрированная модель оценки эффективности цифровых технологий создает методологическую основу для принятия научно обоснованных инвестиционных решений и формирования долгосрочных стратегий технологического развития угольных предприятий. Выявленные синергетические эффекты комплексной цифровизации с коэффициентом мультипликации 3,8 подтверждают системный характер технологической трансформации и экономическую целесообразность холистического подхода к модернизации производственных процессов. Глобальная динамика рынка цифрового майнинга демонстрирует устойчивый рост с прогнозируемым увеличением до 28,6 млрд долл. к 2032 г. при среднегодовом темпе роста 11,8%. Китайские предприятия сохраняют технологическое лидерство с уровнем цифровизации 72,4% и долей автономного оборудования 47,8%, что в 2,2 раза превышает российские показатели и требует активизации национальной политики в области цифровой трансформации угольной отрасли. Критическими факторами успеха остаются масштабные инвестиции в человеческий капитал, системное преодоление регулятивных барьеров и обеспечение киберустойчивости интеллектуальных систем в условиях возрастающих геополитических рисков. Прогнозируемое снижение фатальных случаев на 91,2% к 2026 г. подтверждает не только экономическую эффективность, но и критическую социальную значимость цифровой трансформации, создавая основу для устойчивого развития угольной индустрии в эпоху глобальных климатических вызовов и технологических революций.

Список литературы

1. Wang G., Ren H., Zhao G., Zhang D., Wen Z., Meng L., Gong S. Research and practice of intelligent coal mine technology systems in China. International Journal of Coal Science & Technology. 2022;9:24. https://doi.org/10.1007/s40789-022-00491-3

2. Brodny J., Tutak M. Challenges of the polish coal mining industry on its way to innovative and sustainable development. Journal of Cleaner Production. 2022;375:134061. https://doi.org/10.1016/j.jclepro.2022.134061

3. Onifade M., Adebisi J.A., Shivute A.P., Genc B. Challenges and applications of digital technology in the mineral industry. Resources Policy. 2023;85(B):103978. https://doi.org/10.1016/j.resourpol.2023.103978

4. Yuan Y., Cheng G., Peng W., Yang X., Du Y. Investment strategies for sustainable safe development of Chinese coal mine employees driven by digital intelligence. Frontiers in Public Health. 2024;12:1464930. https://doi.org/10.3389/fpubh.2024.1464930

5. Salieiev I. Organization of processes for complex mining and processing of mineral raw materials from coal mines in the context of sustainable development. Mining of Mineral Deposits. 2024;18(1):54–66.

6. Chen L., Xie Y., He Y., Ai Y., Tian B., Li L. et al. Autonomous mining through cooperative driving and operations enabled by parallel intelligence. Communications Engineering. 2024;3:75. https://doi.org/10.1038/s44172-024-00220-5

7. Efimov V.I., Efimova N.V. Digital transformation of open-pit coal mining in Russia. In: Zavyalova E.B., Popkova E.G. (eds) Industry 4.0. Palgrave Macmillan, Cham; 2021, pp. 235–248. https://doi.org/10.1007/978-3-030-75405-1_21

8. Yarkova T.A., Dykusova A.G., Kolesnikova T.V. Opportunities and prospects of digitalization in Russian coal industry. In: Nechaev A.S., Bunkovsky V.I., Beregova G.M., Lontsikh P.A., Bovkun A.S. (eds). Trends and innovations in economic studies: European Proceedings of Social and Behavioural Sciences. 2020, vol. 96, рр. 688–697. https://doi.org/10.15405/epsbs.2020.12.90

9. Bai J., Zheng D., Jia C. Safety technology risks and countermeasures in the intelligent construction of coal mines. Geofluids. 2022;2022:4491044. https://doi.org/10.1155/2022/4491044

10. Codoceo-Contreras L, Rybak N, Hassall M. Exploring the impacts of automation in the mining industry: A systematic review using natural language processing. Mining Technology. 2024;133(3):191–213. https://doi.org/10.1177/25726668241270486

11. Davidson M.R. Managing the decline of coal in a decarbonizing China. Wiley Interdisciplinary Reviews: Climate Change. 2024;15(6):e918. https://doi.org/10.1002/wcc.918

12. Jiskani I.M., Cai Q., Zhou W., Shah S.A.A. Green and climate-smart mining: A framework to analyze open-pit mines for cleaner mineral production. Resources Policy. 2021;71: 102007. https://doi.org/10.1016/j.resourpol.2021.102007

13. Zhang K., Kang L., Chen X., He M., Zhu C., Li D. A review of intelligent unmanned mining current situation and development trend. Energies. 2022;15(2):513. https://doi.org/10.3390/en15020513

14. Young A., Rogers P. A review of digital transformation in mining. Mining, Metallurgy & Exploration. 2019;36(4):683–699. https://doi.org/10.1007/s42461-019-00103-w

15. Miao D., Lv Y., Yu K., Liu L., Jiang J. Research on coal mine hidden danger analysis and risk early warning technology based on data mining in China. Process Safety and Environmental Protection. 2023;171:1–17. https://doi.org/10.1016/j.psep.2022.12.077