Процедура моделирования и синтеза технологических систем угольных шахт на основе интеграции с интеллектуальными парадигмами

О.Ю. Козлова¹, В.В. Агафонов², В.В. Козлов^3
1 МИРЭА – Российский технологический университет, г. Москва, Российская Федерация
² Национальный исследовательский технологический университет «МИСИС», г. Москва, Российская Федерация
³ Московский политехнический университет (Тучковский филиал), п.г.т. Тучково, Российская Федерация
Горная Промышленность №2/ 2026 стр. 74-77

Резюме: Актуализируется и формализуется процедура синтеза проектных решений технологических систем угольных шахт в рамках объединения составляющих нечеткой логики, искусственных нейронных сетей, вероятностных рассуждений и эволюционных алгоритмов. Гибридизация и интеграция методов интеллектуальной обработки проектной информации при этом увязана со специальными процедурами, позволяющими производить «мягкие вычисления» (soft computing) в рамках Data Mining, наделив их новой функциональностью. Методологические особенности предлагаемого научно-методического подхода предоставляют возможность совместного применения двух моделей (вероятностно-статистической и детерминированной), что укладывается в рамки байесовского подхода к обоснованию проектных решений и однозначно позволяет наиболее полно учесть фактор неопределенности с расширением границ возможности целенаправленной интеллектуальной генерации лучших альтернатив проектных решений синтеза технологических систем угольных шахт.

Ключевые слова: угольная шахта, технологическая система, моделирование технологических систем, нечеткая логика, нейронные сети, неопределенность результатов, инвестиционный риск

Для цитирования: Козлова О.Ю., Агафонов В.В., Козлов В.В. Процедура моделирования и синтеза технологических систем угольных шахт на основе интеграции с интеллектуальными парадигмами. Горная промышленность. 2026;(2):74–77. https://doi.org/10.30686/1609-9192-2026-2-74-77

Информация о статье

Поступила в редакцию: 29.12.2025

Поступила после рецензирования: 24.02.2026

Принята к публикации: 25.02.2026

Информация об авторах

Козлова Ольга Юрьевна – кандидат технических наук, доцент кафедры высшей математики-3, МИРЭА – Российский технологический университет, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Агафонов Валерий Владимирович – доктор технических наук, профессор кафедры геотехнологий освоения недр 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.

Козлов Валерий Владимирович – доктор технических наук, доцент, Московский политехнический университет (Тучковский филиал), п.г.т. Тучково, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Список литературы

1. Кретов В.А., Козлова О.Ю. Синтез организационно-технологических, организационно-технических и организационно-управленческих решений, обладающих наибольшим синергическим эффектом в рамках горноперерабатывающего предприятия. Уголь. 2022;(8):108–111. https://doi.org/10.18796/0041-5790-2022-8-108-111

2. Шуплецов А.Ф., Латышева М.А., Скоробогатова Ю.А. Модель снятия неопределенности с использованием теории нечетких множеств как механизм выявления узких мест в промышленности. Проблемы социально-экономического развития Сибири. 2019;(2):89–94. Режим доступа: https://brstu.ru/static/unit/journal_2/docs/number-36/89-94.pdf (дата обращения: 15.12.2025).

3. Павлыш В.Н., Перетолчина Г.Б. Математическое моделирование нестационарных процессов в среде с нечётко определёнными параметрами. Проблемы искусственного интеллекта. 2018;(2):33–45. Режим доступа: http://paijournal.guiaidn.ru/download_pai/2018_2/2_Павлыш_Перетолчина.pdf (дата обращения: 15.12.2025).

4. Трофимов Ю.В., Муравьев И.П., Аверкин А.Н., Лебедев А.Д., Кузнецов Е.М., Трусов И.А. и др. Новый плитогенно-нечеткий многослойный перцептрон (PN-MLP) на основе нечёткой, интуиционистской, нейтрософической и плитогенной логик с объяснительным искусственным интеллектом второго поколения (XAI 2.0) для платформы клинического анализа молочной железы. Нечеткие системы и мягкие вычисления. 2025;20(1):5–35. https://doi.org/10.26456/fssc132

5. Латышев А.В., Ромакин В.А., Хачумов В.М., Хачумов М.В. Методы и модели автоматического синтеза технологических процессов, основанного на знаниях. Программные системы: теория и приложения. 2016;7(3):25–43. Режим доступа: https://www.mathnet.ru/rus/ps223 (дата обращения: 15.12.2025).

6. Семина Л.А., Ковалева И.В., Кудинова М.Г., Горносталь Р.Г. Система сбалансированных показателей как инструмент повышения инвестиционной привлекательности при формировании инновационных проектов. Журнал прикладных исследований. 2025;(10):84–89.

7. Тебекин А.В. Критерий принятия решения на основе матричной модели Артура Д. Литла (ADL/LC). Журнал исследований по управлению. 2025;11(3):3–24. Режим доступа: https://naukaru.ru/ru/nauka/article/103329/view (дата обращения: 15.12.2025).

8. Ележанова Ш., Туржанов Н., Идрисов С., Дюсембина Ж. Разработка инновационного курса реинжиниринг информационных процессов. Academic Scientific Journal of Computer Science. 2023;(4):290–299. Режим доступа: https://journals.nauka-nanrk.kz/physics-mathematics/article/view/5885 (дата обращения: 15.12.2025).

9. Белоусов К.И., Баширов Р.К., Зелянская Н.Л., Лабутин И.А., Рябинин К.В., Чумаков Р.В. Профилирование концептуальных систем на основе комплекса методов психосемантики и машинного обучения. Научно-техническая информация. Серия 2: Информационные процессы и системы. 2023;(7):1–14. https://doi.org/10.36535/0548-0027-2023-07-1

10. Мирасова К.Н. Айн рэнд в глобальном мире. Новое прошлое. 2022;(4):160–174. https://doi.org/10.18522/2500-3224-2022-4-160-174