Применение машинного обучения для прогнозирования газодинамических явлений в угольных шахтах

И.Х. Утакаева, С.М. Догучаева, Р.М. Магомедов, С.В. Савина, Т.Л. Фомичева
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Горная Промышленность №3/ 2026 стр. 105-113

Резюме: Газодинамические явления в угольных шахтах остаются ведущим фактором техногенной гибели горнорабочих. Их доля в летальных исходах на угольных предприятиях достигает 28%. Традиционные методы прогнозирования (индекс буримости шлама, начальная скорость газовыделения скважин) характеризуются точностью 65–75%, что недостаточно для эффективного предупреждения катастроф на глубоких горизонтах с газовым давлением свыше 2 МПа. Цель исследования – разработка и верификация гибридной модели машинного обучения на основе ансамблевого метода Stacking с мета-обучающим модулем XGBoost для прогнозирования классов риска и интенсивности газодинамических явлений. Задачи включают: сравнительный анализ пяти алгоритмов (SVM, Random Forest, LSTM, Bi-LSTM, StackingXGBoost), оценку значимости геомеханических и газодинамических признаков, валидацию на независимой тестовой выборке. Эмпирическая база – 847 задокументированных случаев газодинамических явлений, зарегистрированных на 12 угольных шахтах за период 2018–2024 гг. при глубине разработки 450–820 м. Набор данных включает 12 предикторных признаков: газовое давление, газосодержание пласта, глубина залегания, коэффициент крепости угля, горное давление, скорость газовыделения и другие. Результаты: гибридная модель Stacking-XGBoost достигла наивысшей предсказательной способности среди всех протестированных алгоритмов – коэффициент детерминации R2 = 0,971, среднеквадратичная ошибка RMSE = 4,83, F1-score = 0,943 при классификации уровней риска, площадь под ROC-кривой AUC = 0,982. Сравнительно: базовая модель SVM показала R2 = 0,883, RMSE = 9,73, F1 = 0,841. Анализ значимости признаков (SHAP-анализ) установил доминирующую роль газового давления (22,4%) и газосодержания пласта (19,8%). Средняя абсолютная процентная ошибка прогнозирования временного ряда концентрации метана моделью LSTM составила 4,2% при горизонте 15–60 мин. Практическая значимость результатов состоит в создании архитектуры системы раннего предупреждения газодинамических явлений с латентностью отклика менее 5 с, способной интегрироваться в существующие системы шахтной газовой аэрологии. Перспективы дальнейших исследований связаны с внедрением физико-информированных нейронных сетей (PINN), включающих уравнения фильтрации и геомеханики, а также с разработкой цифрового двойника газодинамического состояния угольного пласта.

Ключевые слова: машинное обучение, газодинамические явления, угольная шахта, ансамблевый метод Stacking, XGBoost, прогнозирование выбросов угля и газа, LSTM

Для цитирования: Утакаева И.Х., Догучаева С.М., Магомедов Р.М., Савина С.В., Фомичева Т.Л. Применение машинного обучения для прогнозирования газодинамических явлений в угольных шахтах. Горная промышленность. 2026;(3):105–113. https://doi.org/10.30686/1609-9192-2026-3-105-113

Информация о статье

Поступила в редакцию: 09.02.2026

Поступила после рецензирования: 24.03.2026

Принята к публикации: 07.04.2026

Информация об авторах

Утакаева Ирина Хайрлыевна – кандидат физико-математических наук, доцент кафедры математики и анализа данных, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Догучаева Светлана Магомедовна – кандидат физико-математических наук, доцент кафедры математики и анализа данных, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Магомедов Рамазан Магомедович – кандидат педагогических наук, доцент кафедры математики и анализа данных, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Савина Светлана Владимировна – кандидат физико-математических наук, доцент кафедры математики и анализа данных, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Фомичева Татьяна Леонидовна – кандидат экономических наук, доцент кафедры математики и анализа данных, Финансовый университет при Правительстве Российской Федерации, 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. Zhang C., Wang P., Wang E., Chen D., Li C. Characteristics of coal resources in China and statistical analysis and preventive measures for coal mine accidents. International Journal of Coal Science & Technology. 2023;10(1):22. https://doi.org/10.1007/s40789-023-00582-9

2. Zhang G., Wang E., Liu X., Li Z. Research on risk assessment of coal and gas outburst during continuous excavation cycle of coal mine with dynamic probabilistic inference. Process Safety and Environmental Protection. 2024;190(Part B):405–419. https://doi.org/10.1016/j.psep.2024.08.054

3. Cheng Y.P. Mine Gas Prevention. Xuzhou: China University of Mining and Technology Press; 2023. 412 p. (In Chinese).

4. Zhai C., Cong Y., Chen A., et al. Reflection and prospect on the prevention of gas outburst disasters in China’s coal mines. Journal of China University of Mining & Technology. 2023,52(6):1146–1161. (In Chinese).

5. Anani A., Adewuyi S.O., Risso N., Nyaaba W. Advancements in machine learning techniques for coal and gas outburst prediction in underground mines. International Journal of Coal Geology. 2024;285:104471. https://doi.org/10.1016/j.coal.2024.104471

6. Wang L., Jia B., Su G. Prediction of coal and gas outbursts based on physics informed neural networks and traditional machine learning models. Scientific Reports. 2025;15:29984. https://doi.org/10.1038/s41598-025-02320-4

7. Xie Q., Yan J., Dai Z., Du W., Wu X. Study on coal and gas outburst prediction technology based on multi-model fusion. Frontiers in Big Data. 2025;8:1623883. https://doi.org/10.3389/fdata.2025.1623883

8. Paty S., Biswas A., Djebali S., Guerard G., Kamilya S. IoT-enabled methane monitoring and LSTM-based forecasting system for enhanced safety in underground coal mining. ACM Transactions on Internet of Things. 2025;6(1):4. https://doi.org/10.1145/3703460

9. Панина О.В., Завалько Н.А., Еремин С.Г., Харченко К.В., Зуденкова С.А. Разработка нейронных сетей для анализа вибрационных сигналов горного оборудования и предупреждения аварийных ситуаций. Горная промышленность. 2025;(2):97–104. https://doi.org/10.30686/1609-9192-2025-2-97-104 Panina O.V., Zavalko N.A., Eremin S.G., Kharchenko K.V., Zudenkova S.A. Development of neural networks to analyze vibration signals of mining equipment and prevent emergency situations. Russian Mining Industry. 2025;(2):97–104. (In Russ.) https://doi.org/10.30686/1609-9192-2025-2-97-104

10. 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 Krasyukova N.L., Panina O.V., Eremin S.G., Zubenko A.V., Laffakh A.M. Smart prediction of ground displacement using parallel neural network models and high-precision geodetic measurements. Russian Mining Industry. 2025;(2):106–112. (In Russ.) https://doi.org/10.30686/1609-9192-2025-2-106-112

11. Панина О.В., Беляев А.М., Завалько Н.А., Еремин С.Г., Сагина О.А. Применение методов глубокого машинного обучения для структурного анализа рудных тел и прогнозирования оптимальных зон добычи. Горная промышленность. 2025;(1):177–183. https://doi.org/10.30686/1609-9192-2025-1-177-183 Panina O.V., Belyaev A.M., Zavalko N.A., Eremin S.G., Sagina O.A. Application of deep machine learning methods for structural analysis of ore bodies and prediction of optimal mining zones. Russian Mining Industry. 2025;(1):177–183. (In Russ.) https://doi.org/10.30686/1609-9192-2025-1-177-183

12. Кадырова Г.М., Красюкова Н.Л., Рождественская И.А., Токмурзин Т.М., Воронова Е.И. Адаптивная оптимизация транспортных потоков внутри подземных выработок на базе методов искусственного интеллекта. Горная промышленность. 2025;(1):137–146. https://doi.org/10.30686/1609-9192-2025-1-137-146 Kadyrova G.M., Krasyukova N.L., Rozhdestvenskaya I.A., Tokmurzin T.M., Voronova E.I. Adaptive optimization of traffic flows in underground mine workings based on artificial intelligence methods. Russian Mining Industry. 2025;(1):137–146. (In Russ.) https://doi.org/10.30686/1609-9192-2025-1-137-146

13. Музалёв С.В., Абдикеев Н.М., Оболенская Л.В. Совершенствование системы критериев оценки результативности промышленной политики России в условиях санкционного давления. Финансы: теория и практика. 2025;29(4):6–18. https://doi.org/10.26794/2587-5671-2025-29-4-6-18 Muzalyov S.V., Abdikeev N.M., Obolenskaya L.V. Improving the system of criteria for evaluating the effectiveness of Russia’s industrial policy under sanctions pressure. Finance: Theory and Practice. 2025;29(4):6–18. https://doi.org/10.26794/2587-5671-2025-29-4-6-18

14. Харченко К.В. Совершенствование кластерного ландшафта региона как фактор обеспечения экономической безопасности. Экономика. Налоги. Право. 2025;18(2):98–106. https://doi.org/10.26794/1999-849X-2025-18-2-98-106 Kharchenko K.V. Improving the cluster landscape of the region as a factor of ensuring economic security. Economics, Taxes & Law. 2025;18(2):98–106. (In Russ.) https://doi.org/10.26794/1999-849X-2025-18-2-98-106

15. Lin H., Li W., Li S., Wang L., Ge J., Tian Y., Zhou J. Coal mine gas emission prediction based on multifactor time series method. Reliability Engineering & System Safety. 2024;252:110443. https://doi.org/10.1016/j.ress.2024.110443

16. Tutak M., Krenicky T., Pirník R., Brodny J., Grebski W.W. Predicting methane concentrations in underground coal mining using a multi-layer perceptron neural network based on mine gas monitoring data. Sustainability. 2024;16(19):8388. https://doi.org/10.3390/su16198388

17. Liu X., Du Z., Wang E., Jiang A., Tian H., Wang K. et al. Intelligent recognition of coal and gas outburst precursor and potential hazards using YOLOv8 neural network. Geomechanics and Geophysics for Geo-Energy and Geo-Resources. 2024;10:117. https://doi.org/10.1007/s40948-024-00837-y

18. Wang N. Research on coal and gas outburst risk prediction based on improved search algorithm optimized deep learning network. Scientific Reports. 2025;15:40976. https://doi.org/10.1038/s41598-025-24744-8

19. Шендеров В.И. Применение больших данных и нейронных сетей для мониторинга и прогнозирования экологических изменений в России. Вопросы экологии. 2024;37(1):98–127. https://doi.org/10.25726/u2912-9651-3244-z Shenderov V.I. The use of big data and neural networks for monitoring and forecasting environmental changes in Russia. Voprosy Ecologii. 2024;37(1):98–127. (In Russ.) https://doi.org/10.25726/u2912-9651-3244-z