2519-2418 Обоснование конфигурации нейронной сети для прогноза критических деформаций земной поверхности 10.24412/2519-2418-2025-745-54-64 XCAZGM UDC 622.83:004.032.26 17 09 2025 Дрибан Виктор Александрович viktor-driban@yandex.ru ФГБНУ «РАНИМИ», и. о. директора, ведущий научный сотрудник отдела горного давления Яркова Анастасия Игоревна yarkova_maths@mail.ru ФГБНУ «РАНИМИ», инженер отдела проблем геомеханики обводненных горных массивов Трофимов Виктор Валериевич victor.trofymov@ranimi.ru ФГБНУ «РАНИМИ», заведующий отделом компьютерных технологий Дуброва Наталья Александровна dubrovan@mail.ru ФГБНУ «РАНИМИ», заведующая отделом проблем геомеханики обводненных горных массивов, ведущий научный сотрудник Антипенко Антон Викторович ministrxp@mail.ru ФГБНУ «РАНИМИ», младший научный сотрудник отдела горного давления Исследование выполнено в рамках государственного задания Министерства науки и высшего образования Российской Федерации (№ FRSR-2024-0001, ЕГИСУ НИОКТР № 124061700020-9). нейронная сеть провалоопасная зона анализ выживаемости кривая выживания генетический алгоритм

На основе анализа исходных данных о горно-геологических и горнотехнических условий отработки горных выработок и предметной области разработана базовая модель структуры нейронной сети для прогнозирования вероятности и времени образования провалов на земной поверхности. С этой целью обоснован выбор набора гиперпараметров и применены методы генетических алгоритмов для их подбора. Предварительные результаты обработки исходного набора данных нейросетью продемонстрировали достаточную точность, удовлетворяющую целям поставленной задачи.

 Дрибан, В.А. Использование методов искусственного интеллекта при оценке рисков провалообразования [Текст] / В. А. Дрибан, Н. А. Дуброва, А. В. Антипенко, М. В. Колесник // Труды РАНИМИ: сб. науч. тр. – Донецк, 2024. – № 4 (42). – С. 25-36. – DOI 10.24412/2519-2418-2024-442-25-36. Chen, G. H. An introduction to deep survival analysis models for predicting time-to-event outcomes // Foundations and Trends® in Machine Learning. – 2024. – Vol. 17. – №. 6. – P. 921-1100. Дрибан, В. А. О механизмах провалообразования над старыми горными выработками [Текст] / В. А. Дрибан, Н. А. Дуброва, В. П. Сажнев, А. В. Антипенко, М. В. Колесник // Труды РАНИМИ: сб. науч. тр. – 2024. – № 3 (41). Т. 2. – С. 104-123. Правила подработки зданий, сооружений и природных объектов при добыче угля подземным способом: ГСТУ 101.00159226.001 – 2003: утв. Минтопэнерго Украины 28.11.2003: ввод в действие с 28.11.2003. – Донецк: ООО «АЛАН», 2004. – 128 с.: ил. Правила охраны сооружений и природных объектов от вредного влияния подземных горных разработок на угольных месторождениях: ПБ 07 269-98: утв. Госгортехнадзором России 16.03.1998: ввод в действие с 01.10.1998. – М., 1998. – 203 с.: ил. Методическое руководство «О порядке выделения провалоопасных зон и выбора комплекса технических мероприятий по выявлению и ликвидации пустот на ликвидируемых шахтах Восточного Донбасса». – М.: ИПКОН РАН, 2007. – 34 с. Хохлов, Б. В. Методика построения и обследования зон, опасных по провалам / Б. В. Хохлов, В. А. Дрибан, С. В. Голдин, А. М. Терлецкий, М. Д. Рожко // Труды РАНИМИ: сб. науч. тр. – Донецк, 2019. – № 7 (22). – С. 142-157. Kvamme H., Borgan Ø., Scheel I. Time-to-event prediction with neural networks and Cox regression // Journal of Machine Learning Research. 2019. Vol. 20. – № 129. P. 1–30. Katzman J. L., Shaham U., Cloninger A., Bates J., Jiang T., Kluger Y. Deepsurv: personalized treatment recommender system using a Cox proportional hazards deep neural network // BMC Medical Research Methodology. 2018. Vol. 18. – № 1. Kvamme H., Borgan Ø. Continuous and discrete-time survival prediction with neural networks [Текст] // arXiv preprint. 2019. URL: https://arxiv.org/abs/1910.06724 (дата обращения: 13.10.2025). Gensheimer M. F., Narasimhan B. A scalable discrete-time survival model for neural networks // PeerJ. 2019. Vol. 7. Article e6257. Lee C., Zame W. R., Yoon J., van der Schaar M. Deephit: A deep learning approach to survival analysis with competing risks // Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence. 2018. Fotso, S. Deep neural networks for survival analysis based on a multi-task framework [Текст] // arXiv preprint. 2018. URL: https://arxiv.org/abs/1801.05512 (дата обращения: 13.10.2025)