DOI: 10.24412/2519-2418-2025-745-54-64
EDN: XCAZGM
Received: 17.09.2025
Published: 30.09.2025
Original language: ru
Full text of the article | JATS XML
Driban Viktor Alexandrovich, Doctor of Technical Sciences, старший научный сотрудник, FSBSI «RANIMI», Acting Director of the Institute, Leading Researcher of the Rock Pressure Department, email: viktor-driban@yandex.ru
Yarkova Anastasiya Igorevna, FSBSI «RANIMI», Engineer of the Department of Watered Rock Mass Geomechanics Problems, email: yarkova_maths@mail.ru
Trofimov Viktor Valerievich, Candidate of Technical Sciences, FSBSI «RANIMI», Head of the Computer Technology Department, email: victor.trofymov@ranimi.ru
Dubrova Natalia Aleksandrovna, Candidate of Technical Sciences, FSBSI «RANIMI», Head of the Department Watered Rock Mass Geomechanics Problems, ведущий научный сотрудник, email: dubrovan@mail.ru
Antypenko Anton Viktorovich, FSBSI «RANIMI», Junior Researcher of the Rock Pressure Department, email: ministrxp@mail.ru
Abstract
A neural network has been developed to predict the risk of ground surface subsidence at any given moment. The model is based on survival analysis methods, and a genetic algorithm was used for hyperparameter optimization.
Keywords: neural network, sinkhole zones, survival analysis, survival curve
Funding
The research has been completed within the framework of the state assignment of the Ministry of Science and Higher Education of the Russian Federation (No. FRSR-2024-0001).
REFERENCES
- 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)