DOI: 10.24412/2519-2418-2025-745-54-64
EDN: XCAZGM
Получено: 17.09.2025
Опубликовано: 30.09.2025
Оригинальный язык: ru
Полный текст статьи | JATS XML
Дрибан Виктор Александрович, доктор технических наук, старший научный сотрудник, ФГБНУ «РАНИМИ», и. о. директора, ведущий научный сотрудник отдела горного давления, email: viktor-driban@yandex.ru
Яркова Анастасия Игоревна, ФГБНУ «РАНИМИ», инженер отдела проблем геомеханики обводненных горных массивов, email: yarkova_maths@mail.ru
Трофимов Виктор Валериевич, кандидат технических наук, ФГБНУ «РАНИМИ», заведующий отделом компьютерных технологий, email: victor.trofymov@ranimi.ru
Дуброва Наталья Александровна, кандидат технических наук, ФГБНУ «РАНИМИ», заведующая отделом проблем геомеханики обводненных горных массивов, ведущий научный сотрудник, email: dubrovan@mail.ru
Антипенко Антон Викторович, ФГБНУ «РАНИМИ», младший научный сотрудник отдела горного давления, email: ministrxp@mail.ru
Аннотация
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.
Ключевые слова: нейронная сеть, провалоопасная зона, анализ выживаемости, кривая выживания, генетический алгоритм
Финансирование
Исследование выполнено в рамках государственного задания Министерства науки и высшего образования Российской Федерации (№ FRSR-2024-0001, ЕГИСУ НИОКТР № 124061700020-9).
ЛИТЕРАТУРА
- 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)