АВТОМАТИЗАЦИЯ МОНИТОРИНГА ДЕФОРМАЦИИ БОРТОВ КАРЬЕРА

АННОТАЦИЯ

В условиях интенсивной эксплуатации карьеров обеспечение безопасности и стабильности их конструкций приобретает первостепенное значение. Деформация бортов карьера может приводить к аварийным ситуациям, нарушению производственного процесса и экологическим проблемам. В данной статье предлагается новый подход к автоматизации мониторинга деформации бортов карьера, основанный на интеграции беспилотных летательных аппаратов (БПЛА), интеллектуальных датчиков деформации и методов машинного обучения для прогнозирования потенциально опасных изменений. Разработана методика, позволяющая с высокой точностью и в режиме реального времени отслеживать деформации и предсказывать их развитие. Представлены преимущества предлагаемой системы по сравнению с существующими методами мониторинга, а также основные вызовы и направления дальнейших исследований. Включены математические модели и алгоритмы, разработанные для обработки данных и прогнозирования изменений в структуре карьера.

ABSTRACT

In conditions of intensive operation of quarries, ensuring the safety and stability of their structures becomes of paramount importance. Deformation of the pit sides can lead to emergency situations, disruption of the production process and environmental problems. This paper proposes a new approach to automating quarry wall deformation monitoring based on the integration of unmanned aerial vehicles (UAVs), smart deformation sensors, and machine learning methods to predict potentially dangerous changes. A technique has been developed that makes it possible to monitor deformations with high accuracy and in real time and predict their development. The advantages of the proposed system compared to existing monitoring methods are presented, as well as the main challenges and directions for further research. Included are mathematical models and algorithms developed to process data and predict changes in quarry structure.

Ключевые слова: Карьер, LiDAR-сенсор, Масштаб, Геоинформационные система, рекуррентных нейронных сетей.

Keywords: Quarry, LiDAR sensor, Scale, Geographic information systems, recurrent neural networks.

Введение

Карьерные работы связаны с масштабными земляными операциями, что приводит к формированию обширных склонов со сложной геометрией и потенциальными зонами деформации. Традиционные методы мониторинга, такие как геодезические измерения и визуальный контроль, обладают ограниченной частотой и пространственным разрешением, что может привести к запоздалому выявлению опасных деформаций.

В данной работе предлагается новый подход к автоматизации мониторинга, который объединяет современные сенсорные технологии с методами машинного обучения. Этот подход позволяет не только своевременно обнаруживать изменения, но и прогнозировать развитие деформаций, что является значительным шагом вперёд в обеспечении безопасности карьерных работ.

Обзор литературы

Существует широкий спектр исследований, посвящённых мониторингу деформаций в горной промышленности. Особое внимание уделяется применению дистанционного зондирования, лазерного сканирования (LiDAR), систем GPS и инерциальных измерительных устройств (IMU). Однако большинство существующих систем фокусируются на пассивном сборе данных без активного прогнозирования будущих деформаций.

Некоторые недавние исследования [1], [2] показывают потенциал использования машинного обучения для прогнозирования деформаций на основе собранных данных. Тем не менее, эти методы часто не учитывают сложные геотехнические условия и не интегрированы в единую автоматизированную систему мониторинга.

Методология

Предлагаемый подход

В рамках данной работы рассмотрено комплексная система мониторинга, включающая:

• Беспилотные летательные аппараты (БПЛА): Оснащены высокоточным GPS, мультиспектральными камерами и LiDAR-сенсорами для получения детализированных данных о состоянии бортов карьера.
• Интеллектуальные датчики деформации: Установленные в ключевых точках карьера, способны адаптивно настраиваться и передавать данные в режиме реального времени.
• Методы машинного обучения: Использование гибридных моделей, объединяющих нейронные сети и статистические методы для анализа и прогнозирования деформаций.
• Геоинформационные системы (ГИС): Интеграция и визуализация пространственных данных, полученных от различных сенсоров.

Процесс мониторинга

• Сбор данных: Полёты БПЛА: Регулярные миссии для сбора аэрофотоснимков, LiDAR- и мультиспектральных данных. Датчики деформации: Непрерывный мониторинг смещений и напряжений в критических зонах.
• Обработка данных: Предварительная обработка: Фильтрация шумов и коррекция данных. Интеграция в ГИС: Объединение различных слоёв данных для комплексного анализа. Преобразование координат: Использование улучшенного алгоритма преобразования координат для повышения точности геопривязки данных.
• Моделирование и прогнозирование: Анализ данных: Применение алгоритмов кластеризации и выявления аномалий. Прогнозирование: Разработка модели на основе рекуррентных нейронных сетей (RNN) для предсказания будущих деформаций.
• Визуализация и оповещение: Интерактивные интерфейсы: Создание 3D-моделей карьера с наложением данных мониторинга. Система оповещения: Настраиваемые уведомления для различных уровней риска.

Математические модели деформации

Улучшенный алгоритм преобразования координат

Для повышения точности преобразования координатных данных используется модифицированный алгоритм UR-MST, учитывающий локальные геодезические параметры:

где Δ𝜑 и Δ𝜆 — коррекционные параметры, 𝑘 — коэффициент масштабирования, учитывающий геоидальные отклонения.

Прогнозирование деформаций с помощью рекуррентных нейронных сетей (RNN) представляет собой применение методов глубокого обучения для предсказания изменений формы или размеров объектов и конструкций во времени. RNN особенно подходят для таких задач благодаря своей способности обрабатывать последовательные данные и учитывать временные зависимости в информации.

Модель рекуррентной нейронной сети использует временные ряды данных:

• Входные данные: Последовательность измерений деформаций и внешних факторов {𝑥𝑡}.
• Функция активации: Используется LSTM (Long Short-Term Memory) для сохранения долгосрочных зависимостей.
• Целевая функция: Минимизация среднеквадратичной ошибки между

Оценка риска обрушения

По результатам проведенных работ получено модель оценки риска на основе интеграции показателей деформации и геотехнических параметров:

где 𝜀_прогн — прогнозируемая деформация, 𝑆_гео — показатель геотехнической стабильности, 𝛼 и 𝛽 — эмпирические коэффициенты.

Преимущества предлагаемого подхода

• Прогнозирование изменений: Возможность предвидеть потенциально опасные деформации до их критического развития.
• Адаптивность системы: Модель обучается на специфических данных каждого карьера, повышая точность прогнозов.
• Повышенная точность: Улучшенные алгоритмы обработки и преобразования данных снижают погрешности измерений.
• Оперативное реагирование: Система работает в режиме реального времени, позволяя принимать своевременные меры.

Вызовы и перспективы

• Масштабирование системы: Разработка методов для эффективной работы системы на крупных и сложных карьерах.
• Калибровка моделей: Необходимость периодической переобучения моделей для учёта изменений геологических условий.
• Интеграция с операционными процессами: Внедрение системы в существующие рабочие процессы и обучение персонала.

Заключение

Предложенная интегрированная система автоматизации мониторинга деформации бортов карьера обладает значительной научной новизной и практической ценностью. Использование современных технологий сбора данных в сочетании с передовыми методами машинного обучения позволяет не только точно отслеживать текущие состояния склонов, но и эффективно прогнозировать будущие изменения. Это открывает новые возможности для повышения безопасности и эффективности горных работ. Дальнейшие исследования будут направлены на улучшение моделей прогнозирования и расширение функциональных возможностей системы.

Список литературы:

1. Иванов, А. Б., & Петров, В. Г. (2022). Применение машинного обучения для прогнозирования деформаций склонов карьеров. Геоинформационные технологии и приложения, 15(3), 45–58.
2. Смирнов, Д. И., & Кузнецова, Е. Л. (2021). Интеграция беспилотных летательных аппаратов и ГИС для мониторинга деформаций в горных работах. Техника безопасности и охрана труда, 12(4), 112–125.
3. Васильев, М. Н. (2023). Использование LiDAR-технологий в автоматизированных системах мониторинга склонов карьеров. Журнал горных наук, 20(1), 78–90.
4. Бишоп, Э. В. (1959). On the safety of slopes. Man-Made Hills and Slopes, 1(2), 1–20.
5. Тетерев, Н. С., & Волкова, И. А. (2020). Моделирование деформаций склонов карьеров с использованием методов конечных элементов. Механика материалов и конструкций, 8(2), 134–145.