Хабаровский Федеральный исследовательский центр ДВО РАН, Хабаровск, Россия

Рассказов И. Ю., директор, академик РАН, д-р техн. наук, adm@igd.khv.ru

Институт горного дела ДВО РАН, Хабаровск, Россия

Константинов А. В., научный сотрудник, канд. техн. наук
Грунин А. П., старший научный сотрудник, канд. техн. наук
Федотова Ю. В., ведущий научный сотрудник, канд. техн. наук

Рассмотрен подход к оценке удароопасности на основе сейсмо-акустических данных, зарегистрированных системой Prognoz-ADS на месторождении Южное. Выполнено построение временны́х рядов по множеству параметров сейсмоакустических сигналов, событий и акустически активных зон. Для повышения информативности прогнозных моделей применяли автоматический отбор признаков по критерию Джини. Установлено, что разработанные модели способны эффективно распознавать предвестники горного давления и обладают потенциалом для ретроспективного анализа напряженно-деформированного состояния массива.

Исследования проведены с использованием ресурсов Центра коллективного пользования «Центр исследования минерального сырья» ХФИЦ.
ДВО РАН, финансируемого Российской Федерацией в лице Минобрнауки России по cоглашению № 075-15-2025-621.

1. Rahimdel M. J., Aryafar A., Vaziri S. Fuzzy FMEA for the safety risk analysis of underground coal mining (a case study in Iran) // Mining Technology: Transactions of the Institutions of Mining and Metallurgy. 2022. Vol. 131. Iss. 2. P. 104–114.
2. Wojtecki Ł., Iwaszenko S., Apel D. B. An attempt to use machine learning algorithms to predict strong tremors during longwall mining of a coal seam // Journal of Applied Geophysics. 2023. Vol. 218. ID 105210.
3. Papadopoulos D., Benardos A. Enhancing Machine Learning Algorithms to Assess Rock Burst Phenomena // Geotechnical and Geological Engineering. 2021. Vol. 39. Iss. 8. P. 5787–5809.
4. Wang K., Zhuang X., Zhao X., Wu W., Liu B. Roof Pressure Prediction in Coal Mine Based on Grey Neural Network // IEEE Access. 2020. Vol. 8. P. 11705–11706.
5. Zhang Y., Fang K., He M., Liu D., Wang J. et al. Rockburst prediction using artificial intelligence techniques: A review // Rock Mechanics Bulletin. 2024. Vol. 3. Iss. 3. ID 100129.
6. Westman E. C., Wempen J. M., Coons D. J., McCarter M. K., Pariseau W. G. Stress Redistribution in a Longwall Yield Pillar – a Comparison between Active Seismic Tomography and Theory // Mining, Metallurgy & Exploration. 2022. Vol. 39. Iss. 3. P. 1017–1026.
7. Курленя М. В., Сказка В. В., Азаров А. В., Сердюков А. С., Патутин А. С. Использование поверхностных волн для мониторинга состояния пород вокруг горных выработок и сооружений // ФТПРПИ. 2022. № 6. С. 3–14.
8. Ma T.-H., Tang C.-A., Liu F., Zhang S.-C., Feng Z.-Q. Microseismic monitoring, analysis and early warning of rockburst // Geomatics, Natural Hazards and Risk. 2021. Vol. 12. P. 2956–2983.
9. Еременко А. А., Мулев С. Н., Штирц В. А. Мониторинг геодинамических явлений микросейсмическим методом при освоении удароопасных месторождений // ФТПРПИ. 2022. № 1. С. 12–22.
10. Liu G.-F., Jiang Q., Feng G.-L., Chen D.-F., Chen B.-R. et al. Microseismicity-based method for the dynamic estimation of the potential rockburst scale during tunnel excavation // Bulletin of Engineering Geology and the Environment. 2021. Vol. 80. Iss. 5. P. 3605–3628.
11. Рассказов И. Ю., Аникин П. А., Грунин А. П., Константинов А. В. Методы и средства геомеханического мониторинга для безопасного и эффективного освоения недр // Горный журнал. 2025. № 3. С. 4–11.
12. Константинов А. В., Ломов М. А. Применение методов кластерного анализа для выделения акустически активных зон // Проблемы недропользования. 2025. № 1(44). С. 78–88.
13. Azuma H., Kunimasa H., Kusumo A. W., Oda Y., Watanabe T. et al. Application of machine learning methods for earthquake detection from high-density temporary observation seismic records on a volcanic island // Journal of Applied Geophysics. 2024. Vol. 230. ID 105503.
14. Li Y., Yang T.-H., Liu H.-L., Wang H., Hou X.-G. et al. Real-time microseismic monitoring and its characteristic analysis in working face with high-intensity mining // Journal of Applied Geophysics. 2016. Vol. 132. P. 152–163.
15. Zhang P., Li X., Chen J. Prediction Method for Mine Earthquake in Time Sequence Based on Clustering Analysis // Applied Sciences. 2022. Vol. 12. Iss. 21. ID 11101.
16. Nicolis O., Plaza F., Salas R. Prediction of intensity and location of seismic events using deep learning // Spatial Statistics. 2021. Vol. 42. ID 100442.
17. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. P. 5–32.
18. Wang S., Zhuang J., Zheng J., Fan H., Kong J. et al. Application of Bayesian Hyperparameter Optimized Random Forest and XGBoost Model for Landslide Susceptibility Mapping // Frontiers in Earth Science. 2021. Vol. 9. ID 712240.
19. Genuer R., Poggi J.-M., Tuleau-Malot C. Variable selection using random forests // Pattern Recognition Letters. 2010. Vol. 31. Iss. 14. P. 2225–2236.