№76-3
Динамічне проектування техніко-економічних показників відкритих гірничих робіт за допомогою нейромережевих технологій
Ю.І. Григор’єв1, С.О. Луценко1, І.Є. Григор’єв2, Є.М. Швець1, І.П. Куроп'ятник1
1Криворізький національний університет, Кривий Ріг, Україна
2ТОВ «Технічний університет «МЕТІНВЕСТ ПОЛІТЕХНІКА», Запоріжжя, Україна
Coll.res.pap.nat.min.univ. 2023, 75:33–41
Full text (PDF)
https://doi.org/10.33271/crpnmu/76.033
АНОТАЦІЯ
Мета. Динамічні умови господарювання гірничо-видобувних підприємств вимагають швидкої адаптації до змін зовнішнього середовища, що вбачається можливим шляхом використання нейромережевих технологій. В контексті цього метою даної роботи є вивчення досвіду використання даних технологій і розробка нейромережевої моделі прогнозування техніко-економічних показників підприємства, на основі історичних даних його функціонування.
Методика. В роботі використано методи аналізу та синтезу літературних джерел інформації при вивченні досвіду використання нейромережевих технологій у проєктуванні відкритої розробки; ретроспективний аналіз проєктних рішень і техніко-економічних показників роботи гірничо-видобувних підприємств; нейромережеве моделювання – для прогнозування собівартості видобутку корисних копалин.
Результати. Виконано аналіз наукових джерел і проєктних рішень. В середовищі TensorFlow отримано нейромережеву модель для прогнозування собівартості видобутку руди, яка продемонструвала менше середньоквадратичне відхилення RMSE, ніж «наївна» модель, що дозволяє говорити про реальну предиктивну роботу. Отримана модель дозволила спрогнозувати проєктні значення собівартості товарної продукції для крупних залізорудних кар’єрів Кривбасу, зіставні з детальними прорахунками проєктів розробки.
Наукова новизна. Проведений ретроспективний та інженерний аналіз проєктних рішень дозволив виявити найбільш перспективні наукові підходи до проєктування відкритих гірничих робіт, зокрема, що базуються на нейромережевих технологіях. Отримано регресійну модель прогнозування техніко-економічних показників відкритих гірничих робіт і оцінено точність її роботи.
Практична значимість. В результаті виконаних досліджень були спрогнозовані значення собівартості видобутку корисної копалини для глибоких крутоспадних родовищ Кривбасу. Отримані результати можуть бути використані проєктними організаціями і гірничодобувними підприємствами при проєктуванні відкритої розробки родовищ корисних копалин.
Ключові слова: відкриті гірничі роботи, динамічне проєктування, нейромережеві технології, собівартість.
Перелік посилань
1. Hryhoriev, Y., Lutsenko, S., & Joukov, S. (2023). Dominant Determinants of Adaptation of the Mining Complex in the Conditions of a Dynamic Environment. Inżynieria Mineralna, 1(1). https://doi.org/10.29227/IM-2023-01-02
2. Григор’єв, Ю. І., Григор’єв, І. Є., Слюсар, С. В., & Власенко, В. А. (2023). Цифровізація як інструмент адаптації гірничого виробництва у невизначеному динамічному середовищі (на прикладі впровадження K-MINE). Вісник Національного університету водного господарства та природокористування, 2(2(102)), 476–484. http://ep3.nuwm.edu.ua/id/eprint/28440
3. Yu.I. Hryhoriev, S.V. Sliusar, O.M. Herasymchuk, & P.S. Serheiev. (2023). Adaptation of the production system of the mining complex as a reaction to the dynamics of the external environment. MININGMETALTECH 2023, 176–179. https://doi.org/10.30525/978-9934-26-361-3-55
4. Fan, C., Zhang, N., Jiang, B., & Liu, W.V.(2023). Weighted ensembles of artificial neural networks based on Gaussian mixture modeling for truck productivity prediction at open-pit mines. Mining, Metallurgy & Exploration, 40(2), 583–598. https://doi.org/10.1007/s42461-023-00747-9
5. Jung, D., Baek, J., & Choi, Y. (2021). Stochastic Predictions of Ore Production in an Underground Limestone Mine Using Different Probability Density Functions: A Comparative Study Using Big Data from ICT System. Applied Sciences, 11(9), 4301. https://doi.org/10.3390/app11094301
6. Mai, N. L., Topal, E., Erten, O., & Sommerville, B. (2018). A new risk-based optimisation method for the iron ore production scheduling using stochastic integer programming. Resources Policy. https://doi.org/10.1016/j.resourpol.2018.11.004
7. Bakhtavar, E., & Mahmoudi, H. (2018). Development of a scenario-based robust model for the optimal truck-shovel allocation in open-pit mining. Computers & Operations Research. https://doi.org/10.1016/j.cor.2018.08.003
8. Baek, J., & Choi, Y. (2020). Deep Neural Network for Predicting Ore Production by Truck-Haulage Systems in Open-Pit Mines. Applied Sciences, 10(5), 1657. https://doi.org/10.3390/app10051657
9. Jung, D., & Choi, Y. (2021). Systematic Review of Machine Learning Applications in Mining: Exploration, Exploitation, and Reclamation. Minerals, 11(2), 148. https://doi.org/10.3390/min11020148
10. Choi, Y., Nguyen, H., Bui, X.-N., Nguyen-Thoi, T., & Park, S. (2020). Estimating Ore Production in Open-pit Mines Using Various Machine Learning Algorithms Based on a Truck-Haulage System and Support of Internet of Things. Natural Resources Research, 30(2), 1141–1173. https://doi.org/10.1007/s11053-020-09766-5
11. Fan, C., Zhang, N., Jiang, B., & Wei Victor Liu. (2022). Prediction of truck productivity at mine sites using tree-based ensemble models combined with Gaussian mixture modelling. International Journal of Mining, Reclamation and Environment, 37(1), 66–86. https://doi.org/10.1080/17480930.2022.2142425
12. Zhang, S., & Starfield, A. M. (1985). Dynamic programming with colour graphics smoothing for open-pit design on a personal computer. International Journal of Mining Engineering, 3(1), 27–34. https://doi.org/10.1007/bf00881339
13. Underwood, R., & Tolwinski, B. (1998). A mathematical programming viewpoint for solving the ultimate pit problem. European Journal of Operational Research, 107(1), 96–107. https://doi.org/10.1016/s0377-2217(97)00141-0
14. Frimpong, S., & Achireko, P. K. (1997). The MCS/MFNN algorithm for open pit optimization. International Journal of Surface Mining, Reclamation and Environment, 11(1), 45–52. https://doi.org/10.1080/09208119708944055
15. Frimpong, S., Szymanski, J., & Narsing, A. (2002). A Computational Intelligent Algorithm for Surface Mine Layouts Optimization. SIMULATION, 78(10), 600–611. https://doi.org/10.1177/0037549702078010002
16. Sayadi, A. R., Fathianpour, N., & Mousavi, A. A. (2011). Open pit optimization in 3D using a new artificial neural network. Archives of Mining Sciences, 56(3), 389–403.
17. Григор’єв, Ю., Луценко, С., Жуков, С., & Федоренко, С. (2023). Системні невідповідності за традиційного проєктування залізорудних кар’єрів. Гірничий вісник, 111, 11–18.
