№83-28
Роль роботизованих систем в оптимізації процесів буріння у гірничодобувній промисловості
Є.А. Коровяка1, https://orcid.org/0000-0002-2675-6610
О.А. Пащенко1, https://orcid.org/0000-0003-3296-996X
В.В. Яворська1, https://orcid.org/0000-0002-1639-6818
А.С. Шумов1, https://orcid.org/0000-0002-8856-4753
Д.С. Зибалов1 https://orcid.org/0000-0001-5891-9325
1Національний технічний університет «Дніпровська політехніка», Дніпро, Україна
Coll.res.pap.nat.min.univ. 2025, 83:315–323
Full text (PDF)
https://doi.org/10.33271/crpnmu/83.315
АНОТАЦІЯ
Мета. Обґрунтування та аналіз інноваційних рішень для підвищення ефективності, безпеки та екологічної сталості процесів руйнування гірських порід у гірничодобувній промисловості.
Методика. Дослідження присвячене аналізу ролі робототехнічних систем в оптимізації руйнування гірських порід з акцентом на інтеграцію штучного інтелекту і сенсорів. Запропоновано математичну модель процесу, що враховує швидкість буріння, точність і енергоспоживання та валідована на симульованих і частково реальних даних гірничих робіт.
Результати. Запропонована модель інтегрує робототехнічні системи з ШІ та гіперспектральним аналізом, демонструючи підвищення продуктивності на 15%, зниження енергоспоживання на 10% і зменшення викидів на 12% порівняно з традиційними методами. Цей підхід також підвищує безпеку, зменшуючи травматизм на робочому місці приблизно на 30%, що відповідає переходу галузі до автоматизації. Порівняльний аналіз підкреслює переваги автоматизованих методів над традиційними техніками, пропонуючи шлях до більш сталого видобутку.
Наукова новизна. Встановлено залежності між рівнем інтеграції роботизованих систем із алгоритмами штучного інтелекту та сенсорними технологіями і показниками ефективності дроблення гірських порід. Впровадження таких систем забезпечує підвищення продуктивності, зниження енергоспоживання та викидів, а також сприяє підвищенню безпеки за рахунок зменшення травматизму.
Практична значимість. Практичні рекомендації передбачають впровадження цієї моделі великими гірничодобувними компаніями, такими як BHP і Rio Tinto, які могли б використати ці досягнення для підвищення операційної ефективності та досягнення цілей сталого розвитку. Дослідження визнає обмеження, зокрема залежність від симульованих даних через обмежений доступ до реальних польових випробувань, і рекомендує подальші дослідження щодо застосування квантових сенсорів для покращення локалізації в підземних умовах. Ця робота сприяє розвитку галузі автоматизації видобутку, надаючи основу для подальшої інтеграції технологій та промислового застосування.
Ключові слова: робототехнічні системи, автоматизація, руйнування гірських порід, гірничодобувна промисловість, ефективність, безпека, штучний інтелект, сенсори, гіперспектральний аналіз, сталість.
Перелік посилань
1. Siddiqui, M. A. H., Raj, P., Ansari, S., Das, B., & Sah, R. P. (2025). Maximizing energy savings in coal mines industrial ventilation: Strategies and analysis for power reduction. Discover Applied Sciences, 7(25), 69890. https://doi.org/10.1007/s42452-025-06989-0
2. Ratov, B. T., Khomenko, V. L., Utepov, Z. G., Koroviaka, Y. A., & Seidaliyev, A. A. (2025). Blade bit drilling in Kazakhstan: Achieved results, unresolved issues. News of the National Academy of Sciences of the Republic of Kazakhstan, Series of Geology and Technical Sciences, 1(469), 182–201. https://doi.org/10.32014/2025.2518-170X.484
3. Khoshkerdar, M., Saeedi, R., Bagheri, A., Hajartabar, M., & Darvishi, M. (2024). Studying the effectiveness of using intelligent mining machinery systems on health, safety, and environmental parameters and preventive maintenance. Journal of Health and Safety at Work.
4. Kozhevnykov, A., Khomenko, V., Liu, B., Kamyshatskyi, O., & Pashchenko, O. (2020). The history of gas hydrates studies: From laboratory curiosity to a new fuel alternative. Key Engineering Materials, 844, 49–64. https://doi.org/10.4028/www.scientific.net/KEM.844.49
5. Florea, V. A., Toderaș, M., & Danciu, C. (2025). The influence of roughness of surfaces on wear mechanisms in metal–rock interactions. Coatings, 15(2), 150. https://doi.org/10.3390/coatings15020150
6. Zhang, X., Chen, L., Ai, Y., Tian, B., & Cao, D. (2021). Scheduling of autonomous mining trucks: Allocation model based tabu search algorithm development. In 2021 IEEE International Conference on Intelligent Transportation Systems (ITSC) (p. 9564491). IEEE. https://doi.org/10.1109/ITSC48978.2021.9564491
7. Huang, Z., Ge, S., He, Y., Wang, D., & Zhang, S. (2024). Research on the intelligent system architecture and control strategy of mining robot crowds. Energies, 17(8), 1834. https://doi.org/10.3390/en17081834
8. Dogru, S., & Marques, L. (2015). Towards fully autonomous energy efficient coverage path planning for autonomous mobile robots on 3D terrain. In 2015 European Conference on Mobile Robots (ECMR) (p. 7324206). IEEE. https://doi.org/10.1109/ECMR.2015.7324206
9. Bołoz, Ł., & Biały, W. (2020). Automation and robotization of underground mining in Poland. Applied Sciences, 10(20), 7221. https://doi.org/10.3390/app10207221
10. Ratov, B., Pavlychenko, A., Kirin, R., Pashchenko, O., Khomenko, V., Tileuberdi, N., Kamyshatskyi, O., Sieriebriak, S., Seidaliyev, A., & Muratova, S. (2025). Using machine learning to model mechanical processes in mining: Theory, practice, and legal considerations. Engineered Science, 33, 1419. https://doi.org/10.30919/es1419
11. Umirzokov, A. M., Abdullo, M. A., Jobirov, F. I., Saidullozoda, S. S., & Tashripov, A. B. (2022). Assessment of the resource of elements of transportation machines operated in mining energy enterprises. IOP Conference Series: Earth and Environmental Science, 990(1), 012063. https://doi.org/10.1088/1755-1315/990/1/012063
12. Lal, R. (2025). Restoring soil organic matter content for managing soil health in Africa's agroecoregions. Egyptian Journal of Soil Science. https://doi.org/10.21608/ejss.2024.334426.1913
13. Hui, J., & Cheng, Y. (2025). Integrating mining district data into ecological security pattern identification: A case study of Chenzhou. Scientific Reports, 15. https://doi.org/10.1038/s41598-025-00883-w
14. Biletskiy, M. T., Ratov, B. T., Khomenko, V. L., Yesturliyev, A. Ye., & Makhitova, Z. Sh. (2025). Improved techniques for exploration of groundwater deposits for conditions of rural areas of the Mangystau Peninsula. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (1), 5–12. https://doi.org/10.33271/nvngu/2025-1/005
15. Füllenbach, C. (2018). Smarter mining – Machine maintenance by Epiroc [Smarter Mining – Instandhaltungstechnik von Epiroc]. Mining Report.
16. Pashchenko, O., Ratov, B., Khomenko, V., Gusmanova, A., & Omirzakova, E. (2024). Methodology for optimizing drill bit performance. In International Multidisciplinary Scientific GeoConference Surveying Geology and Mining Ecology Management, SGEM. https://doi.org/10.5593/sgem2024/1.1/s06.78
17. Leinonen, M. E., Hovinen, V., Vuohtoniemi, R., & Pärssinen, A. (2024). 5G radio channel characterization in an underground mining environment. In Proceedings of the 18th European Conference on Antennas and Propagation (EuCAP 2024). https://doi.org/10.23919/EuCAP60739.2024.10501076
18. Matthäus, A. (2018). Epiroc Boomer E1C-DH implemented in a quarry [Epiroc Boomer E1C-DH-Einsatz im Steinbruch]. World of Mining - Surface and Underground.
дата першого надходження статті до видання – 01.10.2025
дата прийняття до друку статті після рецензування – 06.11.2025
дата публікації (оприлюднення) – 29.12.2025