Прогноз динамических проявлений горного давления на основе микросейсмического мониторинга и методов машинного обучения

Деменков П.А., Силичева Е.Д.

Санкт-Петербургский горный университет императрицы Екатерины II, Санкт-Петербург

Ключевые слова: микросейсмический мониторинг, машинное обучение, динамические проявления горного давления, геомеханика, прогноз опасных состояний, удароопасность, рудные месторождения.

Аннотация. В условиях добычи на Хибинских апатит-нефелиновых месторождениях существует проблема динамических проявлений горного давления. Микросейсмический мониторинг способствует обнаружению зон повышенной удароопасности, но каталоги сейсмических событий строятся на основе работы инженеров и эмпирических данных. В таких условиях сложно выделить достоверные признаки опасных событий. В работе предлагается совершенствование метода прогноза динамических проявлений горного давления путем интегрирования в методы прогноза методов машинного обучения. Для анализа применялись четыре модели машинного обучения: логистическая регрессия, случайный лес, градиентный бустинг и многослойный перцептрон. Качество моделей оценивалось по метрикам для оценки моделей машинного обучения: PR-AUC, ROC-AUC и Brier Score с учётом временной валидации. Результаты показали, что наиболее информативными признаками являются энергетические характеристики событий и показатели локальной кластеризации. в пространственно временном окне наблюдения. Ансамблевые модели (градиентный бустинг и логистическая регрессия) показали лучшие результаты и позволили выделить пространственно-временные области повышенного риска. Полученные результаты подтверждают прикладную ценность предлагаемого подхода для повышения надёжности мониторинга и формирования целевых мер по снижению риск-экспозиции в условиях сложных горно-геологических систем.

Prediction of dynamic manifestations of rock pressure based on microseismic monitoring and machine learning methods

Demenkov P.A., Silicheva E.D.

Empress Catherine II Saint Petersburg Mining University, Saint-Petersburg

Keywords: microseismic monitoring, machine learning, dynamic manifestations of rock pressure, geomechanics, prediction of hazardous conditions, impact hazard, ore deposits.

Abstract. In the conditions of production at the Khibiny apatite-nepheline deposits, there is a problem of dynamic manifestations of rock pressure. Microseismic monitoring helps identify high-risk areas, but catalogs of seismic events are based on the work of engineers and empirical data. In such conditions, it is difficult to identify reliable signs of dangerous phenomena. The article proposes to improve the methodology for predicting dynamic manifestations of mountain pressure by integrating machine learning methods into forecasting methods. Four machine learning models were used for the analysis: logistic regression, random forest, gradient boosting and multilayer perceptron. The quality of the models was assessed using indicators for evaluating machine learning models: PR-AUC, ROC-AUC and Brier Score, taking into account the verification time. The results showed that the most informative features are the energy characteristics of events and indicators of local clustering. in the window of space-time observation. Complex models (gradient acceleration and logistic regression) showed the best results and allowed us to identify spatio-temporal areas of increased risk. The results obtained confirm the practical value of the proposed approach for improving the reliability of monitoring and developing targeted measures to reduce the risk of exposure in complex mining and geological systems.