ПРИМЕНЕНИЕ МЕТОДОВ КЛАСТЕРНОГО АНАЛИЗА ДЛЯ ВЫДЕЛЕНИЯ АКУСТИЧЕСКИ АКТИВНЫХ ЗОН
DOI:
https://doi.org/10.25635/2313-1586.2025.01.078Ключевые слова:
геомеханика, сейсмоакустический мониторинг, кластерный анализ, DBSCAN, сейсмоакустические события, очаг разрушения, удароопасность, горное давлениеАннотация
В статье представлены результаты исследования по применению методов кластерного анализа для решения задачи выделения акустически активных зон на удароопасных месторождениях. Данные, полученные с помощью сейсмоакустической системы «Prognoz-ADS», использовались для анализа процессов разрушения в породном массиве, проявляющихся в повышенной концентрации событий акустической эмиссии. Основным инструментом анализа выбран алгоритм DBSCAN, позволяющий идентифицировать кластеры произвольной формы с учетом пространственно-временных характеристик событий. Для оптимизации параметров алгоритма был применен индекс Дэвиса-Болдина, что позволило определить оптимальный радиус окрестности событий (7 м) и минимальное количество соседей (13). В результате проведенного анализа данных месторождения Южное было выделено 20 акустически активных зон, характеризующих участки повышенного горного давления. Анализ кластеров по временным и пространственным характеристикам позволил исключить из рассмотрения события, связанные с ошибками локации и техногенными помехами, а также выявить закономерности развития очагов разрушения. Разработанные программно-методические средства обеспечивают качественную идентификацию зон разрушения с точным определением границ и наблюдение за их развитием. Выделенные зоны рекомендованы для приоритетного мониторинга, что позволит минимизировать риски аварийных ситуаций. Разработанный подход доказал свою универсальность и может быть применен для анализа сейсмоакустических данных других удароопасных рудников. Практическая значимость работы заключается в возможности своевременного прогнозирования и предотвращения опасных динамических проявлений горного давления, что подчеркивает важность сочетания современных методов кластеризации и инструментов геомеханического мониторинга для повышения безопасности горных работ.
Библиографические ссылки
Козырев А.А., Семенова И.Э., Жукова С.А., Журавлева О.Г., 2022. Факторы изменения сейсмического режима и локализации опасных зон при крупномасштабном техногенном воздействии. Горная промышленность, № 6, С. 95-102. DOI 10.30686/ 1609-9192-2022-6-95-102.
Еременко А.А., Мулев С.Н., Штирц В.А., 2022. Мониторинг геодинамических явлений микросейсмическим методом при освоении удароопасных месторождений. Физико-технические проблемы разработки полезных ископаемых, № 1, С. 12–22. DOI 10.15372/FTPRPI20220102.
Gladyr A., Rasskazov M., Konstantinov A., Tereshkin A., 2019. Algorithm for calculating hazard areas of a rock massif based on geomechanical data. E3S Web of Confer-ences, Vol. 129, P. 01002. DOI 10.1051/e3sconf/201912901002.
Gladyr A.V., Tereshkin A.A., Rasskazov M.I., Konstantinov A.V., 2019. Application of probabilistic clustering analysis to rockburst hazard assessment of rock mass. IOP Conference series, Vol. 773, P. 012061. DOI 10.1088/1755-1315/773/1/012061.
Рассказов И.Ю., Федотова Ю.В., Аникин П.А. и др., 2023. Совершенствование методов и средств геомеханического мониторинга на основе цифровых технологий. Горная промышленность, № S5, С. 18-24. DOI 10.30686/1609-9192-2023-5S-18-24.
Семенова И.Э., Журавлева О.Г., Жукова С.А., 2023. О механизмах разрушения массива горных пород и закономерностях формирования опасных зон в окрестности элементов горной технологии. Горная промышленность, № S1, С. 69-74. DOI 10.30686/ 1609-9192-2023-S1-69-74.
Zhu Z., Jiang Z., Accornero F., Carpinteri A., 2024.Correlation between seismic activity and acoustic emission on the basis of in-situ monitoring. EGUsphere [preprint]. DOI 10.5194/egusphere-2024-688.
Mendecki M., Pakosz R., Wojtecki Ł., Zuberek W., 2021. Spatiotemporal analysis of elastic and inelastic deformations in roof-rocks from seismological observations. International Journal of Mining Science and Technology, Vol. 31, P. 241–251. DOI 10.1016/j.ijmst.2020.12.001.
Jain A., Murty M., Flynn P., 1999. Data clustering: A review. ACM Computing Surveys, Vol. 31, no. 3, P. 264–323.
Arthur D., Vassilvitskii S., 2006. How slow is the k-means method? Proceedings of the Twenty-Second Annual Symposium on Computational Geometry, Sedona, Arizona, USA. New York, USA: Association for Computing Machinery, P. 144–153. DOI 10.1145/1137856.1137880.
Schubert E., Sander J., Ester M. et al., 2017. DBSCAN revisited, revisited: Why and how you should (still) use DBSCAN. ACM Transactions on Database Systems, Vol. 42, no. 3, P. 1–21.
Davies D., Bouldin D., 1979. A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. PAMI-1, no. 2, P. 224–227. DOI 10.1109/TPAMI.1979.4766909.
Zhang W., 2023. An improved DBSCAN algorithm for hazard recognition of obstacles in unmanned scenes. Soft Computing, Vol. 27, P. 18585–18604.
Константинов А.В., Рассказов И.Ю., 2024. Разработка комплекса нейросетевых моделей для идентификации типа источника акустического излучения на удароопасном месторождении. Горный информационно-аналитический бюллетень, № 11, С. 23–36. DOI: 10.25018/0236_1493_2024_11_0_23.
